Когнитивная структуризация и формализация предметной области, синтез и верификация системно-когнитивной модели стратегического планирования и управления холдингом

На рисунке 1 приведена титульная экранная форма системы «Эйдос». Чтобы перейти к работе достаточно кликнуть по кнопке: «Ok» (т.е. имя и пароль можно не вводить).



Рисунок 1. Титульная экранная форма системы «Эйдос»

верификация системный когнитивный холдинг

На этой экранной форме пользователь предупреждается, что при работе в системе «Эйдос» нельзя одновременно запускать несколько пунктов главного меню, т.е. сначала надо закончить выполнение предыдущего пункта, а уже после этого запускать следующий.

Кроме того на экранной форме кратко описана суть того, что делает система «Эйдос» и даны ссылки на некоторые тематические подборки публикаций по применению системы «Эйдос» в различных предметных областях и направлениях науки.

После этого помещаем файл исходных данных Inp_data.xlsx в папку: c:\Aidos-X\AID_DATA\Inp_data\Inp_data.xlsx.

Запускаем режим 1.11, чтобы удалить все интеллектуальные приложения системы «Эйдос», если они были.

Затем запускаем режим 2.2.2.3, представляющий собой один из программных интерфейсов (API) системы «Эйдос» с внешними источниками данных (рисунок 2):



Рисунок 2. Главная экранная форма API-2.3.2.2 системы «Эйдос»

В системе «Эйдос» есть API, позволяющие вводить в нее исходные данные из внешних источников данных различных типов: текстового, табличного и графического типов. API-2.3.2.2 представляет собой мощный и универсальный инструмент ввода в систему «Эйдос» исходных данных из MS Excel-файлов вида, приведенного в таблице (7).

Главная экранная форма API-2.3.2.2 приведена на рисунке 2 с параметрами создаваемых моделей, которые были заданы в данной работе. После клика по кнопке «Ok» система «Эйдос» преобразует Excel-файл исходных данных во внутренний формат системы, анализирует его, определяет количество и тип данных в классификационных и описательных шкалах (он может быть числовым и текстовым), а затем, если обнаруживает числовые шкалы, то спрашивает, на какое количество числовых диапазонов (интервалов) их разбивать (рисунок).



Рисунок 3. Внутренний калькулятор API-2.3.2.2

При этом в системе «Эйдос» реализовано два типа числовых интервалов: равные по величине с разным числом наблюдений (включая отсутствие наблюдений), и различные по величине (адаптивные числовые интервалы) с примерно одинаковым числом наблюдений. «Примерно» потому, что число наблюдений - это целое число и может точно в целых числах не делиться на число интервалов Примерно, как когда 3 землекопа роют 2 ямы, то на одну яму приходится не 1.5 землекопа, а на 1-ю яму приходится 2 землекопа, а на 2-ю 1. или наоборот..

Адаптивные числовые интервалы реализуют в системе «Эйдос» идеи, вытекающие из теоремы об отсчетах В.А.Котельникова: обеспечивают передачу максимально широкого спектра измеряемого аналогового сигнала переменной частоты в оцифрованном сигнале при минимальном числе точек измерения амплитуды аналогового сигнала в различные моменты времени. Чем выше текущая частота аналогового сигнала, тем ближе во времени (т.е. чаще) должны быть точки измерения его амплитуды. Поэтому обычно модели системы «Эйдос» с адаптивными интервалами имеют более высокую достоверность, чем модели с равными интервалами.

Кликнув по копке: «Параметры числовых шкал и градаций» во внутреннем калькуляторе API-2.3.2.2 мы можем получить информацию о числе наблюдений в адаптивных интервалах (рисунок 4):



Рисунок 4. Информация о числе наблюдений в адаптивных интервалах, которую можно получить кликнув по копке: «Параметры числовых шкал и градаций» во внутреннем калькуляторе API-2.3.2.2

В исчерпывающем виде информация, приведенная на экранной форме рисунок 4 представлена в текстовой форме (c:\Aidos-X\AID_DATA\A0000001\System\Prop_Scales.txt), которая в данной работе не приводится из-за большого объема (примерно 60 листов 12 шрифтом).

В статистике считается, что минимальным приемлемым числом наблюдений на интервал является 5, но чем оно больше, тем лучше. Если из экранной формы, приведенной на рисунке 4 мы видим, что число наблюдений на интервалов меньше 5, то это означает, что целесообразно уменьшить число интервалов в экранной форме, приведенной на рисунке 3, а затем кликнуть по кнопке: «Пересчитать шкалы и градации».

Если подобные итерационные операции привели к минимальному числу адаптивных интервалов (2), то это означает, что для построения корректной и убедительной модели недостаточно исходных данных.

Но необходимо иметь в виду, что чем меньше числовых интервалов, тем больше их величина, а значит и ниже точность кодирования соответствующих элементов данных. Получается, что объем исходных определяет возможную точность построенных на их основе моделей. Если исходных данных мало, то возможно построить только не очень точные корректные модели, если же мы хотим повысить точность моделей, то необходимо соответственно увеличивать и объем исходных данных.

В результате выполнения API-2.3.2.2 осуществляется формализация предметной области, т.е. исходные данные из Excel-файла вводятся в систему «Эйдос», анализируются и на основе этого формируются классификационные и описательные шкалы и градации (таблицы 8 и 9), а затем с их помощью кодируются исходные данные, в результате чего получаются база событий и обучающая выборка (рисунок 5, таблица 10):

Рисунок 5. Результирующая экранная форма API-2.3.2.2

Таблица 8 - Классификационные шкалы и градации (фрагмент)

Код	Наименование
1	ВСЕГО ПО КОРПОРАЦИИ: ВЫРУЧКА ОТ РЕАЛИЗАЦИИ-1/3-{939973.0, 1790387.0}
2	ВСЕГО ПО КОРПОРАЦИИ: ВЫРУЧКА ОТ РЕАЛИЗАЦИИ-2/3-{1790387.0, 3691876.0}
3	ВСЕГО ПО КОРПОРАЦИИ: ВЫРУЧКА ОТ РЕАЛИЗАЦИИ-3/3-{3691876.0, 8547519.0}
4	ВСЕГО ПО КОРПОРАЦИИ: СЕБЕСТОИМОСТЬ ПРИОБРЕТЕНИЯ-1/3-{802952.0, 1505514.0}
5	ВСЕГО ПО КОРПОРАЦИИ: СЕБЕСТОИМОСТЬ ПРИОБРЕТЕНИЯ-2/3-{1505514.0, 3140801.0}
6	ВСЕГО ПО КОРПОРАЦИИ: СЕБЕСТОИМОСТЬ ПРИОБРЕТЕНИЯ-3/3-{3140801.0, 7233699.0}
7	ВСЕГО ПО КОРПОРАЦИИ: ВАЛОВАЯ ПРИБЫЛЬ-1/3-{88181.0, 178889.0}
8	ВСЕГО ПО КОРПОРАЦИИ: ВАЛОВАЯ ПРИБЫЛЬ-2/3-{178889.0, 361825.0}
9	ВСЕГО ПО КОРПОРАЦИИ: ВАЛОВАЯ ПРИБЫЛЬ-3/3-{361825.0, 947649.0}
10	ВСЕГО ПО КОРПОРАЦИИ: КОММЕРЧЕСКИЕ РАСХОДЫ-1/3-{63035.0, 112027.0}
11	ВСЕГО ПО КОРПОРАЦИИ: КОММЕРЧЕСКИЕ РАСХОДЫ-2/3-{112027.0, 243077.0}
12	ВСЕГО ПО КОРПОРАЦИИ: КОММЕРЧЕСКИЕ РАСХОДЫ-3/3-{243077.0, 513353.0}
13	ВСЕГО ПО КОРПОРАЦИИ: ЧИСТАЯ ПРИБЫЛЬ-1/3-{28839.0, 70043.0}
14	ВСЕГО ПО КОРПОРАЦИИ: ЧИСТАЯ ПРИБЫЛЬ-2/3-{70043.0, 139856.0}
15	ВСЕГО ПО КОРПОРАЦИИ: ЧИСТАЯ ПРИБЫЛЬ-3/3-{139856.0, 474670.0}
16	001.БАКАЛЕЯ ООО: ВЫРУЧКА ОТ РЕАЛИЗАЦИИ (ОТГРУЗКА)-1/3-{59873.0, 117196.0}
17	001.БАКАЛЕЯ ООО: ВЫРУЧКА ОТ РЕАЛИЗАЦИИ (ОТГРУЗКА)-2/3-{117196.0, 191411.0}
18	001.БАКАЛЕЯ ООО: ВЫРУЧКА ОТ РЕАЛИЗАЦИИ (ОТГРУЗКА)-3/3-{191411.0, 415891.0}
19	001.БАКАЛЕЯ ООО: СЕБЕСТОИМОСТЬ ПРИОБРЕТЕНИЯ-1/3-{54663.0, 104949.0}
20	001.БАКАЛЕЯ ООО: СЕБЕСТОИМОСТЬ ПРИОБРЕТЕНИЯ-2/3-{104949.0, 173577.0}
21	001.БАКАЛЕЯ ООО: СЕБЕСТОИМОСТЬ ПРИОБРЕТЕНИЯ-3/3-{173577.0, 374151.0}
22	001.БАКАЛЕЯ ООО: ВАЛОВАЯ ПРИБЫЛЬ-1/3-{5162.0, 11026.0}
23	001.БАКАЛЕЯ ООО: ВАЛОВАЯ ПРИБЫЛЬ-2/3-{11026.0, 17057.0}
24	001.БАКАЛЕЯ ООО: ВАЛОВАЯ ПРИБЫЛЬ-3/3-{17057.0, 40849.0}
25	001.БАКАЛЕЯ ООО: КОММЕРЧЕСКИЕ РАСХОДЫ:-1/3-{4855.0, 8215.0}
26	001.БАКАЛЕЯ ООО: КОММЕРЧЕСКИЕ РАСХОДЫ:-2/3-{8215.0, 13872.0}
27	001.БАКАЛЕЯ ООО: КОММЕРЧЕСКИЕ РАСХОДЫ:-3/3-{13872.0, 26292.0}
28	001.БАКАЛЕЯ ООО: ЧИСТАЯ ПРИБЫЛЬ-1/3-{-1500.0, 1683.0}
29	001.БАКАЛЕЯ ООО: ЧИСТАЯ ПРИБЫЛЬ-2/3-{1683.0, 4085.0}
30	001.БАКАЛЕЯ ООО: ЧИСТАЯ ПРИБЫЛЬ-3/3-{4085.0, 13707.0}
31	003.КОРМИЛИЦА: ВЫРУЧКА ОТ РЕАЛИЗАЦИИ (ОТГРУЗКА)-1/3-{74196.0, 129017.0}
32	003.КОРМИЛИЦА: ВЫРУЧКА ОТ РЕАЛИЗАЦИИ (ОТГРУЗКА)-2/3-{129017.0, 260636.0}
33	003.КОРМИЛИЦА: ВЫРУЧКА ОТ РЕАЛИЗАЦИИ (ОТГРУЗКА)-3/3-{260636.0, 617322.0}
34	003.КОРМИЛИЦА: СЕБЕСТОИМОСТЬ ПРИОБРЕТЕНИЯ-1/3-{64274.0, 111087.0}
35	003.КОРМИЛИЦА: СЕБЕСТОИМОСТЬ ПРИОБРЕТЕНИЯ-2/3-{111087.0, 230371.0}
36	003.КОРМИЛИЦА: СЕБЕСТОИМОСТЬ ПРИОБРЕТЕНИЯ-3/3-{230371.0, 535884.0}
37	003.КОРМИЛИЦА: ВАЛОВАЯ ПРИБЫЛЬ-1/3-{8743.0, 15740.0}
38	003.КОРМИЛИЦА: ВАЛОВАЯ ПРИБЫЛЬ-2/3-{15740.0, 28971.0}
39	003.КОРМИЛИЦА: ВАЛОВАЯ ПРИБЫЛЬ-3/3-{28971.0, 76218.0}
40	003.КОРМИЛИЦА: КОММЕРЧЕСКИЕ РАСХОДЫ:-1/3-{4584.0, 7730.0}
41	003.КОРМИЛИЦА: КОММЕРЧЕСКИЕ РАСХОДЫ:-2/3-{7730.0, 16528.0}
42	003.КОРМИЛИЦА: КОММЕРЧЕСКИЕ РАСХОДЫ:-3/3-{16528.0, 32505.0}

Таблица 9 - Описательные шкалы и градации (фрагмент)

Код	Наименование
1	001.БАКАЛЕЯ ООО: БОНУСЫ, УПЛАЧЕННЫЕ ПОКУПАТЕЛЯМ-1/3-{48.0000000, 153.0000000}
2	001.БАКАЛЕЯ ООО: БОНУСЫ, УПЛАЧЕННЫЕ ПОКУПАТЕЛЯМ-2/3-{153.0000000, 569.0000000}
3	001.БАКАЛЕЯ ООО: БОНУСЫ, УПЛАЧЕННЫЕ ПОКУПАТЕЛЯМ-3/3-{569.0000000, 2133.0000000}
4	001.БАКАЛЕЯ ООО: СТОИМОСТЬ ТОВАРА, УШЕДШЕГО В РЕАЛИЗАЦИЮ-1/3-{52947.0000000, 102929.0000000}
5	001.БАКАЛЕЯ ООО: СТОИМОСТЬ ТОВАРА, УШЕДШЕГО В РЕАЛИЗАЦИЮ-2/3-{102929.0000000, 171075.0000000}
6	001.БАКАЛЕЯ ООО: СТОИМОСТЬ ТОВАРА, УШЕДШЕГО В РЕАЛИЗАЦИЮ-3/3-{171075.0000000, 369140.0000000}
7	001.БАКАЛЕЯ ООО: ТРАНСПОРТНЫЕ И ПРОЧИЕ РАСХОДЫ, СВЯЗАННЫЕ С ПРИОБРЕТЕ-1/3-{1836.0000000, 2544.0000000}
8	001.БАКАЛЕЯ ООО: ТРАНСПОРТНЫЕ И ПРОЧИЕ РАСХОДЫ, СВЯЗАННЫЕ С ПРИОБРЕТЕ-2/3-{2544.0000000, 3370.0000000}
9	001.БАКАЛЕЯ ООО: ТРАНСПОРТНЫЕ И ПРОЧИЕ РАСХОДЫ, СВЯЗАННЫЕ С ПРИОБРЕТЕ-3/3-{3370.0000000, 5733.0000000}
10	001.БАКАЛЕЯ ООО: БОНУСЫ, ПОЛУЧЕННЫЕ ОТ ПОСТАВЩИКОВ-1/3-{120.0000000, 324.0000000}
11	001.БАКАЛЕЯ ООО: БОНУСЫ, ПОЛУЧЕННЫЕ ОТ ПОСТАВЩИКОВ-2/3-{324.0000000, 650.0000000}
12	001.БАКАЛЕЯ ООО: БОНУСЫ, ПОЛУЧЕННЫЕ ОТ ПОСТАВЩИКОВ-3/3-{650.0000000, 2028.0000000}
13	001.БАКАЛЕЯ ООО: ПЛАТА ЗА ОТВЛЕЧЕНИЕ СРЕДСТВ-1/3-{611.0000000, 1058.0000000}
14	001.БАКАЛЕЯ ООО: ПЛАТА ЗА ОТВЛЕЧЕНИЕ СРЕДСТВ-2/3-{1058.0000000, 1515.0000000}
15	001.БАКАЛЕЯ ООО: ПЛАТА ЗА ОТВЛЕЧЕНИЕ СРЕДСТВ-3/3-{1515.0000000, 3275.0000000}
16	001.БАКАЛЕЯ ООО: АРЕНДА-1/3-{1039.0000000, 1759.0000000}
17	001.БАКАЛЕЯ ООО: АРЕНДА-2/3-{1759.0000000, 3500.0000000}
18	001.БАКАЛЕЯ ООО: АРЕНДА-3/3-{3500.0000000, 3726.0000000}
19	001.БАКАЛЕЯ ООО: ЗАРАБОТНАЯ ПЛАТА С НАЧИСЛЕНИЯМИ (ЕСН)-1/3-{193.0000000, 326.0000000}
20	001.БАКАЛЕЯ ООО: ЗАРАБОТНАЯ ПЛАТА С НАЧИСЛЕНИЯМИ (ЕСН)-2/3-{326.0000000, 610.0000000}
21	001.БАКАЛЕЯ ООО: ЗАРАБОТНАЯ ПЛАТА С НАЧИСЛЕНИЯМИ (ЕСН)-3/3-{610.0000000, 993.0000000}
22	001.БАКАЛЕЯ ООО: ПРЕМИЯ-1/3-{1467.0000000, 2482.0000000}
23	001.БАКАЛЕЯ ООО: ПРЕМИЯ-2/3-{2482.0000000, 4300.0000000}
24	001.БАКАЛЕЯ ООО: ПРЕМИЯ-3/3-{4300.0000000, 7921.0000000}
25	001.БАКАЛЕЯ ООО: ТРАНСПОРТНЫЕ РАСХОДЫ (ГСМ,ЗАПЧАСТИ)-1/3-{843.0000000, 1553.0000000}
26	001.БАКАЛЕЯ ООО: ТРАНСПОРТНЫЕ РАСХОДЫ (ГСМ,ЗАПЧАСТИ)-2/3-{1553.0000000, 2576.0000000}
27	001.БАКАЛЕЯ ООО: ТРАНСПОРТНЫЕ РАСХОДЫ (ГСМ,ЗАПЧАСТИ)-3/3-{2576.0000000, 8458.0000000}
28	001.БАКАЛЕЯ ООО: АМОРТИЗАЦИЯ АВТОТРАНСПОРТА-1/3-{249.0000000, 448.0000000}
29	001.БАКАЛЕЯ ООО: АМОРТИЗАЦИЯ АВТОТРАНСПОРТА-2/3-{448.0000000, 706.0000000}
30	001.БАКАЛЕЯ ООО: АМОРТИЗАЦИЯ АВТОТРАНСПОРТА-3/3-{706.0000000, 1457.0000000}
31	001.БАКАЛЕЯ ООО: ПОТЕРИ И ИЗДЕРЖКИ (БОЙ, БРАК)-1/3-{19.0000000, 39.0000000}
32	001.БАКАЛЕЯ ООО: ПОТЕРИ И ИЗДЕРЖКИ (БОЙ, БРАК)-2/3-{39.0000000, 66.0000000}
33	001.БАКАЛЕЯ ООО: ПОТЕРИ И ИЗДЕРЖКИ (БОЙ, БРАК)-3/3-{66.0000000, 158.0000000}
34	001.БАКАЛЕЯ ООО: ТЕЛЕФОНЫ МОБИЛЬНЫЕ-1/3-{17.0000000, 28.0000000}
35	001.БАКАЛЕЯ ООО: ТЕЛЕФОНЫ МОБИЛЬНЫЕ-2/3-{28.0000000, 60.0000000}
36	001.БАКАЛЕЯ ООО: ТЕЛЕФОНЫ МОБИЛЬНЫЕ-3/3-{60.0000000, 85.0000000}
37	001.БАКАЛЕЯ ООО: ГОРОДСКАЯ ТЕЛЕФОННАЯ СЕТЬ-1/3-{21.0000000, 36.0000000}
38	001.БАКАЛЕЯ ООО: ГОРОДСКАЯ ТЕЛЕФОННАЯ СЕТЬ-2/3-{36.0000000, 71.0000000}
39	001.БАКАЛЕЯ ООО: ГОРОДСКАЯ ТЕЛЕФОННАЯ СЕТЬ-3/3-{71.0000000, 83.0000000}
40	001.БАКАЛЕЯ ООО: КАНЦЕЛЯРСКИЕ РАСХОДЫ-1/3-{24.0000000, 40.0000000}
41	001.БАКАЛЕЯ ООО: КАНЦЕЛЯРСКИЕ РАСХОДЫ-2/3-{40.0000000, 77.0000000}
42	001.БАКАЛЕЯ ООО: КАНЦЕЛЯРСКИЕ РАСХОДЫ-3/3-{77.0000000, 130.0000000}
43	001.БАКАЛЕЯ ООО: РАСХОДНЫЕ МАТЕРИАЛЫ-1/3-{29.0000000, 50.0000000}
44	001.БАКАЛЕЯ ООО: РАСХОДНЫЕ МАТЕРИАЛЫ-2/3-{50.0000000, 85.0000000}
45	001.БАКАЛЕЯ ООО: РАСХОДНЫЕ МАТЕРИАЛЫ-3/3-{85.0000000, 170.0000000}
46	001.БАКАЛЕЯ ООО: РАСХОДЫ НА ОРГТЕХНИКУ-1/3-{23.0000000, 36.0000000}
47	001.БАКАЛЕЯ ООО: РАСХОДЫ НА ОРГТЕХНИКУ-2/3-{36.0000000, 52.0000000}
48	001.БАКАЛЕЯ ООО: РАСХОДЫ НА ОРГТЕХНИКУ-3/3-{52.0000000, 270.0000000}
49	001.БАКАЛЕЯ ООО: РАСХОДЫ ПО ФИЛИАЛАМ (МОСКВА)-1/3-{65.0000000, 110.0000000}
50	001.БАКАЛЕЯ ООО: РАСХОДЫ ПО ФИЛИАЛАМ (МОСКВА)-2/3-{110.0000000, 200.0000000}
51	001.БАКАЛЕЯ ООО: РАСХОДЫ ПО ФИЛИАЛАМ (МОСКВА)-3/3-{200.0000000, 390.0000000}

Отметим, что наличие большого количества мощных автоматизированных программных интерфейсов с различными типами внешних данных является, автоматизирующих все этапы формализации предметной области, является важным и ценным достоинством системы «Эйдос», которое и делает возможным и удобным (комфортным) ее применение на практике для построения и применения в адаптивном режиме интеллектуальных приложений в самых различных предметных областях и направлениях науки. По-видимому, во многом именно с этим связана довольно высокая популярность системы «Эйдос» во всем мире (рисунки 6 и 7):



Рисунок 6. Запуски системы «Эйдос» в мире с 09.12.2016 по 27.03.2020 (только уникальные IP-адреса)

Рисунок 7. Запуски системы «Эйдос» в мире с 09.12.2016 по 27.03.2020 (кластеры всех IP-адресов)

2.3 Кодирование исходных данных с помощью разработанных классификационных и описательных шкал и градаций и формирование обучающей выборки

В таблице 9 приведена база событий или обучающая выборка, представляющая собой исходные данные (таблица 7), закодированные с помощью классификационных и описательных шкал и градаций (таблицы 8 и 9)

Таблица 10 - Обучающая выборка (база событий) (фрагмент)

Год, квартал	ВСЕГО ПО КОРПОРАЦИИ: Выручка от реализации	ВСЕГО ПО КОРПОРАЦИИ: Себестоимость приобретения	ВСЕГО ПО КОРПОРАЦИИ: Валовая прибыль	ВСЕГО ПО КОРПОРАЦИИ: Коммерческие расходы	ВСЕГО ПО КОРПОРАЦИИ: Чистая прибыль	Результирующие показатели работы предприятий холдинга (39 колонок)	001.БАКАЛЕЯ ООО: Бонусы, уплаченные покупателям	001.БАКАЛЕЯ ООО: стоимость товара, ушедшего в реализацию	001.БАКАЛЕЯ ООО: транспортные и прочие расходы, связанные с приобрете	001.БАКАЛЕЯ ООО: Бонусы, полученные от поставщиков	001.БАКАЛЕЯ ООО: % наценки	001.БАКАЛЕЯ ООО: плата за отвлечение средств
2000_1K	1	4	7	10	13	***	1	4	7	10		13
2000_2K	1	4	7	10	13	***	1	4	7	10		13
2000_3K	1	4	7	10	13	***	1	4	7	10		13
2000_4K	1	4	7	10	13	***	1	4	7	10		13
2001_1K	1	4	7	10	13	***	1	4	7	10		13
2001_2K	1	4	7	10	13	***	1	4	7	10		13
2001_3K	1	4	7	10	13	***	2	4	8	10		13
2001_4K	1	4	8	10	14	***	1	5	8	10		14
2002_1K	1	4	7	10	13	***	1	4	7	10		13
2002_2K	2	5	7	11	14	***	2	4	7	11		14
2002_3K	2	5	8	11	14	***	2	5	8	11		13
2002_4K	2	5	8	11	14	***	2	5	8	11		14
2003_1K	2	5	8	11	13	***	1	5	7	11		14
2003_2K	2	5	8	11	14	***	2	5	8	11		14
2003_3K	2	5	8	11	14	***	2	5	8	11		14
2003_4K	2	5	8	11	15	***	2	6	8	11		15
2004_1K	2	5	8	11	14	***	2	5	8	11		14
2004_2K	2	5	8	11	14	***	3	5	9	12		14
2004_3K	3	6	9	12	15	***	3	6	9	11		14
2004_4K	3	6	9	12	15	***	3	6	9	12		15
2005_1K	3	6	9	12	14	***	3	5	8	12		15

При анализе исходных данных обнаруживаются классификационные и описательные шкалы без вариабельности значений в градациях, т.е. либо вообще без данных, либо с одинаковыми данными во всех наблюдениях. Такие шкалы не могут быть использованы при создании моделей, о чем выводится соответствующее сообщение, приведенное на экранной форме на рисунке 8:

Рисунок 8. Информация о шкалах без вариабельности значений градаций

Например, в экранной форме на рисунке 6 сообщается, что по этой причине не будет использована шкала: «001.БАКАЛЕЯ ООО: % наценки» (в таблице 9 эта шкала выделена светло-зеленым фоном).

Задача-3. Синтез и верификация системно-когнитивной модели холдинга (на примере многоотраслевой корпорации) (2-й этап создания модели)

3.1 Синтез системно-когнитивной модели холдинга

Синтез системно-когнитивных моделей осуществляется в соответствии с математическим аппаратом, описанным в разделе 1.5.2 данной работы. Для этого необходимо запустить режим 3.5 системы «Эйдос» (рисунки 9 и 10).

Из рисунка 10 видно, что на центральном процессоре (CPU) синтез и верификация моделей были выполнены за 9 минут 57 секунд. За это время выполнен также расчет 11 выходных форм. На графическом процессоре (GPU) этот процесс проходит примерно в 4000 раз быстрее. Однако режим расчетов на графическом процессоре является экспериментальным и в настоящее время дорабатывается, поэтому пользоваться им не рекомендуется без необходимости.

Рисунок 9. Главная экранная форма режима синтеза и верификации статистических и системно-когнитивных моделей

Рисунок 10. Экранная форма режима синтеза и верификации моделей, отражающая стадию и прогноз времени исполнения

Фрагменты некоторые из созданных моделей приведены ниже в рисунках 11.



Рисунок 11. Фрагменты моделей, статистических: Abs, Prc2 и системно-когнитивных: Inf1 и Inf3

На экранных формах в наименовании окна написан номер режима системы «Эйдос», в котором мы можем посмотреть эти экранные формы (режим 5.5), а также наименования статистических и системно-когнитивных моделей (СК-модели), фрагменты которых показаны на этих экранных формах.

3.2 Верификация системно-когнитивной модели холдинга

Понятно, что создание этих моделей объекта моделирования не является самоцелью, т.е. модели создаются не ради самих моделей, а ради решения разнообразных задач с помощью этих моделей. Это задачи идентификации (распознавания, диагностики), прогнозирования, поддержки принятия решений (управления) и задача исследования моделируемой предметной области путем исследования ее модели.

Уверенность в том, что созданные модели позволяют качественно решить все эти задачи основывается на том, что эти модели правильно отражают объект моделирования, т.е. имеют высокую достоверность (адекватность). Если модели имеют высокую достоверность, то и решение перечисленных задач будет успешным. Если же достоверность моделей низка или неизвестна, то применять их некорректно, рискованно и даже может быть опасно.

Если модели достоверны, то результаты идентификации будут верны, например верным будет диагноз пациенту, и врач будет лечить его от той болезни, которой тот действительно болен, что и дает пациенту шанс на выздоровление. Если же диагноз ошибочный, то пациент получит неадекватное лечение, т.е. лечение не от той болезни, которая у него. Естественно при таком лечении его болезнь не будет вылечена, а еще и будут получены побочные эффекты от лечения, что может привести к самым печальным последствиям.

Если модели достоверны, то сделанные на их основе прогнозы осуществятся.

Если модели достоверны, то принятые на их основе решения приведут к переходу объекта управления в целевые состояния, т.е. будут эффективны при достижении цели.

Если модели достоверны, то извлеченные из них знания действительно можно обоснованно считать знаниями об объекте моделирования.

Без этой уверенности в достаточно высокой достоверности моделей применять эти модели для решения задач и выработки рекомендаций по меньшей мере некорректно, рискованно и даже может быть опасно. Если же рекомендации выработаны, то нельзя (некорректно) применять их на практике в моделируемой предметной области, а можно только исследовать, какой бы эффект был получен при реальном применении этих рекомендаций.

Иногда на это возражают: мы не оценивали достоверность созданных нами моделей и не знали какова их достоверность, но выработали на их основе рекомендации, применили их на практике в объекте моделирования и результат был успешным, положительным. Что на это можно сказать? Значит тем, кто вырабатывал эти рекомендации, и тем кто их применял, просто повезло. Значит фактически эти модели были достаточно достоверны. Но ведь это же могло быть и не так, и тогда и первым, и вторым бы не повезло, а может быть даже очень и очень не повезло. Разработчики бы потерпели фиаско, потеряли авторитет как ученые и разработчики, а те кто применял их рискованные рекомендации на практике скорее всего потерпел бы убытки, а может быть и обанкротились. Только представьте себе, что при работе на фондовом рынке будут использованы неадекватные модели, дающие неверные прогнозы и предлагающие неадекватные решения. Это может привести к очень большим финансовым потерям. Если же неадекватные модели применяются в медицине, военной области или политике, то чаще всего это приводит к человеческим жертвам, которые ничем не могут быть оправданы.

Таким образом, оценка степени адекватности моделей, т.е. их верификация, является ключевым вопросом, который обязательно должен быть решен перед реальным применением моделей. Не зная какова достоверность моделей применять их на практике крайне легкомысленно, рискованно и безответственно, а иногда даже и преступно (в зависимости от тяжести последствий такого применения для объекта моделирования).

Это значит, что если где-то сказано или написано слово «Модель», то где-то рядом должны быть слова: «Достоверность, адекватность, верификация, критерии достоверности».

Поэтому вопросам измерения достоверности созданных моделей в системе «Эйдос» уделено большое внимание, которого эти вопросы обоснованно безусловно заслуживают. Основным режимом оценки достоверности моделей является режим 3.4 (рисунок 12):

Рисунок 12. Экранная форма режима вывода результатов верификации моделей

Главный вывод, который можно обоснованно сделать по результатам исследования достоверности моделей состоит в том, что модельInf3 с интегральным критерием «Сумма знаний» по критерию L1 проф.Е.В.Луценко [23] обеспечивает чрезвычайно высокую достоверность 0.962, при максимуме 1,000. Это означает, что эту модель корректно применять для решения поставленных задач идентификации, прогнозирования, принятия решений и исследования моделируемого объекта путем исследования его модели.

Есть также режимы 4.1.3.7, 4.1.3.8, 4.1.3.9, 4.1.3.10, 4.1.3.11, более подробно отражающие различные аспекты достоверности моделей и предоставляющие более детализированную информацию по достоверности идентификации объектов и классов в различных моделях с различными интегральными критериями, чем режим 3.4.

Для количественной оценки достоверности моделей в системе «Эйдос» применяется несколько критериев.

Основным критерием достоверности моделей является F-мера Ван Ризбергена. Эта мера является чрезвычайно логичной и убедительной. Смысл ее в том, что модель должна правильно относить объекты к тем классам, к которым они относятся (истинно положительные решения) и правильно не относить к тем, к которым они не относятся (истинно отрицательные решения). И она может ошибаться и в первом и втором случае (соответственно, ложные положительные решения и ложные отрицательные решения). Ван Ризберген предложил сделать четыре сумматора, в которых подсчитывать количество истинных и ложных положительных и отрицательных решений (TP, TN, FP. FN). Он предложил также ряд формул, которые с помощью этих сумматоров позволяют рассчитать различные характеристики, описывающие достоверность модели, такие как ее точность, полнота и ряд других.

Однако F-мера Ван Ризбергена имеет ряд недостатков, а именно:

- является четкой, в результате чего она занижает достоверность моделей, является «несправедливой», т.к. не учитывает степени уверенности систему в ее решениях;

- является моноклассовой, т.е. предполагает, что один объект обучающей выборки может относиться только к одному классу;

- зависит от объема выборки, т.к. основана на абсолютных частотах истинных и ложных, положительных и отрицательных решений, а не на их относительных частотах, стремящихся к вероятностям при неограниченном увеличении объема распознаваемой (тестовой) выборки.

Эти недостатки сглажены и частично преодолены в ряде обобщений классической F-меры Ван Ризбергена, которые были разработаны и предложены автором данной работы [23] (рисунок 13).

Рисунок 13. HELP режима вывода результатов верификации моделей

Рассмотрим частотные распределения количества истинных и ложных положительных и отрицательных решений TP, TN, FP. FN в зависимости от уровня сходства объектов с классами, приведенные на первом рисунке 14.



Рисунок 14. Частотные распределения числа истинных и ложных положительных и отрицательных решений и их разностей

Рассмотрим подробнее на рисунках 14 вид частотных распределений количества истинных и ложных положительных и отрицательных решений (TP, TN, FP. FN), а также их разностей (TP-FP) и (TN-FN) (не нормированных и нормированных) в зависимости от уровня сходства объектов с классами при решении задачи идентификации. Заметим, что обычно достоверность моделей рассчитывается именно по результатам решения этой задачи.

Из этого рисунка мы видим, что для отрицательных решений:

- отрицательных решений истинных всегда больше чем ложных;

- чем больше степень различия, тем больше доля истинных отрицательных решений;

- начиная с уровня различия примерно -20% ложных отрицательных решений вообще практически нет.

Для положительных решений картина более сложная и включает три зоны в зависимости от уровня сходства:

- при уровнях сходства от 0% до примерно 10% доля ложных решений больше, чем истинных;

- при уровнях сходства от 10% до примерно 70% доля истинных решений больше, чем ложных;

- при уровнях сходства выше 70% ложных положительных решений вообще нет.

Это дает нам критерии как относится к результатам решения задачи идентификации в зависимости от уровня сходства.

Результаты, выводы, перспективы

Главный результат реализации Исследования состоит в том, что найдено новое математическое решение проблемы стратегического планирования и управления холдингом, как сверхсложной многопараметрической динамической нелинейной системой.

В ходе решения данной проблемы поставлены и решены следующие задачи:

Задача-1. Поставлена проблема, решаемая в работе, разработан математический метод и принципы создания модели для решения этой проблемы:

1. Поставлена проблема стратегического планирования и управления холдингами. Проблема, решаемая в работе, состоит в том, что для решения весьма актуальных задач прогнозирования и поддержки принятия решений (управления) агропромышленным холдингом необходима его адаптивная модель, синтез и адаптация которой весьма затруднительны из-за высокой динамичности и сложности внутренней логистики объекта управления, его территориально распределенного и многоотраслевого характера, и, соответственно, огромного количества экономических показателей, характеризующих деятельность холдинга на различных уровнях его структурной организации, в частности на уровне входящих в холдинг предприятий.

2. Описан традиционный подход и его недостатки, из-за которых он малопригоден для решения поставленной проблемы. По результатам этого обсуждения сделан вывод о том, что поставка и внедрение, а затем развитие, поддержка и эксплуатация столь масштабной информационной системы управления холдингом безусловно само по себе также представляет собой проблему, причем проблему возможно даже более сложную, чем та, которую таким путем пытаются решать.

3. Обоснованы требования к математическому методу и модели управления холдингами (он должен обеспечивать устойчивое выявление в сопоставимой форме силы и направления причинно-следственных зависимостей в неполных зашумленных взаимозависимых (нелинейных) данных очень большой размерности числовой и не числовой природы, измеряемых в различных типах шкал (номинальных, порядковых и числовых) и в различных единицах измерения (т.е. не предъявляет жестких требований к данным, которые невозможно выполнить, а обрабатывает те данные, которые есть).

4. Обоснован выбор математического метода автоматизированного системно-когнитивного анализа (АСК-анализ) и реализующего его программного инструментария - интеллектуальной системы «Эйдос», соответствующих обоснованным требованиям.

5. Разработан математический метод и принципы создания модели холдинга, соответствующие обоснованным требованиям:

- суть метода и математической модели АСК-анализа состоит в том, что в АСК-анализе факторы формально описываются шкалами, а значения факторов - градациями шкал. Существует три основных группы факторов: физические, социально-экономические и психологические (субъективные) и в каждой из этих групп есть много различных видов факторов, т.е. есть много различных физических факторов, много социально-экономических и много психологических, но в АСК-анализе все они рассматриваются с одной единственной точки зрения: сколько информации содержится в их значениях о переходе объекта, на который они действуют, в определенное состояние, и при этом сила и направление влияния всех значений факторов на объект измеряется в одних общих для всех факторов единицах измерения: единицах количества информации. Именно по этой причине вполне корректно складывать силу и направление влияния всех действующих на объект значений факторов, независимо от их природы, и определять результат совместного влияния на объект системы значений факторов. При этом в общем случае объект является нелинейным и факторы внутри него взаимодействуют друг с другом, т.е. для них не выполняется принцип суперпозиции [24];

- осуществлен синтез системно-когнитивных моделей, основанных на семи различных частных критериях знаний, проведена многопараметрическая типизация наблюдений состояний холдинга за ряд лет, описанных внутренними и внешними показателями работы входящих в холдинг предприятий;

- сформулированы два аддитивных интегральных критерия, которые в будущем планируется применить для решения задач системной идентификации и принятия решений.

Задача-2. Проведены когнитивная структуризация и формализация предметной области, т.е. выполнен 1-й этап создания модели холдинга:

- проведена когнитивная структуризация предметной области в результате которой определено 274 фактора, которые с разной силой и в разном направлении влияют на холдинг и обуславливают 44 вида его результирующих состояний;

- осуществлена формализация предметной области, т.е. разработаны классификационные и описательные шкалы и градации, причем в классификационных шкалах определено 132 градации, а описательных 822 градации;

- с помощью разработанных классификационных и описательных шкал и градаций проведено кодирование исходных данных и сформирована обучающая выборка, представляющая собой исходные данные, нормализованные с помощью справочников шкал и градаций. Объем обучающей выборки составляет 337568 фактов, причем фактом мы считаем наблюдение определенного значения фактора при определенном состоянии холдинга или входящих в него предприятий.

Задача-3. Осуществлены синтез и верификация системно-когнитивной модели холдинга на примере холдинга, т.е. выполнен 2-й этап создания модели:

- осуществлен синтез трех статистических и семи системно-когнитивных моделей холдинга (ABS, матрица абсолютных частот; PRC1, матрица условных и безусловных процентных распределений, в которой в качестве суммы по классу Nj в Abs используется суммарное количество признаков по классу; PRC2, матрица условных и безусловных процентных распределений, в которой в качестве суммы по классу Nj в Abs используется суммарное количество объектов обучающей выборки по классу; INF1, частный критерий: количество знаний по А.Харкевичу, 1-й вариант расчета вероятностей: Nj - суммарное количество признаков по j-му классу. Вероятность того, что если у объекта j-го класса обнаружен признак, то это i-й признак; INF2, частный критерий: количество знаний по А.Харкевичу, 2-й вариант расчета вероятностей: Nj - суммарное количество объектов по j-му классу. Вероятность того, что если предъявлен объект j-го класса, то у него будет обнаружен i-й признак; INF3, частный критерий: Хи-квадрат: разности между фактическими и теоретически ожидаемыми абсолютными частотами; INF4, частный критерий: ROI - Return On Investment, 1-й вариант расчета вероятностей: Nj - суммарное количество признаков по j-му классу; INF5, частный критерий: ROI - Return On Investment, 2-й вариант расчета вероятностей: Nj - суммарное количество объектов по j-му классу; INF6, частный критерий: разность условной и безусловной вероятностей, 1-й вариант расчета вероятностей: Nj - суммарное количество признаков по j-му классу; INF7, частный критерий: разность условной и безусловной вероятностей, 2-й вариант расчета вероятностей: Nj - суммарное количество объектов по j-му классу);

- проведена верификация, т.е. исследования достоверности созданных статистических и системно-когнитивной модели холдинга, которая оказалась довольно высокой. Главный вывод, который можно обоснованно сделать по результатам исследования достоверности моделей состоит в том, что модель Inf3 с интегральным критерием «Сумма знаний» по критерию L1 проф.Е.В.Луценко [23] обеспечивает чрезвычайно высокую достоверность 0.962, при максимуме 1,000. Это означает, что эту модель корректно применять для решения поставленных задач идентификации, прогнозирования, принятия решений и исследования моделируемого объекта путем исследования его модели.

Таким образом, все поставленные в работе задачи решены.

В перспективе планируется разработать план реализации Исследования на последующие годы, включающий детализацию работ для решения следующих задач:

Задача-4. Исследование холдинга путем исследования его системно-когнитивной модели с целью получения знаний о холдинге, необходимых для решения поставленной проблемы.

- инвертированные SWOT-диаграммы значений факторов (семантические потенциалы);

- кластерно-конструктивный анализ классов;

- кластерно-конструктивный анализ значений факторов;

- нелокальные нейроны;

- нелокальная нейронная сеть;

- 3D-интегральные когнитивные карты;

- 2D-интегральные когнитивные карты содержательного сравнения классов;

- 2D-интегральные когнитивные карты содержательного сравнения значений факторов;

- когнитивные функции, устойчивость и детерминированность;

- значимость факторов и их значений;

- степень детерминированности классов и классификационных шкал.

Задача-5. Решение поставленной проблемы: решение задач прогнозирования и поддержки принятия решений (управления) для холдинга путем применения уточненных и новых полученных знаний о нем:

- задача прогнозирования (системная идентификация состояний холдинга и входящих в него предприятий на основе внутренних показателей предприятий), частные и интегральные критерии;

- задачи принятия решений (результаты многопараметрической типизации классов) и развитый алгоритм приятия решений АСК-анализа.

Для решения этих задач будут разработаны соответствующие математический метод и принципы создания модели, включая методику численных расчетов (структуры данных и алгоритмы их обработки), а также системно-когнитивная модель конкретного холдинга.

Научная значимость ожидаемых результатов состоит в том, что впервые стратегическое планирование и управление холдингами будет реализовано не на основе содержательных моделей многочисленных подсистем, а на основе одной системно-когнитивной модели, основанной на системной теории информации. Данная системно-когнитивная модель будет отражать силу и направление влияния различных внутренних и внешних факторов на холдинг, что обеспечит решение задач прогнозирования и управления.

Литература

1. Будылин С. Идеальный холдинг: эскизный проект. [Электронный ресурс].- Режим доступа: http://www.intalev.ru/?id=20385

2. Будылин С., Матвеев Г. Идеальный холдинг: финансовые потоки и налогообложение. [Электронный ресурс].- Режим доступа: http://www.intalev.ru/?id=12560

3. Герасимов Е., Русин А. Сбалансированная система показателей как инструмент реализации стратегии. [Электронный ресурс].- Режим доступа: http://www.intalev.ru/?id=23349

4. Дискин И. Как управлять холдингом на основе финансовой структуры. Журнал "Генеральный Директор", № 6 за 2006 год. [Электронный ресурс].- Режим доступа: http://www.intalev.ru/?id=12464

5. Карабанов Б., Старинский Ю. Построение стратегии в холдингах. Финансовый Директор, ISSN 1680 - 1148 №9 -2005 г. [Электронный ресурс].- Режим доступа: http://www.intalev.ua/?id=24782

6. Луценко Е.В. Автоматизированный системно-когнитивный анализ в управлении активными объектами (системная теория информации и ее применение в исследовании экономических, социально-психологических, технологических и организационно-технических систем): Монография (научное издание). - Краснодар: КубГАУ. 2002. - 605 с.

7. Луценко Е.В. Исследование двухуровневой семантической информационной модели агропромышленного холдинга / Е.В. Луценко, В.И. Лойко, О.А. Макаревич // Научный журнал КубГАУ [Электронный ресурс]. - Краснодар: КубГАУ, 2008. - №08(42). - Шифр Информрегистра: 0420800012\0118. - Режим доступа: http://ej.kubagro.ru/2008/08/pdf/03.pdf

8. Луценко Е.В. Исследование характеристик исходных данных по агропромышленному холдингу и разработка программного интерфейса их объединения и стандартизации (формализация предметной области) / Е.В. Луценко, В.И. Лойко, О.А. Макаревич // Научный журнал КубГАУ [Электронный ресурс]. - Краснодар: КубГАУ, 2008. - №07(41). - Шифр Информрегистра: 0420800012\0094. - Режим доступа: http://ej.kubagro.ru/2008/07/pdf/12.pdf

9. Луценко Е.В. Решение задач прогнозирования и поддержки принятия решений (управления) для агропромышленного холдинга на основе его двухуровневой семантической информационной модели / Е.В. Луценко, В.И. Лойко, О.А. Макаревич // Научный журнал КубГАУ [Электронный ресурс]. - Краснодар: КубГАУ, 2008. - №08(42). - Шифр Информрегистра: 0420800012\0119. - Режим доступа: http://ej.kubagro.ru/2008/08/pdf/02.pdf

10. Луценко Е.В. Синтез и верификация двухуровневой семантической информационной модели агропромышленного холдинга / Е.В. Луценко, В.И. Лойко, О.А. Макаревич // Научный журнал КубГАУ [Электронный ресурс]. - Краснодар: КубГАУ, 2008. - №08(42). - Шифр Информрегистра: 0420800012\0120. - Режим доступа: http://ej.kubagro.ru/2008/08/pdf/01.pdf

11. Луценко Е.В. Системно-когнитивный подход к построению многоуровневой семантической информационной модели управления агропромышленным холдингом / Е.В. Луценко, В.И. Лойко, О.А. Макаревич // Научный журнал КубГАУ [Электронный ресурс]. - Краснодар: КубГАУ, 2008. - №07(41). - Шифр Информрегистра: 0420800012\0095. - Режим доступа: http://ej.kubagro.ru/2008/07/pdf/11.pdf

12. Луценко Е.В., Лойко В.И. Семантические информационные модели управления агропромышленным комплексом. Монография (научное издание). - Краснодар: КубГАУ, 2005. - 480 с.

13. Луценко Е.В., Лойко В.И., Великанова Л.О. Прогнозирование и принятие решений в растениеводстве с применением технологий искусственного интеллекта: Монография (научное издание). - Краснодар: КубГАУ, 2008. - 257 с.

14. Луценко Е.В. Методология применения системно-когнитивного анализа для синтеза многоуровневой семантической информационной модели агропромышленного холдинга и решения на ее основе задач прогнозирования, поддержки принятия управленческих решений и научных исследований / Е.В. Луценко, В.И. Лойко, О.А. Макаревич // Научный журнал КубГАУ [Электронный ресурс]. - Краснодар: КубГАУ, 2009. - №01(45). - Режим доступа: http://ej.kubagro.ru/2009/01/pdf/02.pdf

15. Нортон Д., Каплан Р. Ответы на часто задаваемые вопросы по Balanced Scorecard (Система Сбалансированных показателей). [Электронный ресурс].- Режим доступа: http://www.intalev.ru/?id=5390

16. Пат. № 2003610986 РФ. Универсальная когнитивная аналитическая система "ЭЙДОС" / Е.В.Луценко (Россия); Заяв. № 2003610510 РФ. Опубл. от 22.04.2003. - 50с.

17. Пат. № 2009610052 РФ. Программный интерфейс между базами данных стандартной статистической отчетности агропромышленного холдинга и системой "Эйдос" (Программный интерфейс "Эйдос-холдинг") / Е.В.Луценко (Россия), В.И. Лойко (Россия), О.А. Макаревич (Россия); Заяв. № 2008615084 РФ. Опубл. от 11.01.2009.

18. Пойя Д. Математика и Правдоподобные рассуждения.- М.: Наука, 1975.

19. Середа С. Программное обеспечение для Системы Сбалансированных Показателей. [Электронный ресурс].- Режим доступа: http://www.intalev.ru/?id=9463

20. Слиньков Д. Как обуздать холдинг? [Электронный ресурс].- Режим доступа: http://www.cfin.ru/management/strategy/holding.shtml

21. Хорват П. Сбалансированная система показателей как средство управления предприятием. [Электронный ресурс].- Режим доступа: http://www.intalev.ru/?id=839

22. Луценко Е.В. Стратегическое планирование и управление холдингом на основе информационных и когнитивных технологий / Луценко Е.В., Печурина Е.К., Сергеев А.Э. // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2020. - №03(157). - Режим доступа: http://ej.kubagro.ru/2020/03/pdf/09.pdf, 1,500 у.п.л. - IDA [article ID]: 1572003009. http://dx.doi.org/10.21515/1990-4665-157-009

23. Луценко Е.В. Инвариантное относительно объемов данных нечеткое мультиклассовое обобщение F-меры достоверности моделей Ван Ризбергена в АСК-анализе и системе «Эйдос» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2017. - №02(126). С. 1 - 32. - IDA [article ID]: 1261702001. - Режим доступа: http://ej.kubagro.ru/2017/02/pdf/01.pdf, 2 у.п.л.

24. Луценко Е.В. Метризация измерительных шкал различных типов и совместная сопоставимая количественная обработка разнородных факторов в системно-когнитивном анализе и системе «Эйдос» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2013. - №08(092). С. 859 - 883. - IDA [article ID]: 0921308058. - Режим доступа: http://ej.kubagro.ru/2013/08/pdf/58.pdf, 1,562 у.п.л.

25. Орлов А.И., Луценко Е.В. Системная нечеткая интервальная математика. Монография (научное издание). - Краснодар, КубГАУ. 2014. - 600 с. ISBN 978-5-94672-757-0. http://elibrary.ru/item.asp?id=21358220

References

1. Budy`lin S. Ideal`ny`j xolding: e`skizny`j proekt. [E`lektronny`j resurs].- Rezhim dostupa: http://www.intalev.ru/?id=20385

2. Budy`lin S., Matveev G. Ideal`ny`j xolding: finansovy`e potoki i nalogooblozhenie. [E`lektronny`j resurs].- Rezhim dostupa: http://www.intalev.ru/?id=12560

3. Gerasimov E., Rusin A. Sbalansirovannaya sistema pokazatelej kak instrument realizacii strategii. [E`lektronny`j resurs].- Rezhim dostupa: http://www.intalev.ru/?id=23349

4. Diskin I. Kak upravlyat` xoldingom na osnove finansovoj struktury`. Zhurnal "General`ny`j Direktor", № 6 za 2006 god. [E`lektronny`j resurs].- Rezhim dostupa: http://www.intalev.ru/?id=12464

5. Karabanov B., Starinskij Yu. Postroenie strategii v xoldingax. Finansovy`j Direktor, ISSN 1680 - 1148 №9 -2005 g. [E`lektronny`j resurs].- Rezhim dostupa: http://www.intalev.ua/?id=24782

6. Lucenko E.V. Avtomatizirovanny`j sistemno-kognitivny`j analiz v upravlenii aktivny`mi ob``ektami (sistemnaya teoriya informacii i ee primenenie v issledovanii e`konomicheskix, social`no-psixologicheskix, texnologicheskix i organizacionno-texnicheskix sistem): Monografiya (nauchnoe izdanie). - Krasnodar: KubGAU. 2002. - 605 s.

7. Lucenko E.V. Issledovanie dvuxurovnevoj semanticheskoj informacionnoj modeli agropromy`shlennogo xoldinga / E.V. Lucenko, V.I. Lojko, O.A. Makarevich // Nauchny`j zhurnal KubGAU [E`lektronny`j resurs]. - Krasnodar: KubGAU, 2008. - №08(42). - Shifr Informregistra: 0420800012\0118. - Rezhim dostupa: http://ej.kubagro.ru/2008/08/pdf/03.pdf

8. Lucenko E.V. Issledovanie xarakteristik isxodny`x danny`x po agropromy`shlennomu xoldingu i razrabotka programmnogo interfejsa ix ob``edineniya i standartizacii (formalizaciya predmetnoj oblasti) / E.V. Lucenko, V.I. Lojko, O.A. Makarevich // Nauchny`j zhurnal KubGAU [E`lektronny`j resurs]. - Krasnodar: KubGAU, 2008. - №07(41). - Shifr Informregistra: 0420800012\0094. - Rezhim dostupa: http://ej.kubagro.ru/2008/07/pdf/12.pdf

9. Lucenko E.V. Reshenie zadach prognozirovaniya i podderzhki prinyatiya reshenij (upravleniya) dlya agropromy`shlennogo xoldinga na osnove ego dvuxurovnevoj semanticheskoj informacionnoj modeli / E.V. Lucenko, V.I. Lojko, O.A. Makarevich // Nauchny`j zhurnal KubGAU [E`lektronny`j resurs]. - Krasnodar: KubGAU, 2008. - №08(42). - Shifr Informregistra: 0420800012\0119. - Rezhim dostupa: http://ej.kubagro.ru/2008/08/pdf/02.pdf

10. Lucenko E.V. Sintez i verifikaciya dvuxurovnevoj semanticheskoj informacionnoj modeli agropromy`shlennogo xoldinga / E.V. Lucenko, V.I. Lojko, O.A. Makarevich // Nauchny`j zhurnal KubGAU [E`lektronny`j resurs]. - Krasnodar: KubGAU, 2008. - №08(42). - Shifr Informregistra: 0420800012\0120. - Rezhim dostupa: http://ej.kubagro.ru/2008/08/pdf/01.pdf

11. Lucenko E.V. Sistemno-kognitivny`j podxod k postroeniyu mnogourovnevoj semanticheskoj informacionnoj modeli upravleniya agropromy`shlenny`m xoldingom / E.V. Lucenko, V.I. Lojko, O.A. Makarevich // Nauchny`j zhurnal KubGAU [E`lektronny`j resurs]. - Krasnodar: KubGAU, 2008. - №07(41). - Shifr Informregistra: 0420800012\0095. - Rezhim dostupa: http://ej.kubagro.ru/2008/07/pdf/11.pdf

12. Lucenko E.V., Lojko V.I. Semanticheskie informacionny`e modeli upravleniya agropromy`shlenny`m kompleksom. Monografiya (nauchnoe izdanie). - Krasnodar: KubGAU, 2005. - 480 s.

13. Lucenko E.V., Lojko V.I., Velikanova L.O. Prognozirovanie i prinyatie reshenij v rastenievodstve s primeneniem texnologij iskusstvennogo intellekta: Monografiya (nauchnoe izdanie). - Krasnodar: KubGAU, 2008. - 257 s.

14. Lucenko E.V. Metodologiya primeneniya sistemno-kognitivnogo analiza dlya sinteza mnogourovnevoj semanticheskoj informacionnoj modeli agropromy`shlennogo xoldinga i resheniya na ee osnove zadach prognozirovaniya, podderzhki prinyatiya upravlencheskix reshenij i nauchny`x issledovanij / E.V. Lucenko, V.I. Lojko, O.A. Makarevich // Nauchny`j zhurnal KubGAU [E`lektronny`j resurs]. - Krasnodar: KubGAU, 2009. - №01(45). - Rezhim dostupa: http://ej.kubagro.ru/2009/01/pdf/02.pdf

15. Norton D., Kaplan R. Otvety` na chasto zadavaemy`e voprosy` po Balanced Scorecard (Sistema Sbalansirovanny`x pokazatelej). [E`lektronny`j resurs].- Rezhim dostupa: http://www.intalev.ru/?id=5390

16. Pat. № 2003610986 RF. Universal`naya kognitivnaya analiticheskaya sistema "E`JDOS" / E.V.Lucenko (Rossiya); Zayav. № 2003610510 RF. Opubl. ot 22.04.2003. - 50s.

17. Pat. № 2009610052 RF. Programmny`j interfejs mezhdu bazami danny`x standartnoj statisticheskoj otchetnosti agropromy`shlennogo xoldinga i sistemoj "E`jdos" (Programmny`j interfejs "E`jdos-xolding") / E.V.Lucenko (Rossiya), V.I. Lojko (Rossiya), O.A. Makarevich (Rossiya); Zayav. № 2008615084 RF. Opubl. ot 11.01.2009.

18. Pojya D. Matematika i Pravdopodobny`e rassuzhdeniya.- M.: Nauka, 1975.

19. Sereda S. Programmnoe obespechenie dlya Sistemy` Sbalansirovanny`x Pokazatelej. [E`lektronny`j resurs].- Rezhim dostupa: http://www.intalev.ru/?id=9463

20. Slin`kov D. Kak obuzdat` xolding? [E`lektronny`j resurs].- Rezhim dostupa: http://www.cfin.ru/management/strategy/holding.shtml

21. Xorvat P. Sbalansirovannaya sistema pokazatelej kak sredstvo upravleniya predpriyatiem. [E`lektronny`j resurs].- Rezhim dostupa: http://www.intalev.ru/?id=839

22. Lucenko E.V. Strategicheskoe planirovanie i upravlenie xoldingom na osnove informacionny`x i kognitivny`x texnologij / Lucenko E.V., Pechurina E.K., Sergeev A.E`. // Politematicheskij setevoj e`lektronny`j nauchny`j zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchny`j zhurnal KubGAU) [E`lektronny`j resurs]. - Krasnodar: KubGAU, 2020. - №03(157). - Rezhim dostupa: http://ej.kubagro.ru/2020/03/pdf/09.pdf, 1,500 u.p.l. - IDA [article ID]: 1572003009. http://dx.doi.org/10.21515/1990-4665-157-009

23. Lucenko E.V. Invariantnoe otnositel`no ob``emov danny`x nechetkoe mul`tiklassovoe obobshhenie F-mery` dostovernosti modelej Van Rizbergena v ASK-analize i sisteme «E`jdos» / E.V. Lucenko // Politematicheskij setevoj e`lektronny`j nauchny`j zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchny`j zhurnal KubGAU) [E`lektronny`j resurs]. - Krasnodar: KubGAU, 2017. - №02(126). S. 1 - 32. - IDA [article ID]: 1261702001. - Rezhim dostupa: http://ej.kubagro.ru/2017/02/pdf/01.pdf, 2 u.p.l.

24. Lucenko E.V. Metrizaciya izmeritel`ny`x shkal razlichny`x tipov i sovmestnaya sopostavimaya kolichestvennaya obrabotka raznorodny`x faktorov v sistemno-kognitivnom analize i sisteme «E`jdos» / E.V. Lucenko // Politematicheskij setevoj e`lektronny`j nauchny`j zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchny`j zhurnal KubGAU) [E`lektronny`j resurs]. - Krasnodar: KubGAU, 2013. - №08(092). S. 859 - 883. - IDA [article ID]: 0921308058. - Rezhim dostupa: http://ej.kubagro.ru/2013/08/pdf/58.pdf, 1,562 u.p.l.

25. Orlov A.I., Lucenko E.V. Sistemnaya nechetkaya interval`naya matematika. Monografiya (nauchnoe izdanie). - Krasnodar, KubGAU. 2014. - 600 s. ISBN 978-5-94672-757-0. http://elibrary.ru/item.asp?id=21358220

Размещено на Allbest.ru