авторефераты диссертаций БЕСПЛАТНАЯ БИБЛИОТЕКА РОССИИ

КОНФЕРЕНЦИИ, КНИГИ, ПОСОБИЯ, НАУЧНЫЕ ИЗДАНИЯ

<< ГЛАВНАЯ
АГРОИНЖЕНЕРИЯ
АСТРОНОМИЯ
БЕЗОПАСНОСТЬ
БИОЛОГИЯ
ЗЕМЛЯ
ИНФОРМАТИКА
ИСКУССТВОВЕДЕНИЕ
ИСТОРИЯ
КУЛЬТУРОЛОГИЯ
МАШИНОСТРОЕНИЕ
МЕДИЦИНА
МЕТАЛЛУРГИЯ
МЕХАНИКА
ПЕДАГОГИКА
ПОЛИТИКА
ПРИБОРОСТРОЕНИЕ
ПРОДОВОЛЬСТВИЕ
ПСИХОЛОГИЯ
РАДИОТЕХНИКА
СЕЛЬСКОЕ ХОЗЯЙСТВО
СОЦИОЛОГИЯ
СТРОИТЕЛЬСТВО
ТЕХНИЧЕСКИЕ НАУКИ
ТРАНСПОРТ
ФАРМАЦЕВТИКА
ФИЗИКА
ФИЗИОЛОГИЯ
ФИЛОЛОГИЯ
ФИЛОСОФИЯ
ХИМИЯ
ЭКОНОМИКА
ЭЛЕКТРОТЕХНИКА
ЭНЕРГЕТИКА
ЮРИСПРУДЕНЦИЯ
ЯЗЫКОЗНАНИЕ
РАЗНОЕ
КОНТАКТЫ


Pages:     | 1 || 3 |

«Министерство образования и науки Российской Федерации Государственное образовательное учреждение высшего профессионального образования «Пермский государственный технический ...»

-- [ Страница 2 ] --

В результате приведенных рассуждений мы получили алго ритм, позволяющий задаться допустимой степенью риска и раз делить параметры на две группы (оказывающие и не оказываю щие влияние на решение конкретной задачи).

Рассмотрим способ применения описанного подхода на примере задачи, предложенной в этом году для решения в рамках открытого международного соревнования Data Mining Cup (http://www.data-mining-cup.de/).

Таблица Пример данных, которые могут использоваться для принятия решения Название поля Тип Описание Уникальный номер покупателя customernumbe int r Дата первой покупки date date Тип покупателя: 0 = Женщина;

saturation int 1 = Мужчина;

2 = Компания Домен E-mail адреса: 0 = aol.com;

1 = arcor.de;

2 = freenet.de;

3 = gmail.com;

4 = gmx.de;

5 = hotmail.de;

6 = online.de;

domain int 7 = onlinehome.de;

8 = t-online.de;

9 = web.de;

10 = yahoo.com;

11 = yahoo.de;

12 = others Количесво покупок numberitems int Подарки: 0 = Нет;

1 = Да.

gift int Зарегистрировался как: 0 = магазин;

entry int 1 = партнер.

...

Количество купленной иностранной продукции w9 int Количество других покупок w10 int Наличие покупок в течении последних 90 дней:

target90 int 0 = Нет;

1 = Да.

Задача формулируется следующим образом: имеется стати стика продаж интернет-магазина (см. перечень доступных полей данных табл. 2), по данным которой необходимо отобрать поль зователей, которым целесообразно выдать ваучер со скидкой на покупку в этом интернет-магазине. Качество принятого решения оценивается по формуле:

0, gi 0;

xi 5, gi 1 ki 0;

1,5, g 1 k 1.

i i При этом ki 1 – если ваучер пригодился (выдан нужному человеку), gi 1 – если ваучер выдан.

Для применения алгоритма вместо полей введем параметры, которые будут частично совпадать с полями, а частично являться результатом применения арифметических операций (табл. 3).

Таблица Таблица параметров и их весов Вес ( j ) Название поля Название параметра Не учитывается, так как не несет customernumber смысловой нагрузки K1 = дата последнего обновления date данных – date saturation 4 K domain 4 K numberitems 16 K gift 15 K5=gift and voucher entry 4 K … Параметр не учитывается w9 Параметр не учитывается w10 target90 8 K Последовательно применяя приведенный выше алгоритм, мы получим значения для величины j, на основании значения кото рой могут быть отброшены некоторые переменные (см. табл. 3).

Рассмотрим вычисление значения xi на примере значений параметра K4: xi 16 (6,5 pi 5).

Каждый параметр будет иметь свои значения pi, для кото рых pi i. Эти значения могут быть определены по описанному алгоритму с использованием графика, приведенного на рис. 9.

На этом графике приведена зависимость количества продаж от действия по выдаче ваучера. Вероятность для параметра количе ства продаж может быть вычислена на основе этих данных как отношение всех клиентов, которым выдавался ваучер, ко всему количеству клиентов, попадающих в один интервал по количе ству продаж (рис. 10).

Количество по купок / numberitems Информация о выдаче ваучера (0–ваучер не выдавался, 1 – ваучер выдавался) Рис. 9. Пример зависимости количества продаж от действия (выдачи или невыдачи ваучера) pi 10 15 20 25 Количество 0 покупок Рис. 10. Гистограмма распределения pi для параметра K Для упрощения расчетов мы использовали программу SPSS.

Программа, реализующая алгоритм вычисления весов j и рас становки вероятностей, представлена ниже.

… compute K8.

if(case=1)K8=1.

if(case=2)K8=0.63.

if(case=3)K8=0.4.

if(case=4)K8=0.2.

if (case=5)K8=0.1.

execute.

… compute K9.

if (model=1)K9=0.5.

if (model=2)K9=1.

if (model=3)K9=0.

execute.

… compute ver.

if (givevoucher=-1) ver=(8*K1+4*K2+4*K3+16*K4+15*K5+4*K7+K8*10+K9* +K11+K12+K13+8*K14+2*K10+4*K6)/73.

if (givevoucher-1) ver=0.

execute.

… Используя описанный подход, мы получили результаты, на 85 % совпавшие с решениями задачи, которые были призна ны правильными и опубликованы на сайте конкурса. Важным преимуществом подхода является то, что, основываясь на фор мальных принципах, а не на опыте и домыслах, удается полу чить результат со степенью достоверности, позволяющей ре шать не только задачи оценки тенденций, но и задачи, требую щие количественных значений.

2.5. Прогнозирование развития параметров инновационных проектов Одной из подзадач, решаемых при управлении проектами, является задача оценки потенциала развития по каждому из па раметров проекта и выработке решений, приводящих к прогрес су по множеству из них. Данная задача является актуальной в первую очередь потому, что прогнозирование развития позволя ет принимать не тактические, а стратегические решения, даю щие результат на долгосрочную перспективу. Прогнозирование при управлении проектами возможно потому, что в процессе развития проекта его параметры переживают несколько этапов развития. Поэтому, оценив стадию, на которой находится от дельный параметр, можно оценить потенциал его роста и пер спективы развития проекта.

Этапы развития параметров инновационных проектов опи сываются либо с помощью инновационной кривой [2], либо с помощью S-образной кривой [61]. Каждый инновационный про ект имеет несколько параметров. Вид кривой, которая будет описывать параметр, зависит от того, какой параметр она опи сывает. Инновационной кривой описываются экономические па раметры (прибыль;

объем продаж;

доля рынка, которую занима ет фирма или продукт;

количество конкурирующих фирм или продуктов;

количество людей, привлеченных к работе над проектом, качество продукции и др. [19, 23, 30]). Технические и технологические параметры описываются S-образной кривой (стоимость разработки или внедрения новой технологии, индекс производительности, степень зрелости технологии или процесса и др. [5, 11, 32]), которая показывает степень развития техноло гии и перспективы ее модернизации (иногда инновационную и S-образную кривые не различают, и тогда последняя считается частным случаем первой).

Любой расчет, который будет осуществляться на отдален ную перспективу, не может учитывать факторы, которые возник нут в будущем, тем более обстоятельства непреодолимой силы [61]. Это в свою очередь означает, что ситуация требует постоян ного мониторинга и повторных расчетов, а также анализа откло нения влияющих факторов и степени их воздействия в динамике развития проекта. Поскольку вид кривой, для которой осуществ ляются прогнозирования, известен, целесообразно использовать это знание и построить ее математическое описание.

Расчет одного из прогнозируемых значений позволяет оце нить перспективы развития. Например, зная время t4 (рис. 13), можно оценить период, в течение которого есть возможность из менить ситуацию и принять решение, позволяющее продолжить развитие проекта.

Параметр УСТАРЕВШИЙ ПРОДУКТ Предел развития Сведение стоимости до минимума S – кривая Доведение надежности Разработка до максимума следующего следующего нового про конкурентного Доведение эффективности дукта продукта до максимума Доведение эксплуатационных характеристик до максимума Сделать так, чтобы изделие работало правильно Сделать так, чтобы изделие работало ОКНО ВРЕМЕНИ Время (t) Рис. 11. Вехи развития инновационного проекта по одному из параметров При принятии решения сначала оцениваются перспективы модернизации существующего продукта с точки зрения: возмож ности доведения эксплуатационных характеристик до максимума, доведения эффективности до максимума, доведения надежности до максимума, сведения стоимости до минимума (рис. 11). И лишь при достижении предела развития необходимо начинать выпуск нового продукта (начинать новый инвестиционный проект). Пере ходить к выпуску нового продукта также следует тогда, когда уве личение эксплуатационных характеристик по параметру, по которому происходит спад, приводит к уменьшению эксплуатаци онных характеристик другого параметра. Это означает, что уда лось найти параметры, которые тормозят дальнейшее развитие проекта. Иначе говоря, достигнут некоторый предел развития по ряду параметров, для преодоления которого требуется внедрение нового, принципиально отличного подхода.

Рассмотрим пример с яхтой. Очевидно, что зависимость скорости и остойчивости от площади паруса и размера киля ока зывает взаимоисключающие влияния. Увеличение размера паруса приводит к увеличению скорости и уменьшению остойчивости.

В этом случае выходом из ситуации становится внедрение новой технологии, например применение паровой тяги. Другим приме ром является замена спирали в лампах накаливания газом (для увеличения светоотдачи и преодоления проблемы, когда при вы соких температурах спираль будет плавиться) и т.п.

Для такой принципиальной модернизации продукта разрабо таны специальные методы: метод морфологического синтеза, ме тод Колера, метод Мэтчетта и т.д.

Эти подходы позволяют создать модифицированный про дукт. Использование этих подходов позволяет создать новый ин новационный продукт со своей кривой развития и реализовать принцип, к которому стремятся многие фирмы – «не будь пер вым, а будь уникальным».

Новое изделие будет выступать по отношению к инноваци онной кривой базового продукта соинновацией, развивая основ ную идею, заложенную в базовый продукт. При этом нужно знать величину «окна времени», необходимую для запуска модернизи рованного продукта (см. рис. 11) [11]. Параметры инновационной кривой соинновации будут иметь отличия от базового продукта и подчинятся правилам, описанным в [11], а именно: иметь макси мальный доход от внедрения этой инновации меньше базовой ин новации на величину вложенных в ее внедрение средств (рис. 12).

t € Время y2 (порог рентабельности, € см. рис. 2) Модернизированный продукт Рис. 12. Кривая инновационного развития на этапе разработки Знание этих закономерностей позволяет наиболее эффек тивно пользоваться данными прогноза. Очевидно, что время, за траченное на внедрение нового продукта t (до момента получе ния прибыли от него), должно быть меньше времени, которое осталось до момента, когда выпуск основного продукта переста нет быть выгодным t4–tc (см. рис. 13). Объем средств, затрачива емых на запуск новой продукции €, должен быть меньше объе ма средств, которые компания получила в виде прибыли от реа лизации базовой инновации. Более того, как следует из [11], ве личина € – это значение, на которое инновационная кривая пройдет ниже базовой, и, таким образом, с ее помощью можно вычислить прибыль, которая будет получена от реализации ново го продукта. Величины € и t могут быть определены исходя из выбранного способа модернизации. При модернизации продукта всегда можно ответить на вопрос о стоимости нового продукта, цене внедрения в производство, времени до его выхода на рынок и запуска производства.

2.5.1. Прогнозирование развития параметров описываемыхинновационной кривой У параметров инновационного проекта, описываемых инно вационной кривой, выделяют четыре этапа развития [61, 111, 29] (см. рис. 13): выход на рынок, рост, зрелость и спад.

(модернизированный y Параметр (у) yc, tc ОКР и другие предшествующие выходу Наследник продукт) y y рентабельности Стадии НИР, с производства на рынок стадии Порог Снятие y Переменные затраты Спад t Рост t t1 t y0, t0 Зрелость Выход Время (t) Рис. 13. Кривая развития инновационного проекта Таким образом, имеются четыре точки, которые можно вы делить формально в течение жизненного цикла инновационного проекта, – это точки перехода с одного этапа на другой. Первая точка для всех параметров – это точка выхода на рынок иннова ционного проекта, ее координаты всегда можно принять y0 = 0 и t0 = 0 (если это не так, то можно сместить координатные оси, чтобы это выполнялось). Первое значение y равно величине оцениваемого параметра, второе значение – периоду времени, ко гда оно достигнуто. Остальные точки для разных параметров проекта определяются по-разному.

Вторая точка – точка перехода на этап роста. Ее координаты для параметра «выручка», например, равны (переменные затраты на выпуск и реализацию продукта, t1). Третья точка – точка пере хода в стадию зрелости (все суммарные затраты на выпуск и реа лизацию продукта, t2). Четвертая точка – точка максимальной по лучаемой прибыли (все суммарные затраты на выпуск и реализа цию продукта + прибыль, t3) и, наконец, пятая точка – точка пе рехода в стадию спада (все суммарные затраты на выпуск и реа лизацию продукта, t4).

Точки (y1, t1), (y2, t2), (y3, t3) для объема продаж могут быть определены на основе значений точек для объема выручки исхо дя из того, что стоимость единицы продукции в каждый момент времени известна.

Значения точек перехода с этапа на этап для доли рынка мо гут быть определены из закономерности, описанной в литературе [29]. Площадь, фигуры ограниченной инновационной кривой, на этапе выхода (см. рис. 13) составляет 3 % от всей площади фигу ры. Площадь фигуры, соответствующей этапу роста, составляет 13 %. Этапу зрелости до достижения точки (y3, t3) и после ее про хождения соответствует по 34 % от общей площади. Последнему этапу – этапу спада – соответствует 16 % площади фигуры, огра ниченной инновационной кривой. Для других параметров проек та также существуют закономерности, некоторые из которых описаны в литературе.

Каждый этап проекта описываются своим трендом [61].

Тренды этапов (см. рис. 13) могут быть представлены в виде функционального описания. В литературе встречается несколько видов функций, которые для этого применяются. Наиболее про стым и наиболее распространенным описанием является [111, 61]:

f1 (t ) ec t, 0 t t1 – для этапа выхода на рынок;

f 2 (t ) c2t c3, t1 t t2 – для этапа роста;

f3,4 (t ) c4 c5t c6t 2, t2 t t4 – для этапа зрелости;

где переменные с0, с1, с3, с4, с5, с6 описывают темп роста или па дения, крутизну кривых и зависят от особенностей инновацион ного проекта. Точки t0, t1, t2, t3, t4 – это точки перехода от одной стадии инновационного проекта к другой.

Рассмотрим подход к прогнозированию развития инвести ционного проекта на примере этих функций. Для этого введем дополнительную точку (yc, tc), значение которой нам должно быть известно из измерений (см. рис. 13). Эта точка находится на нис падающей части стадии зрелости инновационной кривой. В ее качестве можно использовать любое усредненное значение прак тических данных. Однако для более точного прогноза и того, чтобы избежать значений, которые могут быть лишь колебанием кривой, в качестве значения для точки (yc, tc) лучше брать точку, не примыкающую к значению (y3, t3), а «значительно» стоящую от нее справа.

При управлении инновационным проектом наиболее важно как можно дальше отодвинуть стадию спада и таким образом продлить жизненный цикл продукта (этап зрелости). Начало спа да может произойти на любом из этапов жизненного цикла – это следует из [1], видно на рис. 14. В результате можно сделать предположение, что даже самые удачные проекты, возможно, пе режили свой спад досрочно, а вовремя распознанная ситуация и правильное управляющее решение могли продлить их жизнен ный путь. Очевидно, что наиболее интересным этапом для про дления проекта является этап зрелости. Именно на этом этапе ин новационный проект приносит прибыль и является наиболее ин тересным с точки зрения реализации. Отличительной особенно стью данного этапа являются наличие прибыли и начало умень шения значения параметра. Таким образом, на этом этапе извест ны три из четырех точек развития инновационного проекта. Кро ме того, в случае если нам удается распознать состояние начала уменьшения значения параметра, мы сможем зафиксировать до полнительную пятую точку (yc, tc), которая не будет являться точкой перехода на новый этап.

Стабильность Расцвет Аристократизм Ранняя бюрократизация Юность Бюрократизация Преждевременное старение Давай Давай Смерть Ловушка основателя Младен чество Смерть во Выхаживание младенчестве Время Рост Старение Рис. 14. Кривая жизненного цикла фирмы по И. Адизису Из литературы известно [83, 1, 111], что кривая инноваци онного процесса применяется для описания самых разных инно вационных проектов. Именно поэтому этот способ описания можно считать универсальным. Известно несколько типов кри вых: кривая бум, кривая увлечения, сезонная кривая, кривая мо ды, кривая возобновления, кривая провала и т.д. Кроме того, жизненный цикл даже одного и того же товара на разных рынках неодинаков. Однако усредненные значения на периодах, охваты вающих весь жизненный цикл продукта, хорошо описываются инновационной кривой (см. рис. 13).

Рассмотрим способ решения на примере поиска значения t4, которое позволяет определить оставшееся время для принятия решения (время, пока проект приносит прибыль).

Так как функция представлена в виде кусочно-заданной кривой, на границах интервалов значения функций, как и зна чения их производных, должны совпадать, поскольку функция является гладкой. Для этого можно использовать известные значения функции в точках перехода с одного этапа на дру гой.

В составной функции неизвестными являются коэффициен ты функциональных описаний с0, с1, с3, с4, с5, с6, а также время t4:

y1 ec1t1, y2 c2t2 c3, y4 c4 c5t4 c 6 t4, ec1t1 c2t1 c c2t2 c3 c4 c5t2 c6t2, ec1t1 c2, c2 c5 2c6t2, y c c t c t 2.

c 4 5c 6c Из системы легко находим (в данной системе два уравнения являются зависимыми, поэтому для нахождения семи неизвест ных нам требуется восемь уравнений) значение t4:

c5 c5 4c6 (c4 y4 ) t4, 2c где c5 y1 2c6t2, c4 y2 y1t2 c6t2, yc y2 y1 (t2 tc ) c6.

(t2 tc ) Рассмотрим пример расчета для оценки времени t4 на кри вой жизненного цикла автомобилей «Москвич 407» (рис. 15). На графике представлены точные (сплошная линия) и усредненные данные (пунктир) по объему выпуска. На кривой усредненных значений явно видно пик, а сама кривая напоминает кривую ин новационного проекта (см. рис. 13), и на ней без труда могут быть выделены стадии развития.

Количество в тыс. шт.

yc1, tc 5 yc 2, tc y2, t y4, t4 y1, t Годы выпуска 0 4 Рис. 15. Цикл жизни автомобиля «Москвич 407» [113] Попробуем рассчитать несколько вариантов продолжения кривой жизненного цикла после достижения пика выпуска.

Возьмем следующие значения переменных: y2 = 3,5, y1 = 2,2, t2 = 3,8 и два варианта для yc и tc с разными вариантами прибли жения к точке y4 и t4 (1-я пара значений yc1 = 5,5 и tc1 = 6,2;

2-я пара yc2 = 3,5 и tc2 = 6,8). После расчетов мы получим значение времени, к которому спрос упадет до уровня, когда прекратился выпуск автомобиля «Москвич 407» (для первого приближения tс1 8,2 – кривая 1;

для второго приближения tс2 7,37 – кривая 2). Следует отметить, что при расчете значений используется часть инновационной кривой, описываемой квадратным уравне нием. Поэтому при поиске прогнозируемых значений нам нужно выбрать один корень. Выбор значения осуществляется исходя из того, что время t4 не может быть достигнуто раньше, чем момент времени, который есть сейчас. Корень, который нам не будет подходить, будет равен значению t2. Чем точнее расчетное значе ние для t2 будет совпадать с реальным, тем точнее данные про гноза.

Подставив эти значения в уравнение для 4-го этапа жизнен ного цикла y4 c4 c5t c 6 t 2, получим графики, наложенные на статистические данные (см. рис. 15).

Из графиков 1 и 2 на рис. 15 хорошо видно, что чем дальше развивается спад инновационной кривой, тем точнее может быть приближение к реальным значениям и тем точнее в итоге про гноз. Таким образом, можно сделать вывод о том, что по мере по лучения новых данных для эффективного прогноза следует брать новые значения точки (yc, tc) как можно ближе к точке (y4, t4). При этом работать целесообразно с усредненными значениями.

2.5.2. Прогнозирование развития параметров, описываемых S-образной кривой S-образные кривые наиболее часто описываются кривой Перла, которая представляет собой следующую зависимость [61]:

k y, bt 1 ae где y – прогнозируемый параметр;

k – максимально достижимое значение параметра;

a, b – положительные коэффициенты, влия ющие на вид кривой, t – время.

Для определения будущих значений необходимо определить коэффициенты а, b. Для этого можно использовать метод наименьших квадратов. Однако если попытаться применить этот метод в «лоб», то мы получим следующее выражение:

N k ( yi ) 2 min.

bti 1 ae i Если следовать стандартной методике взятия частных про изводных по a и b и приравнивания полученных выражений к ну лю, то получим два трансцендентных уравнения, которые могут быть решены только в частных случаях и со значительными трудностями.

Для того чтобы избежать трансцендентного уравнения, по ступим следующим образом. Сначала представим уравнение в виде yi (1 aebti ) k.

Теперь для нахождения коэффициентов a, b воспользуемся методом наименьших квадратов:

N F (a, b) ( yi (1 aebti ) k ) 2 min, i F N (( yi (1 aebti ) k ) yi ebti ) 0, f a i F N (( yi (1 aebti ) k ) yi ati ebti ) 0.

f b i Данная процедура, конечно, не минимизирует сумму квад ратов разностей между исходными данными и выровненной кри вой. В действительности она минимизирует сумму квадратов от ношений исходных данных и выровненной кривой. При этом бе рется отношение или данных к значениям по кривой, или наобо рот, но так, чтобы оно было больше единицы. Этот метод дает простой и объективно воспроизводимый способ выравнивания данных по кривой. Этот способ интуитивно удовлетворителен, так как если бы сумма наименьших квадратов была равна нулю, то кривая прошла бы через все точки. Таким образом, даже если этот метод не обеспечивает подбора кривой способом наимень ших квадратов для исходных данных, он все же является удовле творительным для прогнозирования на основе данных о про шлом.

Полученная система уравнений является нелинейной, для ее решения необходимо применить один из численных методов (например, метод Ньютона для решения нелинейных уравнений, метод итераций и т.п.). Спецификой применения численных ме тодов является необходимость выбора начальных значений. Учи тывая, что полученные уравнения являются нелинейными, можно ожидать, что они имеют несколько решений. Поэтому выбор начальных приближений должен основываться на свойствах кри вой. Значение b должно лежать в диапазоне [0, 1], а значение a быть 1 [61].

В качестве примера рассмотрим однин из параметров инно вационного проекта, описываемый с помощью S-образной кри вой, – насыщенность рынка.

Из литературы известно, как насыщались рынки отдельных товаров. Например, динамика насыщенности рынка цветных теле визоров приведена ниже [33].

Год 1964 1972 1976 1979 1982 1985 1988 1991 1994 Насы щен- 0 5 15 35 70 85 90 96 99 ность Для простоты оперирования и построения сделаем сдвиг оси времени. Перенеся ее ноль в точку 1964, получим:

Год 0 8 12 15 18 21 24 27 30 Насыщенность 0 5 15 35 70 85 90 96 99 Осуществив приведенные выше расчеты, определим значе ния искомых параметров a 334,58, b 0,351. После этого по строим полученную функцию и кривую реальных данных (см.

данные, приведенные выше, рис. 16).

Однако умение построения функции, близкой к исходной, недостаточно для прогнозирования. Поэтому попробуем найти значения коэффициентов по меньшему количеству точек. При поиске значений коэффициентов по первым пяти точкам получим значения параметров a 333,048, b 0,351. При поиске значе ний коэффициентов по первым четырем точкам получим значе ния параметров a 265,404, b 0,327.

Построим полученные в результате функции (см. рис. 16) и выполним проверку их адекватности с использованием крите рия согласия 2 [77]. Получаем, что функции адекватны с вероят ностью 99 % – при использовании всех значений, 99 % – при ис пользовании первых пяти значений и 75 % – при использовании первых четырех значений).

Насыщенность рынка, % Насыщенность цветных телевизоров Верхний предел (10 %) Функция, постоянная по всем точкам Функция, постоянная по первым 5-ти точкам Функция, постоянная по первым 4-м точкам Время 0 8 12 15 18 21 24 27 30 Рис. 16. Оценка насыщенности рынка цветных телевизоров Недостатком предложенного подхода является свойство кривой Перла, согласно которому изгиб кривой приходится ровно посередине, что может приводить к потере точности в некоторых случаях. Для уточнения предложенный подход следует приме нить к другой S-образной кривой, не имеющей таких ограниче ний. Такой кривой является кривая Гомперца [61]:

y kab, t где y – прогнозируемый параметр;

k – максимально достижимое значение параметра;

a, b – положительные коэффициенты, влия ющие на вид кривой;

t – время.

Однако, несмотря на отмеченный недостаток, предложен ный подход помогает решать задачу прогнозирования. При этом положительным моментом метода является то, что он не является статистическим и использует ограниченные сведения о проекте, получить которые не представляется затруднительным. Поэтому можно предположить, что предложенный подход лишен таких недостатков, как достоверность прогноза только на очень корот ком промежутке времени и невозможность учета появления но вых факторов [61].

2.6. Формирование множества возможных решений Структурную модель инновационного проекта (см. рис. 4) можно представить как граф (применяя формализованный аппа рат парной грамматики – композиции двух грамматик, между правилами и символами которых устанавливаются определенные соответствия [40]). Граф будет отражать не только перечень ин формации (показателей), но и информацию о структуре задачи.

Вершинами графа будут стадии, фазы или этапы инновационного проекта, а дуги графа между этими стадиями или фазами будут являться местами принятия решений или оценки набора показа телей инновационного проекта. Такое представление возможно в связи с тем, что в отличие от сетевого графика связи между вер шинами необязательно отражают отношения предшествования, а лишь выражают возможные сочетания показателей этапов проек та (в традиционной методологии сетевого планирования и управ ления дуги изображают работы (процессы), а вершины сетевого графа – события).

Способ поиска решения – это нахождение одного из путей, ведущих из начальной вершины графа в конечную вершину или при решении локальной задачи между точками принятия реше ний. Алгоритм поиска на графе может выполняться всеми спосо бами – простым и составным, что соответствует представлению о способах реализации инноваций.

Экономико-математическая модель включает формализо ванное описание критерия выбора, т.е. целевую функцию. На мо дели каждый блок детализируется на множество применяемых методик. Тогда рассматривая инновационный проект в целом, каждому блоку можно сопоставить некое значение, являющееся результатом расчета по одной или нескольким известных мето дик [71], а каждой связи – весовой коэффициент k j (в выражении (4) вектор коэффициентов K ), показывающий значимость той или иной связи в общей структуре инновационного проекта. Дан ные значения получаются с использованием подхода экспертного оценивания. Рассматриваемый подход обладает большими воз можностями по решению задач, не поддающихся решению обыч ным аналитическим способом. Поскольку каждый проект и каж дая стадия являются уникальными, применение универсального формального метода невозможно. Поэтому оценку значимости каждой методики (их ранжирование) следует доверить экспертам, обладающим опытом в областях, соответствующих решаемым задачам.

В каждой из точек принятия решений после окончания каж дого этапа или стадии инновационного проекта оценивается множество показателей (так как каждая методика работает с не сколькими показателями). Пусть некоторое значение mil является результатом оценки i-го параметра l-ой методики. Тогда можно описать показатели методик в матричном виде:

n1- ci1mi i M K AT (4), nl - cil mil i где [A] – матрица инцидентности (показывает последователь ность применения методик и взаимосвязь стадий и этапов инно вационного проекта, а также компонент инновационного проекта между собой);

[M] – вектор показателей используемых методик в точках принятия решения;

[K] – вектор корректирующих коэф фициентов для приведения всех методик к единому пространству измерения величин (если допустимое изменение показателей ле жит в диапазоне 0...k. Тогда значение каждого из показателей необходимо умножить на корректирующий коэффициент k j, ко торый, в свою очередь, может быть вычислен по формуле:

kj k j kj, k где kj – верхняя граница диапазона изменения параметров j-й ме тодики, k j – нижняя граница диапазона изменения параметров j й методики), cij – весовые коэффициенты показателей внутри каждой из составляющей методик ( j 1...l );

mij – значение пока зателей, используемых в составляющих методиках ( j 1...l );

nl – количество оцениваемых показателей в i-й из составляющих ме тодик;

l – количество используемых составляющих методик.

Примеры методик можно найти в работе [57] (например, ме тодика оценки личных и деловых качеств работников, состоящая из таблиц показателей и их удельных весов).

Приведенная выше математическая формулировка модели инновационного проекта позволяет производить поиск возмож ных вариантов и оценивать оптимальность параметров модели.

Условие оптимальности в зависимости от известных данных и применяемых методик в модели может формулироваться двумя способами:

1) минимизация отклонения параметров от желаемых значе ний;

2) минимизация или максимизация значения показателя ме тодики.

Задача минимизации отклонения показателей может быть записана в виде задачи минимизации квадрата разностей:

k j ( h j M j ) min, j 1 nl, где hj – желаемое значение, kj – элементы вектора корректирую щих коэффициентов [ K ] (данные элементы в общем случае мо гут изменятся и нести тем самым дополнительную функцию – функцию корректировочных коэффициентов). Задача минимиза ции или максимизации показателей будет выглядеть следующим образом:

k j M j extr, j 1.

nl С учетом того, что задача на поиск максимума может быть преобразована к задаче на поиск минимума путем умножения на «–1» критериальной функции.

Получение модели как задачи многокритериальной оптими зации обусловлено тем, что цель не может быть адекватно пред ставлена одним критерием. Поскольку о виде критериальных функций никакой информации не известно, для дальнейшего ре шения многокритериальную задачу оптимизации необходимо привести к обобщенному критерию. Одним из возможных мето дов может быть метод линейной свертки. Разбив оценки на груп пы по типу критериальной функции, мы получим:

l l1 l k j ( h j M j )2 k j M j k j M j min (5) j 1 j l1 1 j l2 где –.границы групп по виду критериальной функции l1, l2, l ( l l1 l2 l3 ).

Таким образом, при управлении инновационным проектом осуществляется поиск оптимального решения из конечного числа альтернативных вариантов в каждой из точек на графе.

На выбор оптимального решения могут накладываться ограничения. Ограничения могут накладываться на показатели используемых методик mij.

Ограничения могут быть самыми разными, например в виде неравенств:

mij mij, mij mij, mij mij mij.

Также ограничения при поиске оптимальных показателей mij и ограничения значений параметров могут задаваться в виде множества (ограниченного набора, который определяется исходя из используемых методик и информации о решаемой задачи при построении обобщенного критерия методик):

mij Gij ;

j 1, l ;

i 1, nl ;

где Gij – множество альтернативных значений параметров для j-й методики, i-го параметра.

Кроме того, следует помнить, что значения aij матрицы ин цидентности [A] из (4) могут принимать ограниченный набор значений, определяемый выражением:

aij {1, 0, 1};

i, j 1,l.

Таким образом, задача поиска оптимального управленческо го решения записывается в виде задачи минимизации обобщен ного критерия с ограничениями. Полученная математическая за дача относится к классу дискретных многопараметрических задач оптимизации с ограничениями. Полученная задача может быть сведена к классической задаче поиска пути на графе [102], если определить последовательность применения методик и показате лей внутри них, чтобы получить размеченный граф (сделать это можно произвольно, так как их важность определяется коэффи циентами, которые расставили эксперты, а коэффициенты между показателями внутри методики могут быть заданы в методиках исходно), а также разметить с использованием полученных кри териальных функций (5) ребра графа (рис. 17, рис. 18, рис. 19).

Методики представляют собой не что иное, как таблицы возмож ных значений показателей (набор дискретных значений – см., например, прил. 1) [76], поэтому такое преобразование может быть осуществлено (см. рис. 18).

Методика оценки экономической k1 Методика анализа личных k эффективности ( M 1 ) и деловых качеств ( M 2 ) Рис. 17. Декомпозиция задачи на последовательность применения методик c1 c2 cl … 1 2 n Показатель Показатель Показатель Рис. 18. Декомпозиция задачи по показателям внутри методики Возможные значе Возможные значе Возможные значе- Возможные значе ния показателя k ния показателя ния показателя 1 ния показателя в 1-й методике в n -й методике в 1-й методике в 1-й методике Период Значение Ставка дис- окупаемости показателя Создание контиро- 1,5 лет методики новых ра вания 2,5 бочих мест Значение показателя 8 1,5 лет … Создание методики Ставка дис Период новых ра- контирова окупаемости бочих мест ния 1, 2 лет … = Создание Ставка дис новых ра- Период 2 Значение n контиро бочих мест окупаемости показателя вания 1, 1 2 лет 9 методики Рис. 19. Пример построения размеченного графа на основе используемых методик без учета весовых коэффициентов методик и составляющих их показателей Это преобразование позволяет получить граф, с использова нием которого задача поиска оптимального решения сводится к задаче поиска кратчайшего пути между вершинами графа. При менение алгоритма Дейкстры [65] в данном случае невозможно, так как веса ребер (коэффициенты в некоторых методиках) могут иметь отрицательные значения в целевой функции (5), поэтому следует применять алгоритм более высокого порядка сложности.

Одним из самых эффективных алгоритмов для таких задач явля ется алгоритм Беллмана–Форда, представляющий собой адапта цию метода динамического программирования на граф [65].

Для учета ограничений, накладываемых на задачу, связи между вершинами графа с недопустимыми значениями достаточ но разорвать.

Для применения алгоритма Беллмана–Форда необходимо получить рекуррентную формулу. Из теории известно, что такая формула будет выглядеть следующим образом [65, 40]:

( s 1) ( s 1) ( s 1) s dij min(dij w }) min {d w },, min {d 1k n ik 1k n ik kj kj s где dij – минимальный вес пути из вершины i в вершину j, если рассматривать пути не менее, чем с s ребрами;

wij – вес ребра графа между вершинами i и j (это значение равно значению одного из значений показателя k j (h j M j )2, k j M j, k j M j критериальной функции (5)). По следнее равенство будет использовать w jj 0. При s 0 допу стим «путь» без ребер, т.е.

0, i j, dij (0), i j.

Если s 1, то минимальный вес dij достигается либо на пу s ти из не более чем s 1 ребер и равен dijs1), либо на пути из s ре ( бер. В последнем случае путь можно разбить на начальный отре зок из s 1 ребер, ведущий из начальной вершины i в некоторую вершину k и на последнее ребро (k, j ).

Работа алгоритма заключается в вычислении матриц D(1), D(2),, D( n1), где D( s ) dijs ) по заданной матрице весов ( W (wij ). Последняя матрица D( n1) будет содержать веса крат чайших путей, а матрица D(1) совпадает с W.

Учет ограничений может осуществляться введением запре щающих переходов в графе путем разрыва дуг или присваивания им больших значений.

Рассмотрим пример использования описанного подхода к выбору проекта на основе решения одной из подзадач при управ лении инновационными проектами – научно-технической экспер тизы проектов. В результате мы должны оценить проекты, кото рыми располагаем, или выработать рекомендации по его даль нейшей модификации. Для этого нам потребуется только одна методика – методика научно-технической экспертизы инноваци онных проектов [71]. Поскольку мы используем только одну ме тодику, оценку значимости можно не производить (в других слу чаях оценку важности следует проводить экспертам), тогда кри териальная функция (4) запишется в следующем виде:

( h1 k1M1 ) min.

где h1 – максимальное значение, которое может быть достигнуто в методике.

Общий интегральный показатель для научно-технической экспертизы проекта рассчитывается следующим образом (ко эффициенты значимости показателей этой методики всегда равны единице):

h1 M1 100 (m11 m12 m13 m14 m15 m16 m17 ) min.

Зададим ограничения на проекты, подвергаемые научно технической экспертизе, исходя из того, какими проектами мы обладаем:

m11 12 – сведения об аналогах (не известны аналоги проек та в США и Европе, возможные значения 3, 6, 9, 12, 15);

m12 7 – степень усовершенствования (проекты улучшают характеристики существующих изделий, возможные значения 3, 5, 7, 10, 12, 15);

m13 4 – сложность решаемой научно-технической задачи (осуществляется модификация не отдельных деталей, а кон струкции в целом, возможные значения 2, 4, 10, 12, 15);

m14 6 – предполагаемый технический результат (ожидае мый результат должен быть четко сформулирован, возможные значения 3, 6, 9, 12, 15);

m15 – используемые объекты интеллектуальной собственно сти в разработанных ранее проектах и используемых в текущем проекте (без ограничений, возможные значения 5, 8, 11);

m16 – предполагаемый вид охраны результатов (без ограни чений, возможные значения 6, 10, 14);

m17 6 – научно-технический уровень разработки (должен превышать отраслевой, возможные значения 0, 3, 6, 9, 12, 15).

Для учета ограничений связи между вершинами графа с не допустимыми значениями достаточно разорвать. Поэтому часть узлов (для достижения которых потребуется использовать связи с недопустимыми значениями) будет недоступна. Таким образом, введение приведенных выше ограничений избавит наш граф от недоступных узлов (рис. 20).

m m 12 m m m 3 m m 3 2 3 5 6 4 6 5 7 9 10 9 8 10 12 12 12 11 12 15 15 15 Рис. 20. Размеченные узлы графа для методики научно-технической экспертизы Далее необходимо соединить узлы графа связями исходя из информации по проектам, т.е. соединить вершины графа исходя из оценки характеристик (согласно применяемым методикам) тех проектов, которые имеются в распоряжении, и расставить чис ленные коэффициенты связей в соответствии с выбранным кри терием и описанным методом. В результате, если разные проекты будут иметь разные оценки по отдельным показателям, то после решения задачи можно получить решение (путем применения описанного выше алгоритма Белмана–Форда), не соответствую щее ни одному из оцениваемых проектов. Однако выбрав проект максимально близкий к полученному решению, мы выработаем рекомендацию относительно того, какая часть проекта может быть улучшена. И более того, поскольку рекомендуемые улуч шения были осуществлены в другом проекте, значит, существует потенциал для их выполнения. Таким образом, в результате ре шения задачи на проектах ПермНИПИНефть удалось отобрать проект магнитной защиты скважин от запарафинивания и выра ботать рекомендации по его улучшению.

В результате испытания полученного устройства выясни лось, что технология магнитной защиты, в отличие от других средств борьбы с парафинами типа химических ингибиторов, растворителей или глубинных дозаторов, является безреагентным средством (устройством) многоразового использования без ка ких-либо энергетических, технических или технологических за трат в течение многих лет (5–10 лет и более).

Дальнейшее развитие этого проекта показало, что он оказал ся удачным. Он успешно развился и был внедрен на предприяти ях группы компаний «ЛУКОЙЛ» в Пермском крае. Четырехлет ний опыт эксплуатации показал, что в условиях Пермской обла сти коэффициент успешности их использования достаточно вы сокий и достигает 90 %.

Может показаться, что полученное решение является элемен тарным. Однако в случае с множеством методик решение уже ста новится более сложным (например, применив несколько экономи ческих методик совместно, мы получим более обоснованную и сложную оценку экономической эффективности). Кроме того, оценка проектов по разным показателям не всегда может оказаться простой задачей. Экспертам бывает сложно произвести объектив ную оценку. Поэтому можно перейти в новый класс моделей, осно ванный на использовании нечетких экспертных знаний о системе.

Поскольку эксперты точных оценок дать не могут, переход в не четкую форму (например, к оперированию лингвистическими пе ременными) позволяет повысить точность и учесть риски реализа ции инновационного проекта [36]. Такой подход не будет вносить искажений и допущений при работе с мнениями нескольких экспертов по одному и тому же вопросу;

кроме того, эксперт может предоставлять информацию об используемых функ циях принадлежности (лингвистических переменных), если он не до конца уверен в своих оценках. Таким образом, описанный под ход имеет перспективы дальнейшего развития.

2.7. Использование нечетких переменных для моделирования инновационных проектов Повысить точность методов можно путем уточнения оце нок. Поскольку эксперты других оценок дать не могут, имеет смысл привлечь теорию вероятностей для оценки степени уве ренности экспертов в своих оценках и тем самым нивелирования погрешностей внесенных экспертами или привлечения дополни тельных экспертов для уточнения оценок. Однако методы не предназначены в явном виде для учета мнений нескольких экс пертов. Для этого применяются подходы, основанные на усред нении значений группы экспертов или интервальные оценки зна чений [17, 21], что снижает точность и вносит дополнительные упрощения и в без того не всегда достаточно точные методы.

Описание комплексных оценок (оценок с учетом степени уве ренности или оценок группы экспертов) возможно при описании их функциями (возможно, даже в табличном виде). Эти функции можно рассматривать как функции принадлежности A ( x) из тео рии нечетких множеств (нечеткой логики). Применение теории не четких множеств имеет существенное преимущество по сравнению с другими теориями, так как для теории нечетких множеств могут быть определены все элементарные математические операции.

Кроме этого другие теории, основанные на вероятностях, могут быть сведены к теории нечетких множеств [37, 103, 67].

Теория нечетких множеств хороша еще и тем, что многие данные получаемые путем сбора мнений о той или иной пробле мы не могут быть представлены одним числом, а представляют собой некоторые словесные оценки (например: плохо, хорошо, подросток, перспективно и т.п.), которые на практике представ ляются лингвистическими переменными, которые также описы ваются функциями принадлежности [90]. При этом при учете не скольких мнений даже такие оценки могут различаться, от чего общая оценка «расплывается».

Таким образом, общая схема методов принятия решения при работе в рамках теории нечетких множеств может быть пред ставлена схемой, приведенной на рис. 21 [4].

Данные … Нечеткий ввод Правила Правила операций вывода … Результаты вычислений Аналитическая обработка результатов вычислений Выбор решений Рис. 21. Механизм применения метода Первым этапом будет являтся перевод числовых оценок в нечеткую форму (фазификация). Для этого можно использовать Гауссову функцию. Расчет производится по формуле:

( ), где () – степень принадлежности к нечеткому множеству;

– задается кaк степень уверенности эксперта (от 99 до 1 %, что со ответствует значениям 0,01 и 0,99 соответственно);

x – диапа зон изменения экспертных оценок от минимально возможного до максимально возможного суммарного значения показателя (на рис. 22 изменение величины происходит от 0 до 2);

с – значение экспертной оценки или весового коэффициента.

Рис. 22. Графики Гауссовой функции принадлежности с разной величиной уверенности эксперта Также для перевода в нечеткую форму числа можно вос пользоваться заданием нечеткого множества в виде треугольного нечеткого числа [78].

Для работы большинства методик и методов для принятия решений достаточно таких операций, как сложение, вычитание, умножение и деление. Эти операции определены для нечетких множеств и описаны в литературе как для нечетких множеств, за данных по формуле Эйлера, так и для треугольных нечетких чи сел (в том числе описаны операции между переменными в нечет кой и четкой формах). Причем следует отметить, что выполнение операций над нечеткими числами, например, в треугольной фор ме дает в результате число, отличное от «треугольного». Таким образом, определенная доля допущений может быть внесена только на этапе перехода к нечеткому виду.

Ряд арифметических операций имеет несколько способов реализации на нечетких множествах. Использование того или иного способа несет в себе некоторые преимущества и может определяться исходя из конкретной задачи (например, объедине ние по Заде дает наибольшую точность по сравнению с другими методами). Однако, несмотря на различия в способах реализации операций, их осуществление не вносит каких-либо допущений или искажений в исходные данные, чем обеспечивается истин ность получаемых в результате значений.

Некоторые методы предполагают выполнение шагов, осно ванных на различных зависимостях или условиях. Такая теория для нечетких множеств в настоящее время разработана и называется «Нечеткие системы логического вывода» [78].

Рассмотрим, как осуществляется работа с нечеткими перемен ными и учет нескольких мнений на классическом примере с выбо ром школы для ребенка с помощью метода анализа иерархий (МАИ). Например, родители выбирают для своего ребенка одну из трех школ. В первую очередь они должны четко определить крите рии, по которым будут их оценивать. Критерии должны охватывать, по возможности, все стороны решаемой проблемы. Далее, если по лученная декомпозиция недостаточна для сравнения важности кри териев, необходимо их декомпозировать более подробно. Предпо ложим, что они получили иерархию, представленную на рис. 23.

Декомпозицию таких критериев, как «друзья», «проф. обу чение» и «обучение музыке» для краткости опустим. После полу чения данной иерархии нужно провести парные оценки. В случае если родители имеют разные мнения, парные сравнения (важ ность критериев верхнего уровня по отношению к цели) могут быть составлены разными родителями.

Выбор школы Школьная Проф. Подготовка Обучение Учеба Друзья обучение жизнь к вузу музыке Обеспечение оборудовани Ориентация преподавания Возможность начального Дополнительные кружки на дальнейшее обучение Отношение к ученикам Уровень преподавания Качество библиотеки Разнообразие выбора Наличие столовой проф. обучения профессии ем Вариант А Вариант Б Вариант В Рис. 23. Иерархия для выбора школы методом МАИ Например, один из родителей составил следующую матрицу:

Проф. Обуче Школьная Подготовка Учеба Друзья Выбор школы обуче- ние му жизнь к вузу ние зыке Учеба 1 5:1 1 6:1 3:1 8: Друзья 1:5 1 1:5 1:5 1:3 3: Школьная жизнь 1 5:1 1 4:1 2:1 6: Проф. обучение 1:6 5:1 1:4 1 4:1 5: Подготовка к вузу 1:3 3:1 1:2 1:4 1 4: Обучение музыке 1:8 1:3 1:6 1:5 1:4 Другой из родителей составил матрицу:

Проф. Подго Школьная Обучение Учеба Друзья Выбор школы обуче- товка жизнь музыке ние к вузу Проф. Подго Школьная Обучение Учеба Друзья Выбор школы обуче- товка жизнь музыке ние к вузу Учеба 1 4:1 1 6:1 3:1 8: Друзья 1:4 1 1:5 1:5 1:3 3: Школьная жизнь 1 5:1 1 5:1 2:1 4: Проф. обучение 1:6 5:1 1:5 1 6:1 5: Подготовка к вузу 1:3 3:1 1:2 1:4 1 4: Обучение музыке 1:8 1:3 1:4 1:5 1:4 Далее для критерия «учеба» родители составили следующие матрицы:

Уровень препода Уровень препода Обеспечение обо Обеспечение обо Отношение к Отношение к школьникам школьникам рудованием рудованием вания вания Учеба Учеба Уровень препода- Уровень препода 1 2:1 1:3 1 2:1 1: вания вания Обеспечение обо- Обеспечение обо 1:2 1 1:5 1:2 1 1: рудованием рудованием Отношение к Отношение к 3:1 5:1 1 2:1 3:1 школьникам школьникам Подобные же матрицы были составлены родителями для всех остальных критериев второго уровня.

Следующий шаг – это уже парное сравнение альтернатив.

Мы оцениваем превосходство одной альтернативы над другой по отношению к критериям третьего уровня. Это гораздо проще, чем сделать такую же оценку по отношению к проблеме в целом.

Например, для критерия «уровень преподавания» были составле ны следующие матрицы:

Школа А Школа А Школа В Школа В Школа Б Школа Б Уровень пре- Уровень пре подавания подавания Школа А Школа А 1 3:1 5:1 1 2:1 2: Школа Б Школа Б 1:3 1 1:2 1:2 1 1: Школа В Школа В 1:5 2:1 1 1:2 2:1 Построим матрицы парных сравнений. Для того чтобы применить МАИ, необходимо объединить матрицы сравнений.

Объединить их можно, преобразовав числовые оценки (парные сравнения в матрицах) в нечеткий вид и просуммировав. Объ единение парных оценок, предварительно переведенных в не четкую форму, можно рассматривать как функцию принадлеж ности нечеткого множества. Специфика полученной суммирова нием кривой принадлежности будет заключается в том, что в за висимости от величины разброса экспертных оценок она будет иметь несколько пиков в разных местах. Оценки, для которых величина разброса очень велика (например, вопросы, по кото рым мнения экспертов сильно отличаются), должны иметь меньший вес. Для этого необходимо провести проверку уровня истинности оценок экспертов и преобразовать с учетом этого функции принадлежности. Операция проверки истинности определена для двух нечетких множеств, поэтому, основываясь на правиле транзитивности в случае если оценок в нашей задаче больше двух, можно последовательно выполнять операции на парах нечетких переменных с последующей агрегацией полу ченных результатов [4] (рис. 24).


Теперь необходимо вычислить собственные векторы (векто ры приоритетов) для полученных матриц оценок приоритетов.

Вычисление может осуществляться несколькими способами, но все они ограничиваются операциями, определенными на нечет ких множествах и перечисленных выше. В итоге мы получим ко личество векторов, соответствующих количеству уровней иерар хий в задаче.

Аггрегированная функция принадлежнос ти Рис. 24. Проверка уровня истинности и агрегация оценок, представленных в виде нечетких переменных В результате каждому критерию будет соответствовать век тор (приоритетов), назовем его Vij, где i – это номер слоя иерар хии, j – номер критерия в слое. Каждый вектор имеет размерность, равную количеству подчиненных данному критерию элементов, т.е. если элементов следующего уровня, связанных с ним, – 3, то и вектор будет иметь размерность, равную 3. Кроме элементов, свя занных с данным, на следующем уровне существуют те, которые с ним не связаны. Можно считать, что все подобные элементы име ют приоритет по отношению к данному векторы, равный 0. Таким образом можно расширить векторы приоритетов для всех крите риев, добавив туда 0, для элементов, не связанных с ним. Напри мер, вектор приоритетов V11 (a, b), после расширения он будет выглядеть так: V11 (0, a, b, 0). Мы получим, что все векторы приоритетов элементов одного уровня будут иметь одинаковую размерность. На следующем шаге требуется составить матрицу приоритетов для каждого уровня иерархии, назовем ее Pi. Она со ставляется из расширенных векторов приоритетов, располагаемых по столбцам, т.е.

P (Vi 0 | Vi1 |...| Vik |...). (6) i После построения матриц приоритетов можно вычислить вектор приоритетов для альтернатив. Если количество слоев иерархии равно N, то вектор вычисляется по формуле (6):

p PN 1 PN 2... P0.

После вычисления приоритетов на примере четких чисел (для большей наглядности) для первой матрицы из полученных результатов можно сделать вывод, что наиболее значимыми кри териями в отборе школы стали: учеба, школьная жизнь и проф.

обучение:

Учеба 0, Друзья 0, Школьная жизнь 0, Проф. обучение 0, Подготовка к колледжу 0, Обучение музыке 0, В матрице второго уровня для родителей наиболее важную роль играет отношение к школьникам, далее – уровень препода вания, а на последнем месте – обеспечение оборудованием:

Уровень преподавания 0, Обеспечение оборудованием 0, Отношение к школьникам 0, Матрица третьего уровня показывает, что школа А по кри терию «учеба» значительно превосходит остальные школы:

Школа А 0, Школа Б 0, Школа В 0, В некоторых случаях, когда нет однозначного вхождения одного нечеткого множества в другое или их равенства, интер претировать полученные результаты не так просто, как в скаляр ном виде. Сложность заключается в том, что сравнивать прихо диться полученные в результате вычислений функции принад лежности для каждой из альтернатив, которые могут иметь слож ную конфигурацию. В скалярной форме такие сравнения выпол няются элементарно. Поэтому для сравнения эти числа можно перевести в привычную скалярную форму методами, основанны ми на вычисления центра тяжести, центра максимумов и т.п.

ГЛАВА 3.

ИССЛЕДОВАНИЕ ИННОВАЦИОННЫХ ПРОЕКТОВ МЕТОДАМИ МОДЕЛИРОВАНИЯ 3.1. Управление жизненным циклом инновационного продукта Используя прогнозирование развития параметров иннова ционного проекта, часто удается определить время, которым мы располагаем для принятия решения (время до потери проектом рентабельности в случае если не вносить изменений в процесс реализации инновационного проекта), поэтому необходимо про вести анализ возникшей ситуации [111], приведшей к спаду прибыли. Анализ состоит прежде всего в рассмотрении критери ев, которые выдвигались при создании продукта. Для этого все критерии можно разбить на несколько видов:

1. Функциональные (показывают насколько хорошо выполняется функция):

производительность (скорость обработки, физико химические параметры интенсивности обработки);

точность (измерения, попадания, обработки);

надежность (безотказность, долговечность, сохраняемость).

2. Технологические (экономия живого труда):

трудоемкость изготовления;

технологические возможности;

использование материалов;

способность расчленения изделия на элементы.

3. Экономические:

расход материалов;

расход энергии;

затраты на информационное обеспечение.

4. Антропологические:

эргономичность (полнота использования возможностей чело века);

красота;

безопасность;

экологичность.

Использование этих критериев приводит, как правило, к мо дернизации существующего продукта, в результате чего мы по лучим новое изделие, которое будет иметь свою собственную ин новационную кривую и выступать по отношению к инновацион ной кривой базового продукта соинновацией, при этом развивая основную идею, заложенную в базовый продукт. При этом необ ходимо знать величину «окна времени», необходимую для запус ка модернизированного продукта (рис. 25) [11]. Параметры инно вационной кривой соинновации будут иметь отличия от базового продукта и подчинятся правилам, описанным в работе [33], а именно – иметь максимальный доход от внедрения этой инно вации меньше базовой инновации на величину вложенных в ее внедрение средств (см. рис. 12).

Из этого становится понятно, что наиболее выгодным для внедрения является разработка новой инновации. Однако, несмот ря на это, модернизация продукта может продлить жизнь уже существующей разработки и принести дополнительную прибыль.

Очевидно, что время, затраченное на внедрение нового продукта t (до момента получения прибыли от него), должно быть мень ше времени, которое у нас осталось до момента когда выпуск ос новного продукта перестанет быть выгодным t4 tc, а также объ ем средств затрачиваемых на запуск новой продукции €, должен быть меньше объема средств, которые компания получила в виде прибыли от реализации базовой инновации. Более того, как сле дует из [33], величина € – это значение, на которое инновацион ная кривая пройдет ниже базовой, и таким образом с ее помощью можно вычислить прибыль, которая будет получена от реализа ции нового продукта. Величины € и t могут быть вычислены исходя из выбранного способа модернизации. Поскольку каждый вариант модернизации оценивается по ряду критериев, всегда можно ответить на вопрос о стоимости нового продукта и ценах его внедрения в производство, а также вопрос о необходимом времени для выхода на рынок и запуска производства, если эти критерии заложить в тот набор критериев, на основе которых бу дет приниматься решение.

Продукты (прибыль) Magnetic Storage Sys teme для Personal Digital Assistants (2,5-inch HDD) Notebool PC (2,5-inch HDD) Desktop PC (3,5-inch HDD) времени Окно времени Окно Время Рис. 25. Вехи развития инновационного продукта Для формирования нового продукта на основе анализа кри териев можно использовать подход, основанный на использова нии метода морфологического синтеза. Для признаков, описыва ющих характеристики проекта, выбирают конкретные значения и, таким образом, получают изделие (проект). Далее его оцени вают по критериям, генерируют новое решение и снова оценива ют. Породить можно огромное число изделий и решений. Повто ряют эту процедуру до тех пор, пока не будет найдено оптималь ное решение.

Наглядно варианты представляются морфологическим дере вом (рис. 26).

В этом И-ИЛИ дереве черными кружочками обозначены узлы И, белыми – ИЛИ.

Изделие Компоненты Техническое Технология Материалы Форма решение производства Вариант N Вариант Вариант N Вариант Вариант N Вариант Вариант Вариант N … … … … Числовые значения критериев, соответствующие вариантам Рис. 26. Использование морфологического дерева для формирования нового продукта После создания морфологической таблицы для поиска оп тимального решения необходимо сформировать список требова ний, состоящий из обязательных требований (ограничений) и из дополнительных требований (критериев).

Следующий этап – свертывание показателей. Свертыванию подлежат только требования «И». Свертывать можно различны ми способами: сумма (например, масса изделия – сумма всех его элементов), минимакс (например, производительность вычисля ется как минимум из максимумов производительности частей из делия), средневзвешенность (время нагрева воды в чайнике равна 0.3*время нагрева емкости + 0.7*время нагрева воды), классифи кационный способ – возвращает 0 или 1 в зависимости от выпол нения требования (например, форма должна быть эллиптической (или да, или нет)).

Таким образом, удается получить модернизированное изде лие с новым жизненным циклом. Однако необходимо учитывать, что жизненный цикл нового изделия зависит во многом от типа модернизации, который был произведен. Все модернизации мож но разделить на два типа: продлевающие жизненный цикл про дукта и создающие новый рынок. Модернизации, которые удает ся получить с использованием морфологического дерева, являют ся, как правило, модернизациями, продлевающими жизнь про дукта.

3.2. Принятие решений при управлении инновационными проектами В общей теории управления выделяют два направления:

теория «жестких» и «мягких» систем. Теория «жестких» систем требует строгих количественных построений, основанных на де дуктивном методе. Для построения «жестких» систем использу ют строгие формализованные описания, а результаты моделиро вания объясняются строго доказанными причинными взаимосвя зями. Формализация «мягких» систем основана не на точных ко личественных измерениях, а на качественных, нечетких и гипоте тических представлениях о системе в виде экспертных оценок, эвристических рассуждений.


Как следует из разделов 2.1. и 2.2, инновационные проекты могут быть отнесены к «мягким» системам. Инновационные про екты относятся к социально-экономическим и социально техническим системам, которые способны адаптироваться к из меняющимся внешним условиям.

Для анализа «мягких» систем П. Чекладом [10] была пред ложена методология «мягкого» системного анализа. Эта методо логия является системно организованным процессом исследова ния плохо определенной системы, включающим в себя ряд по следовательных этапов для принятия решения по управлению си туацией.

Задача поддержки принятия решения по управлению ситуа цией в «мягкой» динамической ситуации определяется как задача разработки стратегии для перевода ситуации из текущего состоя ния в целевое на основе субъективной модели ситуации на основе экспертно измеренных значений факторов. Эта субъективная мо дель фиксируется в виде ориентированного знакового графа – ко гнитивной карты [6] (рис. 27).Знак плюс на дугах между верши нами-факторами означает, что увеличение значения фактора причины приводит к увеличению фактора-следствия, а знак ми нус – увеличение значения фактора-причины уменьшает значение фактора-следствия. Когнитивная карта отражает функциональ ную структуру анализируемой ситуации, поскольку изменение значения любого фактора ситуации приводит к возникновению «фронта» изменений значений связанных с ним факторов.

Цены на Уровень продукцию прибыли Дефицит + Число фирм продукции производителей 5 + + - Уровень конкуренции 1 + + + + Уровень спроса Объем производимой продукции + Уровень доходов потребителей Рис. 27. Пример когнитивной карты Этот «фронт» изменений называется импульсным процес сом в когнитивной карте и позволяет получать прогнозы развития ситуации. В рамках методологии «мягкого» системного анализа построение когнитивной карты представляет собой итерацион ный процесс генерации и проверки гипотез о функциональной структуре ситуации до получения структуры, способной правдо подобно объяснить динамику ее развития, и включает в себя три основных этапа:

построение гипотетической когнитивной карты (генера ция гипотезы о функциональной структуре ситуации);

верификация когнитивной карты (проверка правдоподоб ности гипотезы о функциональной структуре ситуации);

корректировка когнитивной карты (функциональной струк туры) ситуации.

Итерационный процесс «генерации, проверки, корректировки модели (генерации новой гипотезы)» повторяется до получения функциональной структуры, правдоподобно объясняющей поведе ние наблюдаемой ситуации. В процессе построения когнитивной карты используются интеллектуальные способности экспертов или аналитиков – их знания, которые структурируются в этом итераци онном процессе.

С помощью обоснованной когнитивной карты решается за дача выработки стратегии управления ситуацией, способной пе ревести ее из начального состояния в целевое. Причем обосно ванность вырабатываемых стратегий определяется обоснованно стью когнитивной карты, полученной в процессе ее генерации.

Таким образом, при принятии решений по управлению пло хо определенной ситуацией, на основе моделирования когнитив ных карт, знания и интеллект аналитика непосредственно участ вуют в процессе принятия решений и в значительной степени определяют его качество. Можно говорить, что системы под держки принятия решений в плохо определенных ситуациях дают положительные результаты только в совокупности с аналитиче скими способностями и творческим потенциалом аналитика.

На множестве выделенных факторов ситуации экспертом выдвигаются гипотезы о существовании и силе причинно следственного отношения между любой парой факторов ситуа ции;

результатом выполнения этого этапа является субъективная модель ситуации, представленная знаковым взвешенным ориен тированным графом (когнитивной картой).

Разные эксперты, наблюдая одну и ту же ситуацию, могут выделить разные значимые для них факторы и связи между ни ми, получая таким образом разные модели ситуации и, следова тельно, разные стратегии управления ситуацией.

Для завершения создания когнитивной карты необходимо выполнить параметризацию абстрактной когнитивной карты.

В процессе параметризации когнитивной карты определяются шкалы: значений факторов и текущих значений факторов;

силы влияния фактора на фактор и их значений.

Методология когнитивного моделирования предназначена для анализа и принятия решений в плохо определенных ситуаци ях. Она основана на моделировании субъективных представлений экспертов о ситуации и включает: методологию структуризации ситуации – модель представления знаний эксперта в виде знако вого орграфа (когнитивной карты) (F, W), где F – множество фак торов ситуации, W – множество причинно-следственных отноше ний между факторами ситуации;

методы анализа ситуации.

В случае с инновационными проектами развитие факторов может быть сужено (см. раздел 2.4) и спрогнозировано (см. раз дел 2.5). Кроме того, исходя из дискретности возможных реше ний может быть сгенерировано возможное множество вариантов (см. раздел 2.6).

ГЛАВА 4.

АВТОМАТИЗАЦИЯ МЕТОДОВ МОДЕЛИРОВАНИЯ И УПРАВЛЕНИЯ ИННОВАЦИОННЫМИ ПРОЕКТАМИ Наличие программного обеспечения для каждого из этапов инновационного проекта при его управлении и интеграция этих продуктов носит жизненно важный характер в первую очередь из за большого потока информации. Проблема автоматизации управ ления инновационными проектами связана еще и с тем, что на се годняшний день не существует комплексов программ, покрываю щих все необходимые потребности данной области (рис. 28).

Управление Маркетинг Производство Сбыт финансированием проекта Сбыт Определение Оценка Инжиниринг облика будущего инвестиционной проекта продукта привлекательности Гарантийное и постгарантийное обслуживание Новый Менеджмент Управление Производство способ Новая проекта ресурсами Поиск применения научная источников известных разработка Утилизация финансирования знаний а Производство Сбыт Управление Маркетинг финансированием проекта Системы автоматизации Специализированные БД CAD/CAM/CAE торговли Системы инвестиционного анализа SCADA/MES Системы розничных продаж ERP/ERPII CALS SAP R/ б Рис. 28. Функциональные стадии инновационного проекта – а;

программные средства поддержки функциональных стадий инновационного проекта – б Алгоритмизация приведенных выкладок является акту альной задачей. Разработка соответствующего программного обеспечения позволит решать за более короткое время следу ющие задачи: 1) прогнозирование развития параметров вы пускаемого изделия (финансовые параметры – прибыль, объ ем продаж и т. п, технологические параметры – достижение технологических пределов и т.д., 2) автоматизирование про цесса модернизации выпускаемой продукции или генерации нового изделия при переходе на выпуск новой продукции (в результате оценки насыщенности рынка);

3) планирование производства исходя из существующих ресурсов. Для этого разработанные алгоритмы могут быть интегрированы в суще ствующие ERP, MRP, CALS и подобные системы в виде от дельного модуля.

Процесс разработки подходящей информационной си стемы носит итеративный характер в зависимости от типа ре шаемой задачи. Рассматривая системы управления прежде всего как системы, основанные на информации можно найти множество общих черт, связанных с тем, что данные, которые служат для хранения необходимой информации, требуется где-то хранить. В независимости от применяемого метода поддержки принятия решений (методы, основанные на обра ботке точных практических данных и представлении их в удобном для лица, принимающего решение (ЛПР), виде или методы, которые обрабатывают данные экспертных оценок и опросов) все они используют ограниченный набор способов хранения данных. Отличия состоят лишь в применяемой ло гической модели, реализуемой на конкретной физической мо дели данных.

4.1. Логическая модель данных для решения задачи поддержки принятия решений при управлении инновационными проектами При разработке логической модели данных для учета раз личных факторов применяется способ использования моделиро вания данных или математической модели для принятия реше ния. Решение проблемы моделирования основано на анализе важнейших свойств моделируемого процесса. Выбранный метод и способ моделирования должен позволить: во-первых, решить актуальную задачу повышения эффективности прогнозирования и управления за счет создания и использования математической модели и ее элементов;

во-вторых, учитывать при принятии ре шений по планированию и управлению факторы риска, неопре деленности, ограничений на ресурсы. В теории принятия реше ний установилось мнение, что адекватное управление может осуществляться, когда удается совместить два источника данных:

модель и данные, получаемые с объекта управления [99]. Таким образом, для адекватного управления инновационным проектом требуется совместить управление на модели и управление на ос нове данных (рис. 29).

Управляющее воздействие на объект Математическая модель Данные Объект управления процесса или о состоянии явления, для которого (принятия решения ) объекта принимается решение Данные прогноза Сведения, на основании Данные Модель данных для Принятие которых о состоянии принятия решения решения принимается объекта решение Рис. 29. Схема принятия решения при использовании современных методов управления Для этого может быть разработана модульная модель дан ных, которая могла бы использовать имеющийся опыт примене ния существующих методик и представления информации. Сов мещение этих подходов возможно в случае, если удастся постро ить универсальную иерархическую структуру целей и решений наподобие предложенной Томасом Саати [99].

Принятие решения может осуществляться на каждом из вы деленных этапов. Для понимания проблемы необходимо постро ить дерево (рис. 30), похожее на то, которое используется в мето де анализа иерархий (МАИ). Причем так же, как и в МАИ про цесс декомпозиции (разбивки критериев на составляющие крите рии) может продолжаться столько, сколько необходимо.

Основное отличие и невозможность использования МАИ при управлении инновационными проектами состоит в том, что заранее не известны возможные исходы. Таким образом, решение не может быть сразу сведено к выбору одного из вариантов.

При реализации проекта известно, какие ресурсы имеются в распоряжении, а также то, какие ресурсы могут быть привлечены дополнительно (см. рис. 30). Особенностью методов принятия решений является то, что они фактически не принимают реше ние, а помогают грамотно структурировать задачу принятия ре шения и предоставить информацию в удобном для лица, прини мающего решение, виде. Такой подход реализуется на основе специфических структур данных, которые и помогают организо вать работу по структуризации и анализу имеющейся в наличие информации. Структура данных представляет собой, как правило, отражение древовидной структуры (рис. 31) или изображается в виде графа, если логика предметной области предполагает пере крестные связи на реляционную модель данных и является даль нейшей детализацией иерархии, представленной на рис. 30.

Принятие управленческого решения Коллектив Техническое Управленческие Другие виды решение решения факторов Начальник Инженер Криерий N Криерий N Криерий N Криерий Криерий Криерий Ресурс N Ресурс N Ресурс N Ресурс Ресурс Ресурс Группа 1 Группа 2 Группа N (желаемые (желаемые (желаемые допустимые допустимые допустимые значения) значения) значения) Обстоятельства Стоимость Риски Выгоды Рис. 30. Иерархия для принятия решения при управлении инновационным проектом При таком подходе листья приведенного дерева будут яв ляться максимальной детализацией проекта;

соответствующие им древовидные структуры могут рассматриваться как измерения (в терминологии систем аналитической обработки данных), а сопо ставляемые им численные величины – как меры. Кажущаяся про стота представления усложняется тем, что некоторые решения яв ляются взаимосвязанными, а именно – могут иметь зависимости (например: или одно решение или другое, или оба вместе). Учесть такого рода зависимости можно, если узлы связи элементов рас сматривать как логические операции «И» или «ИЛИ». Тогда мы получим известное в теории проектирования морфологическое де рево. К сожалению, взаимосвязи могут быть сложнее, чем логиче ские операции. Например, для инновационных проектов всегда известен ряд ограничений, которые могут быть отмечены для каждого конкретного проекта. Ограничениями являются такие сведения, как время окупаемости проекта и объем средств, кото рый потрачен или планируется быть потраченным на реализацию, и другие, которые могут быть определены по кривой развития ин новационного проекта. Описание сложных взаимосвязей исполь зуется в экспертных системах продукционного типа (рис. 32). Со поставив правила узлов дерева-графа, можно будет учесть слож ные взаимосвязи в инновационной системе.

Как известно, в продукционной экспертной системе приме нение логических правил может быть последовательным, что прекрасно ложится на древовидную структуру. Это означает, что при такой логике можно строить самые сложные зависимости, основанные на логике.

Правила продукции интерпретируются с помощью кон струкции ЕСЛИ i, ТО i.

Можем иметь продукцию вида: ЕСЛИ 1, и 2, и 3, и 4, ТО 5.

Или в схематическом виде:

2 ПРОЕКТ Коллектив Изделие Руководитель Деталь N Деталь Инженер Рабочий...

...

......

Организационный производства Образование Техническое Технология Материал решение Награды Форма Стаж опыт...

Варианты Варианты Варианты Варианты Кандидаты Рис. 31. Пример структуризации части задач при управлении инновационным проектом Однако простой логики для оценки инновационных проек тов недостаточно. Управление осуществляется на основе выбора из ограниченного количества некоторых числовых характери стик. Эти характеристики могут иметь разные значения и разный состав в зависимости от листа или узла на графе, которому они сопоставлены.

ПРАВИЛА ФАКТЫ i i 1,..., n Рис. 32. Схематическая логика работы продукционной экспертной системы Таким образом, каждому элементу нашего дерева или графа мы сопоставляем некоторую дискретную таблицу характеристик или функцию. При этом набор сопоставленных характеристик од нотипных элементов должны быть одинаковыми. Если этого до стичь, то в данном случае могут быть применимы критериальные методы оценки, а структура становится достаточной для анализа и выработки решения, так как совмещает в себе элементы продук ционных и фреймовых экспертных систем, систем аналитической обработки данных (OLAP), систем, основанных на анализе иерар хий, а также методов математического программирования. Пере численные методы являются всеми известными способами под держки принятия решений, а описанная структура системы позво лит как совмещать в себе черты отдельных способов поддержки принятия решений, так и совмещать их в произвольных комбина циях в зависимости от поставленной задачи.

Реализация данных функций c использованием традиционных методов многомерного хранения данных сталкивается со сложно стями, основанными на том, что традиционная технология предъ являет требования к организации взаимосвязей в данных по одной из известных схем (снежинка или звезда) и не позволяет строить направленные друг на друга иерархии, имеющие общие нижние элементы, как на рис. 30 и рис. 32. Такая структура может быть ре ализована с использованием двух схем «звезда», у которых конеч ные таблицы (листья) будут общими. Для того чтобы реализовать работу с такой структурой данных, необходимо ввести новую опе рацию, которая будет выбирать главную таблицу фактов и тем са мым сводить новую схему данных к одной из существующих схем звезды или снежинки, либо объединить таблицы фактов и получить структуру, представленную на рис. 33.

Таблица измерений Таблица Таблица измерений измерений Таблица Таблица измерений Таблица измерений Таблица Таблица измерений фактов измерений Таблица Таблица измерений измерений Таблица Таблица измерений измерений Таблица измерений Рис. 33. Схема базы данных для реализации структурированной задачи поддержки принятия решений на реляционной модели данных Как было показано выше, для принятия решения и управле ния необходимы модель или алгоритм, которые смогут работать с данными. Для этого можно использовать один из подходов, применяемый в DataMining, а именно – деревья решений [72].

Такой подход позволят работать с предложенной структурой данных и реализовывать логические функции (см. рис. 32), а вы числительные операции, связанные с работой модели на данных, могут быть реализованы в виде отдельной программы, работаю щей с базой данных.

4.2. Набор данных об инновационном проекте и способы их хранения Чтобы решать поставленные задачи, нужно иметь необхо димую информацию в формализованном виде (пригодную для анализа специализированным ПО). Анализ успешных инноваци онных проектов показывает, какую именно информацию следует собирать, а также то, что она может быть формализована с ис пользованием общероссийских классификаторов (рис. 34).

Организационно Холдинг, Лицензии правовая форма ассоциация,...

Контактная информация Виды деятельности Юридическое Субъект права лицо Выпускаемая продукция Адрес Услуги Физическое лицо Разработки Основные фонды Уровень образования НИР и ОКР Инновации Объекты Патенты интеллектуальной собственности Свидетельства о регистрации Финансирование Результат Аналоги Новизна программ для ЭВМ Методики оценки интеллектуальной собственности Рис. 34. Структура данных информационной системы поддержки инноваций По функциональности данные можно поделить на реестры и справочники. Реестры представляют собой реально введенные рабочие данные. По структуре данные можно поделить на ре естры, иерархические структуры и фасеты.

Реестры – простые табличные данные.

Иерархические структуры – иерархически организованные за писи – деревья. В иерархических структурах для каждой записи определен «родительский узел» (родительская запись). В иерархиче ские структуры организуются некоторые справочники, например «Общероссийский классификатор стандартов» (ОКС), «Межгосудар ственный рубрикатор научно-технической информации» (ГРНТИ).

В этих справочниках данные организованы в разделы, подразделы, пункты, подпункты и т.п. Иерархические структуры могут иметь не ограниченный уровень вложенности, фактически организуются в од ной таблице с указанием уникального идентификатора записи роди теля в специальном поле. Записи не могут иметь более одного роди теля.

Фасеты – иерархически сложноорганизованные структуры с пересечениями – графы. В фасетах узел (запись) может иметь не сколько родительских узлов (записей). Примером фасетной орга низации данных может служить классификаторы УДК (Универ сальная десятичная классификация). Фактически данные органи зуются в две таблицы, где вторая таблица является таблицей свя зей (тип многие к многим), в которой уникальному идентифика тору записи поставлен в соответствие уникальный идентифика тор родителя.

Как правило, реестровую структуру имеют рабочие данные.

Иерархическая структура и фасеты характерны для классификаторов.

Загрузка данных осуществляется непосредственно через веб-формы на сервере, обслуживающем СУБД.

В качестве основных потоков входной информации (источ ники первичной информации) используются:

данные из перечня информации об организации (прил. к соглашению об информационном взаимодействии Департамен та промышленности и науки Пермской области и промышленной компании);

данные из заявок на участие в региональных конкурсах на выполнение инновационных проектов и НИОКР (конкурсная документация);



Pages:     | 1 || 3 |
 





 
© 2013 www.libed.ru - «Бесплатная библиотека научно-практических конференций»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.