Том 1

Проблемы развития внешнеэкономических связей и привлечения иностранных инвестиций: региональный аспект, 2010Мета наукового дослідження полягає у розробці методики забезпечення конкурентоспроможності промислових підприємств на основіметодів ситуаційно-когнітивного моделювання, що дозволяє підвищити ефективність управлінських рішень за рахунок сукупності потенціалівпідприємства та обліку сприятливих умов з боку конкурентного середовища .Для досягнення поставленої мети були поставлені наступні задачі: конкретизувати місце системи прийняття рішень в стратегіїпідприємств; представити в загальному вигляді постановку та рішення завдань прийняття рішень на промислових підприємствах; розробитиновий метод побудови моделей нечітко-цільових конкурентних систем, що дозволить врахувати різні ситуаційні аспекти внутрішнього йзовнішнього середовища промислового підприємства й розробити науково обґрунтовані механізми підвищення конкурентоспроможностіпромислових підприємств.На промислових підприємствах у неструктурованих ситуаціях при прийнятті рішень у суб'єкта (СПР чи експерта) виникає модельпроблемної області, на основі якої він намагається пояснити процеси, що відбуваються в реальності. При цьому об'єктивні закономірностіреального світу представляються суб'єктивними експертними оцінками. У результаті образ ситуації, що спостерігається, відбиває не тількизакони і закономірності ситуації, але і світогляд суб'єкта, його систему переконань, цінностей, рівень утворення, досвід та інш.У цих умовах прийняття рішень - це мистецтво, що включає раціональні (логічні) і інтуїтивні початки. У синтезі раціонального йінтуїтивного виникає здатність СПР приймати своєчасні й адекватні рішення.Когнітивний підхід до підтримки прийняття рішень орієнтований на те, щоб активізувати інтелектуальні процеси суб'єкта і допомогтийому зафіксувати своє представлення проблемної ситуації у виді формальної моделі. В якості такої моделі звичайно використовується так званакогнітивна карта ситуації, що представляє відомі суб'єкту основні закони і закономірності ситуації, що спостерігаються, у виді орієнтованогознакового графа, у якому вершини графа - це фактори (ознаки, характеристики ситуації), а дуги між факторами - причинно-наслідкові зв'язкиміж факторами.Результати проведеного аналізу дозволяють зробити висновок, що проблеми, які виникають при рішенні задач дослідженняконкурентоспроможності промислових підприємств, відносяться до класу слабкоструктурованих чи змішаних, оскільки їх характернимирисами є наступні:дані є різноякісними;оцінка значень параметрів виробляється за допомогою різних шкал;евристична чи експертна оцінка ряду параметрів;неочевидні залежності між параметрами, а також невідомі закономірності їхнього впливу на цільові характеристики;вибірки даних найчастіше непредставницькі.Серед методів аналізу даних, що дозволяють оцінити результати дій, здійснити контроль, планування і прогнозування прийняттяуправлінських рішень, виділяють три основні групи:методи одержання і представлення узагальнених характеристик числових даних;методи, засновані на порівнянні об'єктів і їхніх властивостей;методи виявлення і відображення взаємозв'язків у даних.Самі методи аналізу даних є лише основою для реалізації типових задач аналізу даних, які використовують аналітики й особа, якаприймає рішення.До цих задач аналізу даних відносяться:узгодження даних з різнотипних шкал;оцінка інформативності показників і ранжирування їх по ступені впливу на цільовий показник;задачі кластеризації (виділення класів) і таксономії (автоматичної класифікації);сегментація - поділ області значень фактора на сегменти для проведення подальшого спадного аналізу;виявлення закономірних зв'язків між параметрами й асоційованими групами значень параметрів;прогнозування значень одних параметрів за виявленим значенням інших на основі виявлених закономірностей.Методи і технології інтелектуального аналізу даних (data mining) стають невід'ємною частиною концепцій сучасних інформаційнихсистем. Це зв'язано як з необхідністю аналітичної обробки великих обсягів інформації, що накопичується в сучасних сховищах даних, так і зрішенням слабкоструктурованих проблем, до яких повною мірою відносяться проблеми дослідження системи управління регіоном.Складність задач у сфері управління конкурентоспроможністю промислових підприємств і розмаїтість методів їхнього рішеннявимагають обґрунтованого вибору й удосконалення існуючого науково-методичного апарата для рішення задач, аналізу інформації і підтримкирішень у цій області. Для рішення задач аналізу й оцінки конкурентоспроможності організації необхідно використовувати як аналітичні моделі,так і моделі евристичних переваг. При цьому перспективним напрямком підготовки і прийняття рішень по управліннюконкурентоспроможністю промислового підприємства є виконання поставлених задач на основі не одного, а декількох принципово різнихпідходів до аналізу даних (статистичного, нейросетевого, нечіткої логіки, системи міркувань на основі прецедентів, побудови дерева рішень іін.). Перераховані методи мають як переваги, так і недоліки.Статистичні методи. Основна увага в них приділяється класичним методикам статистичної обробки даних - кореляційному,регресійному, факторному, дискримінантному аналізу й іншим. Головний недолік систем цього класу - неможливість ефективного застосуваннядля аналізу даних, без знань в області статистики. Крім того, у процесі аналізу даних за допомогою статистичних пакетів приходитьсябагаторазово застосовувати набір з тих самих операцій, однак засоби автоматизації процесу дослідження або відсутні, або вимагаютьпрограмування внутрішньою мовою, що також рідко під силу користувачу, якщо він не статистик і не програміст. Усі ці фактори роблятьсучасні статистичні пакети занадто великоваговими для масового застосування. До того ж часто ці системи дуже дорогі.Нейромережовий підхід. На основі нейромережового підходу ефективно зважуються неформалізовані чи важкоформалізовані задачі змоделюванням складних нелінійних залежностей між факторами і цільовими показниками; виявленням тенденцій у даних для побудовипрогнозів; одержанням змістовних результатів при невеликому обсязі вихідної інформації з можливістю наступного удосконалення моделі вміру надходження нових даних. Це задачі кластеризації, класифікації і розпізнавання образів, апроксимації функцій, прогнозу, оптимізації. Прирішенні за допомогою штучних нейронних мереж цих задач використовується підхід, при якому треба лише мати достатню кількість прикладів(навчальну вибірку) для настроювання навчальної системи з заданим ступенем вірогідності. Недоліками штучних нейронних мереж єскладність пояснення виявлених залежностей, крім того, дані обов'язково повинні бути перетворені до числового виду.Нейропакети - це великий клас програм-імітаторів штучних нейронних мереж, які емулюють для користувача різні моделінейроподібних елементів і штучних нейронних мереж у середовищі звичайного комп'ютера. В даний час відома велика кількість нейропакетів,що випускаються багатьма фірмами і окремими дослідниками, що дозволяє конструювати, навчати і використовувати нейронні мережі длярішення практичних задач.Методи нечіткої логіки. Апарат нечітких множин і нечіткої логіки з успіхом застосовуються для рішення задач, в яких вихідні дані єненадійними (неточними, неповними, суперечливими і перекрученими) і слабкоформалізованими. Сильні сторони такого підходу:опис умов і методу рішення задачі мовою, близькою до природної;універсальність: відповідно до теореми FAT ( Fuzzy Approximation Theorem ), доведеної Б. Коско ( B. Kosko) у 1993 році, будь-якаматематична система може бути апроксимірованою системою, заснованої на нечіткій логіці;ефективність (зв'язана з універсальністю), що пояснюється безліччю теорем, аналогічних теоремам про повноту для штучнихнейронних мереж.У даний час серед найбільш затребуваних додатків нечіткої логіки можна відзначити такі області: класифікація й аналіз даних,висновків в умовах невизначеності і проблеми прийняття рішень.Ці три застосування використовують три види семантики нечітких безлічей, відповідно, у термінах подібності, невизначеності іпереваги. Інтерпретація нечітких безлічей у термінах подібності (ступеня близькості до прототипу) з'явилася раніш інших (Bellman, Kalamba,87