02 апреля 2016г.
Работа выполнена при поддержке гранта РФФИ № 16-07-00491 А.
Прогнозы динамики социально-экономических систем всегда представляют собой не простую задачу, особенно в условиях нестабильных цен на энергоресурсы, сложной и постоянно изменяющейся международной обстановки. Иногда складывается ощущение, что прогнозирование экономических процессов, например, цен на нефть или курс рубля на основе случайного выбора тренда дает более приемлемый результат, чем выбор, на основе осмысления и попытке понять происходящее. Однако все эти процессы отражают объективно существующие закономерности, которые не всегда осознаваемы человеком. Поэтому, становится актуальной задача разработки новых подходов, которые позволяли бы с одной стороны убирать случайные составляющие из поступающей информации, а также извлекать из нее новые данные и закономерности, позволяющие в дальнейшем проводить более объективный анализ социально-экономических систем.
В данной работе предлагается применения методов технической кибернетики, а именно, такого ее раздела, как теория оценивания параметров процессов и систем для выполнения оценки состояния социально- экономических объектов с целью прогнозирования этого состояния на заданный промежуток времени.
Рассматривая эти объекты с точки зрения методов одного из подразделов кибернетики, а именно, теории автоматического управления, становится возможным абстрагироваться от предметной природы объекта, не поддаваться устоявшимся взглядам на его природу.
Сложность поставленной задачи определяется ключевой особенностью социально-экономических систем - большое количество взаимосвязанных факторов, которые можно разделить на экономические (производственно- экономические, структурные, инвестиционные, научно-технический потенциал, внешнеэкономическая деятельность); социальные (демографические, уровень жизни, трудовые ресурсы, здоровье населения, уровень криминогенности, социальная сфера, инфраструктура); экологические (состояние природной среды, уровени антропогенного воздействия и использования природных ресурсов, контроля).
Обозначенные факторы могут быть сгруппированы в вектор состояния системы с целью дальнейшего применения технических методов анализа. Эти методы имеет заслуженную популярность при исследовании социально-экономических объектов и процессов, что объясняется, в том числе, алгоритмической строгостью их использования. Среди таких методов можно назвать статистические и оптимизационные алгоритмы, методы аппроксимации, сглаживания, экстраполяции данных и другие. Главным недостатком таких классических методов является отсутствие возможности учитывать экспертные знания об изучаемом процессе, информацию, которая представлена в лингвистической форме или является нечеткой, «размытой», реализовывать процедуры извлечения знаний.
Для нейтрализации этих недостатков уже используются разнообразные ухищрения и методики, попытка систематизации которых представлена в [6, с. 31]. Проводя более детальный обзор этих подходов, отметим наиболее, с нашей точки зрения, разноплановые направления. Например, в [1, 7 с.] предлагается модификация метода группового учета аргументов на базе нечетко-логического подхода, который, согласно авторам, весьма эффективен для построения моделей социально-экономических объектов. Однако влияние случайных факторов вносит в применение этого подхода весьма жесткие ограничения. В другой работе применение комплексного анализа позволяет в какой-то степени добиться повышения качества принимаемых решений, но требует большой подготовительной работы и наличия полной априорной информации об объекте исследования, кроме того, значительно увеличивается размерность пространства признаков, обеспечивающих приемлемое качество результата [3, с. 120]. В этой связи интересна статья [2, с. 86], в которой уменьшение необходимой подготовительной работы для анализа предлагается достигнуть с помощью применения мультиагентных систем, построенных по принципу структуризации социальных групп, где каждый выполняет свою простую часть общей сложной работы.
Представленное разнообразие подходов свидетельствует об актуальности рассматриваемой задачи технического анализа социально-экономических объектов, а также об отсутствии общепризнанного лидера среди них. В предлагаемой вниманию работе анализируются перспективы применения еще одного направления разработки методов анализа, а именно симбиоз сугубо технического подхода на основе калмановского оценивания состояние процесса и интеллектуальных методов и процедур, что, по мнению авторов, позволит сделать технический анализ применимым к более разнообразным классам социально-экономических объектов и систем.
Широкую популярность алгоритм фильтра Калмана приобрел в различных инженерных приложениях и, в первую очередь, в аэронавигации, системах управления космическими аппаратами. Это объясняется с одной стороны удобством его реализации на цифровых вычислительных машинах, а с другой эффективностью уменьшения шумовых составляющих в сигналах измерительной аппаратуры. В своих основополагающих работах (60-е годы двадцатого века) по линейной фильтрации Рудольф Калман вводил достаточно жесткие ограничения по характеристикам сигналов, которые подвергались обработке, однако за прошедший промежуток времени появилось много работ, обеспечивающих возможность применения калмановского подхода при менее строгих требованиях. Здесь отметим, что фильтрация является частным случаем более общей задачи оценивания процессов.
Подходы на основе использования интеллектуальных методов в фильтре Калмана уже применялись ранее, например в [4, с. 372, 5, с. 149] предложено использовать нечеткий фильтр для решения обратных задач. Однако предложенная там структура алгоритма статична по своей структуре и не позволяет в автоматизированном режиме осуществлять адаптацию калмановского оценивателя.
Обоснованием выбора фильтра Калмана для применения в анализе социально-экономических объектов служат особенности самой природы этих объектов и информации, которая имеется в распоряжении аналитиков. К таким особенностям можно отнести:
- отсутствие ясной аналитической модели исследуемого социально-экономического процесса или объекта (системы), что делает невозможным анализ взаимосвязи управлений и реакций на эти управления на основании вычислительных методов, использующих знание внутренней структуры системы;
- возможность получать только редуцированный вектор данных о информационных потоках, присутствующих в социально-экономической системе и на основе этого ограниченного набора сведений делать какие-либо суждения о его параметрах;
- получаемая о социально-экономическом процессе информация может быть искажена и содержать неверные сведения, что в конечном итоге, приводит к неточности выводов и результатов анализа информации.
Строгое применение фильтра Калмана накладывает жесткие требования как на состав исходной информации об изучаемом процессе, так и на структуру описания его характеристик. Поэтому напрямую применять для социально-экономических исследований фильтр не получается, но, в тоже время, основываясь на общей структуре калмановского оценивателя, имеется возможность создать алгоритмическую структуру, позволяющую адаптировать рассматриваемый подход.
Перед применением алгоритма необходимо построить модель процесса, называемую формирующим фильтром. Построение такой модели не тривиально по своей сути, но существуют методы, позволяющие ее сделать, поэтому в данной работе не будем останавливаться на этом. Входной возмущающий процесс поступает на формирующий фильтр, с выхода которого снимается модель исследуемого процесса, имеющая те же статистические характеристики, что и исходная информация. Отметим, что модель получения информации может отражать тот факт, что доступен не весь вектор данных, а лишь его часть. Кроме того, эта информация искажена, что моделируется аддитивно накладываемым процессом искажения информации (шум измерений). Применение калмановского подхода позволяет восстановить весь вектор состояния (исходную информацию) объекта при известных статистических параметрах процессов. Однако для социально-экономических объектов это сделать бывает сложно или невозможно из-за отсутствия адекватного аналитического описания этих процессов. Поэтому предложено использовать углубленный анализ данных на основе интеллектуальных методов, в результате которого станет возможной настройка параметров калмановского алгоритма, позволяющая оптимизировать выбранный исследователем критерий качества восстановления информации при сохранении общей структуры обработки данных.
Общая постановка задачи оценивания состояния социально-экономической системы может быть представлена в виде следующих этапов:
- отбор факторов для формирования вектора состояния системы (эти факторы приведены выше);
- моделирование исследуемых процессов случайными векторами и определение или задание их статистических характеристик;
- получение модели формирующего фильтра, являющегося моделью исследуемой социально- экономической системы;
- определение оптимального коэффициента фильтра Калмана на основе имеющейся информации о статистических параметрах исследуемых процессов;
- анализ полученных результатов и проведение подстройки параметров фильтра на основе работы интеллектуальных алгоритмов.
Среди интеллектуальных методов наиболее подходящим, на наш взгляд, вариантом является объединение в едином комплексе искусственных нейронных сетей и нечетко-логических вычислений. Алгоритм их совместного применения заключается в реализации процедуры нечеткой кластеризации получаемых о социально- экономическом объекте данных с дальнейшим обучением нейронной сети по полученным результатам. Такая последовательность применения позволяет автоматизировать процедуру извлечений знаний и скрытых закономерностей в данных.
Предложенный подход к обработке информации с использованием аналога калмановского оценивания и интеллектуальной обработки информации, по мнению авторов, открывает большие горизонты направлений исследований, имеет широкие перспективы использования и позволит обеспечить более объективный анализ социально-экономических объектов.
Список литературы
1. Бояринов Ю.Г., Стоянова О.В., Дли М.И. Применение нейро-нечеткого метода группового учета аргументов для построения моделей социально-экономических систем. /Программные продукты и системы. 2006. № 3. С. 7.
2. Дли М.И., Гимаров В.В., Иванова И.В. Иерархические мультиагентные модели для управления телекоммуникационным предприятием. /Журнал правовых и экономических исследований.
2012. № 4. С. 86-89.
3. Мешалкин В.П., Белозерский А.Ю., Дли М.И. Методика построения комплексной математической модели управления рисками предприятия металлургической промышленности. /Прикладная информатика. 2011. № 3 (33). С. 100-120.
4. Пучков А.Ю., Павлов Д.А. Метод решения обратных задач для экономических объектов. /Научное обозрение. №9, 2013. С. 372 – 375.
5. Пучков А.Ю., Павлов Д.А. Варианты построения алгоритма поиска решения обратных задач с применением нейронных сетей. /Программные продукты и системы. №2 (98),2012 С. 149 – 153.
6. Sarkisov P.D., Stoyanova O.V., Dli M.I.
Principles of project management in the field of nanoindustry. /Theoretical Foundations of Chemical Engineering. 2013. Т. 47. № 1. С. 31-35.
