Вы находитесь на странице: 1из 443

НАЦИОНАЛЬНЫЙ ИССЛЕДОВАТЕЛЬСКИЙ

ТОМСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ

Т.В. АБРАМОВА, Е.В. ВАГАНОВА, С.В. ГОРБАЧЕВ,


В.И. СЫРЯМКИН, М.В. СЫРЯМКИН

НЕЙРО-НЕЧЕТКИЕ МЕТОДЫ
В ИНТЕЛЛЕКТУАЛЬНЫХ
СИСТЕМАХ ОБРАБОТКИ
И АНАЛИЗА МНОГОМЕРНОЙ
ИНФОРМАЦИИ

Издательство Томского университета


2014
УДК 330.51-7
ББК 65.011.151
Г68

Рецензенты:
доктор технических наук,
профессор В.И. Гончаров,
доктор технических наук, доктор экономических наук,
профессор Ю.М. Осипов

Абрамова Т.В., Ваганова Е.В., Горбачев С.В., Сырямкин


В.И., Сырямкин М.В.
Г68 Нейро-нечеткие методы в интеллектуальных системах обработки
и анализа многомерной информации. – Томск: Изд-во Том. ун-та,
2014. – 442 с.

ISBN 978-5-7511-2235-5

В монографии представлены нейро-нечеткие методы и алгоритмы


интеллектуального анализа многомерных сложно построенных данных.
Рассмотрены применения нейросетевых технологий в экономике,
распознавании образов, навигации, управлении, поиске нефти и газа.
Для специалистов, докторантов, аспирантов и студентов,
занимающихся разработкой, исследованием и изучением
радиоэлектронной аппаратуры, алгоритмического и программного
обеспечения.

УДК 330.51-7
ББК 65.011.151

ISBN 978-5-7511-2235-5 © Т.В. Абрамова, Е.В. Ваганова,


С.В. Горбачев, В.И. Сырямкин, М.В. Сырямкин 2014
NATIONAL RESEARCH TOMSK STATE UNIVERSITY

T.V. ABRAMOVA, E.V. VAGANOVA,


S.V. GORBACHEV, V.I. SYRYAMKIN,
M.V. SYRYAMKIN

NEURO-FUZZY METHODS
IN INTELLIGENT SYSTEMS
OF PROCESSING AND ANALYSIS
OF MULTIDIMENSIONAL
INFORMATION

Publishing House of Tomsk State University


2014
UDK 330.51-7
BBK 65.011.151
Г68

Reviewers:
V.I. Goncharov, Doctor of Engineering Science, professor
Yu.M. Osipov, Doctor of Engineering Science, Doctor of Economics, professor

T.V. Abramova, E.V. Vaganova, S.V. Gorbachev, V.I. Syryamkin,


M.V. Syryamkin
Г68 Neuro-fuzzy methods in intelligent systems of processing and analysis of
multidimensional information – Tomsk: Publishing House of Tomsk
State University, 2014. – 442 с.

ISBN 978-5-7511-2235-5

For professionals, post-graduate and doctoral students engaged in the


development and research of electronic equipment, algorithms and software.

UDK 330.51-7
BBK 65.011.151

ISBN 978-5-7511-2235-5 © T.V. Abramova, E.V. Vaganova, S.V.


Gorbachev, V.I. Syryamkin, M.V. Syryamkin 2014
ВВЕДЕНИЕ
В настоящее время компьютерные технологии автоматического
интеллектуального анализа данных переживают бурный расцвет.
Это связано главным образом с потоком новых идей, исходящих из
области компьютерных наук, образовавшихся на пересечении искус-
ственного интеллекта, статистики и теории баз данных и обозначае-
мых как Data Mining (обнаружение знаний в данных). Этим терми-
ном сегодня обозначают процесс получения из «сырых» данных
новой, потенциально полезной информации о предметной области.
Появившийся в 1978 г. термин «Data Mining» оказался удачным
и приобрел высокую популярность в конце 90-х годов.
На современном этапе наибольшее практическое применение
находят объединение таких методов Data Mining, как искусственные
нейронные сети и нечетко-множественные операции. Данные сред-
ства интеллектуального анализа данных относятся к классу гибрид-
ных систем вычислительного интеллекта, которые функционируют
на основе принципов, существенно отличающихся от методов обра-
ботки данных в традиционных искусственных нейронных сетях и от-
носящихся к области когнитивных («умных») технологий. Такие
гибридные нейро-нечеткие системы обладают наиболее сильным
когнитивным потенциалом (моделированием ощущений, воспри-
ятий, распознаванием образов, обучением и запоминанием паттер-
нов с целью выявления знаний из данных). Они находят существен-
но более широкую область применения, чем другие методы синтеза
нечетких множеств и нейронных сетей. Это связано с тем, что такие
системы позволяют наиболее полно использовать «сильные» сторо-
ны нечетких систем (интерпретируемость накопленных знаний)
и нейронных сетей (способность обучаться на данных). Такие систе-
мы не только используют априорную информацию, но и приобрета-
ют новые знания, являясь логически «прозрачными».
6 Введение

В настоящем издании авторы приводят результаты их примене-


ния и исследований в таких неявных областях знания, как мировая
экономика, научно-технологическое развитие государства, геолого-
разведка, дистанционное зондирование Земли из космоса, а также
интеграции нейро-нечетких методов в интеллектуальных системах
навигационного счисления и активной безопасности автомобилей.
По оценкам экспертов ЕС, «когнитивные» науки (или нейро-
науки) и «умные» системы (междисциплинарные исследования по
широкому кругу проблем, связанных с умственной деятельно-
стью) являются основным вызовом и направлением развития
фундаментальной науки в XXI в. Они позволяют эффективно ре-
шать сложные задачи обработки информации, когда классы, подле-
жащие разделению, имеют произвольную форму и пересекаются
между собой, отличаются высокой точностью и эффективностью
в условиях неопределенности, низким временем обучения, надежно-
стью против шума.
Авторы книги благодарят сотрудников Т.В. Абрамову, Е.В. Вагано-
ву и М.В. Сырямкина, принявших участие в подготовке глав 2 и 3.
INTRODUCTION
Nowadays, computer technologies of automatic data mining are ex-
periencing a peak. This is mainly due to the flow of new ideas coming
from computer science, formed at the intersection of artificial intelli-
gence, statistics and database theory referred Data Mining. This term is
used today represent the process of getting out «raw», potentially useful
information. Introduced in 1978, the term “Data Mining”, happened to be
successful and has gained high popularity in the late 90s.
At the present time, the greatest practical application is found in
are the union of such methods as Data Mining, artificial neural net-
works and fuzzy operations. Such data mining tools belong to hybrid
computational intelligence systems that operate on the basis of princi-
ples that are significantly different from the data processing methods
in traditional artificial neural networks, related to the field of cogni-
tive («smart») technologies.
Such hybrid neurofuzzy systems have most powerful cognitive poten-
tial (perception modeling, image recognition, learning and memorizing of
patterns in order to identify the data). They have a larger scope of appli-
cation than other methods of synthesis of fuzzy sets and neural networks.
This is due to the fact that such systems can use of «strong» side of fuzzy
systems (interpretation of the accumulated data) and neural networks
(learning from the data). Such systems not only use prior information, but
being logically «transparent», also acquire new knowledge.
In this edition, the authors present the results of application and re-
search of the systems in such areas of implicit knowledge as the global
economy, scientific and technological development of the country, re-
mote exploration of the Earth from the space, as well as the integration of
8 Введение

neurofuzzy methods in intelligent systems of reckoning and active vehicle


safety.
According to experts of the EU «cognitive» science (or neuroscience)
and «smart» systems (interdisciplinary research of wide range of prob-
lems associated with mental activity) is the major challenge and direction
of development of fundamental science in the XXI century . They allow
to solve complex information processing tasks, where the classes which
have to be separated, have an optional shape and intersect with each
other, are characterized by high accuracy and efficiency in the conditions
of uncertainty, low training time and noise resistance.
The authors thank T.V. Abramovа, E.V. Vaganova and M.V. Syryam-
kin for participating in the preparation of сhapter 3.
Глава 1

МЕТОДЫ И АЛГОРИТМЫ
ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА
МНОГОМЕРНЫХ СЛОЖНО ПОСТРОЕННЫХ
ДАННЫХ

1.1. МОДЕЛИРОВАНИЕ КАК ОСНОВА АНАЛИЗА


СЛОЖНО ПОСТРОЕННЫХ ДАННЫХ
Основой для анализа данных служит моделирование. Построе-
ние моделей является универсальным способом изучения окружаю-
щего мира. Оно позволяет обнаруживать зависимости, извлекать
новые знания, прогнозировать, управлять и решать множество дру-
гих задач. Модели и моделирование тесно связаны с таким базовым
понятием, как система.
Система – центральное понятие в теории систем и системном
анализе. Под системой принято понимать совокупность объектов,
компонентов или элементов произвольной природы, образующих
некоторую целостность в том или ином контексте. Каждая система
несет в себе принцип эмерджентности – у системы появляются но-
вые свойства, которых не имеют составляющие ее элементы.
Выделяется несколько типов систем: простые, малые, большие,
сложные. Отличие между ними заключается в количестве элементов
и типе связи между ними, а также ресурсной и информационной
обеспеченности (рис. 1.1).

Рис. 1.1. Классификация систем


10 Глава 1

Сложная система является наиболее трудной из всех для изуче-


ния. Это обусловлено следующими причинами:
1) Закон распределения воздействующих на систему парамет-
ров неизвестен или на его получение требуется потратить значи-
тельное количество временных и финансовых ресурсов.
2) Функционирование системы происходит в условиях неопре-
деленности, которую вносит главным образом человеческий и слу-
чайный факторы.
3) Переменные системы могут иметь количественно-качест-
венное описание.
Большинство экономических систем относятся к категории сложных.
Наиболее общей информационной моделью системы является
модель «черного ящика». Система представляется в виде прямо-
угольника с множеством входных и выходных переменных, внут-
реннее устройство которого скрыто от исследователя, а чаще всего
неизвестно (рис. 1.2).

Рис. 1.2. Модель «черного ящика»

Определив входные и выходные воздействия и имея в наличии


набор данных, связывающий их, уже можно говорить о модели
системы, даже если не известен закон, связывающий между собой
входы и выходы системы. Существуют специальные методы, по-
зволяющие изучать такие системы без знания математических, эко-
номических и других зависимостей между переменными системы
и даже извлекать знания. Такие методы относятся к категории ин-
теллектуальных методов анализа данных.
Перед построением модели следует отталкиваться от задачи. За-
дачу можно рассматривать как ответ на интересующий исследовате-
ля вопрос. Например, в розничной торговле такими вопросами могут
быть следующие:
■ Какова структура продаж за определенный период? Как мож-
но классифицировать осуществляемые компанией продажи?
Методы и алгоритмы интеллектуального анализа 11

■ Какие клиенты приносят наибольшую прибыль?


■ Какие товары продаются или заказываются вместе?
■ Как оптимизировать товарные остатки на складах и т.п.?
Тогда можно говорить о создании модели прогнозирования про-
даж, модели выявления ассоциаций и т.д. Данный этап еще называют
анализом проблемной ситуации.
Следующий шаг – систематизация и консолидация всех доступ-
ных ресурсов (материальных, финансовых, информационных), необ-
ходимых для построения модели. В случае отсутствия требуемых
ресурсов на данном этапе может быть принято решение либо о су-
жении требований к результатам, либо вообще отказ от построения
модели. Здесь встает вопрос о точности будущей модели интере-
сующему процессу или системе. Поскольку процесс построения мо-
дели носит итерационный характер (рис. 1.3), в процессе которого
она корректируется и уточняется, то нет смысла на первых шагах
требовать высокой точности модели. Гораздо правильнее говорить
об адекватности модели. Первоначальная модель может быть гру-
бой, но адекватной.

Рис. 1.3. Процесс построения модели


12 Глава 1

Адекватность означает, что при построении модели исследователь


учел наиболее важные, существенные факторы, влияющие на конеч-
ный результат. Можно утверждать, что с ростом количества факторов
увеличивается сложность модели.
После систематизации данных переходят к поиску модели, кото-
рая объясняла бы имеющиеся данные, позволила бы добиться эмпи-
рически обоснованных ответов на интересующие вопросы. Сущест-
вует огромное множество готовых моделей систем, в том числе
экономических. Большинство из них формальны, т.е. представляют-
ся в виде совокупности математических формул, законов, распреде-
лений и т.п. Однако на практике часто они не применимы и имеют
мало общего с действительностью. Нередко исследователь сталкива-
ется с ситуацией, когда трудно сделать какие-либо четкие предпо-
ложения относительно поставленной задачи. Модель не известна,
и единственным источником сведений для ее построения является
таблица экспериментальных данных типа «вход-выход», т.е. «чер-
ный ящик». В результате аналитик вынужден использовать раз-
личные эвристические предположения о выборе информативных
признаков, о классе и параметрах выбранной модели. Эти предпо-
ложения аналитика основываются на его опыте, интуиции, проник-
новении в смысл анализируемого процесса.
Логично, что на данном этапе может возникнуть не одна, а не-
сколько моделей системы-оригинала, в чем проявляется принцип
многомодельности. В этом случае необходимо остановиться на ка-
кой-то одной наиболее адекватной решаемой задаче модели либо
пытаться комбинировать подходы для получения полной модели,
состоящей из комплекса взаимосвязанных моделей. При выборе
конкретной модели из нескольких предложенных снова эффективен
опрос специалистов предметных областей или экспертов. В спорных
случаях для принятия обоснованного решения могут прийти на по-
мощь методы проведения сложных экспертиз, включающие в себя
такие алгоритмы, как ранжирование, парные оценки и др.
Рассмотрим этапы построения модели на примере. Возьмем акту-
альную задачу розничной торговли – прогнозирование объема про-
даж. Для ее решения необходимо построить модель прогноза про-
даж. Воспользуемся схемой на рис. 1.3. Выполнение первого этапа,
как правило, не представляет трудностей – необходимые данные по
продажам за периоды (неделя, месяц) извлекаются из существую-
щих в организации учетных систем. Это при условии, что сделано
Методы и алгоритмы интеллектуального анализа 13

предположение о том, что на будущие продажи влияют продажи за


предыдущие периоды.
На следующем этапе – систематизации данных – необходимо
получить ответы на вопросы:
Достаточно ли данных для построения модели прогноза продаж?
Дело в том, что при малом количестве данных любое прогнозиро-
вание бессмысленно и никакая модель не уловит закономерности
в продажах. Так, для временного ряда истории продаж на 1,5 года
прогноз следует осуществлять максимум на 1 месяц; для данных за
2-3 года – максимум на 2 месяца.
По каким товарам строить прогноз?
Проблема заключается в том, что иногда прогноз продаж для
каждого наименования товара строить бессмысленно. Как правило,
это касается продукции с высокой степенью обновления модельного
ряда (телефоны, плееры, компьютерная техника и др.). Как вариант,
возможно построение прогноза по группам товаров со схожими по-
требительскими свойствами.
Далее необходимо сделать выбор модели прогнозирования про-
даж, что в данном случае сводится к выбору метода прогнозирова-
ния. Их существует огромное множество. Например, метод среднего,
согласно которому прогноз вычисляется на основе усредненных ве-
личин продаж за несколько предыдущих месяцев (периодов). Такая
модель прогноза получится простой и грубой, так как не учитывает
фактор сезонности. Возможно, для каких-то товаров сезонность
в продажах отсутствует, и модель будет адекватной. Для других това-
ров она не подойдет, и придется обратиться к более сложным методам,
учитывающим сезонность, к примеру методу Хольта, или дополни-
тельно ввести в модель коэффициенты сезонности, возможно, учиты-
вать остатки на складе, количество выходных дней в месяце и т.п.
Таким образом, во-первых, универсальных моделей не бывает,
а во-вторых, сложность модели не гарантирует ее точность. Мастер-
ство исследователя заключается в том, чтобы найти компромисс ме-
жду простотой, прозрачностью, с одной стороны, и приемлемым
качеством результатов – с другой. При этом не следует гнаться за
абсолютной точностью и начинать использование модели при полу-
чении первых приемлемых результатов.
У изложенного механизма построения моделей есть как сильные,
так и слабые стороны. Использование методов построения моделей
позволяет получать новые знания, которые невозможно извлечь дру-
14 Глава 1

гим способом. Кроме того, полученные результаты являются форма-


лизованным описанием некоего процесса, а следовательно, подда-
ются автоматической обработке. Недостатком же является то, что
такие методы более требовательны к качеству данных, знаниям экс-
перта и формализации самого изучаемого процесса. К тому же почти
всегда имеются случаи, не укладывающиеся ни в какие модели.
Подводя итог всему вышесказанныму, можно выделить главные
принципы построения моделей сложных систем, к каким относятся
модели экономических процессов:
1. Решение проблемы начинать с построения модели.
2. При анализе отталкиваться от опыта эксперта.
3. Рассматривать проблему под разными углами и комбиниро-
вать подходы.
4. Не стремиться к высокой точности модели, а двигаться от бо-
лее простых и грубых моделей к более сложным и точным.
5. По мере накопления новых сведений с течением времени нуж-
но повторять цикл моделирования – процесс познания бесконечен.

1.2. МЕТОДЫ ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА


ДАННЫХ

1.2.1. Предпосылки развития автоматизированных методов


анализа данных
Существует два способа получения информации: докумен-
тальный и экспертный. В первом случае данные содержатся во
всевозможных информационных источниках (книги, документы,
базы данных, информационные системы и т.п.). Экспертный способ
предполагает извлечение и структурирование знаний из памяти че-
ловека – эксперта или специалиста в предметной области. Часто их
называют методами, направленными на использование интуиции
и опыта специалистов.
Среди методов первой группы в экономике распространены ме-
тоды математической статистики. Данные методы решают большой
спектр задач, однако не позволяют находить и извлекать знания из
массивов данных. Кроме того, высокие требования к квалификации
конечных пользователей ограничивают их использование.
Среди второй группы распространены так называемые эксперт-
ные системы, представляющие собой специальные компьютерные
Методы и алгоритмы интеллектуального анализа 15

программы, моделирующие рассуждения человека. Например: экс-


пертная система принятия решений на рынке ценных бумаг, экс-
пертная система оценки кредитных рисков и т.п. Высокая стоимость
создания и внедрения экспертных систем, неспособность людей об-
наруживать сложные и нетривиальные зависимости, часто отсутст-
вие специалистов, способных грамотно структурировать свои зна-
ния, также затрудняют тиражирование такого подхода.
Специфика современных требований к обработке информации
(огромный объем данных и их разнородная природа) делает бес-
сильными как статистические, так и экспертные подходы во многих
практических областях, в том числе и экономических. Поэтому для
анализа информации, накопленной в современных базах данных,
методы должны быть эффективными, т.е. простыми в использова-
нии, обладать значительным уровнем масштабируемости и опреде-
ленным автоматизмом. Эта концепция лежит в основе двух совре-
менных технологий – Data Mining и Knowledge Discovery in
Databases (KDD).
Классическое определение технологии «добычи данных» (Data
Mining) звучит следующим образом: это обнаружение в исходных
(«сырых») данных ранее неизвестных, нетривиальных, практически
полезных и доступных интерпретации знаний. То есть информация,
найденная в процессе применения методов Data Mining, должна
быть нетривиальной и ранее неизвестной, например, средние прода-
жи не являются таковыми. Знания должны описывать новые связи
между свойствами, предсказывать значения одних признаков на ос-
нове других.
Примеры
Приведенные ниже примеры из разных областей экономики де-
монстрируют основное преимущество методов Data Mining – способ-
ность обнаружения новых знаний, которые невозможно получить ме-
тодами статистического, регрессионного анализа или эконометрики.
1. Множество клиентов компании с помощью одного из инстру-
ментов Data Mining были объединены в группы или сегменты со
схожими признаками. Это позволило проводить компании различ-
ную маркетинговую политику и строить отдельные модели поведе-
ния для каждого клиентского сегмента. Наиболее значимыми факто-
рами для разделения на группы оказались следующие: удаленность
региона клиента, сфера деятельности, среднегодовые суммы сделок,
количество сделок в неделю.
16 Глава 1

2. Автоматический анализ банковской базы данных кредитных


сделок физических лиц выявил правила, по которым потенциальным
заемщикам отказывалось в выдаче кредита. В частности, решающи-
ми факторами при выдаче кредитов на небольшие суммы оказались:
срок кредита, среднемесячный доход и расход заемщика. В даль-
нейшем это учитывалось при экспресс-кредитовании наиболее де-
шевых товаров.
3. При анализе базы данных клиентов страховой компании был
установлен социальный портрет человека, страхующего жизнь. Это
оказался мужчина 35–50 лет, имеющий 2 и более детей и среднеме-
сячный доход выше 2000 долл.
Обнаружение знаний в базах данных (KDD) – это последова-
тельность действий, которую необходимо выполнить для построения
модели (извлечения знания). Эта последовательность не описывает
конкретный алгоритм или математический аппарат, не зависит от
предметной области. Это набор атомарных операций, комбинируя
которые, можно получить нужное решение.
KDD включает в себя этапы подготовки данных, выбора инфор-
мативных признаков, очистки данных, применения методов Data
Mining, постобработки данных, интерпретации полученных резуль-
татов. Сердцем всего этого процесса являются методы Data Mining,
позволяющие обнаруживать закономерности и знания (рис. 1.4).

Рис. 1.4. Этапы KDD

Кратко рассмотрим последовательность шагов, выполняемых на


каждом этапе KDD.
Методы и алгоритмы интеллектуального анализа 17

Подготовка исходного набора данных. Этот этап заключается


в подготовке набора данных, в том числе из различных источников,
выборе значимых параметров и т.д. Для этого должны существовать
развитые инструменты доступа к различным источникам данных.
Предобработка данных. Для эффективного применения методов
Data Мining следует обратить серьезное внимание на вопросы пре-
добработки данных. Данные могут содержать пропуски, шумы, ано-
мальные значения и т.д. Кроме того, данные могут быть избыточны,
недостаточны и т.д. В некоторых задачах требуется дополнить дан-
ные некоторой априорной информацией. Ошибочно предполагать,
что если подать данные на вход системы в существующем виде, то
на выходе будут получены полезные знания. Входные данные долж-
ны быть качественны и корректны.
Трансформация, нормализация данных. Этот шаг необходим для
тех методов, которые требуют, чтобы исходные данные были в каком-
то определенном виде. Дело в том, что различные алгоритмы анализа
требуют специальным образом подготовленные данные, например, для
прогнозирования необходимо преобразовать временной ряд при помо-
щи скользящего окна или вычисление агрегируемых показателей. К за-
дачам трансформации данных относятся: скользящее окно, приведение
типов, выделение временных интервалов, преобразование непрерывных
значений в дискретные и наоборот, сортировка, группировка и пр.
Data Mining. На этом шаге применяются различные алгоритмы
для нахождения знаний. Это нейронные сети, деревья решений, ал-
горитмы кластеризации и установления ассоциаций и т.д.
Постобработка данных. Интерпретация результатов и примене-
ние полученных знаний в бизнес-приложениях.
Например, требуется получить прогноз объемов продаж на сле-
дующий месяц. Имеется сеть магазинов розничной торговли. Первым
шагом будет сбор истории продаж в каждом магазине и объединение ее
в общую выборку данных. Следующим шагом будет предобработка
собранных данных: их группировка по месяцам, сглаживание кривой
продаж, устранение факторов, слабо влияющих на объемы продаж. Да-
лее следует построить модель зависимости объемов продаж от выбран-
ных факторов. Это можно сделать с помощью линейной регрессии или
нейронных сетей. Имея такую модель, можно получить прогноз, подав
на вход модели историю продаж. Зная прогнозное значение, его можно
использовать, например, в приложениях оптимизации для лучшего раз-
мещения товара на складе.
18 Глава 1

Самое главное преимущество KDD в том, что полученные таким


способом знания можно тиражировать. То есть построенную одним
человеком модель могут применять другие, без необходимости по-
нимания методик, при помощи которых эта модель построена. Най-
денные знания должны быть использованы на новых данных с неко-
торой степенью достоверности.

1.2.2. Роль многомерного хранилища данных


для получения качественного прогноза
Методы интеллектуального анализа информации часто рассмат-
риваются как естественное развитие концепции хранилищ данных
в многомерном представлении.
В чем отличие хранилища от базы данных? В первую очередь,
в том, что их создание и эксплуатация преследуют различные цели.
База данных играет роль помощника в оперативном управлении ор-
ганизации. Это каждодневные задачи получения актуальной инфор-
мации: бухгалтерской отчетности, учета договоров и т.д. Хранилище
данных консолидирует всю необходимую информацию для осуще-
ствления задач стратегического управления в среднесрочном и дол-
госрочном периоде. Например, продажа товара и выписка счета про-
изводятся с использованием базы данных, а анализ динамики
продаж за несколько лет, позволяющий спланировать работу с по-
ставщиками, – с помощью хранилища данных.
Таким образом, хранилище данных – это специальным образом
систематизированная информация из разнородных источников (базы
данных учетных систем компании, маркетинговые данные, мнения
клиентов, исследования конкурентов и т.п.), необходимая для обра-
ботки с целью принятия стратегически важных решений в деятель-
ности компании.
Для того чтобы получить качественный прогноз, нужно собрать
максимум информации об исследуемом процессе, описывающей его
с разных сторон. Например, для прогнозирования объемов продаж
может потребоваться следующая информация:
■ история продаж;
■ состояние склада на каждый день – если спад продаж часто
связан с отсутствием товара на складе, а вовсе не из-за отсутствия
спроса;
■ сведения о ценах конкурентов;
Методы и алгоритмы интеллектуального анализа 19

■ изменения в законодательстве;
■ общее состояние рынка;
■ курс доллара, инфляция;
■ сведения о рекламе;
■ сведения об отношении к продукции клиентов;
■ различного рода специфическая информация, например, для
продавцов мороженого – температура, а для аптечных складов – са-
нитарно-эпидемиологическая обстановка и многое другое.
Проблема заключается в том, что обычно в системах оператив-
ного учета большей части этой информации просто нет, а та, что
есть, искаженная и(или) неполная. Лучшим вариантом в этом случае
будет создание хранилища данных, куда бы с определенной задан-
ной периодичностью поступала вся необходимая информация, пред-
варительно систематизированная и отфильтрованная (рис. 1.5).

Рис. 1.5. Хранилище данных

Эффективная архитектура хранилища данных должна быть ор-


ганизована таким образом, чтобы быть составной частью информа-
ционной системы управления предприятием.
Наиболее распространен случай, когда хранилище организовано
по типу «звезда», где в центре располагаются факты и агрегатные
данные, а «лучами» являются измерения. Каждая «звезда» описыва-
ет определенное действие, например продажу товара, отгрузку, по-
ступления денежных средств и пр. (рис. 1.6).
20 Глава 1

Рис. 1.6. Измерения и факты

Обычно данные копируются в хранилище из оперативных баз


данных и других источников согласно определенному расписанию.
ОLАР (Online Analytical Processing, аналитическая обработка в ре-
альном времени) – технология обработки данных, заключающаяся
в подготовке суммарной (агрегированной) информации на основе
больших массивов данных, является ключевым компонентом органи-
зации хранилищ данных. Такая технология основана на построении
и визуализации многомерных кубов данных с возможностью произ-
вольного манипулирования информации, содержащейся в кубе. Это
позволяет представить информацию для анализа в любом разрезе.
Вернемся к примеру с анализом продаж. Пусть руководителя ин-
тересуют объемы продаж за некоторый период, к примеру за только
что завершившийся месяц. Компания продает не один, а множество
товаров и имеет большое число клиентов, «разбросанных» по раз-
ным городам страны. Первые два простейших вопроса, на которые
нам сразу же хотелось бы иметь ответы, – это объемы продаж това-
ров по каждому городу за каждый месяц.
Очевидно, что «ответ» на каждый из этих вопросов будет оформ-
лен в виде двумерной таблицы. В первом случае строками и столб-
цами этой таблицы соответственно будут названия товаров, месяцы
и суммы, а во втором – названия городов и суммы.
Однако анализировать информацию в таком виде неудобно. Воз-
никает потребность «соединить» данные нескольких таблиц. В итоге
в таком отчете будет фигурировать три равноправных аналитиче-
ских измерения (город, товар и месяц), и вместо двумерных таблиц
появляется трехмерная модель представления данных, так называе-
мый куб (рис. 1.7, 1.8).
Методы и алгоритмы интеллектуального анализа 21

Рис. 1.7. Данные в трехмерном кубе

Рис. 1.8. Пример многомерного отчета

1.2.3. Классификация методов извлечения знаний


(Data Mining)
Data Mining – это не один, а совокупность большого числа раз-
личных методов обнаружения знаний. Все задачи, решаемые мето-
дами Data Mining, можно условно разбить на пять классов.
1. Классификация (распознавание) – отнесение объектов (на-
блюдений, событий) к одному из заранее известных классов. Это
делается посредством анализа уже классифицированных объектов
и формулирования некоторого набора правил.
22 Глава 1

2. Кластеризация – это группировка объектов (наблюдений, со-


бытий) на основе данных (свойств), описывающих сущность объек-
тов. Объекты внутри кластера должны быть «похожими» друг на
друга и отличаться от объектов, вошедших в другие кластеры. Чем
больше похожи объекты внутри кластера и чем больше отличий ме-
жду кластерами, тем точнее кластеризация. Часто применительно к
экономическим задачам вместо кластеризации употребляют термин
сегментация.
3. Регрессия, в том числе задача прогнозирования. Это установ-
ление зависимости непрерывных выходных переменных от входных.
К этому же типу задач относится прогнозирование временного ряда
на основе исторических данных.
4. Ассоциация – выявление закономерностей между связанными
событиями. Примером такой закономерности служит правило, ука-
зывающее, что из события X следует событие Y. Такие правила на-
зываются ассоциативными. Впервые эта задача была предложена
для нахождения типичных шаблонов покупок, совершаемых в су-
пермаркетах, поэтому иногда ее еще называют анализом рыночной
корзины (market basket analysis).
5. Последовательные шаблоны – установление закономерно-
стей между связанными во времени событиями.
Дополнительные задачи:
1. Определение отклонений или выбросов (DeviationDetection),
анализ отклонений или выбросов. Цель – обнаружение и анализ дан-
ных, наиболее отличающихся от общего множества данных, выявле-
ние так называемых нехарактерных шаблонов.
2. Оценивание (Estimation). Задача оценивания сводится
к предсказанию непрерывных значений признака.
3. Анализ связей (LinkAnalysis). Задача нахождения зависимо-
стей в наборе данных.
4. Визуализация (Visualization, GraphMining). В результате ви-
зуализации создается графический образ анализируемых данных.
Для решения задачи визуализации используются графические мето-
ды, показывающие наличие закономерностей в данных. Пример ме-
тодов визуализации – представление данных в 2D- и 3D-измерениях.
5. Подведение итогов (Summarization). Задача, цель которой – опи-
сание конкретных групп объектов из анализируемого набора данных.
Достаточно близким к вышеупомянутой классификации является
подразделение задач Data Mining на следующие:
Методы и алгоритмы интеллектуального анализа 23

1. Автоматическое исследование и открытие (свободный поиск).


Пример задачи: обнаружение новых сегментов рынка. Для решения
данного класса задач используются методы кластерного анализа.
2. Прогнозирование и классификация. Пример задачи: предсказа-
ние роста объемов продаж на основе текущих значений. Методы:
регрессия, нейронные сети, генетические алгоритмы, деревья реше-
ний. Задачи классификации и прогнозирования составляют группу
так называемого индуктивного моделирования, в результате которо-
го обеспечивается изучение анализируемого объекта или системы.
В процессе решения этих задач на основе набора данных разрабаты-
вается общая модель или гипотеза.
3. Объяснение и описание. Пример задачи: характеристика кли-
ентов по демографическим данным и историям покупок, например,
если доход клиента больше, чем 50 условных единиц, и его возраст
более 30 лет, тогда класс клиента первый. Методы: деревья решения,
системы правил, правила ассоциации, анализ связей.
Укажем наиболее известные применения этих задач в экономике.
Классификация используется в случае, если заранее известны
классы отнесения объектов. Например, отнесение нового товара
к той или иной товарной группе, отнесение клиента к какой-либо
категории. При кредитовании это может быть, например, отнесение
клиента по каким-то признакам к одной из групп риска.
Кластеризация может использоваться для сегментации и по-
строения профилей клиентов (покупателей). При достаточно боль-
шом количестве клиентов становится трудно подходить к каждому
индивидуально. Поэтому клиентов удобно объединить в группы –
сегменты с однородными признаками. Выделять сегменты клиентов
можно по нескольким группам признаков. Это могут быть сегменты
по сфере деятельности, по географическому расположению. После
сегментации можно узнать, какие именно сегменты являются наибо-
лее активными, какие приносят наибольшую прибыль, выделить ха-
рактерные для них признаки. Эффективность работы с клиентами
повышается за счет учета их персональных предпочтений.
Регрессия используется для установления зависимостей в факторах.
Например, в задаче прогнозирования зависимой величиной являются
объемы продаж, а факторами, влияющими на эту величину, могут быть
предыдущие объемы продаж, изменение курса валют, активность кон-
курентов и т.д. Или, например, при кредитовании физических лиц веро-
ятность возврата кредита зависит от личных характеристик человека,
сферы его деятельности, наличия имущества.
24 Глава 1

Ассоциации помогают выявлять совместно приобретаемые това-


ры. Это может быть полезно для более удобного размещения товара
на прилавках, стимулирования продаж. Тогда человек, купивший
пачку спагетти, не забудет купить к ним бутылочку соуса.
Последовательные шаблоны могут быть использованы при пла-
нировании продаж или предоставлении услуг. Пример последова-
тельного шаблона: если человек приобрел фотопленку, то через не-
делю он отдаст ее на проявку и закажет печать фотографий.
Для решения вышеперечисленных задач используются различ-
ные методы и алгоритмы Data Mining. Ввиду того, что Data Mining
развивался и развивается на стыке таких дисциплин, как математика,
статистика, теория информации, машинное обучение, теория баз
данных, вполне закономерно, что большинство алгоритмов и мето-
дов Data Mining были разработаны на основе различных методов из
этих дисциплин.
В общем случае не принципиально, каким именно алгоритмом
будет решаться одна из задач Data Mining, главное – иметь метод
решения для каждого класса задач.
Сегодня наибольшее распространение получили самообучаю-
щиеся методы и машинное обучение. Рассмотрим кратко наиболее
известные алгоритмы и методы, применяющиеся для решения каж-
дой задачи Data Mining.

1.3. АНАЛИТИЧЕСКИЙ ОБЗОР МЕТОДОВ


РАСПОЗНАВАНИЯ ОБРАЗОВ

1.3.1. Основные задачи адаптивного распознавания образов


Распознавание представляет собой информационный процесс,
реализуемый некоторым преобразователем информации (интеллек-
туальным информационным каналом, системой распознавания),
имеющим вход и выход. На вход системы подается информация о
том, какими признаками обладают предъявляемые объекты. На вы-
ходе системы отображается информация о том, к каким классам
(обобщенным образам) отнесены распознаваемые объекты.
При создании и эксплуатации автоматизированной системы рас-
познавания образов решается ряд задач. Рассмотрим кратко и упро-
щенно эти задачи. Отметим, что у различных авторов формулировки
этих задач, да и сам набор не совпадают, так как он в определенной
Методы и алгоритмы интеллектуального анализа 25

степени зависит от конкретной математической модели, на которой


основана та или иная система распознавания [3, 5]. Кроме того, не-
которые задачи в определенных моделях распознавания не имеют
решения и, соответственно, не ставятся.
1. Задача формализации предметной области.
По сути это задача является задачей кодирования. Составляется
список обобщенных классов, к которым могут относиться конкрет-
ные реализации объектов, а также список признаков, которыми эти
объекты в принципе могут обладать.
2. Задача формирования обучающей выборки.
Обучающая выборка представляет собой базу данных, содержа-
щую описания конкретных реализаций объектов на языке признаков,
дополненную информацией о принадлежности этих объектов к оп-
ределенным классам распознавания.
3. Задача обучения системы распознавания.
Обучающая выборка используется для формирования обобщен-
ных образов классов распознавания на основе обобщения информа-
ции о том, какими признаками обладают объекты обучающей вы-
борки, относящиеся к этому классу и другим классам.
4. Задача снижения размерности пространства признаков.
После обучения системы распознавания (получения статистики
распределения частот признаков по классам) становится возможным
определить для каждого признака его ценность для решения задачи
распознавания. После этого наименее ценные признаки могут быть
удалены из системы признаков. Затем система распознавания должна
быть обучена заново, так как в результате удаления некоторых призна-
ков статистика распределения оставшихся признаков по классам изме-
няется. Этот процесс может повторяться, т.е. быть итерационным.
5. Задача распознавания.
Распознаются объекты распознаваемой выборки, которая, в частно-
сти, может состоять и из одного объекта. Распознаваемая выборка фор-
мируется аналогично обучающей, но не содержит информации о при-
надлежности объектов к классам, так как именно это и определяется в
процессе распознавания. Результатом распознавания каждого объекта
является распределение или список всех классов распознавания в по-
рядке убывания степени сходства распознаваемого объекта с ними.
6. Задача контроля качества распознавания.
После распознавания может быть установлена его адекватность.
Для объектов обучающей выборки это может быть сделано сразу,
26 Глава 1

так как для них просто известно, к каким классам они относятся. Для
других объектов эта информация может быть получена позже. В любом
случае может быть определена фактическая средняя вероятность ошиб-
ки по всем классам распознавания, а также вероятность ошибки при
отнесении распознаваемого объекта к определенному классу.
Результаты распознавания должны интерпретироваться с учетом
имеющейся информации о качестве распознавания.
7. Задача адаптации.
Если в результате выполнения процедуры контроля качества ус-
тановлено, что оно неудовлетворительное, то описания неправильно
распознанных объектов могут быть скопированы из распознаваемой
выборки в обучающую, дополнены адекватной классификационной
информацией и использованы для переформирования решающих
правил, т.е. учтены. Более того, если эти объекты не относятся к уже
имеющимся классам распознавания, что и могло быть причиной их
неверного распознавания, то этот список может быть расширен.
В результате система распознавания адаптируется и начинает адек-
ватно классифицировать эти объекты.
8. Обратная задача распознавания.
Задача распознавания состоит в том, что для данного объекта по
его известным признакам системой устанавливается его принадлеж-
ность к некоторому ранее неизвестному классу. В обратной задаче
распознавания, наоборот, для данного класса распознавания систе-
мой устанавливается, какие признаки наиболее характерны для объ-
ектов данного класса, а какие нет (или какие объекты обучающей
выборки относятся к данному классу).
9. Задачи кластерного и конструктивного анализа.
Кластерами называются такие группы объектов, классов или
признаков, что внутри каждого кластера они максимально сходны,
а между разными кластерами – максимально различны.
Конструктом (в контексте, рассматриваемом в данном разделе)
называется система противоположных кластеров. Таким образом,
в определенном смысле конструкты есть результат кластерного ана-
лиза кластеров.
В кластерном анализе количественно измеряется степень сходст-
ва и различия объектов (классов, признаков), и эта информация ис-
пользуется для классификации. Результатом кластерного анализа
является сама классификация объектов по кластерам. Эта классифи-
кация может быть представлена в форме семантических сетей.
Методы и алгоритмы интеллектуального анализа 27

10. Задача когнитивного анализа.


В когнитивном анализе информация о сходстве и различии клас-
сов или признаков интересует исследователя сама по себе, а не для
того, чтобы использовать ее для классификации, как в кластерном
и конструктивном анализе.
Если для двух классов распознавания является характерным
один и тот же признак, то это вносит вклад в сходство этих двух
классов. Если же для одного из классов этот признак является неха-
рактерным, то это вносит вклад в различие.
Если два признака коррелируют друг с другом, то в определен-
ном смысле их можно рассматривать как один признак, а если анти-
коррелируют, то как различные. С учетом этого обстоятельства на-
личие различных признаков у разных классов также вносит
определенный вклад в их сходство и различие.
Результаты когнитивного анализа могут быть представлены
в форме когнитивных диаграмм.

1.3.2. Методы распознавания образов и их характеристики


Распознаванием образов называются задачи построения и при-
менения формальных операций над числовыми или символьными
отображениями объектов реального или идеального мира, результа-
ты решения которых отражают отношения эквивалентности между
этими объектами. Отношения эквивалентности выражают принад-
лежность оцениваемых объектов к каким-либо классам, рассматри-
ваемым как самостоятельные семантические единицы.
При построении алгоритмов распознавания классы эквивалент-
ности могут задаваться исследователем, который пользуется собст-
венными содержательными представлениями или использует внеш-
нюю дополнительную информацию о сходстве и различии объектов
в контексте решаемой задачи. Тогда говорят о «распознавании с
учителем». В противном случае, т.е. когда автоматизированная сис-
тема решает задачу классификации без привлечения внешней обу-
чающей информации, говорят об автоматической классификации
или «распознавании без учителя». Большинство алгоритмов распо-
знавания образов требует привлечения весьма значительных вычис-
лительных мощностей, которые могут быть обеспечены только вы-
сокопроизводительной компьютерной техникой.
Различные авторы (Ю.Л. Барабаш, В.И. Васильев, А.Л. Горелик,
В.А. Скрипкин, Р. Дуда, П. Харт, Л.Т. Кузин, Ф.И. Перегудов,
28 Глава 1

Ф.П. Тарасенко, Ф.Е. Темников, Дж. Ту, Р. Гонсалес, П. Уинстон,


К. Фу, Я.З. Цыпкин и др.) дают различную типологию методов
распознавания образов. Одни авторы различают параметрические,
непараметрические и эвристические методы, другие – выделяют
группы методов, исходя из исторически сложившихся школ и на-
правлений в данной области. Например, академический обзор мето-
дов распознавания использует следующую типологию методов рас-
познавания образов:
· методы, основанные на принципе разделения;
· статистические методы;
· методы, построенные на основе «потенциальных функций»;
· методы вычисления оценок (голосования);
· методы, основанные на исчислении высказываний, в частности
на аппарате алгебры логики.
В основе данной классификации лежит различие в формальных
методах распознавания образов и поэтому опущено рассмотрение
эвристического подхода к распознаванию, получившего полное
и адекватное развитие в экспертных системах. Эвристический под-
ход основан на трудно формализуемых знаниях и интуиции иссле-
дователя. При этом исследователь сам определяет, какую информа-
цию и каким образом система должна использовать для достижения
требуемого эффекта распознавания.
Подобная типология методов распознавания с той или иной сте-
пенью детализации встречается во многих работах по распознава-
нию. В то же время известные типологии не учитывают одну очень
существенную характеристику, которая отражает специфику спосо-
ба представления знаний о предметной области с помощью какого-
либо формального алгоритма распознавания образов.
Д.А. Поспелов (1990) выделяет два основных способа представ-
ления знаний:
· интенсиональное, в виде схемы связей между атрибутами
(признаками);
· экстенсиональное, с помощью конкретных фактов (объекты,
примеры).
Интенсиональное представление фиксируют закономерности
и связи, которыми объясняется структура данных. Применительно
к диагностическим задачам такая фиксация заключается в определе-
нии операций над атрибутами (признаками) объектов, приводящих
к требуемому диагностическому результату. Интенсиональные пред-
Методы и алгоритмы интеллектуального анализа 29

ставления реализуются посредством операций над значениями атри-


бутов и не предполагают произведения операций над конкретными
информационными фактами (объектами).
В свою очередь, экстенсиональные представления знаний связа-
ны с описанием и фиксацией конкретных объектов из предметной
области и реализуются в операциях, элементами которых служат
объекты как целостные системы.
Можно провести аналогию между интенсиональными и экс-
тенсиональными представлениями знаний и механизмами, лежа-
щими в основе деятельности левого и правого полушарий голов-
ного мозга человека. Если для правого полушария характерна
целостная прототипная репрезентация окружающего мира, то ле-
вое полушарие оперирует закономерностями, отражающими связи
атрибутов этого мира [3].
Описанные выше два фундаментальных способа представления
знаний позволяют предложить следующую классификацию методов
распознавания образов:
· интенсиональные методы, основанные на операциях с при-
знаками;
· экстенсиональные методы, основанные на операциях с объ-
ектами.
Необходимо особо подчеркнуть, что существование именно
этих двух (и только двух) групп методов распознавания: опери-
рующих с признаками и оперирующих с объектами – глубоко
закономерно. С этой точки зрения ни один из этих методов, взя-
тый отдельно от другого, не позволяет сформировать адекватное
отражение предметной области. По мнению авторов, между эти-
ми методами существует отношение дополнительности в смысле
Н. Бора, поэтому перспективные системы распознавания должны
обеспечивать реализацию обоих этих методов, а не только како-
го-либо одного из них.
Таким образом, в основу классификации методов распознава-
ния, предложенной Д.А. Поспеловым, положены фундаменталь-
ные закономерности, лежащие в основе человеческого способа
познания вообще, что ставит ее в совершенно особое (привилеги-
рованное) положение по сравнению с другими классификациями,
которые на этом фоне выглядят более легковесными и искусст-
венными.
30 Глава 1

1.3.2.1. Интенсиональные методы


Отличительной особенностью интенсиональных методов являет-
ся то, что в качестве элементов операций при построении и приме-
нении алгоритмов распознавания образов они используют различ-
ные характеристики признаков и их связей. Такими элементами
могут быть отдельные значения или интервалы значений признаков,
средние величины и дисперсии, матрицы связей признаков и т.п.,
над которыми производятся действия, выражаемые в аналитической
или конструктивной форме. При этом объекты в данных методах не
рассматриваются как целостные информационные единицы, а вы-
ступают в роли индикаторов для оценки взаимодействия и поведе-
ния своих атрибутов.
Группа интенсиональных методов распознавания образов об-
ширна, и ее деление на подклассы носит в определенной мере ус-
ловный характер.

1.3.2.1.1. Методы, основанные на оценках плотностей


распределения значений признаков
Эти методы распознавания образов заимствованы из класси-
ческой теории статистических решений, в которой объекты ис-
следования рассматриваются как реализации многомерной слу-
чайной величины, распределенной в пространстве признаков по
какому-либо закону. Они базируются на байесовской схеме при-
нятия решений, апеллирующей к априорным вероятностям при-
надлежности объектов к тому или иному распознаваемому клас-
су и условным плотностям распределения значений вектора
признаков. Данные методы сводятся к определению отношения
правдоподобия в различных областях многомерного пространст-
ва признаков.
Группа методов, основанных на оценке плотностей распреде-
ления значений признаков, имеет прямое отношение к методам
дискриминантного анализа. Байесовский подход к принятию ре-
шений относится к наиболее разработанным в современной ста-
тистике так называемым параметрическим методам, для которых
считается известным аналитическое выражение закона распреде-
ления (в данном случае нормальный закон) и требуется оценить
лишь небольшое количество параметров (векторы средних значе-
ний и ковариационные матрицы).
Методы и алгоритмы интеллектуального анализа 31

Основными трудностями применения указанных методов счи-


таются необходимость запоминания всей обучающей выборки для
вычисления оценок локальных плотностей распределения вероят-
ностей и высокая чувствительность к непредставительности обу-
чающей выборки.

1.3.2.1.2. Методы, основанные на предположениях о классе


решающих функций
В данной группе методов считается известным общий вид решаю-
щей функции и задан функционал ее качества. На основании этого
функционала по обучающей последовательности находят наилучшее
приближение решающей функции [3]. Самыми распространенными
являются представления решающих функций в виде линейных и обоб-
щенных нелинейных полиномов. Функционал качества решающего
правила обычно связывают с ошибкой классификации.
Основным достоинством методов, основанных на предположениях
о классе решающих функций, является ясность математической поста-
новки задачи распознавания как задачи поиска экстремума. Многообра-
зие методов этой группы объясняется широким спектром используемых
функционалов качества решающего правила и алгоритмов поиска экс-
тремума. Обобщением рассматриваемых алгоритмов, к которым отно-
сятся, в частности, алгоритм Ньютона, алгоритмы перцептронного типа
и др., является метод стохастической аппроксимации.
Возможности градиентных алгоритмов поиска экстремума, осо-
бенно в группе линейных решающих правил, достаточно хорошо
изучены. Сходимость этих алгоритмов доказана только для случая,
когда распознаваемые классы объектов отображаются в пространст-
ве признаков компактными геометрическими структурами.
Достаточно высокое качество решающего правила может быть
достигнуто с помощью алгоритмов, не имеющих строгого математи-
ческого доказательства сходимости решения к глобальному экстре-
муму. К таким алгоритмам относится большая группа процедур эв-
ристического программирования, представляющих направление
эволюционного моделирования. Эволюционное моделирование яв-
ляется бионическим методом, заимствованным у природы. Оно ос-
новано на использовании известных механизмов эволюции с целью
замены процесса содержательного моделирования сложного объекта
феноменологическим моделированием его эволюции. Известным
представителем эволюционного моделирования в распознавании
32 Глава 1

образов является метод группового учета аргументов (МГУА) [4].


В основу МГУА положен принцип самоорганизации, и алгоритмы
МГУА воспроизводят схему массовой селекции.
Однако достижению практических целей в данном случае не со-
путствует извлечение новых знаний о природе распознаваемых объ-
ектов. Возможность извлечения этих знаний, в частности знаний
о механизмах взаимодействия атрибутов (признаков), здесь принци-
пиально ограничена заданной структурой такого взаимодействия,
зафиксированной в выбранной форме решающих функций.

1.3.2.1.3. Логические методы


Логические методы распознавания образов базируются на аппа-
рате алгебры логики и позволяют оперировать информацией, заклю-
ченной не только в отдельных признаках, но и в сочетаниях значе-
ний признаков. В этих методах значения какого-либо признака
рассматриваются как элементарные события [4].
В самом общем виде логические методы можно охарактеризо-
вать как разновидность поиска по обучающей выборке логических
закономерностей и формирование некоторой системы логических
решающих правил (например, в виде конъюнкций элементарных
событий), каждое из которых имеет собственный вес. Группа логи-
ческих методов разнообразна и включает методы различной сложно-
сти и глубины анализа. Для дихотомических (булевых) признаков
популярными являются так называемые древообразные классифика-
торы, метод тупиковых тестов, алгоритм «Кора» и др.
Алгоритм «Кора», как и другие логические методы распознавания
образов, является достаточно трудоемким в вычислительном отноше-
нии, поскольку при отборе конъюнкций необходим полный перебор.
Поэтому при применении логических методов предъявляются высокие
требования к эффективной организации вычислительного процесса,
и эти методы хорошо работают при сравнительно небольших размерно-
стях пространства признаков и только на мощных компьютерах.

1.3.2.1.4. Лингвистические (структурные) методы


Лингвистические методы распознавания образов основаны на
использовании специальных грамматик, порождающих языки, с по-
мощью которых может описываться совокупность свойств распозна-
ваемых объектов [4].
Методы и алгоритмы интеллектуального анализа 33

Для различных классов объектов выделяются непроизводные


(атомарные) элементы (подобразы, признаки) и возможные отноше-
ния между ними. Грамматикой называют правила построения объек-
тов из этих непроизводных элементов.
Таким образом, каждый объект представляет собой совокуп-
ность непроизводных элементов, «соединенных» между собой теми
или иными способами или, другими словами, «предложением» неко-
торого «языка». Хотелось бы особо подчеркнуть очень значитель-
ную мировоззренческую ценность этой мысли.
Путем синтаксического анализа (грамматического разбора)
«предложения» определяется его синтаксическая «правильность»
или, что эквивалентно, может ли некоторая фиксированная грамма-
тика, описывающая класс, породить имеющееся описание объекта.
Однако задача восстановления (определения) грамматик по некото-
рому множеству высказываний (предложений – описаний объектов),
порождающих данный язык, является трудно формализуемой.

1.3.2.2. Экстенсиональные методы


В методах данной группы, в отличие от интенсионального на-
правления, каждому изучаемому объекту в большей или меньшей
мере придается самостоятельное диагностическое значение. По сво-
ей сути эти методы близки к клиническому подходу, который рас-
сматривает людей не как проранжированную по тому или иному
показателю цепочку объектов, а как целостные системы, каждая из
которых индивидуальна и имеет особенную диагностическую цен-
ность [3]. Такое бережное отношение к объектам исследования не
позволяет исключать или утрачивать информацию о каждом отдель-
ном объекте, что происходит при применении методов интенсио-
нального направления, использующих объекты только для обнару-
жения и фиксации закономерностей поведения их атрибутов.
Основными операциями в распознавании образов с помощью об-
суждаемых методов являются операции определения сходства и раз-
личия объектов. Объекты в указанной группе методов играют роль
диагностических прецедентов. При этом в зависимости от условий
конкретной задачи роль отдельного прецедента может меняться в са-
мых широких пределах: от главной и определяющей и до весьма
косвенного участия в процессе распознавания. В свою очередь, ус-
ловия задачи могут требовать для успешного решения участия раз-
личного количества диагностических прецедентов: от одного в каж-
34 Глава 1

дом распознаваемом классе до полного объема выборки, а также


разных способов вычисления мер сходства и различия объектов.
Этими требованиями объясняется дальнейшее разделение экстен-
сиональных методов на подклассы.

1.3.2.2.1. Метод сравнения с прототипом


Это наиболее простой экстенсиональный метод распознавания.
Он применяется, например, в том случае, когда распознаваемые
классы отображаются в пространстве признаков компактными гео-
метрическими группировками. В таком случае обычно в качестве
точки-прототипа выбирается центр геометрической группировки
класса (или ближайший к центру объект).
Для классификации неизвестного объекта находится ближайший
к нему прототип, и объект относится к тому же классу, что и этот
прототип. Очевидно, никаких обобщенных образов классов в данном
методе не формируется.
В качестве меры близости могут применяться различные типы
расстояний. Часто для дихотомических признаков используется рас-
стояние Хэмминга, которое в данном случае равно квадрату евкли-
дова расстояния. При этом решающее правило классификации объ-
ектов эквивалентно линейной решающей функции.
Указанный факт следует особо отметить. Он наглядно демонст-
рирует связь прототипной и признаковой репрезентации информа-
ции о структуре данных. Пользуясь приведенным представлением,
можно, например, любую традиционную измерительную шкалу, яв-
ляющуюся линейной функцией от значений дихотомических при-
знаков, рассматривать как гипотетический диагностический прото-
тип. В свою очередь, если анализ пространственной структуры
распознаваемых классов позволяет сделать вывод об их геометриче-
ской компактности, то каждый из этих классов достаточно заменить
одним прототипом, который фактически эквивалентен линейной
диагностической модели.
На практике, безусловно, ситуация часто бывает отличной от
описанного идеализированного примера. Перед исследователем, на-
меревающимся применить метод распознавания, основанный на
сравнении с прототипами диагностических классов, встают непро-
стые проблемы.
Во-первых, это выбор меры близости (метрики), от которого мо-
жет существенно измениться пространственная конфигурация рас-
Методы и алгоритмы интеллектуального анализа 35

пределения объектов. Во-вторых, самостоятельной проблемой явля-


ется анализ многомерных структур экспериментальных данных. Обе
эти проблемы особенно остро встают перед исследователем в усло-
виях высокой размерности пространства признаков, характерной для
реальных задач.

1.3.2.2.2. Метод k ближайших соседей


Метод k ближайших соседей для решения задач дискриминант-
ного анализа был впервые предложен еще в 1952 г. [6]. Он заключа-
ется в следующем.
При классификации неизвестного объекта находится заданное
число (k) геометрически ближайших к нему в пространстве призна-
ков других объектов (ближайших соседей) с уже известной принад-
лежностью к распознаваемым классам. Решение об отнесении неиз-
вестного объекта к тому или иному диагностическому классу
принимается путем анализа информации об этой известной принад-
лежности его ближайших соседей, например с помощью простого
подсчета голосов.
Первоначально метод k ближайших соседей рассматривался
как непараметрический метод оценивания отношения правдопо-
добия. Для этого метода получены теоретические оценки его эф-
фективности в сравнении с оптимальным байесовским классифи-
катором. Доказано, что асимптотические вероятности ошибки для
метода k ближайших соседей превышают ошибки правила Байеса
не более чем в два раза.
При использовании метода k ближайших соседей для распозна-
вания образов исследователю приходится решать сложную пробле-
му выбора метрики для определения близости диагностируемых
объектов. Эта проблема в условиях высокой размерности простран-
ства признаков чрезвычайно обостряется вследствие достаточной
трудоемкости данного метода, которая становится значимой даже
для высокопроизводительных компьютеров. Поэтому здесь так же,
как и в методе сравнения с прототипом, необходимо решать творче-
скую задачу анализа многомерной структуры экспериментальных
данных для минимизации числа объектов, представляющих диагно-
стические классы.
Необходимость уменьшения числа объектов в обучающей вы-
борке (диагностических прецедентов) является недостатком данного
метода, так как уменьшает представительность обучающей выборки.
36 Глава 1

1.3.2.2.3. Алгоритмы вычисления оценок («голосования»)


Принцип действия алгоритмов вычисления оценок (АВО) состо-
ит в вычислении приоритетов (оценок сходства), характеризующих
«близость» распознаваемого и эталонных объектов по системе ан-
самблей признаков, представляющей собой систему подмножеств
заданного множества признаков.
В отличие от всех ранее рассмотренных методов алгоритмы вы-
числения оценок принципиально по-новому оперируют описаниями
объектов. Для этих алгоритмов объекты существуют одновременно
в самых разных подпространствах пространства признаков. Класс
АВО доводит идею использования признаков до логического конца:
поскольку не всегда известно, какие сочетания признаков наиболее
информативны, то в АВО степень сходства объектов вычисляется
при сопоставлении всех возможных или определенных сочетаний
признаков, входящих в описания объектов [6].
Используемые сочетания признаков (подпространства) авторы на-
зывают опорными множествами или множествами частичных описаний
объектов. Вводится понятие обобщенной близости между распознавае-
мым объектом и объектами обучающей выборки (с известной класси-
фикацией), которые называют эталонными объектами. Эта близость
представляется комбинацией близостей распознаваемого объекта с эта-
лонными объектами, вычисленных на множествах частичных описа-
ний. Таким образом, АВО является расширением метода k ближайших
соседей, в котором близость объектов рассматривается только в одном
заданном пространстве признаков.
Еще одним расширением АВО является то, что в данных алго-
ритмах задача определения сходства и различия объектов формули-
руется как параметрическая и выделен этап настройки АВО по обу-
чающей выборке, на котором подбираются оптимальные значения
введенных параметров. Критерием качества служит ошибка распо-
знавания, а параметризуется буквально все:
· правила вычисления близости объектов по отдельным признакам;
· правила вычисления близости объектов в подпространствах
признаков;
· степень важности того или иного эталонного объекта как ди-
агностического прецедента;
· значимость вклада каждого опорного множества признаков
в итоговую оценку сходства распознаваемого объекта с каким-либо
диагностическим классом.
Методы и алгоритмы интеллектуального анализа 37

Параметры АВО задаются в виде значений порогов и (или) как


веса указанных составляющих.
Теоретические возможности АВО по крайней мере не ниже воз-
можностей любого другого алгоритма распознавания образов, так
как с помощью АВО могут быть реализованы все мыслимые опера-
ции с исследуемыми объектами.
Но, как это обычно бывает, расширение потенциальных возмож-
ностей наталкивается на большие трудности при их практическом
воплощении, особенно на этапе построения (настройки) алгоритмов
данного типа.
Отдельные трудности отмечались ранее при обсуждении метода
k ближайших соседей, который можно было интерпретировать как
усеченный вариант АВО. Его тоже можно рассматривать в парамет-
рическом виде и свести задачу к поиску взвешенной метрики вы-
бранного типа. В то же время уже здесь для высокоразмерных задач
возникают сложные теоретические вопросы и проблемы, связанные
с организацией эффективного вычислительного процесса.
Для АВО, если попытаться использовать возможности данных
алгоритмов в полном объеме, указанные трудности возрастают
многократно.
Отмеченные проблемы объясняют то, что на практике примене-
ние АВО для решения высокоразмерных задач сопровождается вве-
дением каких-либо эвристических ограничений и допущений. В ча-
стности, известен пример использования АВО в психодиагностике,
в котором апробирована разновидность АВО, фактически эквива-
лентная методу k ближайших соседей.

1.3.2.2.4. Коллективы решающих правил


В завершение обзора методов распознавания образов остановим-
ся еще на одном подходе. Это так называемые коллективы решаю-
щих правил (КРП) [6].
Так как различные алгоритмы распознавания проявляют себя по-
разному на одной и той же выборке объектов, то закономерно встает
вопрос о синтетическом решающем правиле, адаптивно использую-
щем сильные стороны этих алгоритмов. В синтетическом решающем
правиле применяется двухуровневая схема распознавания. На пер-
вом уровне работают частные алгоритмы распознавания, результаты
которых объединяются на втором уровне в блоке синтеза. Наиболее
распространенные способы такого объединения основаны на выде-
38 Глава 1

лении областей компетентности того или иного частного алгоритма.


Простейший способ нахождения областей компетентности заключа-
ется в априорном разбиении пространства признаков исходя из про-
фессиональных соображений конкретной науки (например, расслое-
ние выборки по некоторому признаку). Тогда для каждой из
выделенных областей строится собственный распознающий алго-
ритм. Другой способ базируется на применении формального анали-
за для определения локальных областей пространства признаков как
окрестностей распознаваемых объектов, для которых доказана ус-
пешность работы какого-либо частного алгоритма распознавания.
Самый общий подход к построению блока синтеза рассматрива-
ет результирующие показатели частных алгоритмов как исходные
признаки для построения нового обобщенного решающего правила.
В этом случае могут использоваться все перечисленные выше мето-
ды интенсионального и экстенсионального направлений в распозна-
вании образов. Эффективными для решения задачи создания коллек-
тива решающих правил являются логические алгоритмы типа «Кора»
и алгоритмы вычисления оценок (АВО), положенные в основу так на-
зываемого алгебраического подхода, обеспечивающего исследование
и конструктивное описание алгоритмов распознавания, в рамки которо-
го укладываются все существующие типы алгоритмов [3].

1.3.3. Сравнительный анализ методов распознавания образов


Сравним описанные выше методы распознавания образов и оце-
ним степень их адекватности требованиям интерпретации много-
мерных сложно построенных геолого-геофизических данных.
Для решения реальных геологоразведочных задач из группы ме-
тодов интенсионального направления практическую ценность пред-
ставляют параметрические методы и методы, основанные на пред-
ложениях о виде решающих функций. Параметрические методы
составляют основу традиционной методологии конструирования
показателей. Применение этих методов в реальных задачах связано
с наложением сильных ограничений на структуру данных, которые
приводят к линейным диагностическим моделям с очень приблизи-
тельными оценками их параметров. При использовании методов,
основанных на предположениях о виде решающих функций, иссле-
дователь также вынужден обращаться к линейным моделям. Это
обусловлено высокой размерностью пространства признаков, харак-
терной для реальных задач, которая при повышении степени поли-
Методы и алгоритмы интеллектуального анализа 39

номинальной решающей функции дает огромный рост числа ее чле-


нов при проблематичном сопутствующем повышении качества рас-
познавания. Таким образом, спроецировав область потенциального
применения интенсиональных методов распознавания на реальную
проблематику, получим картину, соответствующую хорошо отрабо-
танной традиционной методологии линейных диагностических мо-
делей.
Свойства линейных диагностических моделей, в которых диаг-
ностический показатель представлен взвешенной суммой исходных
признаков, хорошо изучены. Результаты этих моделей (при соответ-
ствующем нормировании) интерпретируются как расстояния от ис-
следуемых объектов до некоторой гиперплоскости в пространстве
признаков или, что эквивалентно, как проекции объектов на некото-
рую прямую линию в данном пространстве. Поэтому линейные мо-
дели адекватны только простым геометрическим конфигурациям
областей пространства признаков, в которые отображаются объекты
разных диагностических классов. При более сложных распределени-
ях эти модели принципиально не могут отражать многие особенно-
сти структуры экспериментальных данных. В то же время такие осо-
бенности способны нести ценную диагностическую информацию.
Вместе с тем появление в какой-либо реальной задаче простых
многомерных структур (в частности, многомерных нормальных рас-
пределений) следует скорее расценивать как исключение, чем как
правило. Часто диагностические классы формируются на основе
сложносоставных внешних критериев, что автоматически влечет за
собой геометрическую неоднородность данных классов в простран-
стве признаков. Это особенно касается «жизненных», наиболее часто
встречающихся на практике критериев. В таких условиях примене-
ние линейных моделей фиксирует только самые «грубые» законо-
мерности экспериментальной информации.
Применение экстенсиональных методов не связано с какими-
либо предположениями о структуре экспериментальной информа-
ции, кроме того, что внутри распознаваемых классов должны суще-
ствовать одна или несколько групп чем-то похожих объектов, а объ-
екты разных классов должны чем-то отличаться друг от друга.
Очевидно, что при любой конечной размерности обучающей выбор-
ки (а другой она быть и не может) это требование выполняется все-
гда просто по той причине, что существуют случайные различия
между объектами. В качестве мер сходства применяются различные
40 Глава 1

меры близости (расстояния) объектов в пространстве признаков. По-


этому эффективное использование экстенсиональных методов рас-
познавания образов зависит от того, насколько удачно определены
указанные меры близости, а также от того, какие объекты обучаю-
щей выборки (объекты с известной классификацией) выполняют
роль диагностических прецедентов. Успешное решение данных за-
дач дает результат, приближающийся к теоретически достижимым
пределам эффективности распознавания.
Достоинствам экстенсиональных методов распознавания образов
противопоставлена, в первую очередь, высокая техническая слож-
ность их практического воплощения. Для высокоразмерных про-
странств признаков внешне простая задача нахождения пар бли-
жайших точек превращается в серьезную проблему. Также многие
авторы отмечают в качестве проблемы необходимость запоминания
достаточно большого количества объектов, представляющих распо-
знаваемые классы.
Само по себе это не является проблемой, однако воспринимается
как проблема (например, в методе k ближайших соседей) по той
причине, что при распознавании каждого объекта происходит пол-
ный перебор всех объектов обучающей выборки.
Поэтому целесообразно применить модель системы распознава-
ния, в которой проблема полного перебора объектов обучающей вы-
борки при распознавании снимается, так как он осуществляется
лишь один раз при формировании обобщенных образов классов рас-
познавания. При самом же распознавании осуществляется сравнение
идентифицируемого объекта лишь с обобщенными образами классов
распознавания, количество которых фиксировано и совершенно не
зависит от размерности обучающей выборки. Данный подход позво-
ляет увеличивать размерность обучающей выборки до тех пор, пока
не будет достигнуто требуемое высокое качество обобщенных обра-
зов, совершенно при этом не опасаясь, что это может привести к не-
приемлемому увеличению времени распознавания (так как время
распознавания в данной модели вообще не зависит от размерности
обучающей выборки).
Теоретические проблемы применения экстенсиональных мето-
дов распознавания связаны с проблемами поиска информативных
групп признаков, нахождения оптимальных метрик для измерения
сходства и различия объектов и анализа структуры эксперименталь-
ной информации. В то же время успешное решение перечисленных
Методы и алгоритмы интеллектуального анализа 41

проблем позволяет не только конструировать эффективные распо-


знающие алгоритмы, но и осуществлять переход от экстенсиональ-
ного знания эмпирических фактов к интенсиональному знанию о за-
кономерностях их структуры.
Переход от экстенсионального знания к интенсиональному про-
исходит на той стадии, когда формальный алгоритм распознавания
уже сконструирован и его эффективность продемонстрирована. То-
гда производится изучение механизмов, за счет которых достигается
полученная эффективность. Такое изучение, связанное с анализом
геометрической структуры данных, может, например, привести к вы-
воду о том, что достаточно заменить объекты, представляющие тот
или иной диагностический класс, одним типичным представителем
(прототипом). Это эквивалентно, как отмечалось выше, заданию
традиционной линейной диагностической шкалы. Также возможно,
что каждый диагностический класс достаточно заменить нескольки-
ми объектами, осмысленными как типичные представители некото-
рых подклассов, что эквивалентно построению веера линейных шкал.
Возможны и другие варианты, которые будут рассмотрены ниже.
Таким образом, обзор методов распознавания показывает, что
в настоящее время теоретически разработан целый ряд различных
методов распознавания образов. В литературе приводится разверну-
тая их классификация. Однако для большинства этих методов их
программная реализация отсутствует, и это глубоко закономерно,
можно даже сказать «предопределено» характеристиками самих ме-
тодов распознавания. Об этом можно судить по тому, что такие сис-
темы мало упоминаются в специальной литературе и других источ-
никах информации.
Следовательно, остается недостаточно разработанным вопрос
о практической применимости тех или иных теоретических методов
распознавания для решения практических задач при реальных (т.е.
довольно значительных) размерностях данных и на реальных совре-
менных компьютерах.
Вышеупомянутое обстоятельство может быть понято, если на-
помнить, что сложность математической модели экспоненциально
увеличивает трудоемкость программной реализации системы и в та-
кой же степени уменьшает шансы на то, что эта система будет прак-
тически работать. Это означает, что реально на рынке можно реали-
зовать только такие программные системы, в основе которых лежат
достаточно простые и «прозрачные» математические модели. По-
42 Глава 1

этому разработчик, заинтересованный в тиражировании своего


программного продукта, подходит к вопросу о выборе математиче-
ской модели не с чисто научной точки зрения, а как прагматик, с
учетом возможностей программной реализации. Он считает, что
модель должна быть как можно более простой, а значит, реализо-
ваться с меньшими затратами и более качественно, а также должна
обязательно работать (быть практически эффективной).
В этой связи особенно актуальной представляется задача реали-
зации в системах распознавания механизма обобщения описаний
объектов, относящихся к одному классу, т.е. механизма формирова-
ния компактных обобщенных образов. Очевидно, что такой меха-
низм обобщения позволит «сжать» любую по размерности обучаю-
щую выборку к заранее известной по размерности базе обобщенных
образов. Это позволит также поставить и решить ряд задач, которые
даже не могут быть сформулированы в таких методах распознавания,
как метод сравнения с прототипом, метод k ближайших соседей и АВО.
Это задачи:
· определения информационного вклада признаков в информа-
ционный портрет обобщенного образа;
· кластерно-конструктивный анализ обобщенных образов;
· определение семантической нагрузки признака;
· семантический кластерно-конструктивный анализ признаков;
· содержательное сравнение обобщенных образов классов друг
с другом и признаков друг с другом (когнитивные диаграммы, в том
числе диаграммы Мерлина [6]). Метод, который позволил достичь
решения этих задач, также отличает основанную на нем перспектив-
ную систему от других систем, как компиляторы отличаются от ин-
терпретаторов, так как благодаря формированию обобщенных обра-
зов в этой перспективной системе достигается независимость
времени распознавания от объемов обучающей выборки. Известно,
что именно существование этой зависимости приводит к практиче-
ски неприемлемым затратам машинного времени на распознавание
в таких методах, как метод k ближайших соседей, АВО и КРП, при
таких размерностях обучающей выборки, когда можно говорить
о достаточной статистике.
В заключение краткого обзора методов распознавания предста-
вим суть вышеизложенного в сводной таблице (табл. 1.1), содержа-
щей краткую характеристику различных методов распознавания об-
разов по следующим параметрам:
Методы и алгоритмы интеллектуального анализа 43

· классификация методов распознавания;


· области применения методов распознавания;
· классификация ограничений методов распознавания.

Таблица 1.1. Сводная таблица классификации методов распознавания,


сравнения их областей применения и ограничений

Классификация методов Ограничения


Область применения
распознавания (недостатки)

1 2 3

Необходимость перебора
Методы, основанные на Задачи с известным
всей обучающей выбор-
оценках плотностей распределением, как
ки при распознавании,
распределения значе- правило, нормаль-
высокая чувствитель-
ний признаков (или ным, необходимость
ность к непредстави-
сходства и различия набора большой
тельности обучающей
объектов) статистики
выборки и артефактам

Классы должны Должен быть заранее


Интенсиональные методы распознавания

Методы, основанные быть хорошо разде- известен вид решающей


на предположениях о ляемыми, система функции. Невозмож-
классе решающих признаков – ность учета новых зна-
функций ортонорми- ний о корреляциях меж-
рованной ду признаками

При отборе логических


решающих правил (конъ-
Задачи небольшой
юнкций) необходим пол-
Логические методы размерности про-
ный перебор. Высокая
странства признаков
вычислительная трудоем-
кость

Задача восстановления
(определения) граммати-
ки по некоторому мно-
Задачи небольшой
Лингвистические жеству высказываний
размерности про-
(структурные) методы (описаний объектов)
странства признаков
является трудно форма-
лизуемой. Нерешенность
теоретических проблем
44 Глава 1

Окончание табл. 1.1


1 2 3

Высокая зависимость
результатов классифика-
Задачи небольшой
Метод сравнения с ции от меры расстояния
размерности про-
прототипом (метрики). Неизвест-
странства признаков
ность оптимальной мет-
рики

Высокая зависимость
результатов классифика-
Задачи небольшой ции от меры расстояния
Метод k ближай- размерности по коли- (метрики). Необходи-
Экстенсиональные методы распознавания

ших соседей честву классов и при- мость полного перебора


знаков обучающей выборки при
распознавании. Вычис-
лительная трудоемкость

Зависимость результатов
классификации от меры
Алгоритмы вы- Задачи небольшой расстояния (метрики).
числения оценок размерности по коли- Необходимость полного
(голосования) честву классов и при- перебора обучающей
АВО знаков выборки при распознава-
нии. Высокая техниче-
ская сложность метода

Очень высокая техниче-


ская сложность метода,
Задачи небольшой нерешенность ряда тео-
Коллективы ре- ретических проблем как
размерности по коли-
шающих правил при определении облас-
честву классов и при-
(КРП) тей компетенции част-
знаков
ных методов, так и в
самих частных методах
Методы и алгоритмы интеллектуального анализа 45

1.4. АНАЛИТИЧЕСКИЙ ОБЗОР МЕТОДОВ


КЛАСТЕРИЗАЦИИ

1.4.1. Сравнение задач классификации и кластеризации

Классификация – наиболее простая и распространенная задача.


В результате решения задачи классификации обнаруживаются при-
знаки, которые характеризуют группы объектов исследуемого набо-
ра данных – классы; по этим признакам новый объект можно отне-
сти к тому или иному классу.
Кластеризация – это автоматическое разбиение элементов неко-
торого множества на группы в зависимости от их схожести. Сино-
нимами термина «кластеризация» являются «автоматическая клас-
сификация», «обучение без учителя» и «таксономия».
Задача кластеризации сходна с задачей классификации, явля-
ется ее логическим продолжением, но ее отличие в том, что
классы изучаемого набора данных заранее не предопределены.
Таким образом, кластеризация предназначена для разбиения со-
вокупности объектов на однородные группы (кластеры или
классы). Если данные выборки представить как точки в призна-
ковом пространстве, то задача кластеризации сводится к опреде-
лению «сгущений точек».
Целью кластеризации является поиск существующих структур,
она дает возможность провести разведочный анализ и изучить
«структуру данных».
Само понятие «кластер» определено неоднозначно: в каждом ис-
следовании свои кластеры. Переводится понятие «кластер» как «ско-
пление», «гроздь». В искусственных нейронных сетях под понятием
«кластер» понимается подмножество «близких друг к другу» объек-
тов из множества векторов характеристик. Следовательно, кластер
можно охарактеризовать как группу объектов, имеющих общие
свойства.
Характеристиками кластера можно назвать два признака:
· внутреннюю однородность;
· внешнюю изолированность.
В табл. 1.2 приведено сравнение некоторых параметров задач
классификации и кластеризации.
46 Глава 1

Таблица 1.2. Сравнение классификации и кластеризации


Характеристика Классификация Кластеризация
Контролируемость Контролируемое
Неконтролируемое обучение
обучения обучение
Обучение с учите-
Стратегия Обучение без учителя
лем
Обучающее мно-
жество сопровож-
Наличие метки дается меткой, ука- Метки класса обучающего мно-
класса зывающей класс, к жества неизвестны
которому относит-
ся наблюдение
Новые данные
Дано множество данных с це-
классифицируются
Основание для лью установления существова-
на основании обу-
классификации ния классов или кластеров дан-
чающего множест-
ных
ва

На рис. 1.9 схематически представлены задачи классификации


и кластеризации.

Рис. 1.9. Сравнение задач классификации и кластеризации


Методы и алгоритмы интеллектуального анализа 47

Кластеры могут быть непересекающимися, или эксклюзивными,


и пересекающимися. Схематическое изображение непересекающих-
ся и пересекающихся кластеров дано на рис. 1.10.

Рис. 1.10. Непересекающиеся и пересекающиеся кластеры

1.4.2. Описание процесса кластеризации


Процесс кластеризации зависит от выбранного метода и почти
всегда является итеративным. Он может включать множество экспе-
риментов по выбору разнообразных параметров, например: меры
расстояния, типа стандартизации переменных, количества кластеров
и т.д. Конечной целью кластеризации является получение содержа-
тельных сведений о структуре исследуемых данных. Полученные
результаты требуют дальнейшей интерпретации, исследования
и изучения свойств и характеристик объектов для возможности точ-
ного описания сформированных кластеров.
Кластеризация данных включает в себя следующие этапы
(рис. 1.11):

Группирование,
Наборы Выделение Определение представление Кластеры
данных характеристик метрики результатов

обратная связь

Рис. 1.11. Общая схема кластеризации


а) Выделение характеристик.
Для начала необходимо выбрать свойства, которые характери-
зуют наши объекты, ими могут быть количественные характеристи-
ки (координаты, интервалы…), качественные характеристики (цвет,
48 Глава 1

статус, воинское звание…) и т.д. Затем стоит попробовать умень-


шить размерность пространства характеристических векторов, т.е.
выделить наиболее важные свойства объектов. Уменьшение размер-
ности ускоряет процесс кластеризации и в ряде случаев позволяет
визуально оценивать результаты. Выделенные характеристики стоит
нормализовать. Далее все объекты представляются в виде характе-
ристических векторов.
б) Определение метрики.
Следующим этапом кластеризации является выбор метрики, по
которой мы будем определять близость объектов. Метрика выбира-
ется в зависимости от:
· пространства, в котором расположены объекты;
· неявных характеристик кластеров.
Например, если все координаты объекта непрерывны и вещест-
венны, а кластеры должны представлять собой нечто вроде гипер-
сфер, то используется классическая евклидова метрика (на самом
деле чаще всего так и есть):
d
d 2 ( x i , x j ) = (å ( xi , k - x j ,k ) 2 )1 / 2 = xi - x j .
2
k =1
в) Представление результатов.
Результаты кластеризации должны быть представлены в удоб-
ном для обработки виде, чтобы осуществить оценку качества кла-
стеризации. Обычно используется один из следующих способов
(рис. 1.12):
· представление кластеров центроидами;
· представление кластеров набором характерных точек;
· представление кластеров их ограничениями.

Рис. 1.12. Способы представления кластеров


Методы и алгоритмы интеллектуального анализа 49

Оценка качества кластеризации может быть проведена на основе


следующих процедур:
· ручная проверка;
· установление контрольных точек и проверка на полученных
кластерах;
· определение стабильности кластеризации путем добавления в
модель новых переменных;
· создание и сравнение кластеров с использованием различных
методов.

1.4.3. Обзор алгоритмов кластеризации


Следует отметить, что в результате применения различных ме-
тодов кластерного анализа могут быть получены кластеры различ-
ной формы. Например, возможны кластеры «цепочного» типа, когда
кластеры представлены длинными «цепочками», кластеры удлинен-
ной формы и т.д., а некоторые методы могут создавать кластеры
произвольной формы. Различные методы могут стремиться созда-
вать кластеры определенных размеров (например, малых или круп-
ных) либо предполагать в наборе данных наличие кластеров различ-
ного размера. Некоторые методы кластерного анализа особенно
чувствительны к шумам или выбросам, другие – менее. В результате
применения различных методов кластеризации могут быть получе-
ны неодинаковые результаты, это нормально и является особенно-
стью работы того или иного алгоритма. Однако создание схожих
кластеров различными методами указывает на правильность класте-
ризации. Данные особенности следует учитывать при выборе метода
кластеризации. В настоящее время разработано более сотни различ-
ных алгоритмов кластеризации.
Классифицировать алгоритмы можно следующим образом [5]
(рис. 1.13):
По способу обработки данных:
Иерархические методы.
Агломеративные методы AGNES (Agglomerative Nesting):
– CURE;
– ROCK;
– CHAMELEON и т.д.
Дивизимные методы DIANA (Divisive Analysis):
– BIRCH;
– MST и т.д.
50 Глава 1

Неиерархические методы.
Итеративные:
– К-средних (k-means);
– PAM (k-means + k-medoids);
– CLOPE;
– LargeItem и т.д.
По способу анализа данных:
– четкие;
– нечеткие.
По количеству применений алгоритмов кластеризации:
– с одноэтапной кластеризацией;
– с многоэтапной кластеризацией.
По возможности расширения объема обрабатываемых данных:
– масштабируемые;
– немасштабируемые.
По времени выполнения кластеризации:
– потоковые (on-line);
– непотоковые (off-line).

Рис. 1.13. Классификация алгоритмов кластеризации


Далее будут рассмотрены основные алгоритмы кластеризации.

1.4.3.1. Иерархические алгоритмы


Результатом работы иерархических алгоритмов является дендо-
грамма (иерархия), позволяющая разбить исходное множество объ-
ектов на любое число кластеров. Два наиболее популярных алгорит-
ма строят разбиение «снизу вверх»:
Методы и алгоритмы интеллектуального анализа 51

· single-link – на каждом шаге объединяет два кластера с наи-


меньшим расстоянием между двумя любыми представителями
(рис. 1.14);
· complete-link – на каждом шаге объединяет два кластера
с наименьшим расстоянием между двумя наиболее удаленными
представителями (рис. 1.15).

Рис. 1.14. Пример single-link алгоритма

Рис. 1.15. Пример complete-link алгоритма


52 Глава 1

1.4.3.2. k-Means алгоритм


Данный алгоритм состоит из следующих шагов (рис. 1.16):
1. Случайно выбрать k точек, являющихся начальными коорди-
натами «центрами масс», кластеров (любые k из n объектов или во-
обще k случайных точек).
2. Отнести каждый объект к кластеру с ближайшим «центром
масс».
3. Пересчитать «центры масс» кластеров согласно текущему
членству.
4. Если критерий остановки не удовлетворен, вернуться к шагу 2.
В качестве критерия остановки обычно выбирают один из двух:
отсутствие перехода объектов из кластера в кластер на шаге 2 или
минимальное изменение среднеквадратической ошибки.
Алгоритм чувствителен к начальному выбору «центров масс».

Рис. 1.16. Пример k-Means алгоритма

1.4.3.3. Минимальное покрывающее дерево


Данный метод производит иерархическую кластеризацию «свер-
ху вниз» (рис. 1.17). Сначала все объекты помещаются в один кла-
стер, затем на каждом шаге один из кластеров разбивается на два
так, чтобы расстояние между ними было максимальным.
Методы и алгоритмы интеллектуального анализа 53

Рис. 1.17. Пример алгоритма минимального покрывающего дерева

1.4.3.4. Метод ближайшего соседа


Этот метод является одним из старейших методов кластериза-
ции. Он был создан в 1978 г. Он прост и наименее оптимален из всех
представленных.
Для каждого объекта вне кластера делаем следующее:
1. Находим его ближайшего соседа, кластер которого определен.
2. Если расстояние до этого соседа меньше порога, то относим
его в тот же кластер. Иначе из рассматриваемого объекта создается
еще один кластер.
Далее рассматривается результат и при необходимости увеличи-
вается порог, например, если много кластеров из одного объекта.

1.4.3.5. Алгоритм нечеткой кластеризации


Четкая (непересекающаяся) кластеризация – кластеризация, ко-
торая каждый xi из Ã относит только к одному кластеру.
54 Глава 1

Нечеткая кластеризация – кластеризация, при которой для каж-


дого xi из Ã определяется f i ,k – вещественное значение, показы-
вающее степень принадлежности xi к кластеру k.
Алгоритм нечеткой кластеризации таков (рис. 1.18):
1. Выбрать начальное нечеткое разбиение объектов на n класте-
ров путем выбора матрицы принадлежности U размера nxk .
[ ]
Обычно U i Î 0;1 .
2. Используя матрицу U, найти значение критерия нечеткой
ошибки. Например,
N K 2
E ( X , U ) = åå U ik xi
( j)
2
- ck ,
i =1 k =1

где ck – «центр масс» нечеткого кластера k:


N
ck = å U ik xi .
i =1
3. Перегруппировать объекты с целью уменьшения этого значе-
ния критерия нечеткой ошибки.
4. Возвращаться в пункт 2 до тех пор, пока изменения матрицы
U не станут значительными.

Рис. 1.18. Пример алгоритма нечеткой кластеризации


Методы и алгоритмы интеллектуального анализа 55

1.4.3.6. Генетические алгоритмы (ГА)


Это алгоритмы, применяемые для решения задач оптимизации
и моделирования путем случайного подбора, комбинирования
и вариации искомых параметров с использованием механизмов,
напоминающих биологическую эволюцию. Являются разновидно-
стью эволюционных вычислений. Отличительной особенностью ге-
нетических алгоритмов является акцент на использование оператора
«скрещивания», который производит операцию рекомбинации ре-
шений-кандидатов, роль которой аналогична роли скрещивания
в живой природе.
Задача формализуется таким образом, чтобы ее решение могло
быть закодировано в виде вектора («генотипа») генов, где каждый
ген может быть битом, числом или неким другим объектом. В клас-
сических реализациях ГА предполагается, что генотип имеет фикси-
рованную длину. Однако существуют вариации ГА, свободные от
этого ограничения.
Общая схема данного подхода (рис. 1.19):
1. Выбрать начальную случайную популяцию множества реше-
ний и получить оценку качества для каждого решения (обычно она
2
пропорциональна 1 / e ).
2. Создать и оценить следующую популяцию решений, исполь-
зуя эволюционные операторы:
· оператор выбора – с большой вероятностью предпочитает хо-
рошие решения;
· оператор рекомбинации (обычно это «кроссовер») – создает
новое решение на основе рекомбинации из существующих;
· оператор мутации – создает новое решение на основе случай-
ного незначительного изменения одного из существующих решений.
3. Повторять шаг 2 до получения нужного результата.
Главным достоинством генетических алгоритмов в данном при-
менении является то, что они ищут глобальное оптимальное реше-
ние. Большинство популярных алгоритмов оптимизации выбирают
начальное решение, которое затем изменяется в ту или иную сторо-
ну. Таким образом, получается хорошее разбиение, но не всегда са-
мое оптимальное. Операторы рекомбинации и мутации позволяют
получить решения, сильно не похожие на исходное, – таким образом
осуществляется глобальный поиск.
56 Глава 1

Рис. 1.19. Пример генетического алгоритма

1.4.3.7. Нейронные сети


Для решения задач кластеризации целесообразно также исполь-
зовать нейронные сети. У данного подхода есть ряд особенностей:
· искусственные нейронные сети легко работают в распреде-
ленных системах с большой параллелизацией в силу своей природы;
· поскольку искусственные нейронные сети подстраивают свои
весовые коэффициенты, основываясь на исходных данных, это по-
могает сделать выбор значимых характеристик менее субъективным.
В настоящее время совершенствование элементной базы, опреде-
ляющей архитектуру компьютера, позволяет быстро и эффективно ре-
шать задачи все возрастающей сложности. Вместе с тем, обладая ог-
ромным быстродействием, компьютер часто не в состоянии справиться
с поставленной перед ним задачей так, как бы это сделал человек. При-
мерами таких задач могут быть задачи распознавания, понимания речи
и текста, написанного от руки, и многие другие. Очевидно, сеть нейро-
нов, образующая человеческий мозг, являясь системой параллельной
обработки информации, во многих случаях оказывается более эффек-
тивной. Идея перехода от обработки заложенным в компьютер алго-
ритмом некоторых формализованных знаний к реализации в нем свой-
ственных человеку приемов обработки информации привела к появ-
лению искусственных нейронных сетей (ИНС).
Методы и алгоритмы интеллектуального анализа 57

Отличительной особенностью биологических систем является


адаптация, благодаря которой такие системы в процессе обучения
развиваются и приобретают новые свойства. Как и биологические
нейронные сети, ИНС состоят из связанных между собой элементов,
искусственных нейронов, функциональные возможности которых
в той или иной степени соответствуют элементарным функциям био-
логического нейрона. Как и биологический прототип, ИНС обладает
следующими свойствами:
· адаптивное обучение;
· самоорганизация;
· вычисления в реальном времени;
· устойчивость к сбоям.
Таким образом, можно выделить ряд преимуществ использова-
ния нейронных сетей:
· возможно построение удовлетворительной модели на нейрон-
ных сетях даже в условиях неполноты данных;
· искусственные нейронные сети легко работают в распреде-
ленных системах с большой параллелизацией в силу своей природы;
· поскольку искусственные нейронные сети подстраивают свои
весовые коэффициенты, основываясь на исходных данных, это по-
могает сделать выбор значимых характеристик менее субъективным.
Современный мир переполнен различными данными и информа-
цией – прогнозами погод, процентами продаж, финансовыми пока-
зателями и массой других. Часто возникают задачи анализа данных,
которые с трудом можно представить в математической числовой
форме. Например, когда нужно извлечь данные, принципы отбора
которых заданы нечетко: выделить надежных партнеров, определить
перспективный товар, проверить кредитоспособность клиентов или
надежность банков и т.п. И для того чтобы получить максимально
точные результаты решения этих задач, необходимо использовать
различные методы анализа данных. Существует масса ИНС, напри-
мер персептрон, радиально-базисные сети, LVQ-сети, самооргани-
зующиеся карты Кохонена, которые можно использовать для реше-
ния задачи кластеризации. Одна из эффективных нейросетевых
моделей связана с применением самоорганизующихся карт Кохоне-
на, на которых следует остановиться более подробно.
Сеть Кохонена – это одна из разновидностей нейронных сетей,
которые используют неконтролируемое обучение. При таком обуче-
нии обучающее множество состоит лишь из значений входных пе-
58 Глава 1

ременных, в процессе обучения нет сравнивания выходов нейронов с


эталонными значениями. Можно сказать, что такая сеть учится по-
нимать структуру данных.
Идея сети Кохонена принадлежит финскому ученому Тойво
Кохонену (1982 г.). Основной принцип работы сетей – введение
в правило обучения нейрона информации относительно его рас-
положения.
В основе сети Кохонена лежит аналогия со свойствами челове-
ческого мозга. Кора головного мозга человека представляет собой
плоский лист и свернута складками. Таким образом, можно сказать,
что она обладает определенными топологическими свойствами (уча-
стки, ответственные за близкие части тела, примыкают друг к другу,
и все изображение человеческого тела отображается на эту двумер-
ную поверхность). Во многих моделях ИНС решающую роль играют
связи между нейронами, определяемые весовыми коэффициентами
и указывающие место нейрона в сети. Однако в биологических сис-
темах, например таких, как мозг, соседние нейроны, получая анало-
гичные входные сигналы, реагируют на них сходным образом, т.е.
группируются, образуя некоторые области. Поскольку при обработ-
ке многомерного входного образа осуществляется его проецирова-
ние на область меньшей размерности с сохранением его топологии,
часто подобные сети называют картами (self-organizing feature map).
В таких сетях существенным является учет взаимного расположения
нейронов одного слоя.
Сеть Кохонена (самоорганизующаяся карта) относится к самоор-
ганизующимся сетям, которые при поступлении входных сигналов, в
отличие от сетей, использующих обучение с учителем, не получают
информацию о желаемом выходном сигнале. В связи с этим невоз-
можно сформировать критерий настройки, основанный на рассогла-
совании реальных и требуемых выходных сигналов ИНС, поэтому
весовые параметры сети корректируют, исходя из других соображе-
ний. Все предъявляемые входные сигналы из заданного обучающего
множества самоорганизующаяся сеть в процессе обучения разделяет
на классы, строя так называемые топологические карты.
Структура сети Кохонена
Сеть Кохонена использует следующую модель (рис. 1.20): сеть
состоит из М нейронов, образующих прямоугольную решетку на
плоскости, образующую слой Кохонена.
Методы и алгоритмы интеллектуального анализа 59

Рис. 1.20. Модель сети Кохонена

К нейронам, расположенным в одном слое, представляющем со-


бой двумерную плоскость, подходят нервные волокна, по которым
поступает N-мерный входной сигнал. Каждый нейрон характеризу-
ется своим положением в слое и весовым коэффициентом. Положе-
ние нейронов, в свою очередь, характеризуется некоторой метрикой
и определяется топологией слоя, при которой соседние нейроны во
время обучения влияют друг на друга сильнее, чем расположенные
дальше. Каждый нейрон образует взвешенную сумму входных сиг-
налов с wij > 0, если синапсы ускоряющие, и wij < 0, если тормозя-
щие. Наличие связей между нейронами приводит к тому, что при
возбуждении одного из них можно вычислить возбуждение осталь-
ных нейронов в слое, причем это возбуждение с увеличением рас-
стояния от возбужденного нейрона уменьшается. Поэтому центр
возникающей реакции слоя на полученное раздражение соответству-
ет местоположению возбужденного нейрона. Изменение входного
обучающего сигнала приводит к максимальному возбуждению дру-
гого нейрона и соответственно к другой реакции слоя. Сеть Кохоне-
на может рассматриваться как дальнейшее развитие LVQ (Learning
Vector Quantization). Отличие их состоит в способах обучения.
Обучение сети Кохонена
Сеть Кохонена, в отличие от многослойной нейронной сети,
очень проста: она представляет собой два слоя: входной и выходной.
Элементы карты располагаются в некотором пространстве – как
правило, двумерном.
60 Глава 1

Сеть Кохонена обучается методом последовательных приближе-


ний. В процессе обучения таких сетей на входы подаются данные, но
сеть при этом подстраивается не под эталонное значение выхода,
а под закономерности во входных данных. Начинается обучение
с выбранного случайным образом выходного расположения центров.
В процессе последовательной подачи на вход сети обучающих
примеров определяется наиболее схожий нейрон (тот, у которого
скалярное произведение весов и поданного на вход вектора мини-
мально). Этот нейрон объявляется победителем и является центром
при подстройке весов у соседних нейронов. Такое правило обучения
предполагает «соревновательное» обучение с учетом расстояния
нейронов от «нейрона-победителя».
Обучение при этом заключается не в минимизации ошибки,
а в подстройке весов (внутренних параметров нейронной сети) для
наибольшего совпадения с входными данными.
Основной итерационный алгоритм Кохонена последовательно
проходит ряд эпох, на каждой из которых обрабатывается один при-
мер из обучающей выборки. Входные сигналы последовательно
предъявляются сети, при этом желаемые выходные сигналы не оп-
ределяются. После предъявления достаточного числа входных век-
торов синаптические веса сети становятся способны определить кла-
стеры. Веса организуются так, что топологически близкие узлы
чувствительны к похожим входным сигналам.
В результате работы алгоритма центр кластера устанавливается
в определенной позиции, удовлетворительным образом кластеризую-
щей примеры, для которых данный нейрон является «победителем».
В результате обучения сети необходимо определить меру соседства
нейронов, т.е. окрестность нейрона-победителя, которая представляет
собой несколько нейронов, которые окружают нейрон-победитель.
Сначала к окрестности принадлежит большое число нейронов,
далее ее размер постепенно уменьшается. Сеть формирует тополо-
гическую структуру, в которой похожие примеры образуют группы
примеров, близко находящиеся на топологической карте.
Рассмотрим это более подробно. Кохонен существенно упростил
решение задачи, выделяя из всех нейронов слоя лишь один с-й нейрон,
для которого взвешенная сумма входных сигналов максимальна:

c = arg max( x T w j ) . (1.1)


i
Методы и алгоритмы интеллектуального анализа 61

Отметим, что весьма полезной операцией предварительной об-


работки входных векторов является их нормализация:
xi
xi = , i = 1, N , (1.2)
x
превращающая векторы входных сигналов в единичные с тем же
направлением.
1/ 2
æ N 2ö
x = ç å xi ÷ (1.3)
è i= 1 ø
В этом случае вследствие того, что сумма весов каждого нейрона
одного слоя åwi
ij для всех нейронов этого слоя одинакова и х = 1,

условие (1.1) эквивалентно условию


c = arg max x - wi . (1.4)
i
Таким образом, будет активирован только тот нейрон, вектор ве-
сов которого w наиболее близок к входному вектору х. А так как пе-
ред началом обучения неизвестно, какой именно нейрон будет акти-
вироваться при предъявлении сети конкретного входного вектора,
сеть обучается без учителя, т.е. самообучается. Вводя потенциаль-
ную функцию – функцию расстояния f ij («соседства») между i-м и

j-м нейронами с местоположениями ri и r j соответственно, моно-


тонно убывающую с увеличением расстояния между этими нейро-
нами, Кохонен предложил следующий алгоритм коррекции весов:

wij ( k + 1) = wij ( k ) + a ( k ) f ij (k )( x( k ) - wij ( k )) , (1.5)

где a (k ) Î (0,1] – изменяющийся во времени коэффициент усиле-


ния (обычно выбирают a = 1 на первой итерации, постепенно
уменьшая в процессе обучения до нуля); f ij (k ) – монотонно убы-
вающая функция:
62 Глава 1

f ij (k ) = f ( ri - r j , k ) = f (d , k ) = f (d , s ) , (1.6)

где ri и rj – векторы, определяющие положение нейронов i и j в

решетке. При принятой метрике d = ri - r j функция f ij (k ) с

ростом времени k стремится к нулю. На практике вместо параметра


времени k используют параметр расстояния σ, задающий величину
области «соседства» и уменьшающийся с течением времени до нуля.
Выбор функции fij (k) также влияет на величины весов всех нейро-
нов в слое. Очевидно, что для нейрона-победителя С:

f c ( ri - rj ) = f c (0) = 1 . (1.7)

На рис. 1.21 показан пример изменения двумерных весов карты


wj = (wj1. wj2)T, образующей цепь. При появлении входного образа х
наиболее сильно изменяется весовой вектор нейрона-победителя 5,
менее сильно – веса расположенных рядом с ним нейронов 3, 4, 6, 7.
А так как нейроны 1, 2, 8, 9 лежат вне области «соседства», их весо-
вые коэффициенты не изменяются.

Рис. 1.21. Изменение весов карты Кохонена

Таким образом, алгоритм обучения сети Кохонена может быть


описан следующим образом:
Методы и алгоритмы интеллектуального анализа 63

1. Инициализация.
Весовым коэффициентам всех нейронов присваиваются малые
случайные значения и осуществляется их нормализация. Выбирается
соответствующая потенциальная функция fij(d) и назначается на-
чальное значение коэффициента усиления α0.
2. Выбор обучающего сигнала.
Из всего множества векторов обучающих входных сигналов в
соответствии с функцией распределения Р(х) выбирается один век-
тор х, который представляет «сенсорный сигнал», предъявляемый
сети.
3. Анализ отклика (выбор нейрона).
По формуле (1.4) определяется активированный нейрон.
4. Процесс обучения.
В соответствии с алгоритмом (1.5) изменяются весовые коэффи-
циенты активированного и соседних с ним нейронов до тех пор, по-
ка не будет получено требуемое значение критерия качества обуче-
ния или не будет предъявлено заданное число обучающих входных
векторов. Окончательное значение весовых коэффициентов совпада-
ет с нормализованными векторами входов.
Поскольку сеть Кохонена осуществляет проецирование N-мерного
пространства образов на М-мерную сеть, анализ сходимости алгорит-
ма обучения представляет собой довольно сложную задачу.
Если бы с каждым нейроном слоя ассоциировался один входной
вектор, то вес любого нейрона слоя Кохонена мог бы быть обучен с
помощью одного вычисления, так как вес нейрона-победителя кор-
ректировался бы с α=1. Однако обычно обучающее множество
включает множество сходных между собой входных векторов, и сеть
Кохонена должна быть обучена активировать один и тот же нейрон
для каждого из них. Это достигается усреднением входных векторов
путем уменьшения величины, а не при предъявлении каждого после-
дующего входного сигнала. Таким образом, веса, ассоциированные с
нейроном, усреднятся и примут значение вблизи «центра» входных
сигналов, для которых данный нейрон является «победителем».
Выбор функции «соседства»
На рис. 1.21 показан слой нейронов с нейроном-победителем,
отмеченным черным кружком. Поскольку веса всех затемненных
нейронов изменяются по-разному, в зависимости от их удаленности
от нейрона-победителя, наиболее простым является выбор в качест-
64 Глава 1

ве fij некоторой величины, равной единице при i = i, меньшей еди-


ницы для затемненных нейронов, т.е. нейронов, лежащих в непо-
средственной близости от активированного нейрона, и нулю для ос-
тальных, отмеченных светлыми кружками.

Рис. 1.22. Слой нейронов Кохонена


На практике же в качестве fij выбирают функции, использующие
евклидову метрику:

d = å (rik - rjk )
2
,
k
(1.8)
где rik, rjk – координаты i-гo и j-го нейронов.
К числу наиболее широко используемых потенциальных функ-
ций относятся (рис. 1.23–1.27):
а) колоколообразная функция Гаусса
d2

f gauss1 (d , s ) = e 2s
2
, (1.9)

где σ2– дисперсия отклонения;

Рис. 1.23. Колоколообразная функция Гаусса


Методы и алгоритмы интеллектуального анализа 65

б) функция «мексиканская шляпа»


2
2 ædö
æd ö -ç ÷
f gauss2 (d , s ) = (1 - ç ÷ ) × e è s ø ; (1.10)
ès ø

Рис. 1.24. Функция «мексиканская шляпа»

в) косинусоидная функция
ì æ dp ö
ïcosç ÷
f cos (d , s ) = í è 2s ø, d < s ; (1.11)
ï0, d ³ s ;
î

Рис. 1.25. Косинусоидная функция

г) конусообразная функция
ì d
ï1 - , d < s ;
f cone (d , s ) = í s (1.12)
ïî0, d ³ s ;
66 Глава 1

Рис. 1.26. Конусообразная функция

д) цилиндрическая функция
ì1, d < s ;
f cylinder (d , s ) = í (1.13)
î0, d ³ s ;

Рис. 1.27. Цилиндрическая функция

Карта Кохонена
Как правило, сначала строят довольно грубую карту (модель
разбиения), постепенно уточняя ее в процессе обучения. Для этого
необходимо медленно изменять не только параметр α, но и, напри-
мер, параметр σ в формуле (1.9). Одним из эффективных способов
изменения этих параметров является следующий:
k
é a ù kmax
a (k ) = a (0)ê min ú , (1.14)
ëa (0) û
Методы и алгоритмы интеллектуального анализа 67

k
é s ù kmax
s (k ) = s (0)ê min ú , (1.15)
ës (0) û
где α(0) ≈ 0,8; αmax << 1; σ(0) ≈ 0,2; αmin = 0,5 – параметры, опреде-
ляющие крутизну функции fij; kmax – задаваемое число итераций.
На рис. 1.28 показан процесс построения карты Кохонена, пред-
ставляющей собой двумерную решетку, образованную путем соеди-
нения соседних нейронов, находящихся в узлах решетки. Исходя из
начальных условий и используя алгоритм обучения (1.5), сеть по мере
увеличения числа обучающих входных образов развивается и приобре-
тает вид решетки. Внизу каждого рисунка поставлено количество обра-
зов, на основании которых получена соответствующая сеть.

Рис. 1.28. Процесс построения карты Кохонена


68 Глава 1

Уникальность метода самоорганизующихся карт состоит в пре-


образовании N-мерного пространства в двухмерное. Применение
двухмерных сеток связано с тем, что существует проблема отобра-
жения пространственных структур большей размерности. Имея та-
кое представление данных, можно визуально определить наличие
или отсутствие взаимосвязи во входных данных.
Нейроны карты Кохонена располагают в виде двухмерной мат-
рицы, раскрашивают эту матрицу в зависимости от анализируемых
параметров нейронов.
На рис. 1.29 приведен пример карты Кохонена.

Рис. 1.29. Пример карты Кохонена


На рис. 1.30 приведена раскраска карты, а точнее, ее i-го призна-
ка, в трехмерном представлении. Как мы видим, темно-синие участ-
ки на карте соответствуют наименьшим значениям показателя, крас-
ные – самым высоким.

Рис. 1.30. Раскрас-


ка i-го признака в
трехмерном про-
странстве
Методы и алгоритмы интеллектуального анализа 69

Теперь, возвращаясь к рис. 1.30, можно сказать, какие объекты


имеют наибольшие значения рассматриваемого показателя (группа
объектов, обозначенная красным цветом), а какие – наименьшие
значения (группа объектов, обозначенная синим цветом).
Таким образом, карты Кохонена можно отображать:
· в двухмерном виде, тогда карта раскрашивается в соответст-
вии с уровнем выхода нейрона;
· в трехмерном виде.
В результате работы алгоритма получаем следующие карты:
а) Карта входов нейронов.
Веса нейронов подстраиваются под значения входных переменных
и отображают их внутреннюю структуру. Для каждого входа рисуется
своя карта, раскрашенная в соответствии со значением конкретного
веса нейрона. При анализе данных используют несколько карт входов.
На одной из карт выделяют область определенного цвета. Это означает,
что соответствующие входные примеры имеют приблизительно одина-
ковое значение соответствующего входа. Цветовое распределение ней-
ронов из этой области анализируется на других картах для определения
схожих или отличительных характеристик.
б) Карта выходов нейронов.
На карту выходов нейронов проецируется взаимное расположе-
ние исследуемых входных данных. Нейроны с одинаковыми значе-
ниями выходов образуют кластеры – замкнутые области на карте,
которые включают нейроны с одинаковыми значениями выходов.
в) Специальные карты.
Это карта кластеров, матрица расстояний, матрица плотности
попадания и другие карты, которые характеризуют кластеры, полу-
ченные в результате обучения сети Кохонена.
Координаты каждой карты определяют положение одного нейрона.
Так, координаты [15:30] определяют нейрон, который находится на пере-
сечении 15-го столбца с 30-м рядом в матрице нейронов. При этом между
всеми рассмотренными картами существует взаимосвязь – все они явля-
ются разными раскрасками одних и тех же нейронов. Каждый пример из
обучающей выборки имеет одно и то же расположение на всех картах.
Полученную карту можно использовать как средство визуализа-
ции при анализе данных. В результате обучения карта Кохонена
классифицирует входные примеры на кластеры (группы схожих
примеров) и визуально отображает многомерные входные данные на
плоскости нейронов.
70 Глава 1

При реализации сети Кохонена должны учитываться следующие


проблемы:
1. Выбор коэффициента обучения α.
Этот выбор влияет как на скорость обучения, так и на устойчи-
вость получаемого решения. Очевидно, что процесс обучения уско-
ряется (скорость сходимости алгоритма обучения увеличивается)
при выборе α близким к единице. Однако в этом случае предъявле-
ние сети различных входных векторов, относящихся к одному клас-
су, приведет к изменениям соответствующего вектора весовых ко-
эффициентов. Напротив, при α → 0 скорость обучения будет
медленной, однако вектор весовых коэффициентов, достигнув цен-
тра класса, при подаче на вход сети различных сигналов, относя-
щихся к одному классу, будет оставаться вблизи этого центра. По-
этому одним из путей ускорения процесса обучения при
одновременном обеспечении получения устойчивого решения явля-
ется выбор изменяющегося значения α с α → 1 на начальных эта-
пах обучения и α → 0 на заключительных. К сожалению, такой под-
ход не применим в тех случаях, когда сеть должна непрерывно
подстраиваться к предъявляемым ей новым входным сигналам.
2. Рандомизация весов.
Рандомизация весов слоя Кохонена может породить серьезные
проблемы при обучении, так как в результате этой операции весовые
векторы распределяются равномерно по поверхности гиперсферы.
Как правило, входные векторы распределены неравномерно и груп-
пируются на относительно малой части поверхности гиперсферы.
Поэтому большинство весовых векторов окажутся настолько уда-
ленными от любого входного вектора, что не будут активированы и
станут бесполезными. Более того, оставшихся активированных ней-
ронов может оказаться слишком мало, чтобы разбить близко распо-
ложенные входные векторы на кластеры.
3. Выбор начальных значений векторов весовых коэффициентов
и нейронов.
Если начальные значения выбраны неудачно, т.е. расположенными
далеко от предъявляемых входных векторов, то нейрон не окажется по-
бедителем ни при каких входных сигналах, а следовательно, не обучится.
На рис. 1.31 показан случай, когда начальное расположение ве-
сов w1 и w4 привело к тому, что после обучения сети все предъяв-
Методы и алгоритмы интеллектуального анализа 71

ляемые образы классифицируют нейроны с весами w2, w4 и w5. Ве-


са же w1 и w2 не изменились и могут быть удалены из сети.

а б
Рис. 1.31. Начальное (а) и конечное (б) положения векторов весов

4. Выбор параметра расстояния σ.


Если сначала параметр σ выбран малым или очень быстро умень-
шается, то далеко расположенные друг от друга нейроны не могут вли-
ять друг на друга. Хотя две части в такой карте настраиваются правиль-
но, общая карта будет иметь топологический дефект (рис. 1.32).

Рис. 1.32. Топологический дефект карты


5. Количество нейронов в слое.
Число нейронов в слое Кохонена должно соответствовать числу
классов входных сигналов. Это может быть недопустимо в тех зада-
чах, когда число классов заранее неизвестно.
72 Глава 1

6. Классы входных сигналов.


Слой Кохонена может формировать только классы, представ-
ляющие собой выпуклые области входного пространства.
Задачи, решаемые при помощи карт Кохонена
Самоорганизующиеся карты могут использоваться для решения
задач моделирования, прогнозирования, кластеризации, поиска за-
кономерностей в больших массивах данных, выявления наборов не-
зависимых признаков и сжатия информации.

ЗАКЛЮЧЕНИЕ
Таким образом, среди множества методов Data Mining наиболь-
шее практическое применение находят нейросетевые, а также гиб-
ридные нейро-нечеткие технологии, активно применяющиеся в ин-
теллектуальных системах активной безопасности автомобилей,
навигационном счислении, диагностике материалов и радиоэлек-
тронной аппаратуре бортового оборудования спутников, а также
в геологоразведке, медицине, финансово-экономической сфере, т.е.
в таких слабо формализуемых областях, где задача решается на
уровне интуиции человека. Нейросети работают на принципах обу-
чения и самообучения, на основе экспертного опыта. Возможно по-
строение удовлетворительной модели на нейронных сетях даже
в условиях неполноты или зашумления данных. Кроме того, нейро-
сети позволяют рассчитать значимость входных параметров, это
важно для построения прогнозных сценариев.
СПИСОК ЛИТЕРАТУРЫ

1. Абдикеев Н.М., Данько Т.П., Ильдеменов С.В., Киселев А.Д. Реинжиниринг бизнес-
процессов. Курс MBA. М.: Эксмо, 2005. 592 с.
2. Абдикеев Н.М., Киселев А.Д. Управление знаниями в корпорации и реинжиниринг
бизнеса. М.:Инфра-М, 2011. 382 с.
3. Барсегян А.А., Куприянов М.С., Степаненко В.В., Холод И.И. Методы и модели анализа
данных: OLAP и Data Mining. СПб.: БХВ-Петербург, 2004. 336 с.
4. Дюк В.,Самойленко А. Data Mining: учебный курс. СПб.: Питер, 2001. 386 с.
5. Чубукова И.А. Data Mining: учеб. пособие. М.: Интернет-университет информаци-
онных технологий; БИНОМ. Лаборатория знаний, 2006. 382 с.
6. Bishop C.M. Neural networks and pattern recognition. Oxford: Oxford Press, 1995. 362 p.
7. Farlow S. Self-organizing methods in modeling. N.Y.: Marcel Dekker Inc., 1984. 435 p.
8. Kohonen T. Self-organization and associative memory. Berlin: Springer-Verlag, 1984. 456 p.
Глава 2

МОДЕЛИРОВАНИЕ ТРАЕКТОРИИ
МИРОВОГО ТЕХНИКО-ЭКОНОМИЧЕСКОГО
РАЗВИТИЯ НА ОСНОВЕ АДАПТИВНОЙ
НЕЧЕТКОЙ КЛАСТЕРИЗУЮЩЕЙ СЕТИ
КОХОНЕНА

ВВЕДЕНИЕ
Прогнозирование – одна из функций экономической науки. Не-
смотря на известные ограничения, имея представление о тенденциях
и законах развития общества, возможно построение вероятной моде-
ли его развития. Подобные сценарные построения постоянно прово-
дятся государственными органами, научными, финансовыми учреж-
дениями, отдельными исследователями и регулярно публикуются
в виде отчетов, докладов, статей.
В XXI в. в экономической теории наибольшую актуальность
приобретает исследование взаимодействия технологических сдвигов
и изменений хозяйственных отношений, проблем долгосрочного
прогнозирования мирового экономического развития, измерения
социально-экономической эффективности направлений научно-
технической политики [4, 6, 9, 14, 31, 43]. Среди практических
проблем наибольшее значение имеют: современные институцио-
нальные изменения с целью приспособления общества к новым
технологическим возможностям; моделирование траектории техни-
ко-экономического развития (ТЭР) стран; разработка методов опре-
деления приоритетов ТЭР и выявления наиболее эффективных спосо-
бов их реализации. Опыт макроэкономических исследований говорит
не только о возможности, но и о плодотворности использования
межстрановых сопоставлений для получения и качественных, и до-
вольно точных количественных выводов, в том числе прогнозного
характера [14, 31]. Необходимо отметить, что в современной России
в кризисном состоянии находятся наука и интеллектуальный потен-
циал. Ситуацию усугубляет технологическая многоукладность и от-
раслевая несбалансированность экономики. Все это требует глубо-
74 Глава 2

кого анализа и исследования, проведения теоретической и методоло-


гической части работ. Особую актуальность имеет разработка инст-
рументария для получения научно обоснованных количественных
и качественных оценок уровня и темпов технико-экономического
развития, результатом чего станет выработка качественных сценари-
ев и рекомендаций для научно-технологического развития государ-
ства, обеспечивающего устойчивый экономический рост.
Степень комплексности прогноза определяется его перспективой –
чем отдаленней горизонт прогнозирования, тем выше должна быть
степень комплексности прогноза, тем большее количество факторов,
выраженных не только количественными, но и качественными ве-
личинами, должно быть учтено в сценариях развития прогнозируе-
мого объекта. От того, насколько объемно и глубоко проработаны
индикаторы технико-экономического роста, будет зависеть досто-
верность долгосрочного прогноза.
Необходимо отметить, что современный этап научно-техни-
ческого прогресса характеризуется зарождением нового технологи-
ческого уклада, под которым, согласно С. Глазьеву, понимается не-
которая совокупность сопряженных производств, находящихся при-
мерно на одном и том же уровне технического развития [14, 15].
Научно-технический прогресс в долгосрочной перспективе проходит
путем замещения традиционного технологического уклада новым
инновационным. Поэтому при моделировании современных техни-
ко-экономических процессов исследователи сталкиваются с пробле-
мой смены технологических укладов, которая характеризуется неоп-
ределенностью и размытостью своих факторов. Для решения таких
сложных, слабо формализуемых задач, когда лицу, принимающему
решения (ЛПР), приходится оперировать неточной, неполной, неко-
личественной информацией, целесообразно использовать класс ме-
тодов многокритериального нейросетевого анализа, дополненных
теорией нечетких множеств, которая была заложена полвека назад
в фундаментальных работах Лофти Заде [18].
Необходимо отметить, что для решения экономических задач
методы кластеризации длительное время мало использовались из-за
специфики экономических данных и явлений, а наибольшее приме-
нение кластерный анализ получил в таких науках, как биология, ан-
тропология, психология [68, 69]. Так, в медицине используется кла-
стеризация заболеваний, лечения заболеваний или их симптомов,
а также таксономия пациентов, препаратов и т.д. В археологии уста-
Моделирование траектории мирового технико-экономического развития 75

навливаются таксономии каменных сооружений и древних объектов


и т.д. В менеджменте примером задачи кластеризации будет разбие-
ние персонала на различные группы, классификация потребителей
и поставщиков, выявление схожих производственных ситуаций, при
которых возникает брак. В социологии задача кластеризации – раз-
биение респондентов на однородные группы. В маркетинговых ис-
следованиях кластерный анализ применяется достаточно широко
как в теоретических исследованиях, так и практикующими марке-
тологами, решающими проблемы группировки различных объек-
тов. При этом решаются вопросы о группах клиентов, продуктов
и т.д. Так, одной из наиболее важных задач при применении кла-
стерного анализа в маркетинговых исследованиях является анализ
поведения потребителя, а именно: группировка потребителей
в однородные классы для получения максимально полного пред-
ставления о поведении клиента из каждой группы и о факторах,
влияющих на его поведение.
Важной задачей, которую может решить кластерный анализ, яв-
ляется позиционирование, т.е. определение ниши, в которой следует
позиционировать новый продукт, предлагаемый на рынке. В резуль-
тате применения кластерного анализа строится карта, по которой
можно определить уровень конкуренции в различных сегментах
рынка и соответствующие характеристики товара для возможности
попадания в этот сегмент. С помощью анализа такой карты возмож-
но определение новых, незанятых ниш на рынке, в которых можно
предлагать существующие товары или разрабатывать новые.
Кластерный анализ также может быть удобен, например, для
анализа клиентов компании. Для этого все клиенты группируются
в кластеры и для каждого кластера вырабатывается индивидуальная
политика. Такой подход позволяет существенно сократить объекты
анализа и в то же время индивидуально подойти к каждой группе
клиентов.
Таким образом, кластеризация, во-первых, применяется для уп-
рощения работы с информацией, визуализации данных, так как:
· достаточно работать с k представителями кластеров;
· легко найти «похожие» объекты – такой поиск применяется в
ряде поисковых движков;
· происходит автоматическое построение каталогов;
· наглядное представление кластеров позволяет понять структу-
ру множества объектов в пространстве.
76 Глава 2

Во-вторых, для группировки и распознавания объектов. Для рас-


познавания образов характерно:
· построение кластеров на основе большого набора учебных
данных;
· присвоение каждому из кластеров соответствующей метки;
· ассоциирование каждого объекта, полученного на вход алго-
ритма распознавания, с меткой соответствующего кластера.
Для группировки объектов характерны:
· сегментация изображений;
· уменьшение количества информации.
В-третьих, для извлечения и поиска информации, построения
удобных классификаторов.
Извлечение и поиск информации можно рассмотреть на примере
книг в библиотеке. Это наиболее известная система неавтоматиче-
ской классификации – LCC (Library of Congress Classification):
· метка Q означает книги по науке;
· подкласс QA – книги по математике;
· метки с QA76 до QA76.8 – книги по теоретической информатике.
Проблемами такой классификации является то, что иногда клас-
сификация отстает от быстрого развития некоторых областей науки,
а также ограничивается возможностью отнести каждую книгу толь-
ко к одной категории. Однако в этом случае приходит на помощь
автоматическая кластеризация с нечетким разбиением на группы,
что решает проблему одной категории, также новые кластеры вы-
растают одновременно с развитием той или иной области науки.
Задача кластеризации (классификации без учителя) достаточно
часто встречается во многих приложениях, связанных с интеллекту-
альным анализом данных. Традиционный подход к решению этих
задач предполагает, что каждое наблюдение может относиться
только к одному кластеру, хотя более естественной представляет-
ся ситуация, когда обрабатываемый вектор признаков с разными
уровнями принадлежности (вероятности, возможности) может при-
надлежать сразу нескольким классам. Данная ситуация является
предметом рассмотрения нечеткого (фаззи) кластерного анализа,
интенсивно развивающегося в двух направлениях: вероятностном
[87, 110, 111, 114, 115 ] и возможностном [119, 120] подходах.
Основные недостатки вероятностного подхода связаны с ограни-
чением, требующим равенства единице суммы принадлежностей
конкретного вектора-образа всем кластерам. В простейшем случае
Моделирование траектории мирового технико-экономического развития 77

двух кластеров и двух образов вектор, равноправно принадлежащий


обоим классам, и вектор, не принадлежащий ни одному из них, но
лежащий на равном расстоянии от обоих центроидов, имеют одинако-
вые уровни принадлежности, равные 0,5. Естественно, что данное об-
стоятельство, требующее точного априорного знания числа кластеров
и ухудшающее точность получаемых результатов, привело к появле-
нию возможностного подхода к нечеткой кластеризации [119, 120].
Для решения задачи кластеризации наилучшим образом приспо-
соблены искусственные нейронные сети Кохонена [121], имеющие
однослойную архитектуру с латеральными связями и обучаемые на
основе принципов «победитель получает все» (WTA) или «победи-
тель получает больше» (WTM). Данные сети продемонстрировали
свою эффективность при решении многих задач с непересекающи-
мися кластерами. Необходимость решения задач кластеризации в
условиях пересекающихся классов привела к появлению самообу-
чающихся гибридных нейро-фаззи систем, являющихся обобщением
нейронной сети Кохонена и обладающих, благодаря использованию
специальных алгоритмов настройки своих семантических весов, бо-
лее широкими функциональными возможностями. Так, в [141, 142]
была введена модификация сети Кохонена, основанная на нечетких
правилах. Данная сеть показала свою эффективность в ряде задач,
связанных с распознаванием образов, однако численная громозд-
кость затрудняет ее использование. В [88] была предложена сеть
Кохонена с нечетким выводом, обучаемая на основе комбинации
правил Кохонена и Гроссберга. Основным недостатком этой конст-
рукции является зависимость получаемых результатов от выбора
свободных параметров процедуры обучения. В [112] была предло-
жена, а в [131] развита так называемая нечеткая кластеризующая
сеть Кохонена (FKCN), основанная на алгоритме нечетких с-средних
(FCM) Бездека [87], который может быть записан и в рекуррентной
форме. Лежащий в ее основе вероятностный подход к задаче класте-
ризации имеет принципиальные недостатки, ограничивающие ее ис-
пользование в задачах с неизвестным заранее количеством кластеров.
В этой главе рассматриваются двухслойная адаптивная нечеткая
кластеризующая сеть Кохонена, являющаяся адаптивной модифика-
цией FKCN [112] и дальнейшим развитием конструкции, рассмот-
ренной в [140], а также алгоритмы ее обучения [7, 90], являющиеся
обобщением правил обучения Кохонена (WTA и WTM) и предна-
значенные для решения задачи на основе как вероятностного, так
78 Глава 2

и возможностного подходов. Одновременное их использование по-


зволит в процессе обработки данных обнаруживать появление новых
кластеров, а также улучшить точность кластеризации.
Целью настоящего исследования является разработка гибкой
нейросетевой модели траектории мирового технико-экономического
развития и инструментальных средств, реализующих адаптивную
нечеткую кластеризующую сеть Кохонена, для получения научно
обоснованных оценок уровня и темпов технико-экономического
роста стран, прогнозирования выхода экономик государств на эта-
лонную траекторию.
Теоретическая и практическая значимость работы состоит в раз-
работке новых интеллектуальных подходов по созданию методоло-
гии и инструментальных средств, позволяющих получать научно
обоснованные оценки уровня и темпов технико-экономического раз-
вития стран, а также осуществлять поддержку процедур обосно-
ванных экономических решений прогнозного характера в условиях
смены технологических укладов.
Исследование проводилось в рамках НИР «Анализ глобальных
тенденций и вероятных сценариев изменения мировой экономики
и смены технологических укладов» (государственный контракт Том-
ского государственного университета с Министерством образования
и науки Российской Федерации от 27 июня 2011 г. № 13.521.11.1017).
Разработанные модели, инструментальные средства и методика
расчета уровня и темпов мирового технико-экономического разви-
тия апробированы в Министерстве образования и науки Российской
Федерации и использовались при разработке доклада (эссе) в рамках
комплекса работ по долгосрочному прогнозу важнейших направле-
ний научно-технологического развития Российской Федерации на
период до 2030 г.

2.1 . ЭКОНОМИЧЕСКИЕ ЦИКЛЫ


И ТЕХНОЛОГИЧЕСКИЕ УКЛАДЫ
Проблема смены технологических укладов впервые была по-
ставлена в экономической науке во второй половине XIX в. В пер-
вой четверти XX в. отечественный ученый Н.Д. Кондратьев разрабо-
тал теорию экономических циклов [31]. Впоследствии эта концепция
стала составной частью теории нововведений, разработанной
Й. Шумпетером в процессе своей научной деятельности.
Моделирование траектории мирового технико-экономического развития 79

Йозеф Шумпетер – американский экономист австрийского про-


исхождения, родился в 1883 г. и до 1931 г. работал в Австрии, затем
эмигрировал в США, где проработал до 1950 г. В процессе развития
идей Н.Д. Кондратьева, пытаясь их приспособить и обосновать ими
циклические кризисы производства, сгенерировал концепцию длин-
ных экономических циклов. В работе «Теория экономического раз-
вития» (1911) Й. Шумпетер сформулировал часть положений теории
экономической динамики и нововведений: внедрение нововведений
протекает скачкообразно, а это с течением времени в итоге приводит
к циклическим изменениям в экономике; экономические изменения
и их цикличность осуществления определяются нововведениями
[136]. Й. Шумпетер дал подробное описание инновационного про-
цесса, его структуру и содержание, хотя на тот момент термин
и понятие «инновация» отсутствовали в научном обороте. Автор
«Теории экономического развития» вынужден был ввести категорию
«новые комбинации» и выделить основные виды:
1) использование новой техники, новых технологических про-
цессов, нового, более рационального коммерческого обеспечения
производства;
2) внедрение в производство продукции, неизвестной потребите-
лю, и/или продукта, имеющего новые свойства;
3) освоение и использование новых источников сырья, видов сы-
рья и полуфабрикатов;
4) изменения в организации производства и изменения в матери-
ально-техническом обеспечении производства;
5) появление и освоение новых рынков сбыта;
6) изменение отраслевой структуры (создание или подрыв моно-
полии).
Как считает Й. Шумпетер, каждый метод производства пред-
ставляет собой определённую комбинацию имеющихся ресурсов,
а методы различаются либо по объектам комбинирования, либо
по количественному соотношению объектов комбинирования, т.е.
по характеру и способу сочетания комбинаций: «...прибыль, по
существу, является результатом выполнения новых комбинаций».
Позже, уже в 1930-е годы, Й. Шумпетер вводит в научный
оборот категорию «инновации», заменяя термин «новые комби-
нации». Так, изобретениями именуются новшества, но иннова-
циями изобретения становятся, только если воплощает изобрете-
ние бизнес.
80 Глава 2

В процессе развития основополагающих идей Н.Д. Кондратьева


и Й. Шумпетера в теории «длинных волн» и нововведений амери-
канский экономист М. Портер выработал в 1970-х годах теорию кон-
курентных преимуществ, где главный фактор, влияющий на конку-
рентоспособность, – инновации. По этой причине фирмы одних
стран в производство внедряют значительно больше, чем фирмы
в других странах.
Одно из центральных мест в осуществлении инновационного
процесса занимает вопрос о значении общеэкономической и соци-
альной ситуации в стране, поставленный Н.Д. Кондратьевым.
Опирается на идеи Н.Д. Кондратьева и немецкий учёный Гер-
хард. По его мнению, состояние инновационного процесса влияет на
экономическую ситуацию в определённой стране.
Базисные нововведения (инновации) – это основополагающие по-
нятия, по Г. Меншу. Опасности депрессии, по его мнению, можно
противостоять только посредством базисных нововведений. Базисные
нововведения Г. Менш отделяет от инноваций усовершенствования.
Базисная инновация – это основополагающее технологическое новше-
ство с его промышленной реализацией. Базисные инновации создают
новые отрасли в экономике, а также рабочие места и доходы соответ-
ственно. Новое знание используется в производстве и при выходе на
рынок. Инновации усовершенствования развивают или «оттачивают»
уже существующие области деятельности.
Ричард Р. Нельсон и Сидней Дж. Уинтер в научном исследова-
нии «Эволюционная теория экономических изменений» изучили
влияние и воздействие инноваций на экономические системы:
– основополагающей движущей силой экономического роста яв-
ляются, прежде всего, технологические изменения;
– инновации – это результат эффективного взаимодействия всех
участников инновационного процесса;
– знания определяются в качестве двигателя изменений в управ-
лении;
– рискованность инноваций решается институтами инноваций
через определённую инфраструктуру.
М. Портер разработал признанную методику анализа конкурен-
тоспособности и описал стадии роста конкурентоспособности на-
циональной экономики. Он, как и Й. Шумпетер, считал, что в конку-
ренции нет равновесия, определил причины такой экономической
ситуации, при которой коммерческие структуры в одних странах
Моделирование траектории мирового технико-экономического развития 81

внедряют больше нововведений и новшеств, чем в других. По мне-


нию М. Портера, это следствие одного из главных факторов,
влияющих на конкуренцию. Чем выше конкуренция внутри страны,
тем больше нововведений (инноваций), тем выше конкурентоспо-
собность на внешнем рынке.
Научно-техническое развитие, рост мировой экономики и резкий
скачок в развитии компьютерных технологий повлияли на теорию
инноваций. Так, американский экономист и публицист австрийского
происхождения Петер Дукер затронул эту тему в своих работах
«Инновация и предпринимательство» и «Посткапиталистическое
общество», в которых раскрыл свою теорию инновационной эконо-
мики и предпринимательского общества, а также разработал науку об
инновациях как о функциональном процессе, который можно систе-
матизировать, анализировать и направлять. По мнению П. Дукера,
процедура инновации основана на трех определённых правилах:
1. Отчетливое сознание своей миссии.
2. Сосредоточение на конкретных результатах.
3. Вынесение строгой оценки применяемой технологии и в слу-
чае многократных неудач решимость отказаться от нее.
Советские ученые не отставали от западных коллег в вопросах
изучения теории инноваций. В отечественной науке ставились и ре-
шались вопросы о влиянии научно-технического прогресса на эко-
номическое развитие народного хозяйства, прорабатывались вопро-
сы концептуального порядка, терминология. Данная проблема
отражена в научных трудах А.И. Анчишкина, Л.С. Бляхмана,
Ю.Н. Вешкурова, Ф.Г. Гурвича, В.А. Котельникова, Н.И. Лапина.
Наука о нововведениях в СССР развивалась в теоретических работах
о научно-техническом прогрессе как целого явления и выделилась
как отдельный и самостоятельный предмет изучения в связи
с анализом социальных последствий научно-технического про-
гресса, последствий автоматизации производства. Исследователи
этого анализа выделили нововведения в область изучения проблем
совершенствования управления, но при слабом научном и фунда-
ментально-прикладном обеспечении наука о нововведениях остано-
вилась в развитии.
А.И. Пригожин, ученик Н.И. Лапина и продолжатель его научно-
го направления в советской науке, внёс ощутимый вклад в разработ-
ку и эволюцию науки о нововведениях и новшествах в нашей стране.
Им были описаны типы нововведений, уточнено понятие «интен-
82 Глава 2

сивное нововведение», были определены и изучены организационно-


управленческие, социально-управленческие, педагогические и эко-
номические нововведения. А.И. Пригожин изучил понятие «ново-
введение» в контексте инноватики – новой науке о нововведениях
и новшествах.
Серьезная проработка вопроса классификации новшеств дана в
совместных исследованиях П.Н. Завлина, А.К. Казанцева, Л.Э. Мин-
дели, где подробно раскрыта сущность инновационной деятельно-
сти, инновационного процесса и инновационного менеджмента.
Труды Р.М. Нуреева, С.Ю. Глазьева, А.А. Дынкиной, Н.И. Ива-
новой, В.Л. Иноземцева, Д.Ю. Миропольского, А.Н. Цветкова
оказали влияние на последующие развитие отечественной теории
инноваций. Особенно серьезно исследовались вопросы реализации
инновационной и научно-технической политики, методы управления
инновационными процессами, а также тенденции развития иннова-
ций в регионах страны, региональной инновационной системы.
Д.С. Львов, российский экономист, академик РАН, и известный
российский экономист С.Ю. Глазьев, опираясь на идеи Н.Д. Конд-
ратьева, заново ввели в научный оборот и сделали современным
понятие «технологический уклад». Их дальнейшая научная дея-
тельность внесла ощутимый вклад в развитие концепции технологи-
ческих укладов. По мнению экономистов, каждый уклад (в западной
терминологии – длинный цикл промышленности) начинается в тот
момент, когда новый комплект инноваций оказывается в распоряже-
нии производителей. На современном этапе начало 5-го цикла про-
мышленности связывается с развитием компьютерных технологий и
программ, генной инженерии, цифровых сетей и средств коммуни-
кации. В работе С.Ю. Глазьева нововведение трактуется не только
как процесс внедрения в производство новшества («инновацион-
ный процесс есть процесс создания, развертывания и исчерпания
научно-технического, производственно-экономического и социаль-
но-организационного потенциала нововведений»). Как и Н.И. Лапи-
ным, С.Ю. Глазьевым понятие «нововведение» понимается как
комплексный процесс создания, распространения и использова-
ния новшеств для новой или для лучшего удовлетворения извест-
ных потребностей.
В настоящее время в числе наиболее видных исследователей по
этой теме следует назвать имена С.Ю. Глазьева с его наиболее из-
вестными последними работами («О стратегии экономического раз-
Моделирование траектории мирового технико-экономического развития 83

вития России», «Нанотехнологии как ключевой фактор нового тех-


нологического уклада в экономике» и более поздней – «Мировой
экономический кризис как процесс смены технологических укла-
дов»), Ю.В. Яковца («Прогноз инновационного развития России
на период до 2050 года с учётом мировых тенденций», «Волны
Кондратьева и цикличная динамика экономики и войн: теория и
будущее»), Д.Ю. Миропольского («Экономическая теория и типы
хозяйственных систем»), Е.Н. Кабакова («Шестой технологиче-
ский уклад»), А.А. Акаева и В.А. Садовничего («Исследование
сценариев развития России в условиях мирового кризиса», «Мо-
делирование и прогнозирование мировой, региональной и нацио-
нальной динамики»). Проблемам современного технологического
развития уделено большое внимание в работах В.Л. Иноземцева,
В.Т. Рязанова.
Помимо приведённых выше авторов, огромный вклад в создание
теорий экономического роста, основанного на научно-техническом
прогрессе, осуществили экономисты Л.И. Абалкин, А.Е. Варшавский,
Р. Солоу, С. Кузнец, Э. Тоффлер, К. Фримен. Необходимо отметить
имя американского социолога Иммануила Валлерстайна. Значимы
разработки и введение в научный оборот с последующим изучением
влияния на экономику категорий «технологический уклад» и «много-
укладность экономики» Дж. Доси, Б.Н. Кузыка, В.И. Маевского,
К. Перес-Перес, М.И. Туган-Барановского, Г.Г. Фетисова, К. Фриме-
на, Ю.В. Яковца и др.
Необходимо также упомянуть других современных исследовате-
лей: А.В. Голубева, П.А. Краснощекова, Е.Б. Колбачева, А.Н. Асау-
ла, Ю.С. Богачёва, А.М. Октябрьского, Д.А. Рубвальтера.
На протяжении первого десятилетия XXI в. в России было за-
щищено свыше десятка диссертаций на соискание ученой степени
кандидата/доктора экономических наук, затрагивающих проблему
смены технологических укладов. Среди них: «Новый технологиче-
ский уклад в трансформирующейся экономической системе: инно-
вационный аспект» Р.М. Макеева (Тамбов, 2006), «Технологические
уклады и их влияние на формирование экономических структур
и институтов» Д.А. Ключищева (Воронеж, 2005), «Влияние техноло-
гических укладов на становление и развитие институциональных
структур» О.И. Резяпкина (Саратов, 2004), «Смена технологических
укладов и формирование инновационного потенциала национальной
экономики» Е.А. Назаровой (Ярославль, 2007), «Методы и модели
84 Глава 2

управления сменой технологических укладов в машиностроении»


О.Ю. Паньшиной (Уфа, 2009), «Приоритетное ресурсное обеспече-
ние воздействия новых технологических укладов на формирование
экономических структур» Н.П. Модебадзе (Нальчик, 2006).

2.1.1. Структура технологических укладов


Новый подход к исследованию экономической динамики предо-
пределяет и новое представление экономической структуры. Для
исследования процессов технико-экономического развития (ТЭР)
важно выработать такую точку зрения на экономическую реаль-
ность, которая обеспечила бы «прозрачность» экономической систе-
мы в процессе технических изменений. «Прозрачность» обеспечива-
ется устойчивостью элементов системы и взаимосвязей между ними.
Предполагается выбрать такой её основной элемент, который не
только сохранял бы целостность в процессе технологических сдви-
гов, но и был бы носителем технологических изменений, т.е. не тре-
бовал бы дальнейшей дезагрегации для их описания и измерения.
В качестве указанного элемента была предложена совокупность
технологически сопряжённых производств, сохраняющая целост-
ность в процессе своего развития [14]. Посредством однотипных
технологических цепей (ТЦ) такие совокупности объединяются в ус-
тойчивую самовоспроизводящуюся целостность, конгломерат со-
пряжённых производств – технологический уклад (ТУ). Последний
охватывает замкнутый воспроизводственный цикл – от добычи при-
родных ресурсов и профессиональной подготовки кадров до непро-
изводственного потребления. Исходя из такого представления тех-
нологической структуры экономики, её динамика может быть
описана как процесс развития и последовательной смены технологи-
ческих укладов.
В рамках ТУ осуществляется замкнутый макропроизводствен-
ный цикл, включающий добычу и получение первичных ресурсов,
все стадии их переработки и выпуск набора конечных продуктов,
удовлетворяющих соответствующий тип общественного потребле-
ния. ТУ, рассматриваемый в динамике функционирования, пред-
ставляет собой воспроизводящуюся целостность – воспроизводст-
венный контур (ВК). ТУ, рассматриваемый в статике, может быть
охарактеризован «как некоторая совокупность подразделений, близ-
ких по качественным характеристикам технологии ресурсов и вы-
пускаемой продукции», т.е. как хозяйственный уровень. Он харак-
Моделирование траектории мирового технико-экономического развития 85

теризуется единым техническим уровнем составляющих его про-


изводств, которые связаны вертикальными и горизонтальными
потоками качественно однородных ресурсов и опираются на об-
щие ресурсы квалифицированной рабочей силы, общий научно-
технический потенциал и пр.
Таким образом, рассматриваемый в статике и в динамике ТУ со-
храняет свою целостность и содержание. Это обстоятельство делает
использование понятия ТУ весьма конструктивным при исследова-
нии технологических сдвигов, обеспечивающим «прозрачность»
представления технологической структуры экономики и в статике,
и в динамике.
ТУ обладает сложной внутренней структурой. Его ядро образует
совокупность базисных технологических процессов, лежащих в ос-
нове соответствующих базисных технологических совокупностей
(ТС) и сопряжённых посредством дополняющих технологических
процессов. ТЦ, составляющие ТУ, охватывают ТС всех уровней пе-
реработки ресурсов и замыкаются на соответствующий тип непроиз-
водственного потребления. Последний, замыкая воспроизводствен-
ный контур ТУ, служит одновременно важнейшим источником его
расширения, обеспечивая воспроизводство трудовых ресурсов соот-
ветствующего качества.
Современный этап научно-технического прогресса характеризу-
ется зарождением нового технологического уклада, под которым,
согласно С. Глазьеву, понимается некоторая совокупность сопря-
женных производств, находящихся примерно на одном и том же
уровне технического развития. Образуется экономическая система,
способная осуществлять процесс собственного воспроизводства за
счет внутренних ресурсов. Научно-технический прогресс в долго-
срочной перспективе проходит путем замещения традиционного
технологического уклада новым инновационным (рис. 2.1).
Последовательное замещение технологических укладов как со-
вокупности технологически сопряженных производств и основы
технологического развития осуществляется путем создания опере-
жающих научно-технических, конструкторских, технологических и
инвестиционных заделов, являющихся важнейшим стратегическим
ресурсом для реализации оптимистической концепции развития на-
циональной экономики, равно как и отдельных хозяйствующих
субъектов. Одним из ключевых факторов, обеспечивающих эконо-
мическое превосходство в условиях конкуренции, является введение
86 Глава 2

в хозяйственный оборот нововведений (инноваций, объектов интел-


лектуальной собственности, нематериальных активов).

Рис. 2.1. Схема перехода технологических укладов

Согласно теории Кондратьева, научно-техническая революция


развивается волнообразно, с циклами протяжённостью примерно
в 50 лет. Доиндустриальные уклады базировались на мускульной,
ручной, конной энергетике человека и животных. Все изобретения
того времени, которые дошли и до нашего времени, касались усиле-
ния мускульной силы человека и животных (винт, рычаг, колесо,
редуктор, гончарный круг, меха в кузнице, механическая прялка,
ручной ткацкий станок). Начиная с 1770 г. экономики ведущих стран
прошли 5 индустриальных технологических укладов (волн).
• Первый технологический уклад (1785–1835 гг.) характеризует-
ся использованием энергии воды в текстильной промышленности,
водных мельниц, приводов разнообразных механизмов.
• Второй технологический уклад (1830–1890 гг.) характеризует-
ся использованием энергии пара и угля: паровая машина, паровой
двигатель, паровоз, пароходы, паровые приводы прядильных и ткац-
ких станков, паровые мельницы, паровой молот. Происходит посте-
Моделирование траектории мирового технико-экономического развития 87

пенное освобождение человека от тяжелого ручного труда. У чело-


века появляется больше свободного времени.
• Третий технологический уклад (1880–1940 гг.) характеризует-
ся использованием электрической энергии, радиосвязи, телеграфа,
бытовой техники, автомобилей, развитием тяжелого машинострое-
ния, электротехнической и радиотехнической промышленности на
основе использования стального проката, новыми открытиями в об-
ласти химии. Отмечается повышение качества жизни. Появились
крупные фирмы, картели, синдикаты, тресты, монополии. Началась
концентрация банковского и финансового капитала.
• Четвертый технологический уклад (1930–1990 гг.) характери-
зуется использованием энергии углеводородов (с использованием
нефти и нефтепродуктов и газа). Это эра массового производства
автомобилей, тракторов, самолетов, различных видов вооружения,
синтетических полимерных материалов, товаров народного потреб-
ления. Появились и широко распространились компьютеры и про-
граммные продукты для них, радары. Начало ядерной энергетики:
атом используется в военных и затем в мирных целях. Организовано
массовое производство на основе конвейерной технологии. На рын-
ке господствует олигопольная конкуренция. Появились транснацио-
нальные и межнациональные компании, которые осуществляли пря-
мые инвестиции в рынки различных стран.
• Пятый технологический уклад (1985–2035 гг.) опирается на
достижения в области электроники и микроэлектроники, атомной
энергетики, информационные технологии, генную инженерию. На-
чало нано- и биотехнологий, освоение космического пространства,
спутниковая связь, видео- и аудиотехника, Интернет, сотовые теле-
фоны. Глобализация с быстрым перемещением продукции, услуг,
людей, капитала, идей. Происходит переход от разрозненных фирм
к единой сети крупных и мелких компаний, соединенных электрон-
ной сетью на основе Интернета, осуществляющих тесное взаимо-
действие в области технологий, контроля качества продукции, пла-
нирования инноваций.
Шестой технологический уклад (2010–2050 гг.) – нано- и био-
технологии, наноэнергетика, молекулярная, клеточная и ядерная
технологии, робототехника, искусственный интеллект, лазерная тех-
ника, компактная и сверхэффективная энергетика, отход от углево-
дородов, использование водорода в качестве экологически чистого
энергоносителя; новые медицина, бытовая техника, виды транспорта
88 Глава 2

и коммуникаций; использование стволовых клеток, инженерия жи-


вых тканей и органов, восстановительная хирургия и медицина, суще-
ственное увеличение продолжительности жизни человека и животных,
высокие гуманитарные технологии, повышение способностей человека
и организаций, проектирование будущего и управление им, технологии
сборки и уничтожения социальных субъектов.
Следует отметить важную характеристику смены технологиче-
ских укладов: открытие, изобретение всех новшеств начинается зна-
чительно раньше их массового освоения, т.е. их зарождение проис-
ходит в одном технологическом укладе, а массовое использование
в следующем. Другими словами, имеет место инерция делового
и политического мышления бизнес- и политэлиты. Капитал переме-
щается в новые технологические сегменты экономики, в которых
менеджмент готов к перемещению.
Страны, общества быстрее почувствовавшие новации нового
технологического уклада, быстрее входят в него и оказываются ли-
дерами (Англия – второй технологический уклад, США, Япония,
Корея – четвертый технологический уклад, США, Китай, Индия –
пятый технологический уклад).
Россия, будучи в составе СССР, выбивалась в технологические
лидеры лишь однажды – в четвертомм технологическом укладе,
с 1930 по 1970 г., наряду с США, Западной Европой и Японией.
Однако в 1990-х годах, в отличие от других успешно развиваю-
щихся стран, наращивающих производство товаров с высокой до-
бавленной стоимостью, в России увеличение ВВП обеспечивалось
главным образом экспортом энергоносителей и ростом торговли.
В структуре промышленного производства резко выросла доля топ-
ливно-энергетического и химико-металлургического комплексов
при сокращении доли машиностроения.
Жизненный цикл ТУ включает четыре фазы – становление, рост,
зрелость и упадок – и имеет характерную форму пульсаций. Первая –
малая пульсация – соответствует фазе становления, когда расши-
рение производств, составляющих ТУ, осуществляется в неблаго-
приятной экономической среде, определяемой доминированием
предшествующего ТУ. В этой фазе развитие ТУ ограничено как от-
носительной неэффективностью составляющих его технологий, так
и сопротивлением хозяйственных организаций и институтов, свя-
занных с воспроизводством предшествующего ТУ. Лишь с форми-
рованием целостного ВК нового ТУ и при соответствующих инсти-
Моделирование траектории мирового технико-экономического развития 89

туциональных изменениях создаются условия для быстрого расши-


рения нового ТУ, что принимает форму второй – большой – пульса-
ции (рис. 2.2).

Рис. 2.2. Жизненный цикл технологического уклада


Наличие в экономической структуре целостных воспроизводя-
щихся комплексов сопряженных производств обусловливает нерав-
номерность НТП. Вопреки распространенным упрощенным пред-
ставлениям об НТП как о постоянном процессе совершенствования
общественного производства путем постепенного «вымывания» ус-
таревших и внедрения новых продуктов и технологий реальное тех-
нико-экономическое развитие происходит путем чередования этапов
эволюционного совершенствования и периодов структурной пере-
стройки экономики, в ходе которых осуществляется внедрение ком-
плекса радикально новых технологий и замещение ими старых.
Содержание этапа НТП составляет развитие производств соот-
ветствующего ТУ, замещение которых обусловливает периодически
совершающиеся структурные перестройки экономики. Между по-
следовательно сменяющими друг друга этапами НТП (и соответст-
вующими ТУ) имеется преемственность. В результате развития
предшествующего этапа формируется материально-техническая база
для становления последующего. Зарождение нового ТУ происходит
в недрах старого, и в своем дальнейшем развитии он приспосаблива-
ет производства, сложившиеся в ходе предыдущего этапа НТП, к
потребностям технологических процессов, составляющих его ядро.
90 Глава 2

В рыночной экономике становление и смена ТУ проявляются


в форме длинных волн экономической конъюнктуры. В зависимости
от фазы жизненного цикла ТУ – становления, роста, зрелости или
упадка – меняются темпы экономического роста и уровень экономи-
ческой активности. Они повышаются в фазе становления, достигают
максимума в фазе роста, после чего с исчерпанием возможностей
совершенствования входящих в ТУ производств и насыщением со-
ответствующих общественных потребностей снижаются, достигая
минимума в фазе упадка.
В этой фазе под влиянием резкого падения прибыльности капи-
тальных вложений в традиционные технологии происходит внедре-
ние радикальных нововведений (НВ), формирующих ядро нового
ТУ. С распространением НВ начинается новый цикл волнообразного
изменения экономической конъюнктуры, связанный с расширением
нового ТУ и замещением им предшествующего. При этом в силу
механизма рыночной самоорганизации происходит синхронизация
НВ и сдвигов в различных секторах (машиностроении, производстве
конструкционных материалов, сырья, энергоносителей, в строитель-
стве, в используемых средствах транспорта и связи). В основе син-
хронизации радикальных НВ лежит их технологическая взаимо-
обусловленность. Они стимулируют и дополняют друг друга.
Радикальные открытия и изобретения в одной отрасли остаются не-
реализованными или не получают необходимого распространения,
пока не появятся соответствующие новшества в других отраслях
и не сформируются необходимые условия для развития целостной
системы сопряженных производств.
В свою очередь достижение фазы зрелости и пределов роста
производствами одного ТУ происходит более или менее одновре-
менно вследствие насыщения общего для них типа непроизводст-
венного потребления и исчерпания возможностей технологического
совершенствования в объединяющих их технологических цепях.

2.1.2. Развитие и взаимодействие технологических укладов


В силу закономерностей воспроизводства общественного капи-
тала жизненный цикл ТУ в рыночной экономике отражается в спе-
цифической форме длинной волны (ДВ) экономической конъюнкту-
ры. Так называемые длинные волны, или волны Кондратьева,
являются предметом изучения особого направления экономических
исследований – анализа долговременных процессов общественного
Моделирование траектории мирового технико-экономического развития 91

воспроизводства. Его результаты и достижения теоретически


оформлены в виде различных теорий длинных волн (ТДВ). Некото-
рые из установленных в ТДВ причин неравномерности ТЭР могут
быть использованы для объяснения механизма взаимодействия и за-
мещения ТУ. Прежде всего, это относится к ТДВ, разработанным на
основе эволюционного подхода и исследующим механизмы взаимо-
действия технологических изменений и социально-экономических
институтов. В частности, ТУ может быть представлен как система
взаимосвязанных технологических парадигм в различных отраслях
промышленности, а исследованный Дж. Доси механизм формирова-
ния технологических траекторий представляет собой важную со-
ставляющую механизма образования ВК нового ТУ. Введённое Пе-
рес-Перес понятие технико-экономической парадигмы отражает
взаимодействие ТУ с социально-экономическим окружением, опо-
средующее процессы их становления, роста и замещения. Большое
значение для объяснения процесса формирования ТУ имеют резуль-
таты исследований феномена кластеризации НВ в фазах депрессии
и оживления ДВ, частично охарактеризованные выше, а также рас-
крытая в ряде ТДВ взаимосвязь и взаимообусловленность техноло-
гических сдвигов в машиностроении, в конструкционных материа-
лах, в топливно-энергетическом комплексе, в производственной
инфраструктуре и в непроизводственном потреблении.
Вот почему актуальным является моделирование процесса смены
технологического уклада через построение модели траектории техни-
ко-экономического развития (ТЭР), определение значимых индикато-
ров ТЭР, оказывающих влияние на формирование экономического
потенциала Российской Федерации в условиях зарождающегося укла-
да, повышение эффективности научно-технической политики в Рос-
сии за счет использования мер, направленных на опережающее разви-
тие базисных производств и переход к новому технологическому
укладу. Все это и определило тему настоящего исследования.

2.2. АНАЛИЗ МИРОВОЙ ЭКОНОМИКИ:


ОСНОВНЫЕ МЕТОДОЛОГИЧЕСКИЕ ПОДХОДЫ
Моделирование мировой динамики ведет свое начало с докладов
видного американского ученого Дж. Форрестера знаменитому Рим-
скому клубу в конце 1960-х – начале 1970-х годов относительно
применения разработанных им моделей системной динамики для
92 Глава 2

целей долгосрочного эколого-экономического прогнозирования [76].


Главный вопрос, который интересовал тогда Римский клуб, состоял
в определении степени устойчивости экономической модели, гос-
подствовавшей на Западе после Второй мировой войны. Эта модель
предполагала динамичный рост и неограниченное расширение при
использовании ресурсоемких технологий. Доклады Форрестера по-
казали, что продолжение стратегии ресурсоемкого роста в условиях
наступившего в тот период небывалого демографического роста не-
избежно приведет либо к острой нехватке ресурсов в мире, либо
к катастрофическому загрязнению окружающей среды.
В последние годы в мире наблюдается новый подъем активно-
сти в области геополитического и социально-экономического
прогнозирования будущего. Наряду с глобальными экологиче-
скими и энергетическими вызовами это связано с существенным
обострением продовольственной проблемы, вызванной значи-
тельным ростом численности населения Земли. Нагрузка на ок-
ружающую среду продолжает быстро расти, несмотря на развитие
технологий и усилия общественных организаций. Фактически че-
ловечество уже вышло за разумные пределы и попало в область
неустойчивого развития.
Многие отечественные и зарубежные авторы, исследующие тео-
рию длинных волн, отмечают для разных стран однонаправленное
сходство технологических изменений и динамики ТЭР во многих
отраслях экономики. Причем это справедливо для стран как с ры-
ночной, так и директивно управляемой экономикой. Выявлена тен-
денция к синхронизации макроэкономических колебаний и техноло-
гических изменений [4, 14].
Это объясняется общемировым рынком и расширением меж-
дународных экономических связей – товары, капитал, информа-
ция, рабочая сила распространяются в глобальном мировом мас-
штабе.
Синхронизация технологических сдвигов в разных странах
тем выше, чем сильнее они интегрированы друг с другом и с ми-
ровой экономикой и чем меньше препятствий для развития внеш-
неэкономических связей. При этом чем значительнее отдельная
страна экономически связана со странами-лидерами технологиче-
ских изменений соответствующего ТУ, тем выше уровень син-
хронизации траектории ее ТЭР с глобальной технико-
экономической динамикой.
Моделирование траектории мирового технико-экономического развития 93

Преимущества получают те страны, которые первыми начали


освоение базисных производств нового ТУ. Накапливая производст-
венный опыт, они захватывают иностранные рынки, благодаря чему
удлиняют для себя жизненный цикл ТУ. Рост нового ТУ происходит
с того времени, когда возможности прибыльного расширения произ-
водства продукции предыдущего ТУ исчерпываются в масштабах
мирового рынка.
Благодаря международной торговле и переливу капитала
происходит синхронизация распространения ТУ в разных стра-
нах в поздний период его жизненного цикла. В современных ус-
ловиях становление и замещение ТУ приобретают глобальный
характер, когда в считанные годы производственно-технические
новшества распространяются из стран-лидеров на периферию
мирового рынка.
Каждая страна, включающаяся в международное разделение
труда, вынуждена развивать производства, отвечающие потребно-
стям производственно-технических систем, лежащих в основе траек-
тории ТЭР стран-лидеров, генерирующих технологические сдвиги
в масштабах мировой экономики. Хотя страны с директивно управ-
ляемой экономикой и изолированы от механизмов международного
перелива капитала и труда, опосредующих технологические сдвиги в
мировом рыночном хозяйстве, эти страны вынуждены имитировать
зарубежные НВ, чтобы удержаться в числе развитых государств.
Значительные отклонения в техническом развитии народного хо-
зяйства от глобальной траектории ТЭР могут привести к крупным
потерям национального богатства.
Многие авторы отмечают, что интеграция новых стран в чис-
ло технически развитых государств осуществляется, как правило,
в фазах роста очередного ТУ. Это происходит в случаях, когда
соответствующим странам удастся в периоды замещения ТУ и
структурной перестройки мировой экономики создать в нацио-
нальных экономиках конкурентоспособные производства нового
ТУ. Принципиальная возможность этого в экономически отста-
лых странах заложена в отсутствии значительных производствен-
ных мощностей устаревающего ТУ, а соответственно и проблемы
высвобождения связанного в них капитала. Отсутствие вложенно-
го в устаревшие производства капитала позволяет этим странам
избежать отрицательных последствий структурного кризиса ми-
ровой экономики и облегчает создание производственно-
94 Глава 2

технических систем нового ТУ, которые в начальной фазе его


жизненного цикла, как правило, не являются капиталоёмкими. Их
последующее воспроизводство с установлением нового ТУ в ми-
ровой экономике приносит значительную сверхприбыль (источни-
ком которой является временная в масштабах мировой экономики
монополизация использования соответствующих технологий нового
ТУ). Накопление и использование избыточной прибыли для мо-
дернизации национальной экономики вводит соответствующую
страну в число экономически развитых государств и в обще-
мировой ритм ТЭР.
Включению отдельной страны в число развитых государств спо-
собствуют ее внутренние социально-экономические и научно-
технические признаки: достаточно развитый промышленный потен-
циал, наличие широких слоев образованного населения, доступ
к внешним источникам информации, капитала и ресурсов. Все эти
условия формируются в ходе жизненного цикла предшествующего
ТУ. Воспроизводство последнего создает предпосылки для станов-
ления следующего ТУ, который не может быть создан «на пустом
месте». В то же время для формирования этих предпосылок совсем
не обязательно развивать производства предшествующего ТУ до
уровня развитых стран. Технологические сдвиги в развивающихся
странах до их включения в число развитых государств не имеют ба-
зиса для внутреннего воспроизводства и лишь индуцируются рит-
мом ТЭР мировой экономической системы.
Предваряя результаты сравнительного измерения ТЭР, следует
заметить, что хотя страны, объединенные международным разделе-
нием труда, развиваются по общим направлениям технико-
экономической эволюции, они существенно разнятся по абсолютно-
му уровню показателей ТЭР (измеряемых в относительных едини-
цах – на одного жителя или единицу национального дохода), даже
если находятся на одном уровне ТЭР. Это объясняется исторически-
ми, культурно-психологическими, природно-климатическими и про-
чими особенностями каждой страны, которые находят отражение
в её экономической структуре.
Как отмечает С.Ю. Глазьев, однонаправленность ТЭР в масшта-
бах всей мировой экономики позволяет ввести понятие эталонной
траектории ТЭР, отражающей усредненные в мировом масштабе
темпы и форму этого процесса, глобальный ритм ТЭР. Эталонная
траектория, отражая общие для всех стран тенденции ТЭР и описы-
Моделирование траектории мирового технико-экономического развития 95

вая единые для всех направления технико-экономической эволюции,


может служить средством определения места каждой страны в гло-
бальной экономической динамике, а также способом оценки уровня
и темпов технического развития национальных экономик. Эталонная
траектория ТЭР, отражая общие для всех стран направление и ритм
ТЭР, задает координаты для оценки технического развития нацио-
нальных экономик и масштаб измерений процессов ТЭР [14,15].
Для разработки прогнозных рекомендаций направлений науч-
но-технической политики потребуется правильная оценка уровня
технического развития национальной экономики, ее положения
в мировом ТЭР.
Каждая национальная экономика имеет собственную прогноз-
ную траекторию будущего ТЭР. Её планирование возможно только
в форме приблизительных сценариев, на основе общемировых тен-
денций ТЭР. Наиболее важная из них заключается в положении
страны в межстрановой иерархии ТЭР. В зависимости от того, вхо-
дит ли она в число стран-лидеров текущего доминирующего ТУ,
находится ли на периферии общемировых технологических сдвигов
или вообще не включена в глобальный ритм ТЭР, существуют раз-
ные рациональные стратегии национального ТЭР и описывающие их
траектории. Для проведения такой оценки и необходима эталонная
траектория ТЭР, которая задаст общую для всех стран систему от-
счета и масштаб. Она служит основой для измерений технического
развития национальных экономик.
Эталонная траектория ТЭР должна отражать наиболее характер-
ные изменения технологической структуры экономики, инвариант-
ные по отношению к национальным особенностям.
Глобальные технологические изменения генерируются стра-
нами, лидирующими в ходе жизненного цикла соответствующих
ТУ. Хотя технологические сдвиги, составляющие содержание
жизненного цикла каждого ТУ, происходят в масштабах мирового
рынка, экономическая структура стран-лидеров наиболее полно
отражает структуру соответствующих ТУ, а динамика их ТЭР –
эволюцию этих ТУ. Поэтому в качестве эталонной траектории
ТЭР может рассматриваться траектория фактического ТЭР стран-
лидеров соответствующих ТУ. Недостатком такого выбора эта-
лонной траектории является смещённость получаемых при её ис-
пользовании оценок национальных траекторий ТЭР, обусловлен-
ная относительно более высоким уровнем расширения
96 Глава 2

доминирующего ТУ в странах-лидерах по сравнению со страна-


ми-последователями. Однако эта смещённость может быть легко
учтена при интерпретации получаемых результатов.
Использование закономерностей ТЭР позволяет добиться досто-
верности межстрановых сопоставлений на основе сравнения дина-
мики показателей ТЭР. Соответственно и эталонная траектория ТЭР
задаёт не столько абсолютный масштаб технологических сдвигов,
сколько масштаб их развёртывания во времени, определяемый рит-
мом замещения технологических укладов.
При сопоставлении динамики эталонной и национальных траек-
торий ТЭР в качестве единицы измерения используется время, тре-
бующееся той или иной стране для прохождения соответствующего
этапа технического развития в рассматриваемой области или в це-
лом по народному хозяйству. Заметим, что размерность этой вели-
чины обратно пропорциональна размерности скорости, определяе-
мой как пройденный в среднем путь за единицу времени. При
оценке скорости технического развития в качестве меры использует-
ся отношение этой величины к ее эталонному значению, имеющее
размерность относительной величины. Темпы ТЭР могут быть также
выражены в порядковой или номинальной шкале.
Таким образом, использование эталонной траектории ТЭР, кон-
струируемой исходя из общих закономерностей и содержания об-
щемирового ТЭР, служит одной из ключевых предпосылок измере-
ния технического развития любой национальной экономики.
Методологические подходы к построению математических
макромоделей, описывающих динамику социально-экономичес-
кого развития, обычно опираются на сложившуюся во второй по-
ловине ХХ в. неоклассическую экономическую теорию. Часто
используется неоклассическая модель долгосрочного экономиче-
ского роста Солоу [33], основанная на традиционной производст-
венной функции Кобба–Дугласа:
Y = AK a L1-a ,
где K – капитал; L – рабочая сила; A – технический прогресс или со-
вокупная производительность факторов, α – доля дохода, которая
обеспечивается за счет роста капитальных затрат.
Под техническим прогрессом Солоу понимает не только но-
вые технологии, но и новый уровень знаний и умений рабочей
силы, новые материалы, новые формы организации производства.
Модель Солоу основана на принятии гипотезы совершенной кон-
Моделирование траектории мирового технико-экономического развития 97

куренции и допускает непрерывную взаимозаменяемость между


трудом и капиталом.
В качестве базовой экономики для сопоставлений обычно
принимают экономику США, которая рассматривается на теку-
щий момент как мировой лидер по использованию передовых
технологий и достигнутому уровню производительности труда.
Рост ВВП США постулируется на уровне роста производительно-
сти труда, составляющего 2% в год, и прогнозов ООН о числен-
ности работоспособного населения.
Используя описанную методологию компьютерного моделиро-
вания, специалисты корпорации «Прайс Уотерхаус Куперс» дали
анализ относительной мощи экономик 17 крупнейших стран мира
с точки зрения паритета покупательной способности. К данным
странам относятся страны «Большой семерки» (США, Япония, Гер-
мания, Великобритания, Франция, Италия, Канада), Испания, Авст-
рия, Южная Корея, а также семь крупнейших стран с развивающейся
рыночной экономикой, которые обозначены в работе как «7 стран
с быстро развивающейся экономикой» (Китай, Индия, Бразилия,
Россия, Индонезия, Мексика и Турция) [139].
Главным недостатком рассмотренной модели является то, что
в ее основе лежит экономика предложения. Следовательно, модель
игнорирует фактор платежеспособного спроса и исходит только из
ожидаемой динамики факторов производства. Однако эпоха эконо-
мики предложения ушла надолго вместе с неоклассической эконо-
мической теорией. Снова наступает эпоха экономики спроса, кейн-
сианская эпоха. Отсюда следует, что новые динамические
макромодели должны строиться с учетом совместного действия рав-
новесного долгосрочного роста и циклических колебаний вокруг
него, определяемых соотношением спроса и предложения. Это
и есть основное направление для усовершенствования используемых
сегодня математических макромоделей динамики социально-
экономического развития.
Следует отметить, что анализ мировой экономики – это
сложный процесс, включающий ряд этапов, каждый из которых
предполагает применение множества различных приемов и ме-
тодов, объединяемых принципами системной методологии. Об-
щая технология анализа и применения методов математико-
статистического исследования состояния и тенденций развития
экономики представлена в табл. 2.1.
98 Глава 2

Таблица 2.1. Описание методов анализа состояния и развития экономики

Основной математико-
Задачи, решаемые при
Этапы диагностиче- статистический инстру-
помощи математиче-
ского анализа ментарий, применяемый
ских и статистических
экономики региона в диагностическом ана-
методов
лизе мировой экономики
1 2 3
Статистическое наблю- Научно организованный
Создание исходной
дение, в том числе выбо- сбор информации об
базы данных
рочное экономике страны
Основной математиче-
Определение перечня
ский инструментарий,
индикаторов (парамет-
применяемый в диагно-
ров), их пороговых зна-
Диагностический ана- стическом анализе эко-
чений, интегрального
лиз экономики страны номики страны: индика-
критерия общего эко-
тивный, дискриминант-
номического благосос-
ный, нейросетевой ана-
тояния страны
лиз и др.
Классификация объектов
(индустриально развитых
Многомерные математи- стран и стран с быстро
ко-статистические мето- развивающейся экономи-
Идентификация объек- ды: кластерный, компо- кой) по одному или не-
та диагностического нентный, дисперсион- скольким признакам для
исследования ный, метод распознава- определения однородных
ния образов. Статисти- групп. Оценка «места»
ческие группировки объекта в мировом эконо-
мическом пространстве
Сравнительная характе-
ристика объекта иссле-
Индексный метод, ана- дования во времени и
лиз структуры и струк- пространстве с анало-
Сравнительный анализ турных сдвигов, ряды гом или несколькими
объекта исследования, динамики, показатели аналогами «нормой»,
оценка влияний раз- вариации. Корреляцион- средними значениями
личных факторов, ус- но-регрессионный ана- параметров и др. Анализ
ловий на объект диаг- лиз, факторный анализ, стохастической зависи-
ностического метод главных компо- мости: построение рег-
исследования нент, непараметрические рессионных моделей в
показатели связи, ин- статике по исходным
дексный метод данным, по главным
компонентам. Оценка
тесноты связи
Моделирование траектории мирового технико-экономического развития 99

Окончание табл. 2.1


1 2 3
Моделирование и про- Методы прогнозирова- Изучение основной тен-
гнозирование эконо- ния: неформализован- денции развития эконо-
мики индустриально ные, методы экстрапо- мики или ее отдельных
развитых стран и стран ляции временных рядов, составляющих при по-
с быстро развиваю- корреляционно- мощи статистических
щейся экономикой регрессионный метод, методов прогнозирова-
методы нечеткой логики ния

На этапе создания исходной базы данных происходит научно ор-


ганизованный сбор информации при помощи статистического на-
блюдения. Исходная база данных может быть выражена:
– в виде статистической отчетности, характеризующей объем
и структуру производства страны в различных аспектах (производ-
ственные показатели, финансовые показатели и т.д.);
– в виде показателей объема и структуры валового внутреннего
продукта и т.д.
На этапе анализа и оценки состояния экономики страны решает-
ся ряд методологических задач, связанных с определением характе-
ристик состояния той или иной территориальной системы при по-
мощи статистических методов и приемов исследования. Здесь могут
быть также использованы понятия других наук, например экономи-
ческой теории, права, политологии, социологии, экологии, демогра-
фии, географии и т.д.
Специальные, чаще всего многомерные математико-статистические
и непараметрические методы, используются для идентификации
объекта диагностического исследования. На данном этапе дается
характеристика стране с точки зрения уровня социально-эконо-
мического развития («отсталый», депрессивный, приграничный
и т.д.). Также разрабатывается оценка «места» страны в мировом
экономическом пространстве, которая, в частности, позволяет опре-
делить, к какой группе субъектов относится та или иная страна.
На этапе сравнительной оценки объекта исследования возникает
проблема «эталона». Это связано не только со сложностью выбора базы
для сравнения различных параметров, но и по причине меняющихся
приоритетов и возможностей государства и общества. Существуют раз-
личные подходы к определению индикаторов «эталонного состояния»
страны. Прежде всего, параметры изучаемой страны можно сравнить со
средними значениями этих же параметров по группе субъектов (напри-
мер, средние по континенту или группе стран, сходных по природно-
100 Глава 2

климатическим условиям, уровню развития, структуре хозяйства и др.).


Также можно провести сравнение со страной-лидером в рассматривае-
мой группе стран. Как вариант предлагается сравнение значений пара-
метров страны с искусственно созданным «идеальным» состоянием для
случая эффективного использования ресурсов и реализации оптималь-
ной стратегии технико-экономического развития.
Из перечисленных выше методов диагностического исследова-
ния экономики стран наиболее приоритетным направлением, на наш
взгляд, является применение многомерных математико-статистичес-
ких методов, использующих для анализа количественные и качест-
венные признаки. Это обусловлено, во-первых, многочисленностью
объектов, формируемых в однородные группы; во-вторых, сущест-
венным влиянием случайных факторов на экономическое развитие
страны: в-третьих, наборами показателей, характеризующих эконо-
мическое развитие территориальных объектов.
На рис. 2.3 показаны обобщенные и частные задачи диагности-
ческого исследования экономики стран, решаемые при помощи мно-
гомерных математико-статистических методов.

Рис. 2.3. Многомерные математико-статистические методы анализа экономики


Моделирование траектории мирового технико-экономического развития 101

Смысл методов первой группы сводится к структурированию


данных, преобразованию исходного набора факторов, т.е. замене
некоторыми линейными комбинациями факторов, обладающих ря-
дом полезных свойств, что приводит к уменьшению размерности
признакового пространства без существенной потери информации.
Данные методы решают следующие задачи экономико-
статистического анализа:
– сжатие информации путем описания явления при помощи ко-
личественных и качественных факторов или главных компонент,
число которых значительно меньше количества первоначальных пе-
ременных;
– исследование состояния объектов путем выявления домини-
рующих взаимосвязей корреляционных параметров и их интерпре-
тации:
– обнаружение скрытых (латентных), но объективно сущест-
вующих закономерностей, которые формируются под действием
внутренних и внешних условий на исследуемый процесс;
– анализ и прогнозирование развития объекта на основе регрес-
сионных уравнений, построенных при помощи результатов фактор-
ного и компонентного анализов.
Суть методов второй группы сводится к выделению связанных
групп признаков на основе исследования их взаимосвязей и к выбо-
ру в качестве представителей групп соответствующих исходных
факторов. В основе этих методов лежит приведение матрицы связей
к блочно-диагональному виду таким образом, чтобы вдоль главной
диагонали образовались квадратные блоки с высокими значениями
показателей связи, а элементы, лежащие вне блоков, были сравни-
тельно невелики. Методы экстремальной группировки и корреляци-
онных плеяд представляют собой, по сути, различные алгоритмы
диагонализации матрицы связей, как и методы многомерной клас-
сификации на основе матрицы исходных признаков.
Эффективным средством изучения, прогнозирования и управле-
ния сложными экономическими системами является использование
математических средств, которые позволяют создать общий подход
к управлению, не полностью зависящий от формальных методов ко-
личественного анализа и обладающий большими возможностями,
в частности, ориентированный на перспективу. С развитием различ-
ных экономических условий возникает необходимость учета боль-
шого числа взаимосвязанных факторов, среди которых могут быть
102 Глава 2

и плохо формализуемые. В качестве методов учета плохо формали-


зуемых ограничений можно использовать методы распознавания
образов. С помощью этих методов можно добиться того, чтобы все
процессы формализации при моделировании территориально-
экономических систем были по возможности объективными. При-
менение методов распознавания образов при моделировании позво-
ляет идти от объекта исследования, а не от заранее заданной схемы.
С помощью итерационных методов распознавания образов можно
осуществлять последовательную «подгонку» моделей к реальности.
Сочетание методов теории распознавания образов и нечетких
множеств (нечеткой логики) позволяет решить проблему «нестати-
стических» неопределенностей, присущих процессам развития пере-
ходных экономик.
Таким образом, только системное использование математико-
статистических методов, приемов и показателей обеспечит на прак-
тике всесторонний анализ экономических явлений и процессов, про-
исходящих в мировой экономике. Научно обоснованный анализ яв-
ляется базовым фундаментом разработки сценариев развития
мировой экономики и стратегии госрегулирования стихийно-
рыночных процессов.

2.3. РАЗРАБОТКА КРИТЕРИЕВ И ПРИОРИТЕТОВ


АНАЛИЗА ТЕХНИКО-ЭКОНОМИЧЕСКОГО
РАЗВИТИЯ СТРАН В УСЛОВИЯХ ПЕРЕХОДА
МИРОВОЙ ЭКОНОМИКИ ОТ ДОМИНИРУЮЩЕГО
К ФОРМИРУЮЩЕМУСЯ ТЕХНОЛОГИЧЕСКОМУ
УКЛАДУ
Одной из важнейших задач настоящего исследования является
анализ ситуации в важнейших секторах экономики с точки зрения
проблем сложного взаимного влияния технологических укладов
в процессе перехода. Для этого были проведены экспертный опрос
и семинар. По мнению экспертов, целесообразно введение трех ос-
новных сценарных гипотез для выявления и осмысления проблем-
ных точек взаимодействия технологических укладов.
Первая сценарная гипотеза связана с ситуацией модернизации
отраслей пятого ТУ и их становлением в качестве несущих отраслей
шестого ТУ, что может происходить только на основе инновации
Моделирование траектории мирового технико-экономического развития 103

перспективных критических технологий в технологические цепочки


базисных производств.
Вторая сценарная гипотеза связана с ситуацией зарождения
и формирования новых отраслей, которые станут основанием шесто-
го ТУ; этот сценарий предполагает анализ показателей и факторов
нарастания конкурентоспособности таких новых отраслей по отно-
шению к базисным производствам и несущим отраслям пятого ТУ.
Третьим сценарием, отражающим проблемы взаимного влияния
в период перехода, является «отмирание» и исчезновение определен-
ных отраслей и сфер деятельности, основанных на технологиях, уста-
ревающих в связи с распространением новых базисных технологий.
При анализе закономерностей смены технологических укладов
целесообразно использование статистических и экспертных методов
(форсайт), анализа и осмысления мирового опыта развития такого
рода ситуаций.
Экспертами определён один из признаков анализа закономерно-
стей смены технологических укладов. Перед исследователями стоит
задача предварительного определения признаков шестого техноло-
гического уклада. Для этого в исследовании изучен и взят за основу
«технологический всплеск» в основных зарубежных патентных ор-
ганизациях и бюро. Российскую патентную организацию предпола-
гается не брать за основу из-за отсутствия строгих закономерностей
в регистрации объектов интеллектуальной собственности. Гипотеза:
чем больше скопление (количество) технологий в направлении Х,
тем выше вероятность формирования отрасли (или технологии) шес-
того технологического уклада. Проверяется закономерность через
исторический анализ объектов интеллектуальной собственности
(ОИС) основных зарубежных патентных ведомств, организаций
и бюро. Исторически известно о существовании технологий, кото-
рые в 1990-х, в 2000-х изменили структуру уклада, создав новые
прорывные отрасли. Например, берем поток объектов интеллекту-
альной собственности (ОИС) по направлению сотовых технологий в
динамике. Выстраиваем модель, которая позволит выявить законо-
мерности возникновения технологий и отраслей нового технологи-
ческого уклада, через «технологический (патентный) всплеск». Это
даст возможность подтвердить/дополнить объективность концепции
Глазьева, уточнить отрасли шестого ТУ. При соотношении модели
«технологического (патентного) всплеска» с историческими данны-
ми по внедрению данного направления можно выявить все тенден-
104 Глава 2

ции зарождения и появления шестого, пятого и четвертого ТУ, и на


основе этого выработать все необходимые рекомендации.
Дополнительным критерием поиска технологий (отраслей) ново-
го технологического уклада является стоимостная оценка техноло-
гии. Тезис звучит так: чем большая валовая стоимость скопления
технологий по направлению (отрасли) Х, тем выше вероятность
формирования отрасли (или технологии) шестого ТУ. Таким обра-
зом, мы находим ещё один критерий для исследования.
Через историческую динамику можно выявить умирающие от-
расли и технологии, а также объективно выделить основной показа-
тель и признак – технологии и отрасли будущего шестого ТУ. Про-
верка проводится через новый экспертный опрос.
Решению задачи прогнозирования может помочь статистический
аппарат корреляционного анализа, строящийся на предыдущих зна-
чениях одномерного случайного процесса. Однако это не позволит
устанавливать причинно-следственные связи параметров прогнози-
руемой системы в целом [34]. Очевидно, для повышения качества
прогноза необходимо проводить одновременный анализ сразу не-
скольких доступных показателей, которые в процессе обучения
ранжируются весовыми коэффициентами по уровню значимости для
решения задачи.
При разработке нейросетевой модели эталонной траектории тех-
нико-экономического развития будем использовать комплексный
подход, подразумевающий анализ системы показателей (количест-
венных и качественных), отражающих состояние и динамику эконо-
мики, в том числе динамику ВВП, структуру капитальных вложений,
отраслевую структуру ВВП, уровень и качество жизни, инновацион-
ные показатели (внутренние затраты на исследования и разработки,
объем государственных инвестиций в наукоемкое производство, ко-
личество научных публикаций, результаты патентного анализа
и т.д.), а также согласно концепции А.А. Акаева – В.А. Садовниче-
го – показатели сбалансированности отраслевой и технологической
структуры национальной экономики как факторы устойчивости ТЭР.
Таким образом, принимая за основу теорию Глазьева, предполагает-
ся в нейросетевой модели учитывать и другие показатели, имеющие
в теории технико-экономического развития какой-либо вес, даже
если они не получили убедительного обоснования (очевидны разли-
чия структур Японии и Австралии, Норвегии и Швейцарии, а все эти
страны являются развитыми).
Моделирование траектории мирового технико-экономического развития 105

Эффект выявления закономерности в нейросетевой модели


дает комплексный характер разнородных параметров, не являю-
щихся достаточными по отдельности. Обученная интеллектуаль-
ная модель позволит рассчитать весовые коэффициенты, соглас-
но которым те или иные показатели несут весовую нагрузку
в решение задачи. Данный подход к решению сложноформали-
зуемых задач апробирован при моделировании нефтяных залежей
по комплексу геофизических, геохимических и структурных па-
раметров, имеющих разный вес для прогнозирования нефти,
а также при разработке интеллектуальной нейросетевой системы
анализа финансовой устойчивости сельскохозяйственных пред-
приятий. Обе системы прошли опытно-методическое опробование
и промышленное внедрение в государственных и частных компа-
ниях, защищена кандидатская диссертация, коллектив авторов
отмечен медалью Минпромнауки РФ.
Таким образом, задача прогнозирования сводится к моделиро-
ванию многомерного временного ряда, каждый элемент которого
будет являться одним из связанных параметров системы. Было
показано [51], что для решения таких задач наиболее перспектив-
ными с точки зрения эффективности прогноза являются модели
векторной авторегрессии (VAR) и нейронные сети (рис. 2.4). По
оценкам экспертов ЕС, «когнитивные» науки (или нейронауки)
и «умные» системы (междисциплинарные исследования по широ-
кому кругу проблем, связанные с умственной деятельностью) яв-
ляются основным вызовом и направлением развития фундамен-
тальной науки в XXI в.

Рис. 2.4. Структура нейронной сети


106 Глава 2

2.3.1. Выделение качественной компоненты


экономического роста
По мнению участников экспертных семинаров, для выделения
количественной и качественной составляющей экономического рос-
та целесообразно опираться на работу М.Н. Узякова [74], считающе-
го, что оценка темпов экономического роста, требуемая для удвое-
ния ВВП и восстановления позиций России в мировой экономике,
достаточно очевидна (учитывая многолетний спад в российской эко-
номике и мировую экономическую динамику) и легко исчисляема.
Она опирается на предположение о равенстве прочих условий эко-
номического развития, включая условия, определяющие рост каче-
ства и конкурентоспособности продукции. В то же время именно эти
параметры (качество и конкурентоспособность продукции) являются
ключевыми для определения относительного уровня экономическо-
го развития. Понимание этого приводит к выводу о том, что высокие
темпы экономического роста (в их традиционном измерении) еще не
гарантируют уменьшения разрыва в уровне экономического разви-
тия. В этой связи в научный и публицистический оборот были вве-
дены понятия качества роста и качества темпов экономического рос-
та. Однако единого понятия качества роста нет: каждый автор
вкладывает в него свое, отличное от других содержание. При этом
приходится констатировать, что практически нет публикаций, из
которых можно было бы понять, как измерить это качество роста,
как оно влияет на общие требования к перспективной экономиче-
ской динамике и как можно им управлять.
Важно отметить, что в показателях динамики ВВП учитывается
изменение качества продукции и услуг. Качественные характеристи-
ки динамики производства осуществляются за счет как ценовых, так
и структурных факторов. Существующие методики оценки качества
жизни, измерения влияния на экономику технического прогресса
и другие подходы позволяют измерить качественные приращения
в экономике.
Измерение посредством статистики динамики качества продукции
в рамках национальной экономики недостаточны для ее позициониро-
вания с точки зрения уровня и динамики качества в рамках мировой
экономики. Это особенно актуально для XX–XXI вв. – эпохи научно-
технического прогресса и процесса глобализации. Отказ от учета отно-
сительных изменений в уровне качества в рамках мировой экономики
ведет к искажению реальных характеристик экономической динамики и
Моделирование траектории мирового технико-экономического развития 107

относительных оценок развития различных стран. Существенное влия-


ние и на относительные характеристики развития, и на итоговую эко-
номическую динамику оказывает качество роста.
Показательной иллюстрацией некорректности общепринятых
критериев динамики развития и важности учета качественных фак-
торов экономического роста является экономическое состязание
СССР и США во второй половине XX в.
С 1960 по 1990 г. соотношение производства СССР и США остава-
лось в целом на одном и том же уровне: объем производства в СССР
составлял 55–65% от уровня США. При этом в указанный период тем-
пы экономического роста в СССР превышали темпы развития эконо-
мики США в 1,5–2 раза. Количественный подсчет приводит к выводу о
том, что такие соотношения в экономической динамике должны при-
вести к сравнению СССР и США по ВВП, но этого не случилось. Со-
хранение пропорций объемов советской и американской экономик оз-
начает, что 3,2% годового роста экономики США этого периода
соответствует 5,1% роста экономики СССР – не в смысле объемов при-
роста продукции, а в смысле динамики производства. Все дело в том,
что объемные соотношения американской и советской экономик опре-
делялись не темпами роста за предыдущие годы, а фактически склады-
вающимися пропорциями обмена (рис. 2.5).

Рис. 2.5. Соотношение производства СССР и США (1960, 1990 гг.)


108 Глава 2

Принципиально то, что с точки зрения традиционных измерений


экономический рост в СССР происходил существенно более высо-
кими темпами, чем в США, при этом принципиально важен вывод
о несоответствии пропорций объемов производства анализируемых
стран, полученных различными способами. Темп ухудшения про-
порций обмена для советской экономики составил за рассматривае-
мый период 1,42% в год.
Изменение в пользу США пропорций обмена происходило за
счет более мощной качественной составляющей экономического
роста в США (т.е. повышение качества продукции и услуг). Заме-
тим, что улучшение / ухудшение пропорций обмена равнозначно
увеличению / уменьшению производства и повышению / снижению
темпов экономического роста. Если две страны развиваются одина-
ковым темпом, но продукция одной из них обменивается на все
большее количество продукции другой, то темпы роста первой стра-
ны следует считать большими.
Приведенный пример хотя и носит исторический характер, ак-
туален в наши дни, когда результаты проводимых межстрановых
сопоставлений оказываются несопоставимыми с фактическими ха-
рактеристиками роста. Международные сопоставления, основанные
на национальных статистических измерениях, весьма некорректны.
Например, скачки в уровне развития отдельных стран нередко
могут быть объяснены лишь новыми подходами, учитывающими не
только качественные характеристики роста, но и позволяющими
проследить влияние качественных изменений.
Для решения указанной проблемы необходимо сформулировать
определения количественной и качественной компонент экономиче-
ского роста и возможности их сопоставления. При этом важнейшей
является возможность измерения и соизмерения качественного и ко-
личественного компонентов экономического роста.
Существует большое число явлений и понятий, отражающих ка-
чественные стороны экономического развития. К ним, как правило,
относят уровень энергоемкости, отраслевую структуру, состояние
экологии, среднюю продолжительность жизни, структуру доходов и
расходов, инновационные показатели и пр. Сложность при этом со-
стоит в невозможности унификации названных характеристик, что
не позволяет получить единообразные количественные оценки воз-
действия этих факторов на рост экономики.
Моделирование траектории мирового технико-экономического развития 109

Необходимо определить понятие, отражающее значительную


часть важнейших качественных приращений в экономике, которое
поддается количественному измерению. Можно использовать поня-
тие первичных сырьевых ресурсов – совокупность таких первичных
органических и неорганических ресурсов, которые в массовом по-
рядке используются как для потребления населения, так и для даль-
нейшей переработки в процессе материального производства [74].
К числу основных первичных сырьевых ресурсов следует отнести зер-
новые, мясо, рыбу, минеральные строительные материалы, все виды
топлива, руды черных и цветных металлов, древесину, сырье для мас-
совых видов химической промышленности и некоторые другие.
Преимущество первичных сырьевых ресурсов как категория для
проведения расчетов состоит в том, что их можно измерять как отдель-
но, используя натуральные показатели, так и в целом, используя в каче-
стве весов цены, и в том, что они пригодны для других измерений.
В рамках исторического анализа экономического развития важ-
ны анализ и исследование динамики душевого потребления первич-
ных сырьевых ресурсов, а также структурных сдвигов в потреблении
первичных ресурсов. Известно, что наиболее развитые в индустри-
альном отношении государства, обладающие наименьшей энерго-
и материалоемкостью по основным видам ресурсов, потребляют на
душу населения в 1,5–2,5 раза больше первичных сырьевых ресур-
сов, чем страны БРИКС – Россия, Бразилия, Индия и Китай.
Все первичные сырьевые ресурсы делятся на три группы: ресур-
сы, которые можно использовать в качестве продовольствия; конст-
рукционные материалы; топливно-энергетические ресурсы. Исходя
из этого, можно определить структурное деление эволюции процес-
са экономического развития: преобладание использования первич-
ных продовольственных ресурсов (первобытнообщинный строй),
резкое увеличение доли конструкционных материалов (рабовладе-
ние, феодализм); стремительный рост потребления энергоресурсов
(начало индустриализации).
Если вернуться к проблеме качества роста, то достаточно оче-
видно, что при отсутствии качественных изменений в экономике
рост производства на 1% потребует увеличения производства всех
видов первичных сырьевых ресурсов также на 1%. Очевидно и то,
что при любых улучшениях технологии и качества продукции уве-
личение использования сырьевых массовых ресурсов потребуется
менее чем на 1%.
110 Глава 2

Исходя из изложенного, целесообразно ввести показатель «дина-


мика продуктивности первичных ресурсов», который можно измерить
через количественную составляющую экономического роста, динами-
ку внутреннего потребления (динамики производства) первичных
сырьевых ресурсов, таких как топливо, металл, древесина и т.д.
Продуктивность первичных массовых ресурсов поддается измере-
нию, и его можно определить, например, как соотношение ВВП
и стоимости потребленных экономикой первичных массовых ресурсов;
определить, сколько было создано в экономике добавленной стоимости
на единицу стоимости потребленных первичных ресурсов; отражает
научно-технический прогресс. Это второй измеримый показатель.
Учитывая опыт многолетних исследований, отметим очень важ-
ный момент: измеряемый традиционным образом экономический
рост в эталонной стране является интегральной и сопоставимой ха-
рактеристикой роста для исследуемой страны, но это утверждение
верно только для эталонной страны.
Таким образом, измеряемый традиционным способом экономи-
ческий рост в неэталонных странах не может быть интегральной ха-
рактеристикой роста и требует пересчета после окончательного со-
поставления качественной компоненты роста и пропорций обмена.
По данным за 2000 г., объем душевого потребления первичных
ресурсов в США и России оценивается в 2070 и 1210 долл. США
соответственно, т.е. соотношение 1,7. При этом соотношение душе-
вого ВВП, рассчитанное исходя из паритета покупательной способ-
ности национальных валют, равняется приблизительно 5,6. Исходя
из полученных значений, можно рассчитать сложившееся
к настоящему времени соотношение продуктивности использования
первичных ресурсов (5,6 разделить на 1,7). Таким образом, российская
экономика в 2000 г. характеризовалась крайне низкой (в 3,2 раза ниже,
чем в США) продуктивностью первичных ресурсов.
В действительности разрыв в экономическом развитии России и
США (включая разрыв по продуктивности) вполне может быть пре-
одолен за существенно меньший срок при условии опережающего
роста продуктивности в России. Такой значительный разрыв в уров-
не продуктивности связан не с тем, что в США на душу населения
производится в 5–6 раз больше всех видов продукции и услуг,
а с тем, что в силу более высокого индивидуального уровня качест-
ва, а также большей эффективности всей экономики они имеют су-
щественно большую стоимостную оценку.
Моделирование траектории мирового технико-экономического развития 111

Опережающий рост качественных характеристик продукции


и услуг, улучшение на этой основе пропорций обмена являются для
России единственной возможностью осуществить прорывной сцена-
рий развития. Результаты экономического развития России в 1999–
2003 гг. позволяют утверждать, что возможности для реализации
такого сценария в России, в принципе, имеются.
Сопоставим Россию и США на интервале 1991–2003 гг. В США:
среднегодовой темп прироста – 2,8 % (в том числе за счет количест-
венной компоненты – 1,3 %, за счет роста качества – 1,5 %). Для
России: среднегодовой темп прироста –1,8 %, в том числе за счет
количественной компоненты –4,7 %, за счет роста качества +2,9 %.
Таким образом, несмотря на спад производства (по сравнению
с 1990 г.), экономика России в 1991–2003 гг. обеспечила более высо-
кие темпы роста качественной составляющей роста, чем эталонная
страна (США). Следует обратить внимание и на то, что динамика
качественной компоненты в России возросла по сравнению с совет-
ским периодом почти в 3 раза (1,0 и 2,9 %).
В этой связи необходимо отметить, что приведенные выше
оценки не претендуют на абсолютную точность. В то же время они
могут учитываться в признаковом пространстве при моделировании
многомерной траектории технико-экономического развития стран.
Что касается содержательной интерпретации полученного резуль-
тата, то он достаточно очевиден. Реформы, которые проходили так дол-
го и мучительно, с такими потерями, все же начали приносить свои
плоды, в том числе и в производстве. Экономика стала рыночной, уже-
сточились требования к эффективности производства. И эти требования
реализовались. Относительно высокий уровень качественной компо-
ненты экономического роста в России в 1991–2003 гг. явился результа-
том рыночной выбраковки неэффективных производств, структурных
сдвигов в выпуске продукции, повышения однородности технологиче-
ского пространства, улучшения ресурсосбережения, частичного обнов-
ления капитала, а также результатом резкого увеличения таких компо-
нентов рыночного качества и потребительских свойств товара, как
форма, дизайн, упаковка, доставка и т.д.
Необходимо рассмотреть период спада с 1991 по 1998 г. и пери-
од восстановительного роста с 1999 по 2003 г.
Согласно расчетам, и в период спада в России происходили
весьма интенсивные процессы по улучшению качества продукции
и услуг: продуктивность использования первичных ресурсов возрас-
112 Глава 2

тала в среднем на 2,3% в год. С учетом того, что в этот период до-
вольно существенно снизилась динамика качественной компоненты
роста для США (до 0,95 в год по сравнению с 2,3 % в год в среднем
за предыдущее 30 лет), индекс улучшения пропорций обмена для
российской экономики составил 1,016.
В период восстановительного подъема динамика качественной
компоненты роста для России возросла почти до 4% в год. Однако
поскольку в этот период также возросла качественная компонента
роста для США (до 2,4% в год), индекс изменения пропорций обме-
на изменился незначительно – до 1,017 (табл. 2.2, рис. 2.6).
Таблица 2.2. Соотношения составляющих экономической динамики
России и США, %
1991–2003 гг. 1991–1998 гг. 1999–2003 гг.
Показатель
Россия США Россия США Россия США
Среднегодо-
вые темпы
–1,8 2,8 –6,5 2,6 6,3 3,0
прироста
ВВП
В том числе:
количест-
–4,7 1,3 –8,8 1,7 2,3 0,6
венный рост
рост за счет
2,9 1,5 2,3 0,9 4,0 2,4
качества

% 110

100

90

официальные данные

80
с учетом роста
относительного качества

70

60

50
Год
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002
2003

Рис. 2.6. Динамика ВВП России в 1990–2003 гг. к уровню 1990 г.


Моделирование траектории мирового технико-экономического развития 113

С точки зрения корректировки темпов роста приведенные соот-


ношения означают следующее: оценку спада производства в 1991–
1998 гг. необходимо уменьшить с 42 до 35%, оценку роста произ-
водства за 1999–2003 гг. необходимо повысить с 36 до 48%.
В погодовом разрезе динамика экономического роста в России
в 1999–2003 гг. представлена на рис. 2.7.

Рис. 2.7. Оценка динамики ВВП РФ в 1999–2003 гг.


(левый столбец – данные Госкомстата, правый – сопоставимый по качеству
темп роста ВВП)

Таким образом, при разработке экономических программ на пер-


спективу, разработке стратегии развития, а также в рамках сценар-
ных прогнозных расчетов необходимо иметь в виду, что опережение
Россией эталонной страны в качественной компоненте роста всего
на 1 процентный пункт в год добавляет более 1 процентного пункта
экономического роста. Аналогично отставание означает вычитание
этого же процентного пункта.
Вопрос, который возникает по результатам проведенного иссле-
дования, состоит в том, каковы реальные возможности российской
экономики и в дальнейшем обеспечивать опережающую динамику
качественной компоненты роста.
114 Глава 2

Результаты проведенных экспертных опросов говорят о том,


что главной составляющей качественных приращений российской
экономики в перспективе являются технологические разработки
и инновации.

2.3.2. Макроэкономические показатели и индикаторы


инновационного потенциала
Многие эксперты сошлись во мнении, что для оценки состояния
и динамики экономического развития стран мира традиционные
макроэкономические показатели, которые собираются по системе
национальных счетов, неадекватны и несоизмеримы.
Участникам экспертных опросов и семинаров были заданы во-
просы о показателях, которые могут быть существенными при ана-
лизе перехода к шестому технологическому укладу и разработке мо-
дели смены технологических укладов. Например, было предложено
оценить целесообразность использования показателя «высокая про-
изводительность труда». По общему мнению экспертов, такой пока-
затель не может рассматриваться как существенный в силу того, что
он по-разному определяется в методологии отечественной и зару-
бежной статистики. Также было предложено для определения пока-
зателей шестого ТУ взять за основу показатель «инвестиции в пер-
сонал по отраслям», в том числе тезис о том, что больше вложений
отрасли в подготовку и переподготовку кадров (обучение персона-
ла) – признак отраслей шестого ТУ. Однако экспертами было указа-
но на то, что крупные транснациональные корпорации четвертого и
пятого ТУ активно вкладывают средства в обучение персонала для
сохранения лидирующих позиций и недопущения новых отраслей,
могущих заменить старые отрасли. Для рассмотрения экспертами
был предложен такой критерий, как «технологический всплеск»,
фиксируемый через показатели «валовая стоимость скопления тех-
нологий» по направлению (отрасли) и динамика патентования в ос-
новных зарубежных патентных организациях и бюро: чем больше
скопление (количество) технологий в направлении Х, тем выше ве-
роятность формирования отрасли (или технологии) шестого техно-
логического уклада. Экспертами было указано, что при этом важно
рассматривать поток объектов интеллектуальной собственности
(ОИС) по определенным технологиям в динамике. При использова-
нии модели «технологического (патентного) всплеска» в сопостав-
Моделирование траектории мирового технико-экономического развития 115

лении с историческими данными по внедрению технологий можно


выявить все тенденции зарождения и появления различных ТУ.
В результате экспертами были выделены следующие ос-
новные группы показателей и индикаторов мониторинга, ана-
лиза и оценки тенденций, которые позволяют осуществлять мо-
ниторинг и оценивать динамику и тенденции формирования
отраслей нового технологического уклада в рамках перехода от
доминирующего ТУ к следующему:
1) в экономике – темпы роста ВВП; объем ВВП; ВНП на душу
населения; жизненный уровень населения; продолжительность жиз-
ни населения; степень участия государственного бюджета и частно-
го бизнеса в финансировании инноваций; объем и структура инве-
стиций; объем инвестиций в ту или иную отрасль и т.д.;
2) в инновационной деятельности – удельный вес инновацион-
ной продукции, в том числе полученной с помощью нанотехнологий
и наноматериалов; объем инвестиций в перспективные технологии
шестого ТУ; наличие «готовых технологий» по спектру утвержден-
ных критических технологий, их количество; количество НИР, ко-
личество патентов и доля внедренных изобретений и т.д.;
3) в сфере организации НИОКР – доля затрат на НИОКР по от-
ношению к объему реализации товара; статистические данные, пока-
зывающие увеличение публикаций по какой-либо тематике (пер-
спективным технологиям) и увеличение патентов по какой-либо
тематике (перспективным технологиям – далее будет рассмотрен как
«технологический всплеск»), что можно расценить как признак за-
рождающегося нового технологического уклада; тренд финансиро-
вания НИОКР; технологический уровень материальной научной ба-
зы; квалификация коллектива исследователей и т.д.;
4) географические, природно-климатические, исторические, куль-
турно-психологические показатели – наличие достаточных энерге-
тических и благоприятных природных ресурсов; образовательный
и культурный уровень населения; преемственность научных школ
и традиции в научном сообществе; массовый энтузиазм и самореа-
лизация рядовых граждан. Предваряя результаты сравнительного
анализа ТЭР, следует заметить, что хотя страны, объединенные ме-
ждународным разделением труда, развиваются по общим направле-
ниям технико-экономической эволюции, они существенно разнятся
по абсолютному уровню показателей ТЭР (измеряемых в относи-
тельных единицах на одного жителя или единицу национального
116 Глава 2

дохода), даже если находятся на одном уровне ТЭР. Это объясняется


историческими, научно-образовательными, культурно-психологи-
ческими, природно-климатическими и прочими особенностями каждой
страны, которые находят отражение в её экономической структуре.
Имеющиеся сценарии изменения мировой экономики ориенти-
руются главным образом на традиционные макроэкономические по-
казатели, отражающие в основном приращение объемов ВВП, и не
учитывают технологическую и качественную составляющую темпов
экономического роста, поэтому прогнозные оценки, линейные по
своей природе, не отражают сложный нелинейный характер задачи и
не содержат научно обоснованных расчетов, основанных на измере-
нии комплексного технико-экономического параметра роста. Точ-
ность таких оценок несоизмерима мала.
Поэтому для построения адекватной модели траектории ТЭР
в группу исследуемых параметров целесообразно ввести качествен-
ную компоненту роста – индекс продуктивности первичных ресур-
сов, который измеряется как отношение ВВП к стоимости потреб-
ленных экономикой первичных сырьевых ресурсов [74].
Первичные сырьевые ресурсы – совокупность таких первичных ор-
ганических и неорганических ресурсов, которые в массовом порядке
используются как для потребления населения, так и для дальнейшей
переработки в процессе материального производства (продовольствие,
конструкционные материалы, топливно-энергетические ресурсы).
Наиболее развитые страны, имеющие наименьшую энерго- и ма-
териалоемкость по основным видам ресурсов, тем не менее потреб-
ляют на душу населения в 1,5–2,5 раза больше первичных сырьевых
ресурсов, чем государства «второго эшелона» – Россия, Бразилия,
Индия и Китай. Продуктивность как показатель эффективности исполь-
зования ресурсов отражает прогресс развития науки и технологий.
Поэтому одним из значимых параметров траектории технико-
экономического развития, позволяющих преодолеть разрыв в эко-
номическом развитии России и США, является опережающий рост
продуктивности (науки и технологий) в России. Главной состав-
ляющей качественных приращений российской экономики в пер-
спективе являются технологические разработки и инновации. В эм-
пирических исследованиях длинных волн Кондратьева были
установлены принципиальная однонаправленность происходящих
в разных странах технологических изменений, сходство националь-
ных траекторий ТЭР, а также тенденция к синхронизации макроэко-
номических колебаний и технологических изменений. В настоящее
Моделирование траектории мирового технико-экономического развития 117

время новый (шестой) технологический уклад выходит из эмбриональ-


ной фазы развития, разворачивается процесс замещения им предыду-
щего ТУ, достигшего пределов своего роста. По мере ускорения НТП
и сокращения длительности научно-производственных циклов период
доминирования жизненного цикла ТУ, который обычно составляет от
40 до 60 лет, постепенно сокращается. В период становления нового ТУ
ведущую роль в осваивании его базовых нововведений играют иннова-
ционные факторы. Для повышения качества прогноза необходимо про-
водить одновременный анализ сразу нескольких доступных показате-
лей (количественных и качественных), которые в процессе обучения
ранжируются весовыми коэффициентами по уровню значимости для
решения задачи. Поэтому при разработке модели эталонной траектории
ТЭР макроэкономические показатели (табл. 2.3) были дополнены инди-
каторами качественной составляющей экономического роста (стои-
мость потребления первичных сырьевых ресурсов), показателями уров-
ня жизни, а также – для отражения технологической, инновационной
составляющей – индикаторами инновационной деятельности стран,
объединенными в 5 групп (табл. 2.4).
Таблица 2.3. Макроэкономические показатели

Показатели и индикаторы ТЭР
п/п
1. ВВП
2 Доля в глобальном ВВП крупнейших экономик, %
3 ВВП на душу населения
4 Индекс физического объема ВВП, процентов к предыдущему году
Стоимость потребления первичных сырьевых ресурсов (продовольствия,
5
конструкционных материалов, топливно-энергетических ресурсов)
6 Объем промышленного производства
Темпы роста промышленного производства, в процентах к предыду-
7
щему году
Темпы роста инвестиций в основной капитал, в процентах к предыду-
8
щему году
9 Индекс цен производителей
10 Индекс потребительских цен
11 Общие расходы на НИОКР
12 Доля расходов на НИОКР в ВВП, %
13 Уровень безработицы
14 Индекс уровня жизни
15 Индекс предстоящей продолжительности жизни
16 Индекс охвата населения образованием
118 Глава 2

Таблица 2.4. Индикаторы инновационного потенциала

1. Условия для инноваций

Специалисты, получившие научную степень и высшее образование, на


1.1 1000 человек населения в возрасте 20–29 лет

1.2 Население с высшим образованием на 100 человек населения в возрас-


те 25–64 лет

1.3 Уровень широкополосной связи (количество широкополосных связей


на 100 человек населения)

1.4 Участие в непрерывном образовании на 100 человек населения в воз-


расте 25–64 лет

1.5 Уровень образования молодежи, % населения в возрасте 20–24 лет с


законченным средним образованием

2. Инвестиции в знания

2.1 Общественные расходы на научно-исследовательские и опытно-


конструкторские работы, % ВВП

2.2 Расходы бизнеса на научно-исследовательские и опытно-


конструкторские работы, % ВВП

2.3 Доля научно-исследовательских и опытно-конструкторских затрат на


технологии среднего и высокого уровня, % производственных затрат

2.4 Доля предприятий, получающих общественное финансирование для


инноваций

3. Инновации и предпринимательство

3.1 Малые и средние предприятия (МСП), самостоятельно разрабатываю-


щие инновации, % всех МСП

3.2 Инновационные МСП, кооперирующиеся с другими, % всех МСП

3.3 Затраты на инновации, % общего оборота

3.4 Венчурный капитал на начальной стадии, % ВВП

3.5 Затраты на информационно-коммуникационные технологии, % ВВП

3.6 МСП, использующие инновации, % всех МСП


Моделирование траектории мирового технико-экономического развития 119

Окончание табл. 2.4

4. Применение

4.1 Занятость в высокотехнологическом бизнесе, % общей рабочей силы

4.2 Доля высокотехнологического экспорта в общем экспорте

Продажи новых фирм-экспортеров на зарубежных рынках, % общего


4.3
оборота

4.4 Продажи новых продуктов фирм, % общего оборота

Занятость в производстве технологий среднего и высокого уровня, %


4.5
общей рабочей силы

5. Интеллектуальная собственность

5.1 EPO патенты на миллион населения

5.2 USPTO патенты на миллион населения

5.3 Triad патенты на миллион населения

5.4 Новые торговые марки на миллион населения

5.5 Новые элементы дизайна на миллион населения

Источник: Европейское инновационное табло (INNO-Policy TrendChart,


http://www.proinno-europe.eu)

Входные показатели позволяют определить ресурсы и окру-


жающую среду, которыми обладает страна для своего технико-
экономического развития. Это формирует научно-технический
и инновационный потенциал страны. Сюда входят 3 группы ин-
дикаторов: человеческие ресурсы, финансирование и государст-
венная поддержка. Первая группа позволяет определить доступ-
ность высококвалифицированных людей и научных кадров; вторая
и третья – размеры и доступность финансирования передовых науч-
но-технических проектов, а также степень поддержки правительст-
вом инновационной деятельности. С помощью следующего блока
показателей появляется возможность оценки действия участников
инновационного процесса: все виды инвестиций компаний в инно-
120 Глава 2

вации; предпринимательские усилия и кооперационные связи между


компаниями, осуществляющими инновации; права на интеллекту-
альную собственность, созданную в результате инновационного
процесса, а также потоки платежей в технологических обменах. По-
казатели, входящие в два последних блока, показывают, насколько
эффективно страна использует научно-технический и инновацион-
ный потенциал для создания новых продуктов и технологий.

2.3.3. Показатели сбалансированности отраслевой


и технологической структуры национальной экономики
как факторы устойчивости технико-экономического
развития государства
Опираясь на теорию больших циклов Кондратьева, англо-
австралийский экономист К. Кларк в 1930-х годах сделал важное от-
крытие, установив взаимосвязь между сдвигами в отраслевой структуре
экономики, сдвигами в институциональной структуре общества и изме-
нениями в темпах экономического роста. Он показал, что именно это
взаимодействие обусловливает переход экономики из одной стадии
развития в следующую, более прогрессивную. Поскольку структурные
изменения обусловлены мощными технологическими сдвигами, то дол-
говременные структурные сдвиги в экономике происходят на фоне
больших циклов Кондратьева, сформированных кластером базисных
технологических инноваций.
На основе анализа отраслевых и технологических структурных из-
менений в экономиках 10 развитых стран ОЭСР (Австрия, Испания,
Италия, Канада, Корея, США, Финляндия, Швеция, Япония) для пе-
риода с 1970 по 2003 г., а для Германии с 1990 по 2003 г., А.А. Акаевым
и В.А. Садовничим обнаружены закономерности, связывающие долго-
временные технологические и отраслевые структурные сдвиги с эконо-
мическим ростом [3, 63].
Устойчивость функционирования и развития экономической сис-
темы является ее важнейшей характеристикой, поддержание которой
составляет суть одного из основных требований управления.
Общепризнанным и наиболее часто используемым макроэкономи-
ческим показателем, отражающим как экономический потенциал на-
циональной экономики, так и ее структуру, является валовый внутрен-
ний продукт (ВВП). Для оценки структурных изменений (сдвигов) была
изучена и оценена динамика структуры ВВП в разрезе ее основных от-
раслей. В табл. 2.5 приведены средние значения долей основных отрас-
лей в ВВП на начало (1970 г.) и конец (2003 г.) исследуемого периода.
Моделирование траектории мирового технико-экономического развития 121

Таблица 2.5. Средние значения отраслевой структуры ВВП


развитых стран ОЭСР и России (2005 г.), %
Страны Рос-
Отрасли ОЭСР сия
1970 2003 2005
Сельское хозяйство, охота, лесоводство
9,7 2,2 5,4
и рыболовство
Горнодобывающая 1,5 0,9 10,6
Электро-, газо- и водоснабжение 2,1 2,5 3,4
Строительство 7,2 6,2 5,7
Оптовая и розничная торговля –
14,5 14,0 21,4
рестораны и гостиницы
Транспорт, склады и коммуникации 7,6 7,4 10,2
Финансы, страхование, недвижимость
14,3 25,5 15,1
и бизнес-услуги
Услуги: индивидуальные, социальные
17,8 21,5 12,8
и общественные
Обрабатывающая промышленность 25,4 19,8 15,4

Из табл. 2.5 следует, что:


а) две отрасли – финансов и услуг – имели тенденцию к росту;
б) в двух традиционных отраслях – сельское хозяйство и про-
мышленность – наблюдался понижательный тренд;
в) удельный вес ряда отраслей – горнодобывающей, электро-, га-
зо- и водоснабжения, строительства, торговли, транспорта и комму-
никаций – остался практически неизменным. Последние условно
определены как «устоявшиеся» отрасли.
Рассчитав разброс по указанным странам от средних значений,
характеризуемый среднеквадратическим отклонением (δ), можно
увидеть, что оно сократилось к 2003 г. (δ 2003 = 2%) по сравнению
с 1970 г. (δ 1970 = 2,9) в 1,5 раза. Это означает, что экономики всех
развитых стран стремились к общей сбалансированной отраслевой
структуре, которую можно принять за эталонную структуру и в ко-
торой основное ядро составляют обрабатывающие отрасли промыш-
ленности (~20%), сферы финансов (~25%) и услуг (~22%). Анализ
экономик развитых стран показывает, что чем ближе отраслевая
структура конкретной экономики к сбалансированной, тем она ус-
тойчивее к воздействию различных внешних и внутренних шоков.
Многочисленные исследования показывают, что хотя сферы услуг
122 Глава 2

и финансов составляют основу современных экономик развитых


стран (~50% ВВП), тем не менее обрабатывающие отрасли промыш-
ленности все еще остаются локомотивами технико-экономического
развития, обеспечивая его устойчивость, несмотря на снижение их
вклада в создание ВВП. Сокращение доли обрабатывающих отрас-
лей промышленности ниже критической ведет к структурной неус-
тойчивости экономики. Например, для экономики США, которая
имела наилучшую стартовую позицию в 1970 г., начиная с 1990-х
годов стала характерной тенденция ухудшения отраслевой структу-
ры, что привело к значительным структурным диспропорциям: доля
обрабатывающих отраслей промышленности снизилась с 23,4%
в 1970 г. до 13,8% в 2003 г., а доля финансового сектора, напротив,
непропорционально выросла с 19,1% в 1970 г. до 32% в 2003 г. Это
привело к структурному кризису, который был многократно усилен
финансовым кризисом 2008 г.
Что касается структуры экономики России, то, как это видно из
табл. 2.5, она очень далека от сбалансированной отраслевой струк-
туры развитых стран. Это говорит о необходимости быстрой и ко-
ренной структурной реформы российской экономики.
Аналогично, анализируя технологическую структуру экономики,
которая, согласно недавно принятой Европейским союзом класси-
фикации производственных структур относительно уровня техноло-
гического развития [40], определяется технологической структурой
обрабатывающих отраслей промышленности, В. Садовничий выдви-
нул гипотезу, что для развитых экономик характерна оптимальная
технологическая структура (табл. 2.6).

Таблица 2.6. Оптимальная технологическая структура


для экономик развитых стран, %

№ Обрабатывающие отрасли Россия,


Доля
п/п промышленности 2005 г.
1 Высокотехнологичные производства 19 7,8
2 Средневысокотехнологичные производства 28 17,3
3 Средненизкотехнологичные производства 21 51,1
4 Низкотехнологичные производства 32 23,8
Высоко- и средневысокотехнологичные
5 47 25,1
производства
Моделирование траектории мирового технико-экономического развития 123

Как видно из этой таблицы, основу оптимальной технологиче-


ской структуры составляют высокотехнологичные и средневысоко-
технологичные производства (около 50%), причем высокотехноло-
гичные производства занимают около 20%.
Отсюда В. Садовничим сформулировано эмпирическое правило
для определения оптимальности отраслевой и технологической
структуры развитой экономики: доля обрабатывающих отраслей
промышленности должна составлять одну пятую всей экономики.
В свою очередь, в этих отраслях одну пятую часть должны состав-
лять высокотехнологичные производства и половину высоко- и
средневысокотехнологичные производства.

2.4. ПРОЕКТИРОВАНИЕ АДАПТИВНОЙ


НЕЧЕТКОЙ КЛАСТЕРИЗУЮЩЕЙ СЕТИ КОХОНЕНА
ДЛЯ МОДЕЛИРОВАНИЯ ТРАЕКТОРИИ
ТЕХНИКО-ЭКОНОМИЧЕСКОГО РАЗВИТИЯ
Все большее число специалистов, связанных с проблемами приня-
тия решений по результатам обработки экспериментальных данных,
проявляют интерес в задачам восстановления различных статистиче-
ских характеристик многомерных случайных величин по выборочным
наблюдениям, когда априорная информация о виде функции распреде-
ления этих величин носит самый общий характер (достаточно указать
на такие далекие друг от друга области применения, как металлургия,
криминалистика, экономика). Это связано, во-первых, с тем, что на
практике все чаще приходится сталкиваться с ситуациями, когда нам
«почти ничего неизвестно» о виде функций распределения, и, во-
вторых, с тем, что многие характеристики условных распределений
(заметим, что условные распределения индуцируются многомерными
функциями распределения) являются основой решений для большого
класса задач оценивания, фильтрации, интерполяции и прогнозирования.
Поэтому основная тенденция развития современной статистической
науки заключается в создании математических методов обработки на-
блюдений при более реалистических, чем классические, предположе-
ниях и выражается в стремлении отойти как от параметрических пред-
положений, так и от предположений о независимости наблюдений,
которые являются неестественными для многих реальных ситуаций,
например при решении задач идентификации, управления и прогноза в
124 Глава 2

стохастических динамических системах. Выходная наблюдаемая пере-


менная является, в общем случае, процессом со статистически зависи-
мыми значениями. С этой точки зрения задача моделирования траекто-
рии технико-экономического развития представляет значительный
интерес. С одной стороны, имеется обширный статистический матери-
ал по макроэкономическим параметрам, которые могут быть статисти-
чески оценены. С другой стороны, предметная область является на-
столько сложной для изучения, что традиционные линейные оценки
вряд ли будут отражать реальную динамику ТЭР. Очень важно подоб-
рать входные параметры-индикаторы ТЭР и проранжировать их по
уровню значимости для решения задачи.
Для таких слабоформализуемых задач аппарат искусственных
нейронных сетей как нельзя лучше подходит с точки зрения точно-
сти, быстроты и удобства решения. Здесь нельзя не привести извест-
ную теорему Колмогорова о том, что любую непрерывную функцию
n переменных можно сколь угодно точно аппроксимировать ней-
ронной сетью фиксированной размерности.
Кластеризация является задачей, относящейся к стратегии «обу-
чение без учителя», т.е. не требует наличия значения целевых пере-
менных в обучающей выборке. При такой постановке задачи нам
дан набор объектов, каждому из которых сопоставлена строка
таблицы (вектор значений признаков). Требуется разбить исход-
ное множество на классы, т.е. для каждого объекта найти класс,
к которому он принадлежит. Для нейросетевой кластеризации
данных могут использоваться различные модели сетей, но наибо-
лее эффективным является использование сетей Кохонена, или са-
моорганизующихся карт.
Самым распространенным применением карт Кохонена является:
· разведочный анализ данных;
· обнаружение новых явлений.
В первом случае сеть Кохонена способна распознавать кластеры
в данных, а также устанавливать близость классов. Таким образом,
пользователь может улучшить свое понимание структуры данных,
чтобы затем уточнить нейросетевую модель. Если в данных распо-
знаны классы, то их можно обозначить, после чего сеть сможет ре-
шать задачи классификации. Сети Кохонена можно использовать
и в тех задачах классификации, где классы уже заданы, тогда пре-
имущество будет в том, что сеть сможет выявить сходство между
различными классами.
Моделирование траектории мирового технико-экономического развития 125

Во втором случае сеть Кохонена распознает кластеры в обучаю-


щих данных и относит все данные к тем или иным кластерам. Если
после этого сеть встретится с набором данных, непохожим ни на
один из известных образцов, то она не сможет классифицировать
такой набор и тем самым выявит его новизну.
Основное отличие этих сетей от других моделей состоит в на-
глядности и удобстве использования. Эти сети позволяют упростить
многомерную структуру, их можно считать одним из методов про-
ецирования многомерного пространства в пространство с более низ-
кой размерностью, при этом суммарное расстояние от данных до
ближайших к ним узлов топографической сетки:

составляет всего 4,5%.


Интенсивность цвета в определенной точке карты определяется
данными, которые туда попали: ячейки с минимальными значениями
изображаются темно-синим цветом, ячейки с максимальными значе-
ниями – красным и т.д.
Другое принципиальное отличие карт Кохонена от других моде-
лей нейронных сетей – иной подход к обучению, а именно – не-
управляемое или неконтролируемое обучение. Этот тип обучения
позволяет данным обучающей выборки содержать значения только
входных переменных. Сеть Кохонена учится понимать саму струк-
туру данных, выделяет входные индикаторы по их уровню значимо-
сти и решает задачу кластеризации.
Для повышения точности кластеризации, когда кластеры могут
пересекаться, ниже исследуются принципы совмещения нейросете-
вого обучения с нечеткими методами.

2.4.1. Архитектура адаптивной нечеткой кластеризующей


сети Кохонена
Архитектура адаптивной нечеткой кластеризующей сети Кохо-
нена (АНКСК) приведена на рис. 2.8 и содержит два слоя: слой Ко-
хонена, в котором определяются центры кластеров, объединяющих
страны с близким уровнем ТЭР, и слой вычисления принадлежно-
стей. Следует отметить, что выходной слой подключается к уже
обученной нейронной сети Кохонена и используется непосредствен-
126 Глава 2

но в обработке входных примеров. Таким образом, данная нейросеть


может работать в режиме как четкой, так и нечеткой кластеризации
в зависимости от характера обрабатываемых данных.
Наборы входных данных x(k) = (x1(k), …, xn(k)), (здесь k=1,…,N
имеет смысл номера страны в обучающей выборке) с рецептор-
ного (нулевого) слоя последовательно подаются на нейроны слоя
Кохонена Njk, имеющего топологию кристаллической решетки. На-
страиваемые синаптические веса cji(k), j=1,…,m; i=1,…,n определя-
ют центроиды m кластеров cj(k) = ( cj1(k),…, cji(k),…, cjn(k) ), соот-
ветствующие m «лучшим» центрам кластеров.
При отсутствии четко выраженной границы между соседними
кластерами использование нечеткой кластеризации представляется
более предпочтительным. Поэтому, добавив к слою Кохонена вы-
ходной слой нечеткой кластеризации, нейроны которого NjM вычис-
ляют уровни принадлежности u(k) = ( u1(k), …, un(k) ) текущего при-
мера к j-му кластеру, и отключив латеральные связи в слое Кохонена
(на рис. 2.8 показаны пунктиром), получим архитектуру адаптивной
нечеткой кластеризующей сети Кохонена.

Рис. 2.8. Архитектура адаптивной нечеткой кластеризующей сети Кохонена

Рассмотрим применительно к задаче нахождения центров кла-


стеров оба режима работы АНКСК.
Моделирование траектории мирового технико-экономического развития 127

2.4.2. Алгоритм обучения слоя Кохонена


в режиме четкой кластеризации
В режиме четкой кластеризации нейроны на входных примерах
учатся их распределению и топологии. Первоначально нейроны за-
нимают свое физическое положение на двумерной решетке согласно
определенной топологии, которая фиксирует, какие из нейронов яв-
ляются соседями нейрона-победителя (рис. 2.9).

Рис. 2.9. Топология двумерной карты Кохонена


Функция окрестности может принимать различные формы, такие
как квадрат или шестиугольник. Во время обучения и нейрон-
победитель, и все нейроны в пределах указанной окрестности об-
новляются по правилу Кохонена, которое изменяет веса таких ней-
ронов ближе к входному вектору:
wij (k + 1) = wij (k ) + a (k ) f ij ( k )( x (k ) - wij ( k )) ,
где α(k) Î (0,1) – изменяющийся во времени коэффициент усиления,
называемый скоростью обучения (обычно выбирают α = 1 на первой
итерации, постепенно уменьшая в процессе обучения до нуля);
fij (k) – монотонно убывающая функция расстояния («соседства»)
между i-м и j-м нейронами с местоположениями ri и rj соответственно:
f ij (k ) = f ( ri - r j , k ) = f (d , k ) = f (d , s ) ,
128 Глава 2

где ri и rj – векторы, определяющие положение нейронов i и j


в решетке.
При принятой метрике d = || ri – rj || функция fij (k) с ростом вре-
мени k стремится к нулю. На практике вместо параметра времени k
используют параметр расстояния σ, задающий величину области
«соседства» и уменьшающийся с течением времени до нуля. Выбор
функции fij (k) также влияет на величины весов всех нейронов в слое.
Очевидно, что для нейрона-победителя с:
f c ( ri - r j ) = f c (0) = 1 .
Можно отметить два последовательных и различных этапа
обучения.
Первый этап обучения – этап упорядочения, который наносит
на карту векторы весов так, чтобы произвольным образом предста-
вить поверхность распределения во входном пространстве: цель со-
стоит в том, чтобы аппроксимировать форму изображения, предва-
рительно обработанную функциями фильтрации. Карта весов,
первоначально характеризуемая однородным распределением, в кон-
це этапа упорядочения деформируется вследствие различий в уров-
нях ТЭР различных стран.
Заключительный этап обучения – этап точной настройки, во
время которого окрестность каждого нейрона включает только само-
го себя: практически каждый входной вектор вызывает обновление
только весов нейрона-победителя, при этом используется медленное
уменьшение скорости обучения без изменения упорядоченной
структуры сетки, достигнутой на предыдущем этапе.

2.4.3. Алгоритм обучения слоя вычисления принадлежностей


в режиме нечеткой кластеризации
В классе процедур нечеткой кластеризации наиболее строгими с
математической точки зрения являются алгоритмы, основанные на
целевых функциях [119] и решающие задачу их оптимизации при
тех или иных априорных предположениях. Наиболее распростра-
ненным здесь является вероятностный подход, основанный на ми-
нимизации критерия (целевой функции):

(2.1)
Моделирование траектории мирового технико-экономического развития 129

при ограничениях:
, (2.2)

, (2.3)

где uj(k) Î [0,1], β – неотрицательный параметр фаззикации (фаззи-


фикатор), определяющий размытость границ между кластерами,
k=1, …, N. Результатом кластеризации является ( N × m ) – матрица
U = {uj(k)}, называемая матрицей нечеткого разбиения. Заметим, что
поскольку элементы матрицы U могут рассматриваться как вероят-
ности гипотез принадлежности векторов данных определенным кла-
стерам, то процедуры, порождаемые минимизацией (2.1) при огра-
ничениях (2.2), (2.3), называются вероятностными алгоритмами
нечеткой кластеризации.
Вводя функцию Лагранжа:

(здесь λ(k) – неопределенный множитель Лагранжа) и решая систе-


му уравнений Каруша – Куна – Таккера, несложно получить иско-
мое решение в виде

, (2.4)
130 Глава 2

совпадающее при β=2 с алгоритмом нечетких C-средних Бездека:

(2.5)

Использование процедур (2.4), (2.5) подразумевает, что вся вы-


борка, подлежащая кластеризации и содержащая N наблюдений, за-
дана заранее и не может изменяться в процессе обработки. Данный
алгоритм может рассматриваться в качестве правила обучения ней-
ро-нечеткой сети, приведенной на рис. 2.8, объединяющего в себе
вероятностную нечеткую кластеризацию и правила самообучения
Кохонена.
Основные недостатки вероятностного подхода связаны с ограни-
чением (2.2), требующим равенства единице суммы принадлежно-
стей конкретного вектора-образа всем кластерам. В простейшем
случае двух кластеров и двух образов вектор, равноправно принад-
лежащий обоим классам, и вектор, не принадлежащий ни одному из
них, но лежащий на равном расстоянии от обоих центроидов, имеют
одинаковые уровни принадлежности, равные 0,5. Естественно, что
данное обстоятельство, требующее точного априорного знания чис-
ла кластеров m и ухудшающее точность получаемых результатов,
привело к появлению возможностного подхода к нечеткой кластери-
зации [119, 120].
В возможностных алгоритмах кластеризации целевая функция
имеет вид

(2.6)

где скалярный параметр µj > 0 определяет расстояние, на котором


уровень принадлежности принимает значение 0,5, т.е. если
то
Моделирование траектории мирового технико-экономического развития 131

Прямая оптимизация (2.6) по uj, c j дает очевидное решение:

(2.7)

при β = 2 принимающее вид

(2.8)

Несложно заметить, что процедуры (22), (23) по сути являются


WTM-правилами обучения сети Кохонена.
Алгоритмы, построенные на основе возможностного подхода,
в отличие от вероятностных алгоритмов, позволяют в процессе обработ-
ки данных обнаруживать появление новых кластеров. Так, если уровень
принадлежности наблюдения x(k+1) ко всем кластерам окажется ниже
некоторого наперед заданного порога, можно говорить о появлении
(m+1)-го кластера с начальными координатами центроида cm+1= x(k+1).

2.4.4. Повышение точности кластеризации на основе


комплексного вероятностно-возможностного подхода
Поскольку заранее невозможно сказать, какой из подходов – веро-
ятностный или возможностный – более предпочтителен при решении
конкретной задачи, целесообразно их одновременное использование.
132 Глава 2

Кроме того, решения, полученные с помощью вероятностных


процедур, рекомендуется использовать в качестве начальных усло-
вий для возможностных алгоритмов [120]. В связи с этим целесооб-
разно параллельное использование обоих подходов в составе веро-
ятностно-возможностной адаптивной нечеткой кластеризующей
сети Кохонена (CAFKCN), приведенной на рис. 2.10.

Рис. 2.10. Вероятностно-возможностная адаптивная нечеткая


кластеризующая сеть Кохонена

Данная конструкция образована двумя параллельно включенны-


ми адаптивными нечеткими кластеризирующими сетями Кохонена
(AFKCN), одна из которых обучается с помощью алгоритма (2.4),
а другая – алгоритма (2.7). Индексы PR и PS обозначают возможно-
стную и вероятностную оценки соответственно.
При этом при вычислении центроидов кластеров эти сети обме-
ниваются между собой соответствующей информацией. Признаком
правильного оценивания является выполнение неравенства

(2.9)

где ε определяет приемлемую точность кластеризации.


Таким образом, для моделирования траектории ТЭР в условиях
пересекающихся кластеров эффективным оказывается вероятностно-
возможностный подход к обучению кластеризующей сети Кохонена
на основе адаптивных процедур нечеткой кластеризации, являю-
щихся обобщением WTA и WTM правил Кохонена. Компьютерное
моделирование демонстрирует высокую точность и удобство разви-
Моделирование траектории мирового технико-экономического развития 133

ваемого подхода для решения задач кластеризации данных в услови-


ях неопределенности, когда размер выборки данных заранее неиз-
вестен, а сами эти данные могут быть зашумлены.

2.4.5. Анализ значимости и сокращение входов нейронной сети


По обученной нейросети рассчитывается значимость каждого
входного параметра в год наблюдения t. Сокращение множества па-
раметров и входных сигналов нейросети увеличивает быстродейст-
вие нейросети, удешевляет и упрощает сбор данных за счет отбра-
сывания наименее значимых переменных, облегчает процесс явной
вербальной интерпретации результатов обработки данных.
С точки зрения пользователя особенно важны две последние це-
ли: сокращение объема данных уменьшает затраты на самый трудо-
емкий процесс – сбор данных; возможность явной вербальной ин-
терпретации – новое свойство нейросетей, в результате которого
появляется возможность приведения структуры нейронной сети
к понятному и допускающему осмысленную логику виду.
Наиболее популярными способами сокращения описания являются
два способа: «снизу вверх» – постепенное удаление параметров от наи-
менее значимых к более значимым и «сверху вниз» – выделение наибо-
лее значимых параметров и постепенное дополнение их менее значи-
мыми, пока нейросеть не будет обучаться с достаточной точностью.
Последовательность действий при сокращении параметров ме-
тодом «снизу вверх» имеет следующий вид:
– обучение нейросети до необходимой точности;
– анализ значимости входных параметров обученной нейросети;
– определение наименее значимых параметров.
Они устраняются путем изменения обучающей выборки. Далее
обучается новая нейросеть и т.д. – эти пункты повторяются до тех
пор, пока задача не решится с удовлетворительной точностью.
Если сокращенная система не может решить задачу с требуемой
точностью (т.е. упрощение было слишком радикальным), то можно
поступить двумя способами. Первый состоит в том, что система воз-
вращается на один цикл назад и проводится менее радикальное со-
кращение, например отсекается вдвое меньше параметров. Второй
способ более тонкий. Необходимо обучить нейросеть до максималь-
но возможной точности, используя в качестве входных параметров
только отсеченные параметры, после чего выявляются и возвраща-
ются в систему наиболее значимые из них.
134 Глава 2

2.5. РАСЧЕТ ДВУМЕРНОЙ И ТРЕХМЕРНОЙ КАРТЫ


РАСПРЕДЕЛЕНИЯ СТРАН ПО УРОВНЮ
ТЕХНИКО-ЭКОНОМИЧЕСКОГО РАЗВИТИЯ:
ИНТЕРПОЛЯЦИЯ СПЛАЙНАМИ
ПО КАРТЕ КОХОНЕНА
Для формирования обучающей выборки была создана база
данных в виде двух таблиц входных примеров для 2005 и 2010 гг.
(каждая строка таблицы относится к конкретной стране), по 41 па-
раметру. В исследование включены 32 страны Европы, а также
США, Япония, Китай, Индия и Бразилия. К сожалению, разроз-
ненные данные других стран не позволили включить их в на-
стоящее исследование.
Для решения задачи кластеризации, т.е. определения принад-
лежности входного сигнала (страны) к некоторому кластеру (клас-
су), выбрана однородная двухслойная нейронная сеть, обучающаяся
без учителя.
Первый слой сети содержит 41 нейрон (вход) и выполняет функцию
распределения входного сигнала между нейронами второго слоя.
Второй слой (слой Кохонена) имеет следующую структуру:
все нейроны расположены на плоскости в виде регулярной сети
6×6 и связаны с нейронами своего слоя так, что значения синап-
тических весов зависят от расстояния между нейронами слоя.
Элементами выходного вектора сети являются выходы всех ней-
ронов слоя Кохонена.
Обучение проводилось в 2 этапа – этап упорядочения и этап
подстройки.
Точность Е, характеризующая сходимость, была выбрана равной
0,001; g = 0,1; константа, характеризующая начальный радиус, – D = 100;
число шагов обучения Т = 100 для 1-го этапа, Т = 1000 для 2-го эта-
па; функция активации – сигмоидальная:
1
f (y) = .
1+е-py
График ошибок обучения для двух этапов представлен на рис. 2.11.
Моделирование траектории мирового технико-экономического развития 135

Рис. 2.11. График ошибки обучения нейронной сети Кохонена

В процессе обучения двумерная самоорганизующаяся карта Ко-


хонена выполнила кластеризацию массива входных примеров. Сле-
дует отметить, что на этапе упорядочения было выполнено лишь
20% от общего числа шагов обучения, т.е. 80% общего времени обу-
чения связано с тонкой подстройкой весовых векторов. Фактически
на этом этапе выполняется в определенной степени классификация
входных векторов.
Слой нейронов карты Кохонена можно представить в виде гиб-
кой сетки, которая натянута на пространство входных векторов.
В процессе обучения эта сетка становится все более эластич-
ной, в обучении участвуют соседи нейрона-победителя, и, таким
образом, топологическая карта выглядит более упорядоченной, чем
области кластеризации слоя Кохонена.
На рис. 2.12 показана топология обученной карты Кохонена раз-
мером 6×6. Сплошным черным квадратом обозначен нейрон с коор-
динатами (2, 3), соответствующий 1-му входному примеру из обу-
чающей выборки, в данном случае это Бельгия. На карте черными
квадратами разных размеров выделена окрестность данного нейро-
на, в которую попали те страны, уровень ТЭР которых близок уров-
ню Бельгии. В данном случае это Австрия, Люксембург и Ирландия.
Таким образом, по топологической карте можно определить степень
близости конкретной страны к конкретному классу.
136 Глава 2

Рис. 2.12. Топологическая карта обученной карты Кохонена

На рис. 2.13 показана топологическая карта выходов нейронов.

Рис. 2.13. Топологическая карта выходов нейронов


Моделирование траектории мирового технико-экономического развития 137

В случае если нейрон оказывается «победителем» для разных


входных примеров из обучающей выборки, эти примеры (страны)
помещаются в данный нейрон – очевидно, их уровень ТЭР одинако-
вый. На рис. 2.14 показана частота выигрышей нейрона – количество
таких стран.

Рис. 2.14. Топологическая карта частот выигрышей нейронов

Кроме того, на карту можно выводить одновременно несколько


параметров, например номера нейронов и наименование группы
стран (рис. 2.15).
138 Глава 2

Рис. 2.15. Топологическая карта номеров нейронов и наименований классов

При отсутствии четко выраженной границы между соседними


кластерами (классами) представляется предпочтительным использо-
вание нечеткой кластеризации. Для этого добавим к слою Кохонена
выходной слой нечеткой кластеризации, нейроны которого NjM вы-
числяют уровни принадлежности u(k) = (u1(k), …, un(k)) текущей
страны к j-му классу (кластеру), и отключим латеральные связи в
слое Кохонена (на рис. 2.8 показаны пунктиром).
Наиболее обобщенный результат моделирования можно пред-
ставить в виде двумерной и трехмерной карты распределения стран
по уровню ТЭР, в данном случае мы применили интерполяцию
сплайнами (рис. 2.16, 2.17).
Моделирование траектории мирового технико-экономического развития 139

35
2

5.5

5
1
27
21
0.9
4.5

14 0.8
26
4
34 Ра 23
зв 0.7
7
и ва
31 ющ 30
0.6
Ст ие
3.5 5 ра 28 ся
ны ст
су 29 ра 0.5
ме 7 ны
ре 0.4
3
нн
3 ым
24 12 ур 0.3
33 ов
2.5 17 не
Ра м 10 11
зви ТЭ 6 0.2

ты Р 15
ес 0.1
2 тр 32
ан
16 ы
Ли
де
1.5
13 20
р ы
37 ТЭ 9 4
36
8 Р
19 18
1
1 1.5 2 2.5 3 3.5 4 4.5 5 5.5 6

Рис. 2.16. Технико-экономический портрет стран (2005 г.):


1 – Бельгия; 2 – Болгария; 3 – Бразилия; 4 – Швейцария; 5 – Китай;
6 – Кипр; 7 – Греция; 8 – Германия; 9 – Дания; 10 – Эстония; 11 – Испания;
12 – Финляндия; 13 – Франция; 14 – Хорватия; 15 – Венгрия; 16 – Ирландия;
17 – Индия; 18 – Исландия; 19 – Италия; 20 – Япония; 21 – Литва;
22 – Люксембург; 23 – Латвия; 24 – Мальта; 25 – Нидерланды;
26 – Норвегия; 27 – Польша; 28 – Португалия; 29 – Румыния; 30 – Сербия;
31 – Россия; 32 – Швеция; 33 – Словения; 34 – Словакия; 35 – Турция;
36 – Великобритания; 37 – США
140 Глава 2

Рис. 2.17. Технико-экономический портрет стран 3D (2010 г.)

2.6. КЛАСТЕРИЗАЦИЯ СТРАН ПО УРОВНЮ


ТЕХНИКО-ЭКОНОМИЧЕСКОГО РАЗВИТИЯ
НА ОСНОВЕ НЕЙРО-НЕЧЕТКОГО ВЫВОДА
Топология карты показывает с рассчитанной степенью принад-
лежности к нечеткому кластеру иерахию стран в мировом технико-
экономическом портрете – степень близости по уровню ТЭР к стране-
лидеру в момент наблюдения t. Таким образом, модель Кохонена
учится понимать структуру данных через решение задачи нахождения
кластеров в пространстве входных образов. По результатам нейро-
нечеткого моделирования исследуемые страны в год наблюдения де-
лятся на 4 основные категории по уровню своего ТЭР (см. рис. 2.16):
лидеры ТЭР (от 0,9 до 1), развитые страны (от 0,7 до 0,9), страны
с умеренным уровнем ТЭР (от 0,3 до 0,7) и развивающиеся страны (от
0 до 0,3). Здесь 1 соответствует эталонному уровню ТЭР стран-
лидеров, 0 – минимальному уровню ТЭР развивающихся стран.
Моделирование траектории мирового технико-экономического развития 141

2.7. МОДЕЛЬ ТРАЕКТОРИИ


ТЕХНИКО-ЭКОНОМИЧЕСКОГО РАЗВИТИЯ
КАК МНОГОМЕРНЫЙ ВРЕМЕННОЙ РЯД
АДАПТИВНЫХ НЕЧЕТКИХ
САМООРГАНИЗУЮЩИХСЯ КАРТ КОХОНЕНА
Траекторию ТЭР можно представить в виде временного ряда
обученных нейро-нечетких сетей Кохонена, каждая из которых
представляет модель мирового технико-экономического портрета в
году наблюдения t (рис. 2.18).

Рис. 2.18. Модель траектории ТЭР как временной ряд адаптивных


нечетких кластеризующих сетей Кохонена

Для каждой страны, занимающей свое положение по уровню


ТЭР в обученной нейросети, по траектории ТЭР рассчитываются
следующие нейросетевые параметры:
142 Глава 2

1) фактическое расстояние – количество лет, прошедшее с того


момента, когда эталонный уровень параметра ТЭР соответствовал
уровню рассматриваемой страны в году наблюдения t;
2) перспективное расстояние – количество лет, которое потре-
буется данной стране начиная с года t для достижения эталонного
уровня технического развития в году наблюдения t.
По обученной нейросети рассчитывается также значимость каж-
дого входного параметра в год наблюдения t. Сокращение множест-
ва параметров и входных сигналов нейросети увеличивает быстро-
действие нейросети, удешевляет и упрощает сбор данных за счет
отбрасывания наименее значимых переменных, облегчает процесс
явной вербальной интерпретации результатов обработки данных.

2.7.1. Кластеризация стран


по темпам технико-экономического развития
Кроме уровня ТЭР, для каждой страны рассчитывается также
темп роста технико-экономической деятельности за пятилетний пе-
риод. Для каждой пятилетки расчет базируется на выходных значе-
ниях обученной нейронной сети Кохонена, отражающих изменение
уровня ТЭР по абсолютным изменениям макроэкономических и ин-
новационных показателей за этот период (табл. 2.7).

Таблица 2.7. Категории стран, выделенные по уровню и темпам ТЭР


по результатам нейросетевого моделирования (2005–2010 гг.)
Страны со сред-
Страны с малым
Лидеры роста ним темпом рос-
Группа темпом роста
(больше 4 %) та
(1–2 %)
(2–4 %)
США, Велико-
британия, Ита-
Лидеры ТЭР Канада Япония
лия, Франция,
Германия
Ирландия, Да- Австрия, Бельгия,
Развитые Исландия,
ния, Швеция, Люксембург,
страны Словения
Швейцария Нидерланды
Индия, Брази- Венгрия, Литва,
Страны Норвегия,
лия, Китай, Рос- Польша, Порту-
с умеренным Испания, Греция,
сия, Кипр, Эсто- галия, Финлян-
уровнем ТЭР Мальта
ния дия, Словакия
Развивающиеся Турция, Болга-
Греция, Латвия Хорватия, Сербия
страны рия, Румыния
Моделирование траектории мирового технико-экономического развития 143

В условиях глобального кризиса экономика Канады продемонст-


рировала высокую степень устойчивости, улучшив свои позиции
в списке мировых лидеров ТЭР по объему ВВП и инвестиционной
привлекательности. Довольно высокие темпы роста ТЭР для разви-
той страны объясняются резкой активизацией бизнеса при эффек-
тивном государственном регулировании и ростом экспорта. Кроме
того, экономике Канады очень сильно благоприятствуют близость
США и различные торговые договоры, такие как автомобильный
договор (1965–2001 гг.), канадско-американское соглашение о сво-
бодной торговле 1989 г. (FTA) и Североамериканское соглашение о
свободной торговле 1994 г. (НАФТА). Показатель ВВП в расчете на
душу населения (численность населения Канады составляет немно-
гим более 34,2 млн чел.), в 2010 г. достиг 45,9 тыс. долл. США при
стабильности потребительских расходов. В этом плане Канада усту-
пает Соединенным Штатам (47,1 тыс. долл.), но превосходит все
остальные страны, входящие в «семерку» лидеров ТЭР (Японию,
Великобританию, Германию, Францию и Италию).
До последнего времени Япония являлась второй экономикой ми-
ра по объему производимого валового внутреннего продукта, зани-
мала третье место по доле ВВП в мировом ВВП, измеренного по
паритету покупательной способности, и четвертое место в мировом
экспорте и импорте. Однако в 2010 г. Китай смог обойти и выйти на
второе место по ВВП. В общем повышенный интерес вызывают
темпы роста развивающихся стран по сравнению с более скромными
показателями развитых стран – большинство западных стран все еще
сильно отстают от своих докризисных показателей, и хотя рост вос-
станавливается, его темпы все еще остаются неутешительными.
Германия постепенно возвращает свои позиции экономического
«локомотива» Европы благодаря увеличению экспорта товаров, на
которые есть спрос у развивающихся экономик. Прежде всего, это
производственное оборудование и автомобили класса «люкс».
Среди развивающихся стран в число лидеров роста вошла Тур-
ция – благодаря низкому уровню государственного долга и банков-
ской системе, не подорванной мировым финансовым кризисом, ту-
рецкие предприятия смогут извлечь выгоду из сложившегося
низкого уровня затрат и конкуренции в обрабатывающем секторе.
По общему объему ВВП Россия вплотную стоит за Бразилией,
и не исключено, что в ближайшие годы мы превзойдем эту страну по
данному показателю. Но самое главное – Россия заметно приблизи-
144 Глава 2

лась к уровню Великобритании, Италии и Франции, отставая от них


теперь уже в пределах всего лишь 20 %, показывая при этом более вы-
сокие темпы роста ТЭР! По ВВП в расчете на душу населения Россия
отстает от США в 4 раза, от Западной Европы – в 3 раза, от Канады
и Японии – в 3,1–3,3 раза, от Германии – в 3 раза, от Великобритании,
Италии и Франции – менее чем в 3 раза, но опережает Мексику на 18 %,
Бразилию – на 22 %, Китай – в 1,8 раза, Индию – в 3,2 раза.
Обращают на себя внимание сильные позиции КНР. Китайский
ВВП превышает уже 60 % от ВВП США, а ВВП Японии составляет
сегодня лишь около половины ВВП Китая.

2.7.2. Расчет параметра «фактическое расстояние»


по модельной траектории ТЭР
Для нахождения фактического расстояния Ai входной набор при-
знаков страны, характеризующий ее ТЭР в i-м году наблюдения, по-
следовательно предъявляется i–1, i–2,… обученной нейронной сети
(карте Кохонена) до тех пор, пока (i–m)-я нейросеть не выдаст эта-
лонное значение. Очевидно, Ai = m.
Результаты расчетов по исследуемым странам представлены
в табл. 2.8.
Таблица 2.8. Категории стран, выделенные по параметру «фактическое
расстояние» по результатам нейро-нечеткого моделирования (2010 г.)
Фактическое
Страны
расстояние
Швейцария, Финляндия, Германия, Дания,
До 10 лет
Швеция, Великобритания
Россия, Чехия, Греция, Мальта, Португалия,
10–20 лет Венгрия, Литва, Болгария, Польша, Словакия,
Италия, Норвегия, Испания
Больше 20 лет Румыния, Латвия, Турция, Хорватия

2.7.3. Прогнозирование времени выхода государства


на эталонный уровень технико-экономического развития
на основе расчета перспективного расстояния
по модельной траектории
Для нахождения перспективного расстояния Bi (количества лет,
которое потребуется данной стране начиная с года t для достижения
эталонного уровня технического развития в году наблюдения t)
Моделирование траектории мирового технико-экономического развития 145

входной набор признаков страны, характеризующий ее ТЭР в i-м


году наблюдения, последовательно предъявляется i+1, i+2,… обу-
ченной нейронной сети (карте Кохонена) до тех пор, пока (i+n)-я
нейросеть не выдаст эталонное значение. Очевидно, Bi = n.
Результаты расчетов по исследуемым странам представлены
в табл. 2.9.
Таблица 2.9. Категории стран, выделенные по параметру «перспективное
расстояние» по результатам нейро-нечеткого моделирования (2010 г.)

Перспективное
Страны
расстояние
Ирландия, Дания, Швеция, Швейцария, Индия,
До 10 лет
Бразилия, Китай, Россия, Кипр, Эстония
Исландия, Словения, Венгрия, Литва, Польша,
10–20 лет Португалия, Финляндия, Словакия, Австрия,
Бельгия, Люксембург, Нидерланды
Норвегия, Испания, Греция, Мальта, Турция,
Больше 20 лет Болгария, Румыния, Греция, Латвия, Хорватия,
Сербия

2.8. АВТОМАТИЗИРОВАННАЯ СХЕМА АНАЛИЗА


И ПРОГНОЗА
Необходимо отметить, что полученная нейросетевая модель яв-
ляется гибко настраиваемой. На современном этапе она включает
комплекс перечисленных количественных и качественных парамет-
ров. Впоследствии модель может быть модифицирована другими
признаками в условиях конкретной фазы технологического уклада
на фоне исторических, культурно-психологических, природно-
климатических и других особенностей страны, которые будут выде-
лены в процессе экспертных опросов. Автоматизированная схема
включает в себя два уровня, связанных между собой анализом и про-
гнозом. Данный методологический подход полностью вписывается
и развивает технологию форсайт-исследования на основе эксперт-
ных оценок (рис. 2.19).
146 Глава 2

Рис. 2.19. Автоматизированная схема анализа и прогноза

2.9. ТОЧНОСТЬ КЛАСТЕРИЗАЦИИ


РАЗРАБОТАННОЙ МОДЕЛИ
ПО СРАВНЕНИЮ С ДРУГИМИ
ИЗВЕСТНЫМИ АЛГОРИТМАМИ
Как показывают результаты моделирования, совмещение прин-
ципов нейросетевого обучения с нечеткими методами позволяет
увеличить точность кластеризации и решить проблему пересекаю-
щихся кластеров.
Представлены результаты моделирования, выполненные на
следующих двух группах данных 37 стран, содержащих сведения
по 41 параметру анализа для 2005 и 2010 гг.
В табл. 2.10 приведены результаты сравнения точности кластериза-
ции разработанного алгоритма с другими известными алгоритмами.
Моделирование траектории мирового технико-экономического развития 147

Таблица 2.10. Сравнение точности кластеризации разработанного


алгоритма с другими известными алгоритмами

Точность кластеризации, %
Набор k-Me- Метод Адаптивная
данных Иерархиче- Генетиче-
ский алго- ans ближай- ские алго- нечеткая кла-
ритм алго- шего ритмы стеризующая
ритм соседа сеть Кохонена

2005 г. 72,55 65,73 79,58 89,94 96,69

2010 г. 71,48 69,75 78,49 93,46 97,05

Среднее 72,01 67,74 79,04 91,70 96,87

Оценка качества кластеризации проводилась на основе процеду-


ры установления контрольных точек и проверки на полученных кла-
стерах. На всех взятых сформированных наборах данных разрабо-
танный алгоритм адаптивной нейро-нечеткой кластеризации показал
точность кластеризации, не уступающую другим алгоритмам,
а в ряде случаев и превосходящую ее. Средняя точность кластериза-
ции составила 96,87%, что объясняется эффективностью совмеще-
ния нечетких методов и нейросетевой адаптации параметров.
Кроме того, разработанный алгоритм нейро-нечеткого вывода
позволяет получить результат кластеризации объектов в виде мно-
жества пар вида (Kj, mj), где Kj – класс; mj – оценка достоверности
принадлежности объекта классу Kj.
В отличие от других методов многокритериального анализа
возможно сокращение размерности нейросети, а также интерпрета-
ция результата на основе анализа значимости входных параметров.

2.10. ОЦЕНКА ВОЗМОЖНОСТЕЙ ИСПОЛЬЗОВАНИЯ


МОДЕЛЬНОЙ ТРАЕКТОРИИ
ДЛЯ ДОЛГОСРОЧНОГО ПРОГНОЗИРОВАНИЯ
НАУЧНО-ТЕХНОЛОГИЧЕСКОГО РАЗВИТИЯ
ГОСУДАРСТВА
В соответствии с экспертными оценками здесь представлены
разработанные рекомендации по использованию модельной траекто-
рии ТЭР в условиях смены технологических укладов для долгосроч-
ного прогнозирования научно-технического развития Российской
148 Глава 2

Федерации. По мнению авторов, применение интеллектуальных ме-


тодов анализа позволяет сделать более точный сценарный прогноз,
основанный на количественной оценке целевых показателей (в дан-
ном случае уровня и темпов ТЭР стран), а также рассчитать весовые
коэффициенты значимости входных индикаторов, от которых зави-
сит траектория ТЭР. Это, в свою очередь, позволит провести анализ
текущего состояния наиболее значимых индикаторов и выработать
необходимые рекомендации по его улучшению.
Отмечается, что в последнее десятилетие были предложены два
стратегических проекта российского развития – инновационный
и модернизационный. Оба проекта носят ярко выраженный техно-
кратический характер и ориентированы на «перескок» России из
четвертого технологического уклада в шестой, минуя пятый. Ситуа-
ция осложняется рядом факторов – в силу произошедшей в стране
деиндустриализации позиции Россия и в четвертом технологическом
укладе приближается к уровню слаборазвитых стран (развал в авиа-
ционной, судостроительной, автомобильной индустрии и др.),
и к настоящему времени разрыв с лидерами ТЭР только увеличива-
ется. Поэтому перед страной поставлена задача: не догонять, а опе-
редить и стать лидером технологий следующего поколения, лидером
шестого технологического уклада.

2.10.1. Определение опорных индикаторов социального


измерения экономики нового технологического уклада

На основе статистических, информационно-аналитических дан-


ных, экспертных опросов, патентного анализа в рамках данного ис-
следования была сформирована обучающая выборка по 37 странам.
Результаты нейросетевого расчета траектории ТЭР показыва-
ют, что Россия по параметру «фактическое расстояние» (количе-
ство лет, прошедших с того момента, когда эталонный уровень
параметра ТЭР соответствовал уровню России в настоящее время)
входит во 2-ю группу стран (10–20 лет), а по параметру «перспек-
тивное расстояние» (количество лет, которое потребуется стране
начиная с года t для достижения эталонного уровня технического
развития в году наблюдения t) входит в 1-ю группу стран (до
10 лет). Какие же индикаторы роста являются наиболее значимы-
ми для выхода на эталонную траекторию ТЭР?
Моделирование траектории мирового технико-экономического развития 149

Для этого произведем ранжирование входных переменных в обу-


ченной нейросетевой модели ТЭР по уровню их значимости и со-
кращение входов нейросети без ухудшения точности кластеризации.
Диаграмма весов значимости входных параметров представлена на
рис. 2.20 (параметром «отраслевая структура ВВП» в данном случае
можно пренебречь).

Уровень значимости входов нейросети

1
0,9
Уровень значимости

0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39
Индикаторы ТЭР

Рис. 2.20. Диаграмма весов значимости входных параметров


Отметим следующие значимые индикаторы технико-экономи-
ческого роста, уровень значимости которых превышает 0,7 ед. (ну-
мерация параметров соответствует модельному ряду):
1. ВВП.
2. Доля в глобальном ВВП крупнейших экономик, %.
3. ВВП на душу населения.
5. Стоимость потребления первичных сырьевых ресурсов (про-
довольствия, конструкционных материалов, топливно-энергети-
ческих ресурсов).
6. Объем промышленного производства.
7. Темпы роста промышленного производства, в процентах
к предыдущему году.
11. Общие расходы на НИОКР.
12. Доля расходов на НИОКР в ВВП, %.
14. Индекс качества жизни населения.
16. Индекс охвата населения образованием.
17. Специалисты, получившие научную степень и высшее обра-
зование, на 1000 человек населения в возрасте 20–29 лет.
150 Глава 2

24. Доля научно-исследовательских и опытно-конструкторских


затрат на технологии среднего и высокого уровня, % производствен-
ных затрат.
28. Затраты на инновации, % общего оборота.
33. Доля высокотехнологического экспорта в общем экспорте.
37. EPO-патенты на миллион населения.
38. USPTO-патенты на миллион населения.
39. Triad-патенты на миллион населения.
Так, значимость параметра 11 «Общие расходы на НИОКР» со-
ставляет 0,83 ед. В 2007 г. во всем мире расходы на НИОКР состав-
ляли приблизительно 1,1 трлн долл., в том числе доля США соответ-
ствовала примерно 33 % от общей суммы, Япония занимала второе
место среди стран мира по расходам на НИОКР, ее доля – 13 %, доля
Китая – примерно 9 %. Германия и Франция занимали четвертое и
пятое места – 6 и 4 % соответственно, Россия – 1 %.
Индикатор 14 «Индекс качества жизни населения» требует бо-
лее содержательного анализа.

Рис. 2.21. Динамика основных показателей уровня жизни населения,


% к 1990 г.

Оценивая динамику основных индикаторов уровня жизни россиян


за период с 1991 г. по настоящее время, следует отметить, что в первом
десятилетии реформ (1991–2000 гг.) значения показателей уровня жиз-
Моделирование траектории мирового технико-экономического развития 151

ни уменьшились более чем в 2 раза по сравнению с 1990 г. Во втором


десятилетии, с 2001 по 2010 г., значения усредненных статистических
показателей уровня жизни населения «вернулись» или превысили ис-
ходные дореформенные позиции, что было достигнуто благодаря эко-
номическому росту и предпринятым Правительством Российской Фе-
дерации специальным мерам, направленным на повышение благо-
состояния граждан страны (рис. 2.21).
В течение этого времени реальная заработная плата возросла бо-
лее чем в 3,5 раза, реальные располагаемые денежные доходы – поч-
ти в 2,8 раза, реальный размер пенсий – более чем в 4,2 раза.
Итоги 2010 г. характеризовались ростом реальной зарплаты на
5,2%, реальных денежных доходов – на 4,2%, реального размера
пенсий – на 34,8%.
В I полугодии 2011 г. рост индикаторов замедлился: реальная за-
работная плата увеличилась на 2,1%, реальный размер назначенных
пенсий – на 1,0%, реальные денежные доходы снизились до 98,8% от
значения данного показателя за аналогичный период 2010 г.
Снижение реальных денежных доходов населения в I полугодии
2011 г. привело к возрастанию общей численности граждан с дохода-
ми ниже величины прожиточного минимума до 21,1 млн человек
(по итогам 2010 г. – 18,1 млн человек).
Все это свидетельствует о наличии определенных проблем
в распределительных отношениях, сложившихся в стране к настоя-
щему времени.
Официальные данные о численности населения, имеющего де-
нежные доходы ниже величины прожиточного минимума, показы-
вают сохранение определенной устойчивой группы людей с крайне
низкими доходами, у которой на протяжении ряда лет практически
не улучшается материальное положение. Так, по меньшей мере для
45 млн человек заработная плата в I полугодии 2011 г. была уста-
новлена на критически низком уровне.
В международной практике индикатором благосостояния об-
щества является доля расходов в бюджете семьи на питание: чем
богаче население, тем меньшую долю своего дохода оно тратит на
продукты.
По официальным данным, на покупку продуктов питания на-
селение России сегодня тратит в среднем 29% доходов. По оцен-
152 Глава 2

кам экспертов, эта доля в потребительских расходах достигает


35%, тогда как в США и Люксембурге на продукты питания рас-
ходуется менее 5% доходов, европейцы тратят на еду в среднем
15% своих доходов. По этому показателю можно констатировать,
что Россия остается бедной страной. Даже в считающемся благо-
получным докризисном 2008 г. Россия попала в десятку самых
недоедающих государств мира – недоедал каждый пятый гражда-
нин страны.
В развитых странах минимальный размер оплаты труда (МРОТ),
как правило, превышает 1 тыс. евро. Так, в Великобритании, по дан-
ным Евростата за 2010 г., это 1,1 тыс. евро, во Франции – 1,3 тыс.
евро, в Нидерландах – 1,4 тыс. евро. В большинстве стран Восточ-
ной Европы МРОТ колеблется в пределах 250–400 евро, а самый
низкий – в Болгарии (122 евро). МРОТ в России в настоящее время
составляет примерно 112,5 евро.
Сложившаяся потребительская корзина не соответствует ни по-
требностям населения, ни стандартам развитых европейских стран.
Специалисты в области социальной политики, в частности из Все-
российского центра уровня жизни, утверждают, что действующие
нормы потребления, заложенные в потребительской корзине, надо
увеличить более чем в 2 раза, т.е. при фактическом прожиточном
минимуме в сумме 7023 руб. для трудоспособного населения эта
норма должна составлять от 16 до 18 тыс. руб. По их подсчетам,
размер необходимого прожиточного минимума в среднем по стране
на настоящий момент времени составляет 16,5 тыс. руб.
В прожиточном минимуме помимо потребностей в продуктах
питания, необходимых товарах народного потребления и оплате
обязательных платежей и услуг должны также учитываться по-
требности человека в отдыхе, в развитии личности (образователь-
ном, творческом, духовном), а также в его физическом воспроиз-
водстве – наличии детей. В основу формирования прожиточного
минимума должен быть положен не нормативно-калькуля-
ционный, а социальный подход.
Фактические изменения уровня жизни всех групп населения (заня-
того в общественном производстве, пенсионеров и населения в целом)
определяются динамикой соотношения индикаторов уровня жизни
населения и величины прожиточного минимума (рис. 2.22).
Моделирование траектории мирового технико-экономического развития 153

Рис. 2.22. Динамика соотношений номинальной начисленной заработной платы,


среднедушевых денежных доходов и установленного размера месячных пенсий
и соответствующих величин прожиточного минимума

Именно соотношение среднедушевых денежных доходов и вели-


чины прожиточного минимума для всего населения наиболее адек-
ватно отражает уровень жизни населения. Пороговое значение соот-
ношения величин основных индикаторов уровня жизни (заработной
платы, пенсии и денежных доходов населения) и величины прожи-
точного минимума составляет 3 раза. При троекратном и более пре-
вышении соотношений достигается стабильность в обществе («Ин-
дикаторы экономической безопасности», Совет Безопасности
Российской Федерации).
Дифференциация населения по доходам
Несмотря на предпринимаемые государством меры по регули-
рованию доходов различных групп населения, социальное рас-
слоение в России не уменьшается. На фоне низких доходов ос-
новной массы населения разительный контраст представляет
концентрация денежных доходов у наиболее состоятельной ее
части. Начиная с 1994 г. основная масса денежных доходов – до
48% – сконцентрирована в руках 20% наиболее обеспеченного
населения. За весь период реформирования российской экономи-
ки (с 1991 г. по настоящее время) практически никакого перерас-
пределения доходов для 80% наименее обеспеченного населения
не произошло (рис. 2.23).
154 Глава 2

Рис. 2.23. Динамика доли доходов,


приходящихся на 20 % наиболее обеспеченного населения

Если в 2000 г. соотношение между доходами 10% наиболее богатых


россиян и 10% самых бедных составило 13,9 раза, то начиная с 2007 г.
по I полугодие 2011 г. включительно оно продолжает устойчиво сохра-
няться на уровне 16,8 раза (рис. 2.24). По данным же Мирового банка,
оно равно 20 (в 1991 г. этот разрыв составлял всего 4,5 раза).

Рис. 2.24. Динамика численности населения, проживающего


за чертой бедности, и коэффициента дифференциации доходов населения
в Российской Федерации
Моделирование траектории мирового технико-экономического развития 155

В то же время, по оценкам международных экспертов, если это


соотношение превышает 14 раз, то в стране может возникнуть ре-
альная опасность социальных волнений.
В России существуют серьезные проблемы в обеспечении соци-
альной справедливости: 101 человек в 2011 г. входили в список дол-
ларовых миллиардеров, тогда как 21,1 млн граждан живут за чертой
бедности (численность населения, чьи доходы меньше прожиточно-
го минимума, хотя и сократилась вдвое по сравнению с 2000 г., од-
нако все еще очень высока). При этом накопленное богатство рос-
сийских миллиардеров, по официальным данным, оценивается на
уровне 450 млрд долл., что сопоставимо с годовым фондом заработ-
ной платы (500 млрд долл.) 72 млн человек, занятых в общественном
производстве, и в 4,5 раза превосходит сумму выплат 39 млн пен-
сионеров (порядка 100 млрд долл.).
Неравенство в распределении доходов наблюдается на уровне
предприятий, между предприятиями разных видов деятельности,
в региональном аспекте.
Так, разница между минимальной и максимальной оплатой труда
в поликлинике составляет 10–11 раз; заработная плата в сельском хо-
зяйстве, текстильном и швейном производстве, обработке древесины,
образовании и здравоохранении составила в I полугодии 2011 г. соот-
ветственно 50, 47, 62, 66 и 74 % от размера среднемесячной заработ-
ной платы в экономике. В то же время зарплата в таких отраслях, как
добыча топливно-энергетических полезных ископаемых, производст-
во нефтепродуктов, деятельность трубопроводного транспорта, фи-
нансовая деятельность, превышала значение среднемесячной оплаты
труда по экономике в целом соответственно в 2,2; 2,1; 2,3 и 2,4 раза.
Денежные доходы населения г. Москвы превышают денежные дохо-
ды населения Республики Калмыкия примерно в 5,8 раза.
В сложившихся условиях в числе основных направлений соци-
альной политики государства применительно к доходам населения
было бы целесообразно предусмотреть разработку комплекса меро-
приятий по повышению уровня качества жизни как фактора роста
ВВП в частности и уровня ТЭР в общем (об этом см. ниже).
Одним из значимых параметров траектории технико-экономи-
ческого развития, позволяющих преодолеть разрыв в экономическом
развитии, является опережающий рост продуктивности (науки
и технологий) в России. Главной составляющей качественных при-
ращений российской экономики в перспективе являются технологи-
156 Глава 2

ческие разработки и инновации. По оценкам российских и западных


экспертов, Россия, несмотря на деструктивные процессы в различ-
ных сферах экономики, сохраняет хороший потенциал в области
создания и развития новых технологий.
По результатам нейросетевого моделирования траектории ТЭР и ана-
лиза значимости показателей, оказывающих существенное влияние на
реализацию такого потенциала, получены следующие основные выводы.
Во-первых, страна пока еще обладает достаточно высоким потен-
циалом квалифицированных научных кадров, наличием зрелых произ-
водственно-технологических структур по ряду направлений современ-
ного и новейшего технологических укладов, наличием собственных
научных школ и сохранившихся уникальных передовых технологий.
Во-вторых, и это очень важное условие, более половины граж-
дан в возрасте от 25 до 34 лет имеют высшее или среднее специ-
альное образование.
В-третьих, значительную роль сыграли в этом направлении дейст-
вия правительства по объединению промышленных и научно-иссле-
довательских центров в крупные государственные корпорации в целях
проведения инновационной политики на единых основах и более эф-
фективного распределения ресурсов, а также для восстановления меж-
отраслевых связей (так, например, Объединенная авиационная корпора-
ция была сформирована на базе авиастроительных предприятий
и авиационных конструкторских бюро; с целью развития космических
технологий корпорация «Роскосмос» объединила НПО «Энергия», НПО
«Энергомаш» и НПО им. Лавочкина; корпорация «Росатом» включает
все ядерные научно-исследовательские институты и организации).
Следует отметить, что в вышеназванных ведущих наукоемких
структурах приняты длительные программы исследований, которые
позволяют обеспечить присутствие этих структур на внешнем рын-
ке. При этом все они осуществляют стратегическое научное парт-
нерство с государственными академиями наук.

2.10.2. Основные тенденции и прогнозные сценарии


изменения мировой экономики при переходе
к шестому технологическому укладу
Отдаленное будущее, отодвинутое во времени на значительную
перспективу (20 и более лет), представляется, как правило, исходя из
реалий настоящего дня – в него обычно переносятся уже сложив-
шиеся на данный момент тенденции развития или изменений про-
Моделирование траектории мирового технико-экономического развития 157

гнозируемого объекта, а также принятые концепции. Однако состоя-


ние объекта меняется под воздействием некоторых сил, не только
присущих природе самого объекта, но и являющихся внешними по
отношению к нему, которые сами имеют свои тенденции изменения
или цикличность развития. Если при кратко- и среднесрочном про-
гнозировании многими внешними воздействиями (такими, напри-
мер, как космические) можно пренебречь, считая их на коротком
отрезке времени постоянно действующими и неизменными, то при
прогнозировании на длительную перспективу должны учитываться,
по возможности, все взаимодействия прогнозируемого объекта
с внешней средой.
Изыскание и анализ таких причинно-следственных связей
и отличает долгосрочный прогноз от фантазий на тему будущего,
а также от предсказаний и предвидений, делает его научно обос-
нованным. Поэтому разработка долгосрочного прогноза должна обя-
зательно вестись одновременно – параллельно, последовательно или
в итеративном режиме – с разработкой прогнозов всех взаимосвя-
занных объектов, результаты которых должны восприниматься как
воздействующие на прогнозируемый объект внешние факторы (так
называемые вызовы и угрозы), т.е. долгосрочный прогноз должен
быть комплексным.
Описание совокупности внешних факторов, воздействующих на
прогнозируемый объект в тот или иной период времени, их взаимо-
связи между собой и результаты влияния на прогнозируемый объект
и составляют суть сценариев прогноза. В процессе экспертного про-
гнозирования эксперты интуитивно на подсознательном уровне учи-
тывают влияние отдельных факторов, однако их полнота и выбор
определяются скорее профессиональными пристрастиями экспертов,
а не целенаправленным их поиском и учетом.
Степень комплексности прогноза определяется его перспекти-
вой – чем отдаленней горизонт прогнозирования, тем выше должна
быть степень комплексности прогноза, тем большее количество фак-
торов внешней среды должно быть учтено в сценариях развития
прогнозируемого объекта. От того, насколько объемно и глубоко
разработаны сценарии развития объекта, будет зависеть достовер-
ность долгосрочного прогноза.
Ниже представлены обзор некоторых существующих сценариев
изменения мировой экономики в среднесрочной и долгосрочной пер-
спективе и авторский прогноз на основе модельной траектории ТЭР.
158 Глава 2

Особого внимания заслуживает доклад Национального разведы-


вательного совета США «Глобальные тенденции – 2025: меняющий-
ся мир». Этот доклад, содержащий результаты прогнозных исследо-
ваний, был обнародован в 2008 г. Первая глава доклада
непосредственно посвящена мировому экономическому прогнозу на
ближайшие 15–20 лет (с элементами более долгосрочного прогноза
вплоть до середины XXI в.).
Перенос богатств. Авторы доклада прогнозируют перенос бо-
гатства и экономического влияния с Запада на Восток, чему будут
способствовать:
1) рост цен на нефть (это принесет доходы странам Персидского
залива, России) и
2) перемещение центра производства и некоторых отраслей сфе-
ры услуг в Азию. По мнению авторов доклада, США и Еврозона на-
верняка получат большую часть наличности этого нового рынка, но
то, получат ли они серьезную экономическую выгоду, будет зави-
сеть от таких факторов, как возможность западных стран урезать
потребление нефти, их способность извлечь пользу из благоприят-
ного экспортного климата в секторе технологий и услуг.
Страны-лидеры. Экономические лидеры Азии – Китай и Ин-
дия – к 2025 г. могут обогнать ВВП всех прочих экономик, кроме
экономики США и Японии, но в доходах на душу населения они
будут по-прежнему отставать от стран Европы. Восемью крупней-
шими экономиками в 2025 г., по мнению авторов доклада, будут
США, Китай, Индия, Япония, Германия, Великобритания, Фран-
ция и Россия. Авторы доклада отмечают, что быстроразви-
вающиеся страны, включая Китай и Россию, создали государст-
венные инвестиционные фонды с целью использовать активы для
достижения более высоких прибылей. Некоторые из этих фондов,
вероятно, вернутся на Запад в виде инвестиций. Однако прямые
иностранные инвестиции со стороны новых сил в развивающемся
мире значительно увеличатся. По оценке авторов доклада, в на-
бирающих силу государствах появятся компании, осуществляю-
щие контроль в мировых масштабах; в Бразилии – в агропромыш-
ленном комплексе и шельфовых разработках; в России – в энер-
гетике и металлургии; в Индии – в области услуг в информацион-
ных технологиях, в фармацевтике и производстве запчастей;
в Китае – в сталелитейном деле, бытовой технике и телекоммуни-
кационном оборудовании.
Моделирование траектории мирового технико-экономического развития 159

Проблема бедности. Отмечая беспрецедентное количество лю-


дей, выведенных на рубеже XX–XXI вв. из крайней нищеты
(135 млн за 1999–2004 гг.), авторы доклада прогнозируют увеличе-
ние категории среднего класса с 440 млн до 1,2 млрд (с 7,6 % от ми-
рового населения до 16,1 %). При этом в большей степени – за счет
Китая и Индии. Однако разрыв между бедными и богатыми, очевид-
но, будет только увеличиваться. Авторы доклада полагают, что
в странах, не имеющих выхода к морям и бедных ресурсами, распо-
ложенных в Африке южнее Сахары, положительных перемен не
произойдет. К 2025–2030 гг., по расчетам исследователей, бедняки
будут составлять 63 % мирового населения.
Государственный капитализм. В соответствии с прогнозом ав-
торов доклада, в течение следующих десятилетий богатство будет
сосредоточиваться под контролем государства. Исследователи отме-
чают, что уже сейчас «государственный капитализм» (система эко-
номического управления, в которой значительная роль отводится
государству) преобладает в Китае, России, странах Персидского за-
лива, Южной Корее, Тайване, Сингапуре. Однако в связи с мировым
финансовым кризисом 2008 г. процесс расширения доли государства
в экономике затронет и страны Запада. В связи с этим можно про-
гнозировать:
1) возобновление шагов в промышленной политике;
2) спад приватизации и возрождение государственных предприятий.
Влияние кризиса 2008 г. По оценке авторов доклада, если
экспортеры нефти Китая, России и Ближнего Востока смогут
избежать внутренних кризисов, у них появится шанс максималь-
но использовать свои резервы для покупки зарубежных активов
и обеспечения прямой финансовой помощи продолжающим
борьбу странам для получения политической благосклонности
или запуска новых региональных инициатив. В целом авторы
доклада уверены в том, что после 2008 г. мировая экономика
движется к перестроению. Восстановление баланса потребует
долгосрочных усилий для установления новой международной
системы. На этом пути, по мнению экспертов, стоит ожидать
таких сложностей, как:
1) рост протекционизма в торговле и инвестициях;
2) ускоряющийся захват ресурсов;
3) замедляющаяся демократизация (Китай, Россия могут пред-
ложить альтернативную модель политического развития);
160 Глава 2

4) ослабление международных финансовых организаций (госу-


дарственные инвестиционные фонды будут вкладывать в нарож-
дающиеся рынки больше капитала, чем МВФ и Всемирный банк);
5) ослабление международной роли доллара – к 2025 г. он может
утратить статус ключевой мировой валюты и стать первым среди
равных валют.
Финансовая многополярность. По мнению авторов доклада,
к концу первой четверти XXI в. финансовая картина мира будет по-
настоящему глобальной и многополярной с финансовыми центрами
в США и ЕС на Западе, Россией и странами Персидского залива
в Центральной Азии и на Ближнем Востоке и Китаем и Индией
на Востоке.
Наука и технологии. Авторы доклада указывают на то, что в на-
стоящий момент США могут похвастаться более сильной нацио-
нальной инновационной системой (НИС), чем развивающиеся эко-
номики Китая и Индии. Авторы ссылаются на исследование,
согласно которому 9 факторов могут внести свой вклад в современ-
ную НИС – это: подвижность капитала, гибкость резерва рабочей
силы, восприимчивость правительства к бизнесу, технологии пере-
дачи информации, инфраструктура развития в частном секторе, сис-
тема законов по охране интеллектуальной собственности, доступный
научный и человеческий капитал, маркетинговые навыки и обще-
культурные склонности к творчеству. Авторы доклада предполага-
ют, что к концу второго десятилетия Китай и Индия почти достигнут
паритета с США в научном и человеческом капитале (Индия) и пра-
вительственной восприимчивости к инновациям в бизнесе (Китай).
По остальным факторам эти страны разрыв существенно сузят, но не
ликвидируют его. США сохранят доминирующую позицию в трех
областях: защита прав интеллектуальной собственности, искушен-
ность в бизнесе для стимулирования инноваций и поощрение твор-
ческого подхода.
Женщины в экономике. Авторы доклада рассчитывают на дальней-
шее усиление влияния женщин в экономике. «Преобладание женщин
в экспортном секторе производства в Юго-Восточной Азии, – пишут
эксперты, – вероятно, станет ключевой движущей силой, ведущей эко-
номику региона к успеху». Приход женщин на рабочие места поможет
смягчать экономические последствия старения населения.
Высшее образование. Авторы доклада называют образование
главным определяющим фактором функционирования и потенциала
Моделирование траектории мирового технико-экономического развития 161

экономики государств. Несмотря на то, что полноценное начальное


образование – необходимое условие функционирования хозяйства,
качество и доступность именно среднего и высшего образования
докладчики считают важнейшим фактором ускоренного развития
стран. В этой сфере авторы доклада прогнозируют успех Китая
и сложности для Индии в силу повсеместного распространения не-
полноценного начального образования в бедных районах и доступ-
ности высшего образования лишь относительно привилегированно-
му меньшинству. Авторы полагают, что США «могут оказаться
единственным государством, способным подстроить свое высшее
образование и систему научных исследований под растущий миро-
вой спрос и позиционировать себя мировым центром образования
для растущего числа студентов, которые выйдут на рынок образова-
ния к 2025 году». Докладчики рекомендуют продолжение экспорта
образовательной системы США путем строительства американских
кампусов на Ближнем Востоке и в Центральной Азии, что значи-
тельно повысит привлекательность и мировой престиж американ-
ских университетов.
А.Ю. Апокин (Центр макроэкономического анализа и кратко-
срочного прогнозирования Института народнохозяйственного про-
гнозирования РАН) и Д.Р. Белоусов (Институт народнохозяйствен-
ного прогнозирования РАН) в соавторстве выполнили работу
«Сценарии развития мировой и российской экономики как основа
для научно-технологического прогнозирования». Прогнозируя разви-
тие экономики, авторы предложили два основных варианта: «сцена-
рий возврата цикла» и «сценарий затяжной рецессии». Первый сце-
нарий подразумевает циклическое развитие мировой экономики,
второй исходит из представления об экономическом кризисе 2008 г.
как об «исторической случайности». Наиболее вероятным авторы
называют сценарий возврата цикличности мировой экономики [6].
Занимая эти позиции, А.Ю. Апокин и Д.Р. Белоусов прогнозируют в
2016–2017 гг. очередной экономический кризис, обусловленный на
первой стадии «схлопыванием» финансовых пузырей на рынке ак-
тивов, а на последующих – потерей интереса инвесторов к амери-
канским и номинированным в долларах активам на фоне макроэко-
номического спада.
Авторы прогноза – вне зависимости от реализуемого сценария –
предполагают изменение статуса доллара и превращение его в одну
из нескольких мировых резервных валют вместо основной.
162 Глава 2

При варианте развития по схеме экономического цикла (к ко-


торой, напомним, и склоняются исследователи) вероятно быстрое
развертывание «гонки технологических компетенций» по таким
направлениям, как материаловедение (включая нанотехнологии),
биология и медицина, энергетика (как «нетрадиционная», так и АЭС
четвертого поколения и эксперименты с управляемым термоядер-
ным синтезом), авиастроение, создание новых видов вооружений
и военной техники (важнейший тренд в этом сценарии – интеллек-
туализация и роботизация вооружения и военной техники). Резуль-
таты этой гонки к концу 2020-х – началу 2030-х годов способны
привести, по мнению авторов, к радикальному изменению экономи-
ческой, а возможно, и геополитической географии мира.
Особое внимание А.Ю. Апокин и Д.Р. Белоусов уделили вопросу
развития технологий, приводящих к появлению новых продуктов, спо-
собных кардинально изменить структуру соответствующих рынков.
В сфере энергетики авторы прогнозируют:
1) образование новых энергетических рынков;
2) создание новых типов моторных топлив и энергоносителей
для транспортных средств;
3) развитие атомной энергетики;
4) развитие альтернативной энергетики и прежде всего солнеч-
ных батарей.
В сфере новых производственных технологий, по мнению
А.Ю. Апокина и Д.Р. Белоусова, произойдет модернизация произ-
водственного аппарата в целях интеграции компонентов традицион-
ных производственных и информационных технологий, обеспечи-
вающих контроль качества обработки, внесение «цепочечных»
изменений в продукцию при выводе на рынок новых видов продук-
тов. Второе изменение будет связано с проникновением на рынок
продукции, изготовленной с применением нанотехнологий.
Рассуждая об оборонных технологиях, авторы полагают, что
в настоящее время начинается новый виток глобальной технологи-
ческой гонки вооружений. Авторы ожидают появления следующих
военных технологий:
– комплексная информатизация поля боя;
– милитаризация космоса;
– освоение авиацией гиперзвуковых скоростей и высот порядка 30 км;
– развитие безлюдных (в том числе роботизированных) систем
вооружений;
Моделирование траектории мирового технико-экономического развития 163

– комплексное снижение заметности боевых средств;


– внедрение ядерных средств малой и сверхмалой мощности;
– изготовление самоприцеливающихся боеприпасов;
– конструирование оружия на основе новых физических принципов.
В рамках биомедицинских технологий авторы предполагают
возникновение новых пород животных и растений (вплоть до ло-
кальных искусственных фрагментов биогеоценозов), предназначен-
ных для пищевых, топливных и медицинских (трансплантация орга-
нов и тканей) целей.
Перечень «технологий будущего», представляемый различными ав-
торами в целом идентично, содержит в изложении исследовательских
коллективов отдельные разночтения. Так, авторы стратегии инноваци-
онного развития Российской Федерации на период до 2020 г. «Иннова-
ционная Россия – 2020» отмечают, что исходя из результатов про-
гнозов, проведенных как в России, так и в ведущих зарубежных
странах, основными тенденциями мирового технологического раз-
вития до 2020 г. являются:
– формирование всепроникающих глобальных инфокоммуника-
ционных сетей;
– широкое внедрение материалов со специальными свойствами,
в первую очередь, композиционных;
– начало формирования рынка нанотехнологий, переход от мик-
роэлектроники к нано- и оптоэлектронике как новому «ядру» ин-
формационных технологий;
– начало широкого использования биотехнологий, которые из-
менят не только традиционный аграрный сектор, но и станут осно-
вой развития высокотехнологичных методов профилактики заболе-
ваний, диагностики, лечения и биоинформатики;
– достижение технологиями альтернативной энергетики (водо-
родная энергетика, использование энергии ветра, солнца, приливов
и иных возобновляемых источников) экономически приемлемых
параметров;
– улучшение экологических параметров тепловой энергетики,
в первую очередь угольной;
– радикальные изменения в методах и средствах природоохран-
ной деятельности, что уменьшит техногенное воздействие на био-
сферу Земли [23].
Заслуживает внимание работа В.В. Бушуева (генеральный ди-
ректор Института энергетической стратегии), А.М. Мастепанова
164 Глава 2

(заместитель начальника Департамента перспективного развития,


науки и экологии ОАО «Газпром») и Н.К. Куричева (старший экс-
перт-аналитик Института энергетической стратегии) «Качественные
изменения мировой экономики и энергетики до 2050 г.: Сценарии
возможных событий».
Авторы подчеркивают, что анализ будущего мировой энергетики
особенно актуален для России, поскольку её экономика находится
в сильной зависимости от состояния мировых энергетических рынков.
Развитие мировой экономики и энергетики в долгосрочной пер-
спективе, по мнению исследователей, будет определяться сочетанием
статического, циклического и динамического принципов: до 2050 г.
будет действовать инерция экономического и особенно энергетиче-
ского развития (статический принцип); наряду с инерцией будет
действовать цикличность мирового энергетического и экономиче-
ского развития (циклический принцип); в перспективе 2025–2030 гг.
можно ожидать, что произойдет острый комплексный кризис социу-
ма и экономики, который может быть разрешен сменой парадигмы
развития общества (динамический принцип).
Делая акцент на перспективах развития мировой энергетики, ав-
торы называют три сценария ее развития:
1) инерционно-катастрофический;
2) стабилизационно-стагнационный;
3) инновационно-революционный.
Первый сценарий предполагает сохранение до 2030 г. современ-
ной траектории развития мировой энергетики, которая является не-
устойчивой по экономическим, социальным, экологическим, поли-
тическим параметрам. В этом сценарии энергетика (в силу
ограниченности ресурсов) будет сдерживать социально-экономичес-
кое развитие стран, следствием чего будет либо пауза в экономиче-
ском развитии, либо отказ от экологических ограничений.
Стабилизационно-стагнационный сценарий предполагает кор-
ректировку современных трендов развития в 2010–2030 гг. право-
выми и политическими механизмами. Посредством энергосбереже-
ния будет снята проблема изменения климата и роста спроса на
энергоносители. Но после 2030 г. этот сценарий приводит к сниже-
нию темпов развития, стагнации мировой энергетики и потере ус-
тойчивости.
Инновационно-революционный сценарий предполагает измене-
ние современных трендов развития энергетики уже в ближайшие
Моделирование траектории мирового технико-экономического развития 165

20 лет за счет инновационного развития энергетики как в секторе


производства энергии, так и в секторе её конечного потребления [9].
Большинство отечественных ученых, занимающихся экономиче-
ским прогнозом, рассчитывают сценарии развития собственно рос-
сийской экономики.
Остановимся на докладе, сделанном в июле 2011 г. заместителем
директора Института «Центр развития» НИУ-ВШЭ В.В. Мироновым
«К вопросу о трендах и сценариях долгосрочного (до 2030 года) разви-
тия российской экономики». Автор доклада отмечает, что в связи с на-
чавшимся в 2008 г. мировым экономическим кризисом стоит пересмот-
реть прогнозируемые ранее параметры экономического развития,
которые сегодня видятся завышенными примерно в 1,5 раза.
Как и ряд других аналитиков, В.В. Миронов указывает на прин-
ципиальное различие двух альтернативных сценариев долгосрочного
развития российской экономики – инерционного (сырьевого) и ин-
новационного [43].
Автор отмечает, что для инерционного сценария будет характер-
на сбалансированность бюджета, но достигнута она может быть
только за счет ограничения вложений в развитие человеческого ка-
питала и транспортной инфраструктуры, а также снижения пенсион-
ных и военных расходов.
Среднегодовые темпы роста российской экономики в инноваци-
онном сценарии в 2010–2030 гг. могут быть оценены на уровне 4,0–
4,2 % (что выше, чем в энергосырьевом, на 1,1–1,3 %).
Однако институциональные риски инновационного сценария, по
мнению В.В. Миронова, гораздо выше: автор указывает на то, что
в соответствии с мировым опытом шансы на переход к инновацион-
ной модели развития составляют 50/50. Делая акцент на макроэко-
номических рисках предстоящих лет, автор доклада обращает вни-
мание на следующие аспекты:
– ужесточение регулирования финансовых рынков будет связано
с резким усилением конкуренции стран за потоки иностранного ка-
питала;
– новая модель экономического роста в России, которая, как по-
лагает автор, будет нацелена на ускоренный рост инвестиций и ин-
новаций, означает борьбу с высокой инфляцией и переход от поли-
тики таргетирования валютного курса к таргетированию инфляции,
что может негативно повлиять на конкурентоспособность россий-
ского обрабатывающего сектора экономики;
166 Глава 2

– в ближайшие годы – в период несогласованного между стра-


нами повышения базовых ставок – возможны сильные колебания
потоков спекулятивного капитала;
– в случае быстрого роста импорта на фоне снижения экспорта
Россию может ожидать несколько кризисов платежного баланса
и девальвация рубля (вероятность первого из них автор видел уже
в 2012–2013 гг.);
– нестандартный характер мирового экономического кризиса
2007–2009 гг. (одновременно циклический, финансовый и структур-
ный) актуализирует угрозу возникновения следующего мирового
кризиса в более ранние сроки, чем прогнозируется МЭР России
в долгосрочном прогнозе (2018 и далее 2028 гг.).
Характеризуя два вышеуказанных сценария, В.В. Миронов ори-
ентируется на документы, разработанные в МЭР РФ. Однако, по его
мнению, для полноценного прогноза необходимо учитывать еще два
сценария, условно названные автором сценарием «Истощение «Зо-
лотого Тельца»» и сценарием «Процветание «Золотого Тельца»».
Первый из них основан на попытках диверсификации эконо-
мики при сохранении нулевого баланса или даже профицита
бюджета и на усилении налогообложения экпортно-сырьевого
комплекса. В.В. Миронов указывает на то, что некоторые экспер-
ты считают, что рост доходов российского бюджета от выравни-
вания уровня изъятия нефтяной ренты в России по сравнению
с Норвегией может составить около 850 млрд руб. в год с 2012 г.
и около 890 млрд руб. может быть получено при выравнивании
налогообложения газа и нефти.
Последний сценарий («Процветание «Золотого Тельца»» или
Сырьевой придаток «в квадрате»), предполагает, что все финансо-
вые ресурсы (включая возможные займы) направляются на развитие
экспортно-сырьевого комплекса (включая его высокие пределы –
в частности, нефте- и газопереработку и нефтегазохимию, а также
отрасли-тыловики этого комплекса, а именно производство обору-
дования для нефте- и газодобычи и пр.).
Авторы доклада «Стратегия–2020: Новая модель роста – новая
социальная политика», суммируя дискуссии в мировом экспертном
сообществе, выделяют два основных сценария.
Оптимистичный сценарий предполагает выход в среднесроч-
ной перспективе мировой экономики на траекторию общего ди-
намичного роста (4–4,5 % ВВП), что подразумевает и высокие
Моделирование траектории мирового технико-экономического развития 167

цены на сырье, и относительно невысокую, хотя и с тенденцией


повышения, стоимость капитала.
Менее оптимистичный сценарий («Встречный кризис») предпо-
лагает неравномерное развитие на протяжении предстоящей декады
(более длительный период замедления роста развитых экономик;
трудности в поддержании темпов роста у лидеров «догоняющего
развития»). В этом сценарии на фоне достаточно высоких цен на
сырье (характеризующихся, впрочем, высокой волатильностью) сле-
дует ожидать роста процентных ставок, т.е. роста стоимости привле-
чения капитала. Именно этот сценарий авторы Стратегии предлага-
ют принять за базовый.
Второй параграф первой главы Стратегии полностью посвящен
сценариям экономического развития в 2012–2020 гг. Авторы Страте-
гии, следуя обозначенной выше логике, выделяют «инерционные
сценарии развития» и «альтернативный сценарий».
Инерционные сценарии. По оценкам авторов Стратегии, ресурсы
восстановительного роста исчерпаны. Опережающее расширение
внутреннего спроса ведет к общему росту внутренних цен, в том
числе к росту издержек на труд, и соответственно к снижению кон-
курентоспособности отечественной промышленности в условиях
глобального рынка. В рамках инерционного сценария, опирающего-
ся на сохранение прежней модели, экономический рост возможен,
однако невозможен устойчивый экономический рост.
Альтернативный сценарий. Авторы Стратегии отмечают, что
анализ случаев устойчиво высокого экономического роста в странах
с формирующимися рынками за последние 50 лет демонстрирует,
что общего рецепта выхода на траекторию устойчивого роста не су-
ществует, однако имеются необходимые условия достижения успе-
ха. К таким условиям авторы относят:
– ориентацию на внешний спрос, открытость экономики;
– рыночное распределение ресурсов;
– высокую норму сбережений;
– макроэкономическую стабильность.
Анализируя возможности России к переходу к инновационному
развитию, авторы Стратегии выделяют как преимущества страны,
так и ограничения для такого перехода.
К ограничениям авторы относят:
– неблагоприятный демографический тренд;
– относительно высокую стоимость рабочей силы;
168 Глава 2

– низкое качество институтов и инфраструктуры рынка.


Преимущества же России, по мнению авторов Стратегии, заклю-
чаются в:
– относительно высоком качестве человеческого капитала и ин-
фраструктуры;
– размере внутреннего рынка;
– изобилии сырьевых ресурсов.
При условии использования преимуществ и минимизации огра-
ничений авторы Стратегии допускали переход России к инноваци-
онной модели в первой половине XXI в.
Подводя итоги, можно сделать следующие выводы.
Существующие сценарии изменения мировой экономики ориен-
тируются на традиционные макроэкономические показатели, отра-
жающие в основном приращение объемов ВВП, и не учитывают
технологическую и качественную составляющую темпов экономи-
ческого роста, поэтому прогнозные оценки, линейные по своей при-
роде, не содержат научно обоснованных расчетов, базирующихся
на измерении комплексного технико-экономического параметра
роста. Точность таких расчетов несоизмеримо мала и не отражает
тенденции синхронизации макроэкономических колебаний и тех-
нологических изменений. В настоящее время новый (шестой) тех-
нологический уклад выходит из эмбриональной фазы развития, раз-
ворачивается процесс замещения им предыдущего ТУ, достигшего
пределов своего роста. По мере ускорения НТП и сокращения дли-
тельности научно-производственных циклов период доминирова-
ния жизненного цикла ТУ, который обычно составляет от 40 до
60 лет, постепенно сокращается. В период становления нового ТУ
ведущую роль в осваивании его базовых нововведений играют
инновационные факторы.
Исследователи, делающие экономический прогноз, как правило,
не заглядывают дальше 2030–2050 гг. Большинство экспертов схо-
дится на снижении роли американской валюты и на движении мира
по направлению к большей многополярности в обозримом будущем.
Эксперты допускают прорывное развитие России, хотя и не дают на
это много шансов, видя наличие объективных ограничений.
При проведении анализа вероятных сценариев изменения миро-
вой экономики и смены технологических укладов, кроме выделения
глобальных макроэкономических тенденций, в настоящем исследо-
вании делается акцент на инновационные аспекты возможных сце-
Моделирование траектории мирового технико-экономического развития 169

нариев экономического развития. Опираясь на результаты эксперт-


ных семинаров, в том числе на мнение заместителя директора по
научной работе Института экономики и организации промышленно-
го производства СО РАН, д.э.н., профессора, член-корреспондента
РАН В.И. Суслова, при прогнозировании экономического будущего
прослеживаются два основных сценария:
А – либеральный;
В – инновационный.
При реализации сценария, предполагающего сохранение основ-
ных характеристик современного миропорядка (А), в будущем ми-
ровую экономику ожидает следующее:
1. За долларом США останется роль мировых денег.
2. Нефть продолжит служить «главным» товаром, «кровью эко-
номики», инициирующим значительные финансовые потоки.
3. Идеология либерализма останется господствующей в эконо-
мической политике ведущих стран (при росте регулирующей и кон-
тролирующей роли государственных и надгосударственных органов
в финансовой сфере).
4. Параметры временного дисконтирования останутся сущест-
венно завышенными.
В соответствии со сценарием В перечисленные характеристики
миропорядка принципиально изменятся:
1. Доллар США перейдет в разряд региональных валют, хотя
значение иены, юаня и, возможно, рубля в международных расчетах
и валютных резервах возрастет.
2. Свою уникальность потеряет нефть, в силу чего будет преодо-
лена моноцентричность мировой финансово-экономической систе-
мы. Следствием умеренного уровня цен на топливо и сырье станет
перераспределение налоговой нагрузки на «верхние этажи» эконо-
мики. Мировая экономическая система станет более диверсифици-
рованной, устойчивой и предсказуемой.
3. Возникнут союзы государств, делегирующих часть своих функ-
ций в области бюджетно-финансовой, ценовой политики, политики
природопользования наднациональным органам. Идеология «госрегу-
лирования» получит новые приложения в экономической политике
национальных государств и «выйдет» на международный уровень.
4. Научно-технологический прогресс, экономика знаний, иннова-
ции станут играть гораздо более значимую роль (затраты на НИОКР
достигнут 3–4 % мирового ВВП, а в странах-лидерах – до 10 %).
170 Глава 2

5. Инновационный сценарий развития мировой экономики пред-


полагает выход к 2030 г. на эталонную траекторию технико-эко-
номического развития Китая, Индии и России, причем к 2050 г. эко-
номики этих стран будут крупнее экономик стран «Большой семер-
ки» на 50 % по паритету покупательной способности. Помимо этой
тройки, крупнейшими экономиками будут обладать США, Бразилия,
Япония, Германия, Великобритания и Франция.
6. В связи с прогнозным снижением численности населения ра-
ботоспособного возраста произойдут значительные изменения в тем-
пах роста экономик Китая и России по сравнению с Индией, Индо-
незией, Бразилией, Турцией и Мексикой. Несмотря на замедление
темпов роста, экономика России к 2050 г. сравняется с экономикой
Франции.
7. До 2050 г. наиболее быстрыми темпами будет расти экономика
Индии. К 2050 г. по паритету покупательной способности уровень ТЭР
Индии сравняется с США. Китай обгонит США в 1,3 раза. Экономика
Бразилии обойдет экономику Японии. Быстрыми темпами будут расти
экономики Индонезии, Мексики и Турции и к 2050 г. превзойдут соот-
ветственно экономики Германии, Великобритании и Италии.
8. Западно-европейская экономика будет показывать более мед-
ленные темпы роста, чем американская с ее более низкой нормой
налогообложения, накопления и безработицы, более высокой конку-
рентоспособностью. США сохранит более сильные позиции в облас-
ти выпуска высокотехнологичной продукции, инновационной ак-
тивности и инфраструктуры научно-технического прогресса, по
широте и риску предпринимательской активности.
9. Проведенный анализ, чувствительный к индикаторам ТЭР, за-
висит от многочисленных политических и других факторов. Резуль-
таты могут быть на 10 % выше или ниже представленных прогнозов.

ЗАКЛЮЧЕНИЕ
На базе многих отечественных и международных научных иссле-
дований, форсайт-прогнозов разработана модель траектории мирового
технико-экономического развития на основе комплексного анализа
макроэкономических, социальных и инновационных показателей
стран. Итогом исследований явились следующие результаты.
1. Экспертной группой определена область охвата, ограничений
и допущений, а также принципы формирования и отбора показате-
Моделирование траектории мирового технико-экономического развития 171

лей и индикаторов ТЭР, разработан комплексный набор количест-


венных и качественных индикаторов технико-экономического роста
с учетом инновационного потенциала стран.
2. Разработана концепция моделирования траектории мирового
технико-экономического развития, являющегося неустойчивым по
экономическим, социальным, экологическим, политическим пара-
метрам, как последовательность обученных нейронных сетей Кохо-
нена в году наблюдения, каждая из которых через кластеризацию
входных данных по уровню ТЭР отображает комплексный технико-
экономический портрет (положение) стран в данный момент вре-
мени. Это позволит выбрать в качестве базиса исследований как тен-
денции подготовки к шестому укладу (наиболее интересные с точки
зрения дальнейшего прогнозирования), так и закономерности, кото-
рые можно установить по опыту смены четвертого уклада пятым.
3. Для получения прогнозных оценок ТЭР построены 2 нейросе-
тевые модели, охватывающие технико-экономический портрет
37 стран по 41 показателю (2005 и 2010 гг.).
4. Рассчитаны следующие выходные параметры нейросетей:
– уровень ТЭР каждой страны в 2005 и 2010 гг. относительно
эталонного значения лидера;
– нейросетевая оценка темпов технико-экономического развития;
– фактическое расстояние, характеризующее временное отста-
вание страны от эталонного значения;
– частота выигрышей нейронов в топологической карте Кохонена,
характеризующая количество стран с одинаковым уровнем ТЭР.
5. Отображены прогнозные тенденции в динамике ТЭР путем
нейросетевого расчета по траектории ТЭР перспективного расстоя-
ния – количества лет, которое потребуется данной стране для дости-
жения эталонного уровня технического развития в году наблюдения.
6. Выполнена нейро-нечеткая кластеризация стран по степени
близости к выделенным группам по уровню ТЭР (лидеры ТЭР, раз-
витые страны, страны с умеренным уровнем ТЭР, развивающиеся
страны) и по темпам роста (высокий, средний, низкий).
7. Линейная статистическая обработка данных не способна выде-
лить два ведущих параметра, описывающих кривую ТЭР с приемлемой
точностью. Нелинейный нейросетевой анализ для аппроксимации мно-
гомерных данных использует двумерную поверхность (карты Кохоне-
на), что позволяет добиться в комплексе с нечеткими методами гораздо
172 Глава 2

более высокой точности аппроксимации. Суммарное расстояние от


данных до ближайших к ним узлов топографической сетки:

составляет всего 4,5 %, в отличие от линейной аппроксимации (47 %).


8. Проведен нейросетевой анализ значимости входных показа-
телей, позволивший выявить незначимый параметр «отраслевая
структура ВВП» и упростить число входов до 40 без ухудшения
обучаемости нейросети.
9. Проведен анализ исторических, культурно-психологических,
природно-климатических и других особенностей ряда стран, кото-
рые отражаются в ее технико-экономической структуре.
10. Разработана автоматизированная схема анализа и прогноза.
11. Методом форсайт проведен многоступенчатый опрос экспертов с
последующим анализом экспертных листов, развит новый концептуаль-
ный подход к форсайт-исследованиям в части доказательности эксперт-
ных мнений и опросов интеллектуальными нейросетевыми методами
анализа (более подробно о методе «форсайт» – в следующей главе).
12. Проведен экспертный семинар для оценки возможностей
и разработки рекомендаций по использованию модели смены техно-
логических укладов для долгосрочного прогнозирования научно-
технического развития Российской Федерации.
В соответствии с проведенными исследованиями получены сле-
дующие основные выводы.
Представленные в обзоре сценарии изменения мировой эконо-
мики ориентируются на традиционные макроэкономические показа-
тели, отражающие в основном приращение объемов ВВП, и не учи-
тывают технологическую и качественную составляющую темпов
экономического роста, поэтому прогнозные оценки, линейные по
своей природе, не содержат научно обоснованных расчетов, осно-
ванных на измерении комплексного технико-экономического пара-
метра роста. Точность таких расчетов несоизмеримо мала и не отра-
жает тенденции синхронизации макроэкономических колебаний
и технологических изменений. В настоящее время новый (шестой)
технологический уклад выходит из эмбриональной фазы развития,
разворачивается процесс замещения им предыдущего ТУ, достигше-
го пределов своего роста. По мере ускорения НТП и сокращения
Моделирование траектории мирового технико-экономического развития 173

длительности научно-производственных циклов период доминиро-


вания жизненного цикла ТУ, который обычно составляет от 40 до
60 лет, постепенно сокращается. В период становления нового ТУ
ведущую роль в осваивании его базовых нововведений играют ин-
новационные факторы.
Разработанный программный инструментальный комплекс по-
зволяет аккумулировать знания в сфере оценки уровня и темпов тех-
нико-экономического развития стран мира, характеризующегося
многими количественными и качественными индикаторами эконо-
мического и неэкономического характера, проводить научно обос-
нованный анализ социального измерения экономики нового техно-
логического уклада, а также осуществлять поддержку процедур
разработки сценариев и принятия обоснованных прогнозных реше-
ний в условиях перехода к шестому технологическому укладу.
Практическое внедрение разработанные методы нашли при раз-
работке доклада (эссе) в Министерстве образования и науки Россий-
ской Федерации в рамках комплекса работ по долгосрочному про-
гнозу важнейших направлений научно-технологического развития
Российской Федерации на период до 2030 г.
СПИСОК ЛИТЕРАТУРЫ

1. Айвазян С.А., Мхитарян B.C. Прикладная статистка и основы эконометрики: учеб-


ник. М.: ЮНИТИ, 1998. 102 с.
2. Акаев А.А. Анализ решений общего уравнения макроэкономической динамики //
Экономика и математические методы. Доклады РАН. 2008. Т. 44, № 3. С. 62–78.
3. Акаев А.А. Влияние деловых циклов на долговременный экономический рост //
Доклады РАН. 2008. Т. 421, № 1.
4. Акаев А.А. Вывод общего уравнения макроэкономической динамики, описываю-
щего совместное взаимодействие долгосрочного роста и деловых циклов // Доклады РАН.
2007. Т. 417, № 4.
5. Алтунин А.Е., Семухин М.В. Модели и алгоритмы принятия решений в нечетких
условиях. Тюмень: Изд-во ТГУ, 2000. 352 с.
6. Апокин А.Ю., Белоусов Д.Р. Сценарии развития мировой и российской экономики
как основа для научно-технологического прогнозирования // Форсайт. 2009. № 3 (11).
7. Бодянский Е.В. Об адаптивном алгоритме нечеткой кластеризации данных /
Е.В. Бодянский, Е.В. Горшков, И.В. Кокшенев, В.В. Колодяжный // Адаптивні системи
автоматичного управління. Вип. 5(25). Дніпропетровськ: Системні технології, 2002.
С. 108–117.
8. Борисов А.Н., Алексеев А.В., Меркурьева Г.В. и др. Обработка нечеткой информа-
ции в системах принятия решений. М.: Радио и связь, 1989. 304 с.
9. Бушуев В.В., Мастепанов А.М., Куричев Н.К. Качественные изменения мировой
экономики и энергетики до 2050 г.: Сценарии возможных событий (материалы объеди-
ненного симпозиума 30 августа – 2 сентября 2010 г., Иркутск) [Электронный ресурс].
URL: http://www.sei.irk.ru/symp2010/papers/RUS/P1-02r.pdf
10. Вектор: оценки, прогнозы, приоритеты. 2010. Февр.
174 Глава 2

11. Вощинин А.П. Задачи анализа с неопределенными данными – интервальность


и/или случайность? // Интервальная математика и распространение ограничений: Рабочие
совещания. МКВМ–2004. С. 147–158.
12. Гапоненко Н.В. Форсайт. Теория. Методология. Опыт. М.: ЮНИТИ –ДАНА,
2008. 239 с.
13. Гладкий Ю.Н., Сухоруков В.Д. Экономическая и социальная география зарубеж-
ных стран. М., 2008. 459 с.
14. Глазьев С.Ю. Теория долгосрочного технико-экономического развития. М.:
ВлаДар, 1993.
15. Глазьев С.Ю., Львов Д.С., Фетисов Г.Г. Эволюция технико-экономических сис-
тем: возможности и границы централизованного регулирования. М., 1992.
16. Горбачев С.В., Сырямкин В.И., Куприн И.В. Нейросетевое моделирование и про-
гнозирование траектории технико-экономического развития государства. Saarbrucken:
LAMBERT Academic Publishing, 2012. 184 с.
17. Горбачев С.В., Сырямкин В.И., Сырямкин М.В. Интеллектуальный форсайт-
прогноз научно-технологического развития государства. Saarbrucken: LAMBERT
Academic Publishing, 2012. 132 с.
18. Дубров A.M., Мхитарян B.C., Трошин Л.П. Многомерные статистические мето-
ды: для экономистов и менеджеров. М.: Финансы и статистика, 2000. 368 с.
19. Дюбуа Д., Прад А. Теория возможностей. Приложения к представлению знаний
в информатике: пер. с фр. М.: Радио и связь, 1990. 288 с.
20. Заде Л.А. Основы нового подхода к анализу сложных систем и процессов при-
нятия решений // Математика сегодня. М.: Знание, 1974. С. 5–49.
21. Заде Л. Понятие лингвистической переменной и его применение к принятию
приближенных решений: пер. с англ. М.: Мир, 1976. 165 с.
22. Инновации: спасут ли они Россию? // Пресс-выпуск Всероссийского центра изу-
чения общественного мнения (ВЦИОМ). 2008. № 912. 27 марта [Электронный ресурс].
URL: http://wciom.ru/arkhiv/tematicheskii-arkhiv/item/single/9890.html?no_cache=1&cHash=
18fb5ccfba&print=1.
23. Инновационный путь развития для новой России / отв. ред. В.П. Горегляд. М.:
Наука, 2005. 343 с.
24. Инновационная Россия – 2020 (Проект стратегии инновационного развития Рос-
сийской Федерации на период до 2020 года) / Минэкономразвития России. М., 2010
[Электронный ресурс]. URL: http://www.economy.gov.ru/minec/activity/sections/innova-
tions/doc20101231_01.
25. Инновационная Россия – 2020 (Стратегия инновационного развития Российской
Федерации на период до 2020 года). М., 2010.
26. Итоговый аналитический отчет на тему: Перспективные направления развития
российской отрасли информационно-коммуникационных технологий (Долгосрочный
технологический прогноз. Российский ИТ Foresight). М., 2007 [Электронный ресурс].
URL: http://www.apkit.ru/files/IT_foresight.pdf .
27. Капица С.П. Очерк теории роста человечества. Демографическая революция и
информационное общество. М.: Никитский клуб, 2008. 64 с.
28. Когнитивные системы мониторинга и прогноза научно-технологического раз-
вития государства / Т.В. Абрамова, С.В. Ваганова, С.В. Горбачев и др. / под ред. В.И. Сы-
рямкина. Томск: Изд-во Том. гос. ун-та, 2012. 358 с.
29. Клинов В.Г. Мировая экономика: прогноз до 2050 г. // Вопросы экономики.
2008. № 5. С. 62–79.
30. Количественные методы в экономических исследованиях / под ред. М.В. Граче-
вой и др. М.: ЮНИТИ-ДАНА, 2004. 791 с.
31. Кондратьев Н.Д. Большие циклы конъюнктуры и теория предвидения. М.: Эко-
номика, 2002. 767 с.
Моделирование траектории мирового технико-экономического развития 175

32. Концепция развития здравоохранения до 2020 года [Электронный ресурс]. URL:


http://www.zdravo2020.ru/concept.
33. Коротаев А.В., Малков А.С., Халтурина Д.А. Законы истории: математическое
моделирование развития Мир-Системы. Демография, экономика, культура. М.: КомКнига,
2007. 224 с.
34. Красс М.С. Математика для экономистов / М.С. Красс, Б.П. Чупрынов. СПб.,
2005. 464 с.
35. Кравец А.С. Природа вероятности. М.: Мысль, 1976. 173 с.
36. Кудров В.М. Мировая экономика. М., 2004. 515 с.
37. Макаров В.Л. Экономика знаний: уроки для России // Вестник Российской ака-
демии наук. 2003. Т. 73, № 5.
38. Махов С.А. Устойчивое развитие с позиции технологического императива // Си-
нергетика: Будущее мира и России / под ред. Г.Г. Малинецкого, М.: Изд-во ЛКИ, 2008.
С. 133–152
39. Медведев Д.А. Послание Федеральному собранию Российской Федерации,
12 ноября 2009 г. // The Financial Times. 2010. January 26.
40. Медоуз Д., Рандерс Й. Пределы роста. 30 лет спустя. М.: ИКЦ «Академкнига»,
2008. 342 с.
41. Мирное развитие Китая [Электронный ресурс]. URL: http://russian.
china.org.cn/exclusive/txt/2011-10/20/content_23676602.htm
42. Мировая экономика: прогноз до 2020 г. / под ред. А.А. Дынкина / ИМЭМО
РАН. М.: Магистр, 2007. 429 с.
43. Миронов В.В. К вопросу о трендах и сценариях долгосрочного (до 2030 года)
развития российской экономики [Электронный ресурс]. URL: http://www.dcenter.ru/
news_main/Mironov_dev2030_270711.pdf
44. Народное хозяйство СССР за 1965–1990 гг.: статистический сборник. М.: Госу-
дарственное статистическое издательство, 1990.
45. Народное хозяйство СССР за 70 лет: Юбилейный статистический ежегодник.
М.: Государственное статистическое издательство, 1987.
46. Новая экономика знаний: что показывает глобальный рейтинг научно-
исследовательских институтов и организаций. М.: Независмое агентство «РЕЙТОР», 2009.
17 с.
47. О развитии отечественной фундаментальной науки и деятельности Российской
академии наук: Аналитический доклад рабочей группы Совета при Президенте Россий-
ской Федерации по науке, технологиям и образованию. М., 2009. Сент.
48. Общая теория денег и кредита / под ред. Е.Ф. Жукова. 2-е изд., перераб. и доп.
М., 1998.
49. Основы политики Российской Федерации в области развития науки и техноло-
гий на период до 2010 года и дальнейшую перспективу [Электронный ресурс]. URL:
http://mon.gov.ru/dok/ukaz/nti/4431/
50. Пантин В.И., Лапкин В.В. Философия исторического прогнозирования: ритмы
истории и перспективы мирового развития в первой половине XXI века. Дубна: Феникс+,
2006. 448 с.
51. Петрова Е.В. Модели прогнозирования многомерных случайных процессов //
Математическая морфология. 2006. Т. 5, вып. 4 [Электронный ресурс]. URL:
http://www.smolensk.ru/user/sgma/MMORPH/N-12-html/borisov/petrova/petrova.htm
52. Полетаев А.В., Савельева И.М. Циклы Кондратьева и развитие капитализма. М.:
Наука, 1993.
53. Прислушаться к Дэн Сяопину // Эксперт. 2011. № 18 (752). 9 мая.
54. Проблемы теории и практики управления. 2009. № 10.
55. Прогноз научно-технологического развития РФ на долгосрочную перспективу:
[Электронный ресурс]. URL: http://mon.gov.ru/work/nti/dok/str/08.12.18-prog.ntr.pdf
176 Глава 2

56. Прогноз по развитию нанотехнологий США (документ разработан Foresight


Nanotech Institute на средства грантов Waitt Family Foundation (спонсор-учредитель) и Sun
Microsystems при прямой поддержке Nanorex, Zyvex Labs и Synchrona) [Электронный
ресурс]. URL: http://e-drexler.com/d/07/00/Nanotech_Roadmap_Russian.pdf
57. Прогнозирование будущего: новая парадигма / под ред. ГГ. Фетисова,
В.М. Бондаренко. М.: Экономика, 2008. 283 с.
58. Программа развития наноиндустрии Российской Федерации до 2015 года. М.,
2010 [Электронный ресурс]. URL: http://mon.gov.ru/work/nti/dok/
59. Рогов С.М. Россия должна стать «научной сверхдержавой» // Мир и политика.
2010. № 3 (42).
60. Российская газета. 2010. 14 янв.
61. Российский статистический ежегодник. М., 2005.
62. Российский статистический ежегодник. М., 2010.
63. Садовничий В.А. Знание и мудрость в глобализирующемся мире: Доклад на IV
Российском философском конгрессе «Философия и будущее цивилизации». М.: МГУ,
2005. 24 мая.
64. Ситуация в области человеческих ресурсов // Белые книги [Электронный ре-
сурс]. URL: http://russian.china.org.cn/government/archive/baipishu/txt/2011-02/01/content_
21857456.htm
65. Скляренко Р.П. Что такое наукоемкий рынок? [Электронный ресурс]. URL:
http://bibliofond.ru/view.aspx?id=121386.
66. Соколов А.В., Карасев О.И. Форсайт и технологические дорожные карты для
наноиндустрии [Электронный ресурс]. URL: www.nanorf.ru/Attachment.aspx?Id=3269.
67. Столер Л. Равновесие и экономический рост (принципы макроэкономического
анализа). М.: Статистика, 1974. 472 с.
68. Стратегия развития биотехнологической отрасли «Био 2020» [Электронный
ресурс]. URL: http://www.biorosinfo.ru/strategija-razvitija-biotekhnologicheskojj-otrasli-
promyshlennosti-v-rossijjskojj-federatsii-do-2020-g-strategija-bio-2020/
69. Стратегия развития медицинской промышленности Российской Федерации на
период до 2020 года. М., 2010 [Электронный ресурс]. URL: http://www.medprom2020.
ru/userfiles/files/%D0%A1%D1%82%D1%80%D0%B0%D1%82%D0%B5%D0%B3%D0%B8
%D1%8F%20%D0%9C%D0%B5%D0%B4%D0%BF%D1%80%D0%BE%D0%BC.pdf
70. Стратегия–2020: Новая модель роста – новая социальная политика [Электрон-
ный ресурс]. URL: http://kommersant.ru/content/pics/doc/doc1753934.pdf
71. Супян В.Б. Наука и образование в США: главные приоритеты в «экономике
знаний» // США и Канада: экономика–политика–культура. 2009. № 8.
72. Суслов В.И. Инновационные аспекты возможных сценариев экономического
развития [Электронный ресурс]. URL: http://experts.megansk.ru/full_news.
html?id_news=141.
73. Тенденции развития кадрового потенциала российской науки / Институт про-
блем развития науки РАН. М., 2008.
74. Узяков М.Н. Экономический рост в России: количественная и качественная со-
ставляющие // Проблемы прогнозирования. 2004. № 3.
75. Финансирование инновационной деятельности: учеб. пособие / под ред.
Г.П. Подшиваленко, О.В. Демчинской. М., 1993.
76. Форрестер Дж. Мировая динамика. М.: Наука, 1978.
77. Форсайт, дорожные карты и индикаторы в области нанотехнологий и наноин-
дустрии (секционные доклады) [Электронный ресурс]. URL: www.rusnanoforum.ru
78. Харрисон Л. Культура и экономическое развитие [Электронный ресурс]. URL:
http://www.inliberty.ru/library/study/324
79. Хохлова О.А. Методология статистического исследования экономики региона.
Иркутск: Изд-во БГУЭП, 2006. 276 с.
Моделирование траектории мирового технико-экономического развития 177

80. Цыпкин Я.З. Основы теории обучающихся систем. М.: Наука, 1970. 252 с.
81. Шарп У., Александер Г., Бейли Дж. Инвестиции: пер. с англ. М.: ИНФРА-М,
1999. 1028 с.
82. Швецов Д.Е. Сравнительный анализ государственной политики стран мировой
«триады» //http://geopub.narod.ru/student/shvecov/1/main.htm
83. Экономика, наука, техника / Посольство Японии в России [Электронный ре-
сурс]. URL: http://www.ru.emb-japan.go.jp/ABOUT/ECONOMICS/index.html
84. Экономика как искусство / отв. ред. О.И. Ананьин; Институт экономики РАН.
М.: Наука, 2008. 255 с.
85. Яковец Ю.В. Прогноз технологического развития мира и России и стратегия ин-
новационного прорыва. М.: МИСК, 2008. 35 с.
86. Аnalytical Perspectives. Budget of the United States. Fiscal Year 2011. Office of
Management and Budget. W., 2010.
87. Bezdek, J.C. Pattern Recognition with Fuzzy Objective Function Algorithms. N.Y.:
Plenum Press, 1981. 272 p.
88. Bodyanskiy Ye. Combined learning algorithm for a selforginizing map with fuzzy in-
ference / Ye. Bodyanskiy, Ye. Gorshkov, V. Kolodyaznhiy, A. Stephan // Computational intelli-
gence, theory and applications: International Conference 8th Fuzzy Days in Dortmund, Ger-
many, Sept. 29 – Oct. 01, 2004 ; proceedings / B. Reusch (Ed). Berlin Heidelberg : Springer-
Verlag, 2005. P. 641–650. (Advanced in Soft Computing . Vol. 33).
89. Bodyanskiy Ye. Computational intelligence techniques for data analysis // Lecture
Notes in Informatics. 2005. Vol. P–72. P. 15–36.
90. Bodyanskiy Ye. Recursive fuzzy clustering algorithms / Ye. Bodyanskiy, V. Kolodyaznhiy,
A. Stephan // Proc. 10th East West Fuzzy Colloqium. Zittau, Germany, 2002. P. 276–283.
91. Bojadziev G. Fuzzy Logic for Business, Finance and Management // Advances in Fuzzy
Systems. 1997. Vol. 12.
92. Bojadziev G., Bojadziev M. Fuzzy Sets, Fuzzy Logic, Applications. Word Scientific Pub
Co. 1996. I
93. Breiman L., Friedman J., Olsen R., Stone C. Classification and Regression Trees. Cali-
fornia: Wadsworth International Group, California, Belmont, 1984.
94. Breiman L. Random Forests. Machine Learning, 2001. Р. 5–32.
95. Buckley J. Solving fuzzy equations in economics and finance // Fuzzy Sets & Systems.
1992. № 48.
96. Buckley J. list of publications. On site: http:/www.math.uab.edu/buckley/pubs.html
97. Buckley J. personal internet homepage. On site: http:/www.math.uab.edu/buckley/
98. Buckley J. The Fuzzy Mathematics of Finance // Fuzzy Sets and Systems. 1987. № 21.
Р. 257–273.
99. Choi D.-Y., Oh K.-W. Asa and its application to multi-criteria decision making // Fuzzy
Sets and Systems. 2000. Vol. 114. P. 89–102.
100. Chung F.L. Fuzzy competitive learning / F.L. Chung, T. Lee // Neural Networks.
1994. Vol. 7. № 3. P. 539–552.
101. Chung F.-L. Unsupervised fuzzy competitive learning with monotonically decreasing
fuzziness / F.-L. Chung, T. Lee // Proc. 1993 Int. Joint Conf. on Neural Networks. 1993.
P. 2929–2932.
102. Dalkey N.C., Helmer-Hirschberg O. An experimental application of the Delphi
method to the use of experts // RAND Report RM-727-PR, 1962.
103. Dubois D., Prade H. Fuzzy Real Algebra: Some Rezults // Fuzzy Sets and Systems.
1979. № 2.
104. Dubois D., Prade H. Fuzzy Sets and Systems. N.Y.: Academic Press, 1980.
105. Dymova L., Sevastianov D., Sevastianov P. Application of fuzzy sets theory, methods
for the evaluation of investment efficiency parameters // Fuzzy economic review. 2000. Vol. 5,
№ 1. P. 34–48.
178 Глава 2

106. Dymova L., Sevastiynov P., Zestkova E. Multiobjective Evaluation of the Contract’s
Quality on the Base of the Fuzzy Sets Theory // VII Polish-Сzech Mathematical School, Czesto-
chova, 2000. Р. 35–41.
107. European Innovation Scoreboard [Электронный ресурс]. URL: http://www.eis.com
108. Friedman J.H. Stochastic Gradient Boosting. Technical Report. Dept. of Statistics,
Stanford University, 1999.
109. Fuzzy Sets in Business, Finance and Management, Economy and Marketing / Ed. by
Zopounidis C. and oth. World Scientific Pub Co, 2002.
110. Gan G. Data Clustering: Theory, Algorithms and Applications / G. Gan, Ch. Ma,
J. Wu. Philadelphia: SIAM, 2007. 466 p.
111. Gath I. Unsupervised optimal fuzzy clustering / I. Gath, A.B. Geva // Pattern Analysis
and Machine Intelligence. 1989. Vol. 2, № 7. P. 773–787.
112. Gorshkov Ye. New recursive learning algorithms for fuzzy Kohonen clustering net-
work / Ye. Gorshkov, V. Kolodyaznhiy, Ye. Bodyanskiy // Proc. 17th Int. Workshop on Nonlin-
ear Dynamics of Electronic Systems. Rapperswil, Switzerland, 2009. P. 58–61.
113. Hirooka M. Innovation Dynamism and Economic Growth. A Nonlinear Perspective.
Cheltenham, UK- Northampton, MA, USA: «Edward Elgar», 2006. Р. 426.
114. Hoppner F. Fuzzy-Clusteranalyse. / F. Hoppner, F. Klawonn, R. Kruse. Braun-
schweig: Vieweg, 1997. 280 S.
115. Hoppner F. Fuzzy Clustering Analysis: Methods for Classification, Data Analysis and
Image Recognition. / F. Hoppner, F. Klawonn, R. Kruse, T. Runkler. Chichester: John Willey &
Sons, 1999. 289 p.
116. Hurwicz L. Optimality Criteria for Decision Making under Ignorance // Cowles com-
mission papers. 1951. № 370.
117. Kahraman C., Ruan D., Tolga E. Capital Budgeting Techniques Using Discounted
Fuzzy versus Probabilistic Cash Flows // Information Sciences. 2002. № 142. Р. 57–76.
118. Kashyap R.L. Estimation of probability density and distribution functions / R.L. Ka-
shyap, C.C. Blaydon // IEEE Trans. on Information Theory. 1968. Vol. 14, № 4. P. 549–556.
119. Krishnapuram R.A possibilistic approach to clustering / R. Krishnapuram, J.M. Keller
// Fuzzy Systems. 1993. Vol. 1, № 2. P. 98–110.
120. Krishnapuram R. Fuzzy and possibilistic clustering methods for computer vision /
R. Krishnapuram, J.M. Keller // Neural Fuzzy Systems. 1994. № 12. P. 133–159.
121. Kohonen T. Self-Organizing Maps. Berlin : Springer-Verlag, 1995. 362 S.
122. Loveridge D., Georghiou L., Nedeva M. United Kingdom Foresight Programme.
PREST. Manchester, 1995.
123. Loveridge D. Foresight. PREST. Manchester, 2001.
124. Li Calzi M. Towards a General Setting for the Fuzzy Mathematics of Finance // Fuzzy
Sets and Systems. 1990. № 35. Р. 265–280.
125. Martin B. Research Foresight and the exploitation of science base. London, 1993.
126. NISTEP. The 8th science and technology Foresight survey – Delphi analysis / National
Institute of Science and Technology Policy. Tokyo, 2005.
127. OECD. Science and Technology: Key Tables from OECD 2009. November 12, 2009.
128. OECD. STAN Indicators Database, 2009 edition.
129. OSTP. National critical technologies report. Office of Science and Technology Policy.
Washington, D.C., 1995.
130. Park D.C. Gradient based fuzzy c-means (GBFCM) algorithm / D.C. Park, I. Dagher
// Proc. IEEE Int. Conf. on Neural Networks. 1984. P. 1626–1631.
131. Pascual-Marqui R.D. Smoothly distributed fuzzy c-means: a new self-organizing
map. / R.D. Pascual-Marqui, A.D. Pascual Montano, K. Kochi, J.M. Carazo// Pattern Recogni-
tion. 2001. № 34. P. 2395–2402.
132. Popper S., Wagner C., Larson E. New forces at work. Industry views critical tech-
nologies. RAND. Washington, D.C., 1998.
Моделирование траектории мирового технико-экономического развития 179

133. Popper R. Methodology: Common Foresight Practices & Tools, in Georghiou, L. et al.
International Handbook on Foresight and Science Policy: Theory and Practice. Edward Elgar,
2007.
134. Science and Engineering Indicators 2010. National Science Board.W., 2010. Appen-
dixtable 3–10.
135. Science and Engineering Indicators. 2002. P. A-3-25.
136. Shumpeter I. Theory of economics developing. Washington, 1911.
137. Synthesis report on Biotech National and EU Policies (Отчет по национальной и
общеевропейской политике в области биотехнологий) [Электронный ресурс]. URL:
http://www.ibs.ee/et/publikatsioonid/item/download/26. Проверено 13.11.2011.
138. The 2010 EU Industrial R&D Investment Scoreboard. European Comission. European
Union, 2010.
139. «The world in 2050». The perspectives of development of the economics of the coun-
tries with developing markets in process and competition of OECD // Pricewaterhouse Coopers,
March, 2006.
140. Tsao E.C.-K. Fuzzy Kohonen clustering network / E.C.-K. Tsao, J.C. Bezdek, N.P. Pal
// Pattern Recognition. 1994. Vol. 27, № 5. P. 757–764.
141. Vuorimaa P. Fuzzy self-organizing map // Fuzzy Sets and Systems. 1994. № 66.
P. 223–231.
142. Vuorimaa P. Use of the fuzzy self-organizing map in pattern self-recognition // Proc.
3-rd IEEE Int.Conf. Fuzzy Systems «FUZZ-IEEE’94». Orlando, USA, 1994. P. 798–801.
143. Ward T.L. Discounted Fuzzy Cashflow Analysis // Proceedings of Fall Industrial En-
gineering Conference. 1985. Р. 476–481.
144. Wang X.-Z., Yeung D.S., Tsang E.C. A comparative study on heuristic algorithms for
generating fuzzy decision trees // IEEE Transactions on SMC-B31. 2001.
145. Wilson D., Purushothaman R. Dreaming with BRICs: The Path to 2050 // Goldman
Sachs Global Economics Paper. № 99. October 2003.
146. World economic outlook. IMF. Washington, 2010. April.
147. World population. Data Sheet. Washington, DC, 2008.
148. Janikow C.Z. Fuzzy Processing in Decision Trees, Proceedings of the Sixth Interna-
tional Symposium on AI, 1993. Р. 360–367.
149. Janikow C.Z. Fuzzy Decision Trees: Issues and Methods, Department of Mathematics
and Computer Science, University of Missouri – St. Louis. 1996.
150. Zadeh L.A. Fuzzy Sets // Information and Control. 1965. Vol. 8, №3. Р. 338–353.
151. Zadeh L.A. Fuzzy Sets as a Basis for a Theory of Possibility // Fuzzy Sets and Sys-
tems. 1978. Vol. 1, № 1.
152. Zadeh L.A. Fuzzy Sets as a Basis for a Probabilistic Reasoning with Imprecise Prob-
abilities // Journal of Statistical Planning and Inference 105 (2002). Also on site
http:/sedok.narod.ru/s_files/poland/Zadeh.pdf
153. Zimmermann H.J. Fuzzy set theory and its applications. London: Kluwer Academic
Publishers, 1994. 763 p.
Глава 3

ПРОЕКТИРОВАНИЕ АДАПТИВНОЙ
ИЕРАРХИЧЕСКОЙ СЕТИ
НЕЙРО-НЕЧЕТКОГО ВЫВОДА
ДЛЯ МНОГОКРИТЕРИАЛЬНОЙ
КЛАССИФИКАЦИИ ПРИОРИТЕТНЫХ
НАУЧНО-ТЕХНОЛОГИЧЕСКИХ
НАПРАВЛЕНИЙ
И КРИТИЧЕСКИХ ТЕХНОЛОГИЙ

ВВЕДЕНИЕ
Развитие научно-технологического рынка во все времена под-
вержено огромному количеству рисков. Для того чтобы их миними-
зировать, инвестору необходимо произвести оценку технологиче-
ского проекта еще до принятия решения о его инвестировании.
Подобная оценка значительно затруднена наличием большого коли-
чества показателей, которые определяют эффективность проекта
и выражены не только количественными, но и качественными вели-
чинами. Такие задачи относятся к задачам оценки и выбора решений
в условиях неопределенности, когда недостаток информации ком-
пенсируется формализованно представленными знаниями экспертов.
Для решения задач принятия решений в условиях неопределенности,
когда лицу, принимающему решения (ЛПР), приходится опериро-
вать неточной, неполной, неколичественной информацией, целесо-
образно использовать класс методов многокритериального анализа,
основанных на теории нечетких множеств, которая была заложена
полвека назад в фундаментальных работах Лофти Заде [17].
Первоначальным замыслом теории нечетких множеств было по-
строить функциональное соответствие между нечеткими лингвисти-
ческими описаниями (типа «высокий», «теплый» и т.д.) и специаль-
ными функциями, выражающими степень принадлежности значений
измеряемых параметров (длины, температуры, веса и т.д.) упомяну-
тым нечетким описаниям. Также были введены так называемые лин-
Проектирование адаптивной иерархической сети нейро-нечеткого вывода 181

гвистические вероятности, заданные при помощи нечетко-смысловой


оценки. Впоследствии диапазон применимости теории нечетких мно-
жеств существенно расширился. Сам Л. Заде определил нечеткие мно-
жества как инструмент построения теории возможностей [144, 145].
С тех пор научные категории случайности и возможности, вероятности
и ожидаемости получают теоретическое разграничение.
Следующим достижением теории нечетких множеств является
введение так называемых треугольных чисел как нечетких подмно-
жеств специализированного вида, соответствующих высказываниям
типа «значение переменной примерно равно а». С их введением ока-
залось возможным прогнозировать будущие значения параметров,
которые ожидаемо меняются в установленном расчетном диапазоне.
Вводится набор операций над нечеткими числами, которые сводятся
к алгебраическим операциям с обычными числами при задании оп-
ределенного интервала достоверности (уровня принадлежности).
Фундаментальные исследования в этой области предприняты
Д. Дюбуа и Х. Прадом [110, 111].
Прикладные результаты теории нечетких множеств не заставили
себя ждать. Сегодня зарубежный рынок так называемых нечетких
контроллеров (разновидность которых установлена даже в сти-
ральных машинах широко рекламируемой марки LG) характери-
зуется емкостью в миллиарды долларов. Нечеткая логика как мо-
дель человеческих мыслительных процессов встроена в системы
искусственного интеллекта и в автоматизированные средства
поддержки принятия решений, в частности в системы управления
технологическими процессами.
Начиная с конца 70-х годов методы теории нечетких множеств
начинают применяться в экономике. Здесь следует упомянуть
J. Buckley [104–107], Г. Бояджиева [100, 101], Л. Дымову [112, 113],
Зопоунидиса [115], А. Кофмана [40], П. Севастьянова [112, 113],
К. Словински [115], Д. Чой [108], Х. Алуха [40], Е. Жесткову [112,
113], Х. Циммермана [146]. Эти ученые одновременно разрабатывали
новые формализмы теории нечетких множеств (хотя формальный ап-
парат теории был к началу 80-х годов уже довольно развит) и одновре-
менно строили математические модели для решения реальных финан-
совых задач. Например, Дж. Бакли рассмотрел систему диф-
ференциальных уравнений с нечеткими параметрами [104] и в этой же
работе обосновал матрицу «затраты–выпуск» Леонтьева, элементы ко-
торой являются треугольными нечеткими числами. Отметим здесь же
182 Глава 3

монографию А. Кофмана, Х. Алуха [39], в которой представлен широ-


кий спектр возможных применений теории нечетких множеств – от
оценки эффективности инвестиций до кадровых решений и замен обо-
рудования, приводятся соответствующие математические модели.
Постепенно появляются программные решения и информацион-
ные технологии, решающие экономические задачи с применением
нечетко-множественных и родственных им описаний. Так, под ру-
ководством Зопоунидиса в Техническом университете на острове
Крит была разработана экспертная система FINEVA для деталь-
ного финансового анализа корпораций, содержащая в своем со-
ставе описания так называемых «грубых множеств» (rough sets)
и базы знаний на этой основе. Чуть раньше в Германии, в конце
80-х годов, группой Х. Циммермана была разработана система
стратегического планирования ESP [146], в которой реализуется
позиционирование бизнеса корпорации на основе нечетких описа-
ний конкурентоспособности и привлекательности бизнеса.
Некоторое количество работ посвящено макроэкономическому
анализу фондового рынка на основе нечетких представлений [52,
53]. Также нечеткие представления лежат в основе нейронных сетей
для прогнозирования фондовых индексов [37].
Магистральное направление применений теории нечетких мно-
жеств в экономике и финансах – это обоснование форм функций при-
надлежности соответствующих нечетких чисел и классификаторов,
используемых в модели. Если все исходные данные в модели, имею-
щие нечеткий вид, обоснованы, то получить результирующие показа-
тели на основе соответствующих методов уже не составляет труда:
методы, записанные в детерминированной постановке задачи, преоб-
разуются к нечеткому виду, «фаззифицируются», а классические вы-
числения заменяются «мягкими» (основы нечеткой арифметики изло-
жены в [110]). Проблема возникает тогда, когда результирующий
показатель, полученный в нечетком виде, требует количественной
и качественной интерпретации. Например, в результате оценки биз-
нес-плана имеем показатель NPV (чистая современная ценность инве-
стиций) в треугольной форме, как это сделано впервые в [107]. Какие
выводы из этого следуют с точки зрения экспертных заключений?
И вообще можно ли интерпретировать на языке, понятном лицу, при-
нимающему решение (ЛПР), конечный результат? Настоящая работа
дает ответ на этот вопрос и восполняет пробел в соответствующих
исследованиях [100, 107, 110, 121, 144, 145].
Проектирование адаптивной иерархической сети нейро-нечеткого вывода 183

Разработкой многокритериальных методов принятия экономиче-


ских решений занимались известные зарубежные ученые Р. Беллман,
Л. Заде, Р.Л. Кини, О. Моргенштерн, Дж. фон Нейман, Э. Парето,
Х. Райфа, Б. Руа, Т. Саати, А. Сало, П. Фишберн, Р. Хамалайнен
и др. Довольно быстро экономические приложения теории нечетких
множеств образовали самостоятельное научное направление. Была
создана международная ассоциация SIGEF (International Association
for Fuzzy Management&Economy) со штаб-квартирой в Барселоне,
которая регулярно апробирует новые результаты в области нечетко-
множественных экономических исследований, проводя ежегодные
конференции и публикуя журнал Fuzzy Economic Review.
Среди российских ученых значительный вклад в исследование
данной проблемы внесли Н.М. Абдикиев, А.В. Андрейчиков,
О.Н. Андрейчикова, Л.С. Беляев, А.Н. Борисов, Е.П. Бочаров,
А.А. Емельянов, О.А. Крумберг, О.И. Ларичев, Е.М. Мошкович,
А.О. Недосекин, Д.А. Поспелов, А.В. Смирнов, Т.П. Барановская,
Н.Г. Ярушкина и др.
Другая проблема касается сложного многокритериального ха-
рактера самой задачи, когда данные характеризуются неопреде-
ленностью, размытостью в будущем периоде, а целевая функция
не имеет детерминированной формы. В этом случае оценка зна-
чительно затруднена наличием большого количества показателей,
которые определяют эффективность проекта и выражены не толь-
ко количественными, но и качественными величинами. Такие за-
дачи относятся к задачам оценки и выбора решений в условиях
неопределенности, когда недостаток информации компенсируется
формализовано представленными знаниями экспертов. Для по-
строения нечетких моделей многокритериального выбора эффек-
тивных решений, накопления и многократного использования
знаний, полученных при решении данного типа задач, целесооб-
разна разработка интеллектуальных методов и инструментальных
средств для поддержки процедур принятия эффективных инве-
стиционных решений.
Настоящая глава посвящена разработке эволюционных алго-
ритмов и инструментальных средств нейро-нечеткого вывода для
получения научно обоснованных оценок анализа и формирования
научно-технологических направлений и Перечня критических тех-
нологий Российской Федерации.
184 Глава 3

Основные задачи исследования включают:


– анализ существующих подходов, методов и инструменталь-
ных средств, используемых в настоящее время для оценки и выбора
эффективных экономических решений, обоснование целесообраз-
ности использования для этих целей многокритериальных методов
теории нечетких множеств;
– разработку системы социально-экономических и инновацион-
ных индикаторов анализа эффективности научно-технологических
направлений и технологий;
– формирование экспертных групп по соответствующим направ-
лениям и технологиям;
– проведение многоступенчатых экспертных опросов, аналити-
ческую обработку их результатов;
– разработку методологии и проведение комплексного патентно-
го исследования;
– модификацию форсайт-методов на основе доказательности
экспертных оценок и выводов;
– обоснование применения теории нечетких множеств для реше-
ния задач классификации и регрессии в условиях неопределенности
и зашумления входных данных;
– улучшение точности эволюционных алгоритмов классифика-
ции и регрессии нейросетевыми методами адаптации параметров;
– разработку инструментальных средств, включающих программ-
ный модуль расчета основных показателей, характеризующих эконо-
мическую эффективность технологий, а также комплекс программных
модулей, позволяющих проводить многокритериальный выбор альтер-
натив на основе методов: нечетких чисел; фаззификации переменных;
нечеткого дерева решений; нейросетевого обучения методом обратного
распространения; диагностических решающих правил нечеткого вывода;
– апробацию и сравнительный анализ разработанных многокри-
териальных моделей принятия решений.
Теоретическая и практическая значимость исследования состоит
в разработке новых интеллектуальных подходов по созданию инстру-
ментальных средств, позволяющих осуществлять поддержку проце-
дур обоснованного выбора эффективных научно-технологических
направлений, способных сформировать Перечень критических техно-
логий Российской Федерации, в условиях неопределенности и риска,
за счет использования эволюционных алгоритмов, основанных на
методах теории нечетких множеств и нейросетевого обучения.
Проектирование адаптивной иерархической сети нейро-нечеткого вывода 185

Исследование проводилось в рамках НИР «Анализ глобальных


тенденций и вероятных сценариев изменения мировой экономики
и смены технологических укладов» в рамках государственного кон-
тракта Томского государственного университета с Министерством
образования и науки Российской Федерации от 27 июня 2011 г.
№ 13.521.11.1017.
Разработанные модели, инструментальные средства и методика
многокритериальной оценки и выбора эффективных научно-техно-
логических направлений апробированы в Министерстве образования
и науки Российской Федерации и использовались при разработке
доклада (эссе) в рамках комплекса работ по долгосрочному прогнозу
важнейших направлений научно-технологического развития Россий-
ской Федерации на период до 2030 г.

3.1. ПРОБЛЕМА МНОГОКРИТЕРИАЛЬНОГО


ВЫБОРА ПРИОРИТЕТНЫХ
НАУЧНО-ТЕХНОЛОГИЧЕСКИХ НАПРАВЛЕНИЙ
И ТЕХНОЛОГИЙ
3.1.1. Определение понятий «приоритетные
научно-технологические направления»
и «критические технологии»
В последние два десятилетия в мире наблюдается бурное разви-
тие прогнозных исследований, нацеленных на выявление перспек-
тивных направлений научно-технологического и инновационного
развития, а также оценку последствий принятия управленческих ре-
шений в сфере науки и технологий. Такого рода исследования сего-
дня стали неотъемлемой частью как государственной, так и корпора-
тивной инновационной политики.
Стратегией развития науки и инноваций в Российской Федера-
ции на период до 2015 г., утвержденной Межведомственной комис-
сией по научно-инновационной политике (протокол от 15 февраля
2006 г. № 1), закреплены следующие понятия.
Приоритетное направление развития науки, технологий и тех-
ники Российской Федерации – тематическое направление научно-
технологического развития межотраслевого (междисциплинарного)
значения, способное внести наибольший вклад в обеспечение безо-
пасности страны, ускорение экономического роста, повышение кон-
186 Глава 3

курентоспособности страны за счет развития технологической базы


экономики и наукоемких производств.
Критическая технология Российской Федерации – комплекс
межотраслевых (междисциплинарных) технологических решений,
которые создают предпосылки для дальнейшего развития различных
тематических технологических направлений, имеют широкий по-
тенциальный круг инновационных приложений в разных отраслях
экономики и вносят в совокупности наибольший вклад в решение
важнейших проблем реализации приоритетных направлений разви-
тия науки, техники и технологий.
В соответствии с Указом Президента РФ № 899 от 07.07.2011 г.
важнейшим условием повышения конкурентоспособности россий-
ской экономики является обеспечение ускоренного развития научно-
технологического потенциала по приоритетным научно-технологи-
ческим направлениям, к которым отнесены:
1) безопасность и противодействие терроризму,
2) индустрия наносистем,
3) информационно-телекоммуникационные системы,
4) науки о жизни,
5) перспективные виды вооружения, военной и специальной
техники,
6) рациональное природопользование,
7) транспортные и космические системы,
8) энергоэффективность, энергосбережение, ядерная энергетика
в соответствии с Перечнем критических технологий Российской Фе-
дерации, включающим в себя:
1. Базовые и критические военные и промышленные технологии
для создания перспективных видов вооружения, военной и специ-
альной техники.
2. Базовые технологии силовой электротехники.
3. Биокаталитические, биосинтетические и биосенсорные тех-
нологии.
4. Биомедицинские и ветеринарные технологии.
5. Геномные, протеомные и постгеномные технологии.
6. Клеточные технологии.
7. Компьютерное моделирование наноматериалов, наноуст-
ройств и нанотехнологий.
8. Нано-, био-, информационные, когнитивные технологии.
Проектирование адаптивной иерархической сети нейро-нечеткого вывода 187

9. Технологии атомной энергетики, ядерного топливного цикла,


безопасного обращения с радиоактивными отходами и отработав-
шим ядерным топливом.
10. Технологии биоинженерии.
11. Технологии диагностики наноматериалов и наноустройств.
12. Технологии доступа к широкополосным мультимедийным
услугам.
13. Технологии информационных, управляющих, навигационных
систем.
14. Технологии наноустройств и микросистемной техники.
15. Технологии новых и возобновляемых источников энергии,
включая водородную энергетику.
16. Технологии получения и обработки конструкционных нано-
материалов.
17. Технологии получения и обработки функциональных нано-
материалов.
18. Технологии и программное обеспечение распределенных
и высокопроизводительных вычислительных систем.
19. Технологии мониторинга и прогнозирования состояния ок-
ружающей среды, предотвращения и ликвидации ее загрязнения.
20. Технологии поиска, разведки, разработки месторождений по-
лезных ископаемых и их добычи.
21. Технологии предупреждения и ликвидации чрезвычайных
ситуаций природного и техногенного характера.
22. Технологии снижения потерь от социально значимых за-
болеваний.
23. Технологии создания высокоскоростных транспортных
средств и интеллектуальных систем управления новыми видами
транспорта.
24. Технологии создания ракетно-космической и транспортной
техники нового поколения.
25. Технологии создания электронной компонентной базы
и энергоэффективных световых устройств.
26. Технологии создания энергосберегающих систем транспор-
тировки, распределения и использования энергии.
27. Технологии энергоэффективного производства и преобразо-
вания энергии на органическом топливе.
В настоящее время развивается поддержка индустрии прямых
и венчурных инвестиций, включая федеральный (РВК), региональ-
188 Глава 3

ные и отраслевые частно-государственные венчурные фонды, вен-


чурные ярмарки. Создаются новые малые инновационные предпри-
ятия, рабочие места для высококвалифицированных специалистов,
бизнес-инкубаторы, центры трансфера технологий на базе научных
организаций. Усиливается значение инновационно-активных терри-
торий, включая наукограды, технополисы, особые экономические
зоны технико-внедренческого типа и др.
Однако несмотря на принимаемые меры, Правительству Россий-
ской Федерации пока не удалось добиться устойчивого повышения
инновационной активности предприятий, технологической модерни-
зации отраслей промышленности и увеличения экспорта высокотех-
нологичной инновационной продукции.

3.1.2. Основные проблемы выбора приоритетных


научно-технологических направлений Российской Федерации
Проведенный анализ правовых актов и иных источников позво-
лил выявить основные проблемы выбора приоритетных направлений
развития науки, технологий и техники Российской Федерации с уче-
том инновационного характера задач, а также уточнить приведенные
выше определения понятий в соответствии с целями достижений
стратегических национальных приоритетов.
В настоящее время отличия имеющихся подходов к выбору
приоритетных направлений и критических технологий обуслов-
лены следующими факторами. Во-первых, на содержание отдель-
ных этапов оказывают самое непосредственное влияние концеп-
туальные представления разработчиков о первоочередных целях
государственной политики. Во-вторых, свои отличия вносят
представления о роли и значимости человека как носителя знания,
специалиста в своей области, как представителя научных, произ-
водственных, деловых кругов, как представителя общества в це-
лом. Это влияет на объем предварительно собираемой и анализи-
руемой информации. Это также сказывается на масштабах
привлечения общественности к разработке и обсуждению перечней
Приоритетных направлений, в объеме передаваемых представите-
лям общества (экспертам) полномочий. Генерация альтернатив и
выбор направлений и технологий узким кругом должностных лиц
на современном этапе представляется неприемлемой, поэтому
широкое распространение получает использование разного рода
экспертных оценок.
Проектирование адаптивной иерархической сети нейро-нечеткого вывода 189

3.1.3. Особенности разработки форсайт-прогнозов


научно-технологического развития государства
Одним из инструментов, позволяющих выявить приоритетные
области науки, технологий и инноваций, а также разработать план
конкретных действий по их развитию, является форсайт, представ-
ляющий собой систему методов экспертной оценки стратегических
перспектив инновационного развития, выявления технологических
прорывов, которые способны оказать максимальное воздействие на
экономику и общество в средне- и долгосрочной перспективе.
Понятие «форсайт» («Foresight») было введено в оборот Гер-
бертом Уэллсом еще в 1932 г. В одном из публичных выступлений
известный писатель-фантаст высказался о необходимости новой на-
учной специальности – «профессор форсайта», – задачей которой
должно являться исследование будущих технологических открытий
и поиск областей их применения.
Однако как система методов форсайт сформировался значительно
позже, в период 1940–1950 гг. В то время форсайт уже рассматривался
как систематический и системный процесс, позволяющий с помощью
экспертных оценок оценить будущее развитие предметной области, но
его методический аппарат был достаточно ограниченным. Ряд сущест-
венных нововведений, получивших впоследствии широкое распростра-
нение, принадлежал американской корпорации RAND.
Одним из первых базовых методов форсайта стал метод Дельфи,
представляющий собой многоуровневый экспертный опрос с обрат-
ной связью [109]. Изначально метод Дельфи применялся в рамках
оборонных исследований и лишь через 12 лет был рассекречен.
Принцип этого метода заключается в следующем: на первом этапе
большому числу экспертов (нередко это несколько тысяч человек)
предлагается заполнить специальные анкеты, содержащие вопросы
относительно степени перспективности тех или иных разработок, их
уровня освоения в стране и за рубежом и т.п. После обработки ре-
зультатов анкеты, включающие не только вопросы, но обобщенные
ответы предыдущего этапа, вновь направляются тем же самым экс-
пертам. Респондент имеет возможность либо подтвердить, либо из-
менить свои оценки, имея перед глазами мнение всего экспертного
сообщества. На практике метод Дельфи обычно проводится в два
раунда, хотя число раундов может быть большим.
Успешный опыт США по использованию технологического фор-
сайта в середине XX в. был использован другими странами. На ос-
190 Глава 3

нове метода Дельфи в Японии в 1971 г. был реализован проект


«Future Technology in Japan toward the Year 2030». Исследование бы-
ло проведено Национальным институтом научно-технологической
политики Японии (National Institute of Science and Technology Policy,
NISTEP), одним из ведущих мировых центров в области долгосроч-
ного прогнозирования [123]. С тех пор в этой стране форсайт на на-
циональном уровне проводится регулярно, в настоящее время за-
вершена работа над 9-м долгосрочным прогнозом.
С 1980-х годов пионерные работы по технологическому форсайту
проводились во Франции, Швеции, Канаде, Австралии. В этот период
был отмечен резкий рост интереса к форсайт-исследованиям. В это
время в США стартовал форсайт-проект Министерства обороны и Ми-
нистерства торговли по выявлению «критических технологий», в Ни-
дерландах реализованы форсайт-проекты под эгидой Министерств эко-
номики, образования и науки, широкий общественный резонанс
вызвали национальные форсайты в Германии и Великобритании.
С 1990-х годов применительно к форсайту все реже используется
приставка «технологический». Так, два последних цикла британских
форсайтов уже не назывались «технологическими», они отражали
более широкое, комплексное видение будущего развития. В этот
период форсайт вышел за рамки исследования науки и техноло-
гий и стал широко использоваться для анализа перспективных рын-
ков. В последнее время он применяется для прогнозирования соци-
альных процессов, а также при формировании инфраструктуры
национальных инновационных систем. Фактически речь идет о ком-
плексном предвидении всех сторон развития общества. И это зако-
номерно: современная инновационная модель предполагает наличие
развитой системы подготовки специалистов, высокого образователь-
ного и культурного уровня населения, научного потенциала, эффек-
тивной системы коммуникаций, поддержания высокого уровня соци-
альной стабильности. Форсайт сегодня ориентирован на то, чтобы
оценить перспективы социально-экономического развития в глобаль-
ном контексте, обеспечить устойчивое развитие при возрастающей
взаимозависимости различных сфер жизнедеятельности общества.
В 2000 г. число стран, активно использующих форсайт на на-
циональном уровне, превысило 30. В настоящее время эта методи-
ка взята на вооружение не только в Западной Европе, США и Япо-
нии, но и рядом развивающихся стран и стран переходной
экономики – новых членов ЕС, в частности в Венгрии, Чехии,
Проектирование адаптивной иерархической сети нейро-нечеткого вывода 191

Польше. Всего в совокупности за последнюю четверть века от-


дельными развитыми государствами и крупными компаниями про-
ведено более тысячи форсайт-проектов.

3.1.4. Основные отличия форсайта от прогнозирования


Основные отличия форсайта от прогнозирования можно оценить
по ряду признаков (табл. 3.1).
Таблица 3.1. Сравнительный анализ форсайта и прогнозирования
Принцип Форсайт Прогнозирование
Участвуют представители
Вовлечение Проводится учеными
всего общества
Коммуникация участников Коммуникация участников про-
Коммуникация важна для достижения кон- гноза не является принципиаль-
сенсуса ным фактором
Горизонт сильно зависит от нали-
Горизонт Обычно 10–15 лет, иногда
чия динамических рядов данных. В
исследования доходит до 80–90 лет
среднем меньше, чем у форсайта
Оценки развития науки и
технологий даются в неот-
Основный фокус делается на
Координация рывной связи с экономиче-
предметной области
скими и социальными из-
менениями
Определяет, есть ли кон- Наличие консенсуса или его
Консенсус сенсус относительно ис- отсутствие – непринципиальный
следуемых тем фактор
Преобладают экспертные Преобладают количественные
Экспертиза
методы методы
Рассматриваются альтерна-
Обычно рассматривает базовый
Альтернативность тивные варианты достижения
вариант
желаемого образа будущего
Форсайт охватывает не толь-
Прогноз делается для конкрет-
Системность ко предметную область, но и
ной области
внешнюю среду к ней
Исходные данные, потреб-
ности, вопросы исследова-
ния все еще открыты и
Исходные данные, темы и во-
подлежат уточнению в
Открытость просы исследования должны
процессе форсайта. Резуль-
быть определены заранее
таты доводятся до сведения
как можно большего числа
людей
192 Глава 3

Важность форсайта для России сегодня состоит в том, что он


представляет собой пример коммуникационной платформы, которая
позволяет широко обсуждать актуальные проблемы развития науки
и технологий, разрабатывать инновационные стратегии с участием
всех заинтересованных лиц, координировать деятельность по их
реализации.
C помощью форсайта становится возможным создание адекват-
ной системы анализа, мониторинга и прогнозирования развития нау-
ки и технологий. Форсайт способствует концентрации инновацион-
ных ресурсов на решении наиболее важных научно-технических
задач на средне- и долгосрочную перспективу и подготовке предло-
жений по мерам государственной научно-технической и иннова-
ционной политики, позволяя обеспечивать органы управления
инновационной и научно-технологической политикой Российской
Федерации актуальной, полной, достоверной и регулярно обновляе-
мой информацией о положении дел в секторе исследований и разра-
боток. Наконец, за счет использования форсайта становится воз-
можным разработать инновационные стратегии для отраслей
российской экономики, способствуя тем самым укреплению нацио-
нальной конкурентоспособности.

3.1.5. Методики опроса экспертов


В настоящей работе в рамках проведенного форсайт-иссле-
дования использовались результаты экспертных семинаров, а также
методика дистанционной экспертизы – особый вид экспертизы, при
котором эксперты не собираются вместе, с каждым из них ведется
индивидуальная работа в режиме удаленного доступа, а коллектив-
ное мнение вырабатывается с помощью специальных технологий
интеграции мнений. Технология предусматривает индивидуальную
работу с каждым экспертом, что значительно ускоряет достижение
результата, так как организация и проведение совещаний обычно
приводят к существенным временным задержкам. Следование этому
правилу потребовало разработки специальных баз данных, содер-
жащих как результаты экспертных опросов, так и компромиссные
(обобщенные) оценки на основе индивидуальных мнений, выражен-
ных во время экспертных семинаров. Это позволяет не только полу-
чать обобщенные мнения, но и включать средства защиты от мани-
пулирования при значительном сокращении времени экспертизы.
Так, нередко возникает ситуация, когда эксперты разных рангов
Проектирование адаптивной иерархической сети нейро-нечеткого вывода 193

имеют различные взгляды на приоритетность тех или иных техноло-


гий. Попытка найти компромисс путем совещаний часто приводит
к тупиковой ситуации. Причем вероятность тупика тем выше, чем
более сильные авторитеты сталкиваются между собой. Возникает
вопрос: можно ли достичь компромисса без ущемления чьего-либо
самолюбия? Оказывается, дистанционные технологии экспертизы
и принятия решений позволяют обойти все подводные камни и спра-
виться с проблемой.
Эксперты, привлекаемые для экспертизы, могут находиться
в любом месте – как в России, так и за границей. Непременное усло-
вие – быстрый доступ в Интернет.
Отметим еще одну проблему, связанную с необоснованной заме-
ной результатов анализа данных, прогнозирования, проектирования
мнением большинства экспертов, – несмотря на удешевление про-
цесса, процедура выбора лишается объективности и достоверности.
Это обусловлено чрезвычайной субъективностью экспертных оце-
нок в отношении конкретных технологий. Эксперты профессио-
нально связаны с разработкой и продвижением тех или иных техно-
логий, продуктов, развитием отраслей, они в них заинтересованы.
Поэтому они могут быть склонны выбирать и отстаивать те направ-
ления, которые им более близки в профессиональном отношении (по
принципу «всякий кулик хвалит своё болото»). Кроме того, путем
манипулирования составом экспертов (в разрезе представляемых
социальных слоев, организаций, личных тематических предпочте-
ний) можно сместить конечные результаты в ту или иную сторону.
Поэтому в настоящем исследовании сделан акцент на развитии
4-й категории форсайта – доказательности выводов математически-
ми методами анализа и прогноза.

3.1.6. Разработка критериев и приоритетов выбора


эффективных научно-технологических направлений
Отдельным предметом исследований в работе является вопрос
разработки индикаторов для оценки экспертами технологических
альтернатив, а также критериев выбора. На данный момент можно
сделать вывод о том, что содержание критериев выбора непосредст-
венно зависит от сути принятых стратегических приоритетов госу-
дарственного управления. На различных уровнях государственного
управления можно выделить разное «первенство» стратегических
национальных приоритетов, т.е. более главными могут быть задачи
194 Глава 3

«поддержки фундаментальной науки» или «повышения качества


жизни населения», «достижения высоких темпов экономического
роста», «развития образования, культуры», «обеспечения обороны
и безопасности страны». Ранжирование приоритетов, как представ-
ляется, следует делегировать законодательной власти.
В исследованиях целесообразно рассмотреть применимость из-
вестных критериев оценки проектов к отбору (в качестве приоритет-
ных) тех технологических направлений, которые находятся на ста-
диях освоения и налаживания производства созданного прототипа.
Наряду с этим необходимо изучить возможность поддержки в каче-
стве критических не только разработок, практически готовых к вы-
ходу на рынок, но и тех исследований, которые находятся на докон-
курентном этапе жизненного цикла, так называемые новые,
зарождающиеся направления науки и технологий.
Здесь представляется важным отметить потенциальную опас-
ность подходов, возобладавших в последнее время в среде государ-
ственного управления под влиянием наработок Высшей школы эко-
номики.
Концепция, которую можно условно назвать «концепцией при-
оритета продукта», отражена в проекте «Методологии формирова-
ния, корректировки и реализации Приоритетных направлений разви-
тия науки, технологий и техники Российской Федерации и отбора
Перечня критических технологий Российской Федерации» и реали-
зована практически при выборе приоритетных направлений и крити-
ческих технологий кампании 2006 г. В рамках данной «концепции
приоритета продукта» шкалу целей и стратегических приоритетов
возглавляет «обеспечение прогрессивных структурных преобразова-
ний в области материального производства» и «достижение эконо-
мического роста». Цель данного подхода – формирование новых
рынков новых продуктов. При этом рассматриваются только те про-
дукты, которые за счет высокой конкурентоспособности на внутрен-
нем и внешнем рынках и значительных объемов производства смо-
гут внести наибольший вклад в рост ВВП. Производится отбор
конкурентных разработок.
Несмотря на то, что к числу критических «Стратегией развития
науки и инноваций…» принято относить технологии, создающие
предпосылки для дальнейшего развития различных тематических
технологических направлений, имеющие широкий потенциальный
круг инновационных приложений в разных отраслях экономики,
Проектирование адаптивной иерархической сети нейро-нечеткого вывода 195

«концепция приоритета продукта» отталкивается от предложений


федеральных органов исполнительной власти и академий наук,
а также предложений общественных организаций по уже имеющим-
ся прототипам продукта (причем органам власти и академиям наук
отдается преимущество). Из этих предложений экспертами должен
формироваться «Перечень инновационных продуктов/услуг», затем
«эксперты должны также дать краткую характеристику основных
свойств каждого из этих продуктов и перечислить технологии, раз-
витие которых будет иметь решающее значение для их создания», на
основе такого «дезагрегирования» формируется список важнейших
технологий, которые группируют в блоки по тематическому прин-
ципу. После отбора и корректировки списков таким образом получают
перечни приоритетных направлений и перечень критических техноло-
гий (в «минимально необходимом количестве с учетом их межотрасле-
вого или междисциплинарного предназначения»). Экспертам также
поручается составить и паспорта критических технологий.
«Концепция приоритета продукта» не исключает опасности вы-
бора тупиковых (хотя и на конкурентной стадии) направлений в ви-
де тех технологических и технических решений, которые могут быть
представлены в составе лоббируемых инновационных продуктов
(услуг). Тупиковые проекты могут отвлекать существенные государ-
ственные ресурсы и препятствовать научно-техническому развитию.
Вопросы обеспечения оборонной и технологической безопасности
страны концепция рассматривает только с точки зрения преодоления
возможных ограничений импорта высокотехнологичных продуктов
или предотвращения масштабных катастроф техногенного характе-
ра. Критичность в контексте преодоления опасной ситуации, про-
блемы, игнорирование которой чревато тяжелыми последствиями,
не рассматривается. Данный подход, как показано выше, использует
заранее заложенную модель потребностей экономики. Большинство
критических технологий по данной концепции должны позволить
в сравнительно короткие сроки и при относительно невысоких до-
полнительных инвестициях обеспечить выпуск инновационных про-
дуктов с большим потенциальным рынком, способствуя тем самым
решению задачи удвоения ВВП и одновременно повышая качество
экономического роста за счет повышения доли наукоемкой продук-
ции. В данном отношении возникает вопрос, не произойдет ли при
этом подмена рынка и конкуренции государством, принимающим на
196 Глава 3

себя роль «толкача» разработок и прототипов продукции на конку-


рентной стадии. Кроме того, предлагаемый продукт не может не
быть ориентированным на вполне определенное, узкое отраслевое
применение. Своего рода «закольцованность» предложенной проце-
дуры не дает возможности выявить новые прорывные или зарож-
дающиеся технологические направления. Наличие прототипа про-
дукта уже подразумевает наличие имеющихся технических
и технологических решений, деятельность экспертов по «дезагреги-
рованию» только дублирует проведенную ранее работу разработчи-
ков-технологов.
Учитывая вышеизложенное, для выбора приоритетных направ-
лений и критических технологий необходимо рассмотреть «критиче-
ские» проблемы с учетом достигнутого и достижимого уровня раз-
вития национальной науки и техники. В данном случае «критическая
проблема» – это инновационная проблема социально-экономической
сферы, которая отвечает хотя бы одному из следующих условий:
проблема либо критична для многих производителей или социаль-
ных лиц, либо составляет необходимое звено производства продук-
та, признанного чрезвычайно важным для конкурентоспособности
экономики, либо она составляет необходимое звено решения соци-
альной задачи, признанной чрезвычайно важной. При этом критиче-
ские проблемы выступают в качестве мотива для выбора техноло-
гий. В этом случае широкое участие в выборе приоритетов научно-
технического развития представителей различных слоев общества
(государственное управление, наука, производство, бизнес, социаль-
ные структуры) представляется возможным. А применение дискус-
сий, опросов в рамках составления так называемых «технологиче-
ских дорожных карт» или в рамках проектов предвидения будущего
(форсайт) представляется осмысленным.
В отношении вопроса о возможности включения социальных
технологий в перечни Приоритетных направлений и критических
технологий можно сделать вывод об отсутствии принципиальных
возражений для развития перечней в направлениях, приближенных к
задачам повышения качества жизни, поддержки образования и куль-
туры. Для отбора социальных технологий необходимы критерии,
характеризующие возможность достижения социальных приорите-
тов, социально-экономических целей.
Проектирование адаптивной иерархической сети нейро-нечеткого вывода 197

3.1.7. Комплексные патентные исследования


В условиях платности научно-технической информации, в том
числе в области патентной статистики, и все большей субъективиза-
ции экспертных оценок возрастает роль информационного обеспе-
чения процедур выбора приоритетов научно-технического развития.
Однако данные федерального государственного статистического
наблюдения и выборочных исследований представляются недоста-
точными. Исходя из целей достижения полноты, точности, актуаль-
ности информации, при осуществлении проекта по разработке пе-
речней Приоритетных направлений и критических технологий (на
любом уровне – федеральном, региональном, отраслевом) целесооб-
разно разработать методологию и проводить на регулярной основе
комплексные патентные исследования по выявлению патентной си-
туации в сфере реализации критических технологий в России и за
рубежом, в том числе в целях выявления «патентного всплеска», со-
ставления прогноза развития новых технологических направлений
и выявления конкурентной ситуации.
В качестве еще одного направления развития методологии выбо-
ра приоритетов научно-технического развития и выбора критиче-
ских технологий представляется актуальным исследование вопроса
разработки специального классификатора технологий и проведение
анализа возможностей использования действующих отечественных,
международных, зарубежных тематических рубрикаторов и класси-
фикаторов научно-технической информации.
Таким образом, система научных приоритетов и критических
технологий не является линейной, а представляет собой иерархиче-
ски построенную многоуровневую систему, динамичную и эволю-
ционно изменяющуюся в соответствии с принципами адаптации
к существующей социально-экономической ситуации глобального
и национального масштаба с учетом тенденций мирового научно-
технологического развития и опережающими прогностическими
сценариями совершенствования и развития научно-технологическо-
го потенциала России.
По результатам проведенного аналитического исследования бы-
ло предложено проводить экспертные опросы по единой разрабо-
танной системе индикаторов, описывающих данную технологию.
В заключение можно отметить, что методологию выбора при-
оритетных направлений и критических технологий необходимо со-
вершенствовать с учетом вышеуказанных аспектов.
198 Глава 3

3.1.8. Методы форсайт-исследований


Проблема выбора адекватного набора подходов для применения
в том или ином проекте не имеет однозначного решения. Тем не ме-
нее существуют базовые принципы формирования комбинаций ме-
тодов. Широко известен так называемый «треугольник форсайта»
(рис. 3.1), в вершинах которого располагаются ключевые факторы,
обеспечивающие успех работы с экспертами: креативность, извлече-
ние экспертного знания и взаимодействие [44].

Рис. 3.1. Треугольник форсайт-методов

Расположение методов форсайта внутри треугольника соответ-


ствует их «притяжению» к тому или иному его углу. Использование
любого из методов имеет свои сильные и слабые стороны. Напри-
мер, мозговой штурм способствует креативности экспертов, но не
обязательно сопровождается их эффективным взаимодействием,
а экспертные семинары, обеспечивая взаимодействие специалистов,
могут не привести к выявлению важных аспектов, отражающих пер-
спективы развития отдельных технологических областей. Идея тре-
угольника заключалась в том, чтобы задействовать в любом фор-
сайт-проекте комбинацию методов, обеспечивающих успешную
реализацию всех трех функций, соответствующих его вершинам.
Система методов форсайта постоянно развивалась и совершен-
ствовалась, за последние десять лет накоплен большой опыт их
Проектирование адаптивной иерархической сети нейро-нечеткого вывода 199

практического применения. Эффективность комбинированного


применения различных качественных и количественных методов
нашла свое подтверждение. В то же время стало очевидно, что
большие проекты, посвященные выбору технологических приори-
тетов на национальном уровне, требуют новых подходов, обеспе-
чивающих получение объективных оценок, основанных на коли-
чественном анализе эмпирических данных – статистических инди-
каторов, патентной статистики, библиометрической информации
и др. В этой связи претерпела изменение и идея «треугольника фор-
сайта». В работах И. Майлса и Р. Поппера было предложено доба-
вить еще одну вершину – «доказательность» и тем самым превра-
тить треугольник в ромб (в оригинале – Foresight Diamond) [128].
Один из вариантов такого ромба приведен на рис. 3.2.

Рис. 3.2. Форсайт-ромб методов


В настоящее время форсайт включает в себя методы, относящие-
ся к разным областям науки: социологические, математические, ста-
тистические и т.п. Все методы форсайта могут быть сгруппированы
по четырем ключевым категориям [77]:
200 Глава 3

– экспертиза (expertise): для верификации результатов, полу-


ченных на основе анализа первоисточников, необходимо обсудить
тенденции развития предметной области с ключевыми специалиста-
ми в этой сфере, представляющими науку, бизнес, государственные
организации;
– креативность (creativity): для того чтобы предвидеть неожи-
данные повороты развития будущего, необходимо внести элементы
творчества в анализ. Типичным примером креативных методов яв-
ляются wild cards («случайные факторы», «джокер») и weak signals
(«слабые сигналы»). Так, сущность метода wild cards заключается
в том, что на основе различного рода информации (научных и пуб-
лицистических статей, интервью с экспертами и др.) выявляются
события, имеющие низкую вероятность наступления, но при этом
способные оказать большое влияние на дальнейший ход развития.
Одним из характерных примеров wild cards является авария на атом-
ной электростанции «Фукусима», заставившая мировое сообщество
по-новому взглянуть на перспективы развития атомной энергетики;
– взаимодействие (interaction): в процесс форсайта необходимо
вовлекать как можно больше заинтересованных сторон, включая
представителей науки, бизнеса, государства, обеспечивая их посто-
янный диалог относительно будущего развития. Если предмет ис-
следования затрагивает широкие слои общества, большое внимание
следует уделить информированию населения о ходе работ по фор-
сайту и его основных выводах. Достигается это за счет проведения
различного рода семинаров, панелей граждан и т.п.;
– доказательность (evidence): для достоверности результатов
форсайта необходимо базироваться на опубликованных ранее рабо-
тах и изучать лучшую мировую практику в предметной области.
Кроме того, на основе патентного и библиометрического анализа
можно сформировать пул наиболее квалифицированных экспертов
по исследуемой тематике.
Набор подходов, используемых в форсайт-проектах, постоянно
расширяется и охватывает сегодня десятки методов – как качествен-
ных (интервью, обзоры литературы, морфологический анализ, «де-
ревья соответствий», сценарии, ролевые игры и др.), так и количест-
венных (анализ взаимного влияния (cross-impact analysis),
экстраполяция, моделирование, анализ и прогноз индикаторов мето-
дов и др.). Ряд методов носят синтетический характер, в их числе
упомянутые выше методы Дельфи, дорожная карта, критические
Проектирование адаптивной иерархической сети нейро-нечеткого вывода 201

технологии, а также многокритериальный анализ, патентный анализ,


игровое моделирование и др. Набор методов, применяемых в том
или ином проекте, может выбираться с учетом множества факторов:
временных и ресурсных ограничений, наличия достаточного количе-
ства высококвалифицированных экспертов, доступа к информаци-
онным источникам и др. Тем не менее ключевым условием успеш-
ности проекта является использование методов, обеспечивающих
эффективную работу привлекаемых экспертов.
Все в той или иной степени успешные проекты последних лет
основывались на комплексных подходах. Более того, отчетливо про-
слеживается тенденция постоянного усложнения системы исполь-
зуемых методов.

3.1.9. Историческое развитие научно-технологических


ориентиров в России
Каждая страна или регион, как уже отмечалось, пользуется «сво-
ей комбинацией» методов форсайта. В России выбор ориентиров
развития происходит на регулярной основе путем формирования
перечня приоритетов и критических технологий. Приоритетные на-
правления развития науки, технологий и техники и критические тех-
нологии раз в несколько лет анализируются и корректируются с уче-
том глобальных тенденций развития и среднесрочных приоритетов
социально-экономического развития страны. На их основе формиру-
ется Федеральная целевая программа «Исследования и разработки
по приоритетным направлениям развития научно-технологического
комплекса России на 2007–2012 годы», в рамках которой финанси-
руются прикладные исследования и разработки, создающие основу
технологического развития страны.
Выбор приоритетных направлений науки и технологий в России
имеет свою историю. Впервые в системном виде они были представ-
лены в виде двух групп приоритетов в «Комплексной программе
научно-технического прогресса СССР». Первая группа включала
исследования в области электроники, информатики и вычислитель-
ной техники, новых материалов, наук о жизни, научного приборо-
строения и др. Во вторую группу входили фундаментальные иссле-
дования. В начале 1990-х годов, уже в Российской Федерации,
работа по выбору научно-технических приоритетов была продолже-
на и ее статус поднят с ведомственного до общегосударственного
уровня. В 1996 г. Правительственная комиссия по научно-техни-
202 Глава 3

ческой политике утвердила перечни 10 приоритетных направлений раз-


вития науки и техники и 70 критических технологий. В те годы, когда
экономика страны находилась в состоянии кризиса, а наука финансиро-
валась по остаточному принципу, научно-технические приоритеты но-
сили достаточно формальный характер, а основной задачей научной
политики было сохранение научного потенциала страны.
В 1997–1998 гг. по заданию Правительства Российской Федера-
ции был реализован масштабный проект по оценке состояния и пер-
спектив развития критических технологий. В нем участвовали более
1000 авторитетных ученых и специалистов из ведущих академиче-
ских и отраслевых институтов, государственных научных центров
и промышленных предприятий. Целью экспертизы было выявление
позиций российской науки по широкому спектру (более 250) техно-
логических областей, наличия технологических заделов и инноваци-
онного потенциала, оценка важности для решения насущных задач
развития экономики, социального развития, повышения обороноспо-
собности страны. По каждой из оцениваемых технологий осуще-
ствлялся бенчмаркинг – сравнение с эталоном (лучшим мировым
уровнем). Интегральные оценки экспертов, полученные в резуль-
тате опросов, позволили осуществить сопоставительный анализ
на уровне критических технологий и приоритетных направлений
в целом. Оказалось, что, по мнению экспертов, Россия сохраняет
лидирующие позиции лишь по двум из семидесяти критических
технологий, имеющим сравнительно узкую сферу практического
применения – «Трубопроводный транспорт угольной суспензии»
и «Нетрадиционные технологии добычи и переработки твердых
топлив и урана». По ряду других направлений, включая системы
математического моделирования, авиационную и космическую
технику, технологии защиты человека в экстремальных условиях,
лазерные и ионно-плазменные технологии и др., позиции россий-
ских ученых были сопоставимы с мировым уровнем. Большинст-
во из этих направлений было в той или иной степени связано
с технологическими заделами, созданными в оборонном комплек-
се еще в советские годы.
В то же время выяснилось, что по большинству областей знаний,
находящихся на переднем крае технологического развития (инфор-
мационные технологии, связь, биотехнологии и др.), российские
разработки в целом значительно уступали лучшим зарубежным об-
разцам за исключением отдельных точечных направлений.
Проектирование адаптивной иерархической сети нейро-нечеткого вывода 203

Результаты экспертизы послужили основой для формирования


уточненных перечней (включавших 9 приоритетных направлений
развития науки, технологий и техники и 52 критические техноло-
гии), которые были в 2002 г. утверждены Президентом Российской
Федерации. К сожалению, задача по сужению состава приоритетов и
их фокусировке на небольшом числе наиболее перспективных тех-
нологических областей не была решена в полной мере. Принятый
перечень охватывал практически все сферы деятельности и позволял
при желании отнести к числу важнейших практически любой иссле-
довательский проект. В число критических технологий были, на-
пример, включены «Поиск, добыча, переработка и трубопроводный
транспорт нефти и газа», «Переработка и воспроизводство лесных
ресурсов» и ряд других направлений, охватывающих целые сектора
экономики.
В значительной степени этот результат был связан с отсутствием
системного подхода и лоббированием со стороны различных заинте-
ресованных групп.
Одновременно с новыми перечнями были приняты «Основы
политики Российской Федерации в области развития науки
и технологии на период до 2010 года и дальнейшую перспекти-
ву» – документ, заложивший основы перехода к политике инно-
вационного развития экономики, создания эффективной нацио-
нальной инновационной системы. В нем предусматривалось
периодическое уточнение системы приоритетов, которые были
призваны стать основой принятия решений о поддержке науки,
распределении бюджетных средств и адресного стимулирования
научной и инновационной деятельности с учетом целевых уста-
новок программ социально-экономического развития страны на
среднесрочную и долгосрочную перспективу. С их помощью
должны были выстраиваться сквозные «технологические кори-
доры» от научно-исследовательской работы до производства
и внедрения конкурентоспособной продукции, формироваться
«инновационные кластеры», создаваться масштабные производ-
ства наукоемкой конкурентоспособной на внутреннем и внеш-
нем рынках продукции на основе партнерства науки и промыш-
ленности, государства и частного сектора.
В 2004–2005 гг. Минобрнауки России провело работу по пере-
смотру перечня приоритетов на существенно модифицированной
204 Глава 3

методологической базе. Во-первых, в основу экспертного анализа


были положены критерии опережающего экономического роста
и обеспечения технологической безопасности. При этом эксперты
сначала определяли группы товаров и услуг, которые могли бы про-
изводиться на основе российских технологий и быть конкурентоспо-
собными на российском и мировых рынках, эти товары и услуги об-
суждались на экспертных фокус-группах, и лишь на второй стадии
отбирались технологии, обладающие наибольшим потенциалом для
их разработки. Таким образом, были выбраны технологии, перво-
очередная поддержка которых способствовала росту конкурентоспо-
собности российской промышленности и сферы услуг.
Во-вторых, был значительно расширен арсенал используемых
методов – в их число вошли интервью с руководителями крупных
компаний, экспертные панели, тематические фокус-группы, а также
серии экспертных опросов. Комбинация разнообразных подходов
позволила на разных этапах работы задействовать лучшие качества
экспертов, построить обсуждения в фокус-группах вокруг практиче-
ских аспектов использования технологий и за счет этого в значи-
тельной степени избежать лоббирования со стороны отдельных на-
учных школ.
Сформированный в итоге перечень приоритетов был значитель-
но короче и детальнее предыдущего и отличался большей практиче-
ской направленностью. В него вошли 8 направлений:
– информационно-телекоммуникационные системы;
– индустрия наносистем и материалы;
– живые системы;
– рациональное природопользование;
– энергетика и энергосбережение;
– транспортные, авиационные и космические системы;
– безопасность и борьба с терроризмом;
– военная и специальная техника.
Первые шесть направлений отражают глобальные приорите-
ты современного технологического развития, в них сосредото-
чен инновационный потенциал, определяющий направления
формирования новых глобальных рынков товаров и услуг.
В первую очередь это относится к сфере информационных тех-
нологий, развитию индустрии наносистем и новых материалов,
разработкам в области живых систем. Каждое из указанных при-
Проектирование адаптивной иерархической сети нейро-нечеткого вывода 205

оритетных направлений в России имеет существенный научно-


технологический задел. Два последних приоритетных направле-
ния связаны с обеспечением национальной безопасности. Вместе
с приоритетными направлениями существенным изменениям под-
вергся и перечень критических технологий, он был сокращен с 52
до 34 позиций. Для каждой из указанных критических технологий
экспертами были описаны их важнейшие составляющие, даны
оценки их инновационного и рыночного потенциала, необходи-
мых мер поддержки высокого технологического уровня со сторо-
ны государства. Таким образом, работа по формированию при-
оритетов научно-технологического развития в России с каждым
раундом приобретает новые черты, становится все в большей сте-
пени ориентированной на практические потребности российской
экономики.

3.1.10. Сценарии развития государства до 2020 г.


На XI Петербургском экономическом форуме Минэкономразви-
тия РФ представило 3 варианта развития России до 2020 г.
Инерционный:
– консервация экспортно-сырьевой модели при замедлении до-
бычи и экспорта углеводородов;
– снижение конкурентоспособности обрабатывающих произ-
водств и рост зависимости от импорта товаров и технологий;
– темп роста ВВП снижается до 3,2% в год в 2011–2020 гг.
Энергосырьевой:
– ускоренное развитие и модернизация энергосырьевых отраслей
и транспорта;
– фрагментарная модернизация высокотехнологичных секторов
при отсутствии масштабного экспорта продукции и услуг с высокой
добавленной стоимостью;
– темп роста ВВП – 5,3% в 2011–2020 гг.
Инновационный:
– создание эффективной национальной инновационной системы
и реализация проектов в высокотехнологичных отраслях;
– конкурентоспособный человеческий капитал и экономика знаний;
– создание новых региональных центров развития;
– динамичный рост экономики с темпом 6,4% в год.
206 Глава 3

Самый благоприятный сценарий – инновационный: основу эко-


номики составляет высокотехнологичный сектор, ВВП растет на
6,6% в год, а импорт превышает экспорт на 72 млрд долл. (импорт –
578 млрд долл.). Доллар стоит 31–32 руб.
Сценарии отличаются уровнем социальных расходов и инвести-
ций в инфраструктуру. В первом сценарии инвестиции в транспорт
составляют 2,1% ВВП, новых дорог появляется только 3000–5000 км
в год, расходы на НИОКР не превышают 1% ВВП, на образование –
3,8% ВВП, на здравоохранение – 4,2% ВВП. В третьем сценарии
вложения в транспорт выше вдвое, расходов на образование и здра-
воохранение больше на 70%, на НИОКР – вчетверо. Россия по раз-
мерам ВВП к 2020 г. может и должна войти в пятерку крупнейших
экономик мира – за счет того, что по 4–6 позициям в высокотехноло-
гичных секторах займет лидирующие места, выпуская по 10% миро-
вого производства. Выделены такие отрасли, как ядерная энергетика
(атомные реакторы и технологии), авиа- и судостроение (ледоколы,
научные суда, газовозы и т.д.), космические аппараты, услуги кос-
мических запусков, программное обеспечение, нанотехнологии. Ин-
новационный прорыв произойдет во многом благодаря созданию
крупных холдингов с государственным участием. Создавая подоб-
ные холдинги, государство выкупает часть активов у частного биз-
неса по рыночной цене.
Все сценарии предполагают проведение институциональных
преобразований, направленных на развитие конкуренции, защиту
прав собственности и экономических свобод, улучшение инвестици-
онного климата. В то же время в рамках второго и особенно третьего
сценария предполагается проведение активной политики повышения
конкурентоспособности, более интенсивное развитие экономических
и социальных институтов, снижение административных барьеров
в экономике, что найдет отражение в улучшении инвестиционного
климата, диверсификации экономики, повышении темпов и качества
экономического роста.
Отметим, что в целях выстраивания сбалансированной государ-
ственной политики, направленной на технологическую модерниза-
цию российской экономики, в Минэкономразвития РФ регулярно
проходит обсуждение разработанной Концепции долгосрочного со-
циально-экономического развития Российской Федерации, включая
корректировку Перечня критических технологий.
Проектирование адаптивной иерархической сети нейро-нечеткого вывода 207

3.2. ПРОЕКТИРОВАНИЕ АДАПТИВНОГО


НЕЙРОЧЕТКОГО ДЕРЕВА РЕШЕНИЙ
3.2.1. Анализ современных методов оценки экономической
эффективности научно-технологических направлений
и технологий в условиях риска и неопределенности
Оценка эффективности научно-технологических направлений
и технологий представляет собой один из наиболее ответственных
этапов в решении целого ряда стратегических задач, характерных
для стадии реализации инвестиционной стратегии. Обоснованность
принимаемого решения напрямую зависит от того, насколько объек-
тивно и всесторонне проведена эта оценка.
Формирование и корректировка приоритетных направлений
и перечня критических технологий России проводились в два этапа.
На первом этапе формирование предложений по корректировке при-
оритетных направлений и перечня критических технологий осуще-
ствлялось на основе результатов долгосрочного прогноза научно-
технологического развития Российской Федерации, подготовленного
Минобрнауки России в 2008 г., и других материалов по комплекс-
ному анализу тенденций научно-технического и технологического
развития Российской Федерации.
На втором этапе предложения по корректировке приоритетных
направлений и перечня критических технологий, поступившие от
заинтересованных федеральных органов исполнительной власти
и организаций, рассматривались в экспертных группах для подго-
товки заключений.
Процесс корректировки приоритетных направлений и перечня
критических технологий базируется на следующих основных прин-
ципах: ориентация на потенциальный рыночный спрос, т.е. в первую
очередь выделяются перспективные рынки, затем инновационные
продукты и услуги, которые могут быть представлены на этих рын-
ках, а затем технологии и технологические решения, позволяющие
получить данные продукты и услуги.
В основе оценки эффективности направления лежит система пока-
зателей, соизмеряющих полученный эффект от его вклада в технологи-
ческую модернизацию и ускорение роста ВВП, улучшение его структу-
ры и повышение конкурентоспособности российской экономики:
– улучшение технологической структуры российской экономики;
– конкурентоспособность на внутреннем и внешнем рынках;
208 Глава 3

– объемы существующих и потенциальных рынков сбыта основ-


ных продуктов, реализуемых с применением критических техноло-
гий, в России и за рубежом и их характеристики;
– ожидаемая динамика продаж на внутреннем и внешнем рынках.
Обеспечение технологической, экологической, энергетической,
продовольственной и информационной безопасности оценивалось
также по таким параметрам, как:
– преодоление зависимости от импорта особо важных продуктов
и технологий;
– конкурентоспособность отечественных технологий, направ-
ленных на снижение риска техногенных катастроф, по сравнению
с зарубежными аналогами.
Очевидно, что каждый из вышеприведенных показателей имеет
свои отличительные преимущества и недостатки, поэтому для при-
нятия обоснованных решений необходимо совместное использова-
ние данных показателей, так как они позволяют ЛПР с разных сто-
рон оценить эффективность технологии.
Общим недостатком вышеперечисленных показателей эффек-
тивности является требование определенности входных данных, ко-
торая достигается путем применения средневзвешенных значений
входных параметров, что может привести к получению значительно
смещенных точечных оценок показателей эффективности. Также
очевидно, что требование детерминированности входных данных
является неоправданным упрощением реальности, так как любая
технология характеризуется множеством факторов неопределенно-
сти: неопределенность исходных данных, неопределенность внеш-
ней среды, неопределенность, связанная с характером, вариантами
и моделью реализации, неопределенность требований, предъявляе-
мых к эффективности технологии. Именно факторы неопределенно-
сти определяют риск проекта, т.е. опасность потери ресурсов, недо-
получения доходов или появления дополнительных расходов. При
долгосрочном анализе, в том числе на основе вышеперечисленных
показателей, необходимо прогнозировать во времени будущее со-
стояние большого числа неопределенных параметров рыночной
конъюнктуры, поэтому абсолютно точный прогноз получить
практически невозможно. При прогнозировании экономической
эффективности технологий ключевым является проявление неоп-
ределенности числовых параметров технологий. Неустранимая не-
определенность порождает столь же неустранимый риск принятия
Проектирование адаптивной иерархической сети нейро-нечеткого вывода 209

инвестиционных решений [19–22, 45, 52]. Следовательно, при


проведении прогнозов необходимо учитывать факторы неопреде-
ленности, обусловливающие риск по определенному показателю
эффективности, поэтому мы неминуемо сталкиваемся с пробле-
мой формального представления неопределенных прогнозных
параметров, определяющих технологию и проведение с ними со-
ответствующих расчетов. Таким образом, наличие различных ви-
дов неопределенностей приводит к необходимости адаптации вы-
шеописанных показателей оценки экономической эффективности
технологий на основе применения математических методов, позво-
ляющих формализовать и одновременно обрабатывать различные
виды неопределенности.
Среди различных подходов к моделированию в условиях неоп-
ределенности можно выделить три основных подхода: вероятност-
ный, нечетко-множественный и экспертный. Как свидетельствует
мировой опыт [4, 10,13, 14, 25, 37, 52], эффективность применения
подходов на основе вероятностных, нечетко-множественных и экс-
пертных описаний к решению различных задач зависит от уровня
и характера неопределенности, связанной с конкретной задачей.
Действительно, по мере увеличения неопределенности классические
вероятностные описания уступают место, с одной стороны, субъек-
тивным (аксиологическим) вероятностям, основанным на эксперт-
ной оценке, а с другой стороны, нечетко-интервальным описаниям,
выраженным в виде функций принадлежности нечетких чисел или,
в частном случае, в виде четкого интервала. Субъективные (аксиоло-
гические) вероятности – это вероятностные формализмы, не имею-
щие частотного смысла, а представляющие собой, к примеру, ре-
зультат виртуального пари по Сэвиджу, точечную оценку,
основанную на принципе максимума энтропии Гиббса–Джейнса [13,
74]. При этом возникает серьезная проблема обоснования выбора
этих оценок. Кроме того, как показано на конкретном примере
в [13], принцип максимума энтропии Гиббса–Джейнса не согласует-
ся с правилами рационального экономического поведения (не обес-
печивается монотонность).
Очевидно, если исходные параметры анализируемых технологий
характеризуются репрезентативной статистикой или имеются доста-
точные основания полагать, что исходные параметры подчиняются
определенному вероятностному закону, то в данной ситуации при-
менение вероятностного подхода вполне оправдано и эффективно.
210 Глава 3

Однако, как правило, при моделировании реальных технологий ста-


тистика либо недостаточно репрезентативна, либо отсутствует вовсе,
тогда применение вероятностного подхода затруднительно либо не-
возможно вовсе. Положение усугубляется различными видами неоп-
ределенности, что связано с наличием разного объема полезной ин-
формации относительно неопределенных параметров технологий,
а следовательно, встает проблема одновременного использования
и обработки такой разнородной информации, отсюда возникает не-
обходимость приведения данной информации к единой форме пред-
ставления.
В мировой практике используются различные методы оценки
эффективности технологических и инвестиционных проектов в ус-
ловиях риска и неопределенности, к наиболее распространенным из
которых следует отнести следующие методы:
1) метод корректировки ставки дисконтирования (премия за
риск);
2) метод достоверных эквивалентов (коэффициентов достовер-
ности);
3) метод анализа чувствительности показателей эффективности
(NPV, IRR и др.);
4) метод сценариев;
5) методы теории игр (критерий максимина, максимакса и др.);
6) построение «дерева решений»;
7) имитационное моделирование по методу Монте-Карло.
Детальное описание перечисленных выше методов дано в раз-
личных литературных источниках [13, 92, 93], поэтому остановимся
более подробно на особенностях и недостатках их практического
применения.
Метод корректировки ставки дисконтирования предусматри-
вает приведение будущих денежных потоков к настоящему моменту
времени по более высокой ставке, но не дает никакой информации
о степени риска (возможных отклонениях конечных экономических
результатов). При этом получаемые результаты существенно зависят
только от величины надбавки (премии) за риск. Также недостатком
данного метода являются существенные ограничения возможностей
моделирования различных вариантов развития технологий.
Метод достоверных эквивалентов (коэффициентов достовер-
ности) в отличие от предыдущего метода предполагает корректиров-
ку не нормы дисконта, а денежных потоков проекта в зависимости
Проектирование адаптивной иерархической сети нейро-нечеткого вывода 211

от достоверности оценки их ожидаемой величины. С этой целью рас-


считываются специальные понижающие коэффициенты для каждого
планового периода. Данный метод имеет несколько вариантов в зави-
симости от способа определения понижающих коэффициентов. Один
из способов заключается в вычислении отношения достоверной вели-
чины чистых поступлений денежных средств по безрисковым вложе-
ниям (операциям) за конкретный период к запланированной (ожидае-
мой) величине чистых поступлений от реализации проекта в этот же
период [92]. Очевидно, что при таком способе определения коэффи-
циентов достоверности денежные потоки от реализации проекта ин-
терпретируются как поступления от безрисковых вложений, что при-
водит к невозможности проведения анализа эффективности проекта
в условиях неопределенности и риска.
Другой вариант данного метода заключается в экспертной кор-
ректировке денежных потоков с помощью понижающего коэффици-
ента, устанавливаемого в зависимости от субъективной оценки веро-
ятностей. Однако интерпретация коэффициентов достоверности как
субъективных вероятностей, свойственная данному подходу, не со-
ответствует экономической сущности оценки риска [92]. Примене-
ние коэффициентов достоверности в такой интерпретации делает
принятие инвестиционных решений произвольным и при формаль-
ном подходе может привести к серьезным ошибкам и, следователь-
но, к негативным последствиям.
Метод анализа чувствительности показателей эффективно-
сти позволяет на количественной основе оценить влияние на про-
ект изменения его главных переменных. Главный недостаток данно-
го метода заключается в том, что в нем допускается изменение
одного параметра проекта изолированно от всех остальных, т.е. все
остальные параметры проекта остаются неизменными (равны спрог-
нозированным величинам и не отклоняются от них). Такое допуще-
ние редко соответствует действительности.
Метод сценариев позволяет преодолеть основной недостаток
метода анализа чувствительности, так как с его помощью можно
учесть одновременное влияние изменений факторов риска. К основ-
ным недостаткам практического использования метода сценариев
можно отнести, во-первых, необходимость выполнения достаточно
большого объема работ по отбору и аналитической обработке ин-
формации для каждого возможного сценария развития и как следст-
вие, во-вторых, эффект ограниченного числа возможных комбина-
212 Глава 3

ций переменных, заключающийся в том, что количество сценариев,


подлежащих детальной проработке, ограничено, так же как и число
переменных, подлежащих варьированию, в-третьих, большую долю
субъективизма в выборе сценариев развития и назначении вероятно-
стей их возникновения.
Если существует множество вариантов сценариев развития, но
их вероятности не могут быть достоверно оценены, то для принятия
научно обоснованного решения по выбору наиболее целесообразной
технологии из совокупности альтернативных технологий в условиях
неопределенности применяются методы теории игр, некоторые из
которых рассмотрены ниже.
Критерий MAXIMAX не учитывает при принятии решения риска,
связанного с неблагоприятным развитием внешней среды.
Критерий MAXIMIN (критерий Вальда) минимизирует риск ин-
вестора, однако при его использовании многие проекты, являющиеся
высокоэффективными, будут необоснованно отвергнуты. Этот метод
искусственно занижает эффективность проекта, поэтому его исполь-
зование целесообразно, когда речь идет о необходимости достиже-
ния гарантированного результата.
Критерий MINIMAX (критерий Сэвиджа) в отличие от критерия
MAXIMIN ориентирован не столько на минимизацию потерь, сколь-
ко на минимизацию сожалений по поводу упущенной прибыли. Он
допускает разумный риск ради получения дополнительной прибыли.
Пользоваться этим критерием для выбора стратегии поведения в си-
туации неопределенности можно лишь тогда, когда есть уверенность
в том, что случайный убыток не приведет проект к полному краху.
Критерий пессимизма-оптимизма Гурвица [110] устанавливает
баланс между критерием MAXIMIN и критерием MAXIMAX по-
средством выпуклой линейной комбинации. При использовании это-
го метода из всего множества ожидаемых сценариев развития собы-
тий в инвестиционном процессе выбираются два, при которых
достигается минимальная и максимальная эффективность. Выбор
оптимального проекта по показателю осуществляется по формуле

î
[(
j
) i i
]
ИП opt = ìí ИП j | max 1 - l min NPV ji + l max NPV ji üý ,
þ
где l Î [0 ,1] – коэффициент пессимизма-оптимизма, который
принимает значение в зависимости от отношения ЛПР к риску, от
его склонности к оптимизму или к пессимизму. При отсутствии ярко
Проектирование адаптивной иерархической сети нейро-нечеткого вывода 213

выраженной склонности l = 0 , 5 . При l = 0 (точка Вальда) кри-


терий Гурвица совпадает с критерием MAXIMIN, при l = 1 –
с критерием MAXIMAX.
Общий недостаток рассмотренных выше методов теории игр со-
стоит в том, что предполагается ограниченное количество сценариев
развития (конечное множество состояний окружающей среды).
Метод построения «дерева решений» сходен с методом сцена-
риев и основан на построении многовариантного прогноза динамики
внешней среды. В отличие от метода сценариев он предполагает
возможность принятия самой организацией решений, изменяющих
ход реализации проекта и использующих специальную графическую
форму представления результатов («дерево решений»). Данный ме-
тод может применяться в ситуациях, когда более поздние решения
сильно зависят от решений, принятых ранее, и в свою очередь, опре-
деляют сценарии дальнейшего развития событий [92]. Основными
недостатками данного метода при его практическом использовании
являются, во-первых, техническая сложность данного метода при
наличии больших размеров исследуемого «дерева» решений, так как
затрудняется не только вычисление оптимального решения, но и оп-
ределение данных, во-вторых, присутствует слишком высокий субъ-
ективизм при назначении оценок вероятностей.
Имитационное моделирование по методу Монте-Карло явля-
ется наиболее сложным, но и наиболее мощным методом оценки
и учета рисков при принятии решения. В связи с тем, что в процессе
реализации этого метода происходит проигрывание достаточно
большого количества вариантов, то его можно отнести к дальней-
шему развитию метода сценариев. Метод Монте-Карло дает наибо-
лее точные и обоснованные оценки вероятностей по сравнению
с вышеописанными методами. Однако несмотря на очевидную при-
влекательность и достоинства метода Монте-Карло с теоретической
точки зрения, данный метод встречает серьезные препятствия
в практическом применении, что обусловлено следующими основ-
ными причинами:
– высокая чувствительность получаемого результата по методу
Монте-Карло к законам распределения вероятностей и видам зави-
симостей входных переменных проекта [35, 37];
– несмотря на то, что современные программные средства по-
зволяют учесть законы распределения вероятностей и корреляции
десятков входных переменных, между тем оценить их достоверность
214 Глава 3

в практическом исследовании обычно не представляется возмож-


ным, так как в большинстве случаев аналитики измеряют вариации
основных переменных макро- и микросреды, подбирают законы
распределения вероятностей и статистические связи между пере-
менными субъективно, поскольку получение качественной стати-
стической информации не представляется возможным по самым
различным причинам (временным, финансовым и т.д.) [13], особен-
но для уникальных технологий в реальном секторе экономики;
– вследствие двух вышеописанных причин точность результи-
рующих оценок, полученных по данному методу, в значительной
степени зависит от качества исходных предположений и учета взаи-
мосвязей входных переменных, что может привести к значимым
ошибкам в полученных результатах (например, переоценке или не-
дооценке технологии), а следовательно, к принятию ошибочного
инвестиционного решения.
Таким образом, проведенный анализ традиционных методов
оценки эффективности технологий в условиях риска и неопределен-
ности свидетельствует об их теоретической значимости, но ограни-
ченной практической применимости для анализа эффективности из-
за большого числа упрощающих модельных предпосылок, иска-
жающих реальную среду проекта.

3.2.2. Эволюционные алгоритмы построения дерева решений


В отечественной и зарубежной литературе описано применение
деревьев решений как мощной эволюционной методологии при ре-
шении задач классификации и регрессии [37,102,103,114]. Как инст-
румент DATA MINING (обнаружение скрытых знаний из данных)
они используются для поиска и извлечения понятных человеку ин-
терпретируемых правил классификации. Отметим, что в состав мно-
гих пакетов, предназначенных для интеллектуального анализа дан-
ных, уже включены методы построения деревьев решений, они
являются прекрасным инструментом в системах поддержки приня-
тия решений.
Дерево принятия решений – это дерево, в листьях которого
стоят значения целевой функции, а в остальных узлах – условия пе-
рехода (к примеру «ПОЛ есть МУЖСКОЙ»), определяющие, по ка-
кому из ребер идти. Если для данного наблюдения условие – истина,
то осуществляется переход по левому ребру, если же ложь – по пра-
вому. Обычно каждый узел включает проверку одной независимой
Проектирование адаптивной иерархической сети нейро-нечеткого вывода 215

переменной. Иногда в узле дерева две независимые переменные


сравниваются друг с другом или определяется некоторая функция от
одной или нескольких переменных.
Если переменная, которая проверяется в узле, принимает катего-
риальные значения, то каждому возможному значению соответству-
ет ветвь, выходящая из узла дерева. Если значением переменной яв-
ляется число, то проверяется, больше или меньше это значение
некоторой константы. Иногда область числовых значений разбивают
на интервалы (проверка попадания значения в один из интервалов).
Листья деревьев соответствуют значениям зависимой перемен-
ной, т.е. классам.

Рис. 3.3. Дерево классификации ирисов


216 Глава 3

На рис. 3.3 показано дерево классификации ирисов. Классифи-


кация идет в три класса (на изображении помечены красным, синим
и зеленым) и проходит по параметрам: длина/толщина чашелистика
(SepalLen, SepalWid) и длина/толщина лепестка (PetalLen, PetalWid).
Как видим, в каждом узле стоит его принадлежность к классу (в за-
висимости от того, каких элементов больше попало в этот узел), ко-
личество попавших туда наблюдений N, а также количество каждого
класса. Также в нелистовых вершинах есть условие перехода – в од-
ну из дочерних. Соответственно по этим условиям и разбивается
выборка. В результате это дерево почти идеально (6 из 150 непра-
вильно) классифицировало исходные данные (именно исходные – те,
на которых оно обучалось).
Если при классификации в листьях стоят результирующие клас-
сы, при регрессии же стоит какое-то значение целевой функции.

Рис. 3.4. Регрессионное дерево для определения цены на землю


в г. Бостоне в 1978 г.

На рис. 3.4 показано регрессионное дерево для определения


цены на землю в г. Бостоне в 1978 г. в зависимости от парамет-
ров RM – количество комнат, LSTAT – процент неимущих и не-
скольких других параметров (более детально можно посмотреть
в [130]). Соответственно здесь в каждом узле мы видим среднее
Проектирование адаптивной иерархической сети нейро-нечеткого вывода 217

значение (Avg) и стандартное отклонение (STD) значений целе-


вой функции наблюдений, попавших в эту вершину; общее ко-
личество наблюдений, попавших в узел N. Результатом регрес-
сии будет то значение среднего (Avg), в какой узел попадет
наблюдение.
Таким образом, изначально классификационное дерево может
работать и для регрессии. Однако при таком подходе обычно требу-
ются большие размеры дерева, чем при классификации, чтобы дос-
тичь хороших результатов регрессии.
Ниже перечислены несколько основных методов, которые ис-
пользуют деревья принятия решений, их краткое описание, плюсы
и минусы (табл. 3.2).
CART (англ. Classification and regression trees – классифика-
ционные и регрессионные деревья) был первым из методов,
придуманных в 1983 г. четверкой известных ученых в области
анализа данных: Leo Breiman, Jerome Friedman, Richard Olshen
and Stone [102].
Суть этого алгоритма состоит в обычном построении дерева
принятия решений. На первой итерации мы строим все возмож-
ные (в дискретном смысле) гиперплоскости, которые разбивали
бы наше пространство на два. Для каждого такого разбиения про-
странства считается количество наблюдений в каждом из подпро-
странств разных классов. В результате выбирается такое разбие-
ние, которое максимально выделило в одном из подпространств
наблюдения один из классов. Соответственно, это разбиение бу-
дет нашим корнем дерева принятия решений, а листьями на дан-
ной итерации будут два разбиения.
На следующих итерациях мы берем один худший (в смысле от-
ношения количества наблюдений разных классов) лист и проводим
ту же операцию по разбиению его. В результате этот лист становит-
ся узлом с каким-то разбиением и двумя листьями.
Продолжаем так делать, пока не достигнем ограничения по ко-
личеству узлов, либо от одной итерации к другой перестанет улуч-
шаться общая ошибка (количество неправильно классифицирован-
ных наблюдений всем деревом). Однако полученное дерево будет
«переобучено» (будет подогнано под обучающую выборку) и соот-
ветственно не будет давать нормальные результаты на других дан-
218 Глава 3

ных. Для того чтобы избежать «переобучения», используют тесто-


вые выборки (либо кросс-валидацию) и проводится обратный анализ
(так называемый pruning), когда дерево уменьшают в зависимости от
результата на тестовой выборке.
Относительно простой алгоритм, в результате которого получа-
ется одно дерево принятия решений. За счет этого он удобен для
первичного анализа данных, к примеру, чтобы проверить на наличие
связей между переменными.
Random forest (случайный лес) – метод, придуманный после
CART одним из четверки – Leo Breiman в соавторстве с Adele Cutler
[102], в основе которого лежит использование комитета (ансамбля)
деревьев принятия решений.
Суть алгоритма в том, что на каждой итерации делается случай-
ная выборка переменных, после чего на этой новой выборке запус-
кают построение дерева принятия решений. При этом производится
«bagging» – выборка случайных двух третей наблюдений для обуче-
ния, а оставшаяся треть используется для оценки результата. Такую
операцию проделывают сотни или тысячи раз. Результирующая мо-
дель будет результатом «голосования» набора полученных при мо-
делировании деревьев.
Stochastic Gradient Boosting (стохастическое градиентное до-
бавление) – метод анализа данных, предложенный Jerome
Friedman [114] в 1999 г., и представляющий собой решение задачи
регрессии (к которой можно свести классификацию) методом по-
строения комитета (ансамбля) «слабых» предсказывающих де-
ревьев принятия решений.
На первой итерации строится ограниченное по количеству узлов
дерево принятия решений. После чего считается разность между
тем, что предсказало полученное дерево, умноженное на learnrate
(коэффициент «слабости» каждого дерева), и искомой переменной
на этом шаге. И уже по этой разнице строится следующая итерация.
Так продолжается, пока результат не перестанет улучшаться, т.е. на
каждом шаге мы пытаемся исправить ошибки предыдущего дерева.
Однако здесь лучше использовать проверочные данные (не участво-
вавшие в моделировании), так как на обучающих данных возможно
переобучение.
Проектирование адаптивной иерархической сети нейро-нечеткого вывода 219

Таблица 3.2. Сравнительный анализ методов,


использующих деревья решений
Метод Преимущества Недостатки
Часто сходится на локаль-
Быстрое построение ном решении (к примеру,
модели. на первом шаге была вы-
Легко интерпретируется брана гиперплоскость,
CART (из-за простоты модели, которая максимально
можно легко отобразить делит пространство на
дерево и проследить за этом шаге, но при этом
всеми узлами дерева) это не приведёт к опти-
мальному решению)
Высокое качество ре- Каждое из деревьев ог-
зультата, особенно для ромное, в результате мо-
данных с большим ко- дель получается огромная.
личеством переменных Долгое построение моде-
и малым количеством ли для достижения хоро-
Random forest
наблюдений. ших результатов.
Возможность распарал- Сложная интерпретация
лелить. модели (сотни или тысячи
Не требуется тестовая больших деревьев сложны
выборка для интерпретации)
Высокое качество ре- Требуется тестовая вы-
зультата, особенно для борка (либо кросс-
данных с большим ко- валидация).
личеством наблюдений Невозможность хорошо
и малым количеством распараллелить.
Stochastic Gradient переменных. Относительно слабая
Boosting Сравнительно (с преды- устойчивость к ошибоч-
дущим методом) малый ным данным
размер модели, так как и переобучению.
каждое дерево ограни- Сложная интерпретация
чено заданными модели (так же, как и в
размерами Random forest)

Общим недостатком построения традиционных деревьев реше-


ний является требование определенности входных данных, которая
достигается путем применения средневзвешенных значений вход-
ных параметров анализируемой технологии, что может привести
к получению значительно смещенных точечных оценок показателей
эффективности проектов. Также очевидно, что требование детерми-
нированности входных данных является неоправданным упрощени-
ем реальности, так как любая технология характеризуется множест-
вом факторов неопределенности: неопределенность исходных
220 Глава 3

данных, неопределенность внешней среды, неопределенность, свя-


занная с характером, вариантами и моделью реализации проекта,
неопределенность требований, предъявляемых к эффективности
технологии. Именно факторы неопределенности определяют риск
технологии, т.е. опасность потери ресурсов, недополучения доходов
или появления дополнительных расходов.

3.2.3. Обоснование комплексного применения эволюционных


алгоритмов и теории нечетких множеств
для многокритериальной классификации приоритетных
научно-технологических направлений
Обширный опыт отечественных и зарубежных исследователей
убедительно свидетельствует о том, что вероятностный подход не
может быть признан надежным и адекватным инструментом реше-
ния слабоструктурированных задач [13, 17, 18, 37, 39], к которым
принадлежат и задачи анализа эффективности проектов. В принципе
любая попытка использования статистических методов для решения
такого рода задач есть не что иное, как редукция к хорошо структу-
рированным (хорошо формализованным) задачам, при этом такого
рода редукция существенно искажает исходную постановку задачи.
По мнению авторов, ограничения и недостатки применения «клас-
сических» формальных методов при решении слабоструктуриро-
ванных задач являются следствием сформулированного основопо-
ложником теории нечетких множеств Л.А. Заде [144] «принципа
несовместимости»: «...чем ближе мы подходим к решению проблем
реального мира, тем очевиднее, что при увеличении сложности сис-
темы наша способность делать точные и уверенные заключения о ее
поведении уменьшается до определенного порога, за которым точ-
ность и уверенность становятся почти взаимоисключающими поня-
тиями» [27].
Поэтому некоторыми зарубежными и отечественными исследо-
вателями разрабатываются методы оценки эффективности проектов
на основе аппарата теории нечетких множеств [20, 21, 39, 52, 74,
104, 111]. В данных методах вместо распределения вероятности
применяется распределение возможности, описываемое функцией
принадлежности нечеткого числа.
Методы, базирующиеся на теории нечетких множеств, относятся
к методам оценки и принятия решений в условиях неопределенно-
сти. Их использование предполагает формализацию исходных пара-
Проектирование адаптивной иерархической сети нейро-нечеткого вывода 221

метров и целевых показателей эффективности технологий в виде


вектора интервальных значений (нечеткого интервала), попадание
в каждый интервал которого