Теоретические основы исследования

Под инвестиционно-инновационной стратегией понимается модель взаимодействия всех ресурсов, направляемых в материальные и нематериальные активы, позволяющих системе установить приоритеты развития и выполнять поставленные цели, добиваясь при этом экономического роста, устойчивых конкурентных преимуществ на рынке и положительного социального эффекта.

Конечной целью инновационного процесса является коммерческое освоение инновации и ее рентабельное использование. Это достигается в тех случаях, когда исследования и разработки с самого начала ориентированы на производство, когда существует реальная возможность увеличить инвестиции в необходимые материально-технические ресурсы, унифицировать отдельные стадии научно-производственного цикла и заранее определить соответствие инновации требованиям производства и потребностям покупателей.

Инновационная привлекательность для сельскохозяйственных организаций определяется следующими факторами: степенью информативности проекта, зависимостью предприятия от внешней среды, наличием резервных ресурсов, организационной структурой и степенью мотивации труда.

На ранних стадиях выбора инновационного проекта необходимо спрогнозировать результаты от него внедрения таких, как объем и себестоимость продукции, количество работников, тип сырья, количество и качество требуемого оборудования. Для обеспечения требуемой информативности проекта необходимо обеспечить компромисс между количеством необходимой информации и затратами на ее получение. Чрезмерно высокие затраты на информативность могут снижать технико-экономические показатели нововведений.

Одной из самых значимых характеристик организации является ее взаимосвязь с внешней средой. Внешнюю среду организации можно охарактеризовать как всю совокупность факторов, влияющих на деятельность организации, а именно: потребители, конкуренты, правительственные учреждения, поставщики, финансовые организации, источники трудовых ресурсов, а также наука, культура, состояние общества и природные явления. В рыночной экономике внешняя среда крайне динамична, поэтому ее изучение позволяет организации перестраивать свою внутреннюю структуру, приспосабливаться к меняющимся условиям, что в целом обеспечивает эффективность функционирования и конкурентоспособность.

Для внедрения инновационного проекта необходимо использовать дополнительные материальные (средства труда и предметы труда) и трудовые ресурсы. Наличие резервов ресурсов в значительной мере определяет возможность внедрения инноваций.

Организационная структура оказывает заметное воздействие на управление проектами. Наиболее важными ее функциями являются: долгосрочное повышение квалификации персонала, накопление научно-технического опыта для достижения быстрых коммерческих результатов. При внедрении инновации на первое место выходят такие качества персонала как профессионализм, способность к творчеству, интеллектуальные способности, коммуникативные качества, психофизиологические характеристики, социально-демографические характеристики. Опыт передовых предприятий показал важность повышения квалификации персонала работающего с инновациями. Таким образом, адаптация к современным условиям предполагает не только изменение организационной структуры предприятия, но и в значительной мере затрагивает вопросы методологического обеспечения функционирования системы управления.

Мотивация труда – важнейший фактор результативности работы в условиях инноваций. Она выполняет экономическую, социальную, нравственную функцию. Каждый стимул должен быть доступен для всех работников и условия стимулирования должны быть понятными. Существует некий порог действенности стимула. В разных странах и коллективах он существенно различается. Материальные стимулы подвержены постоянной коррекции в сторону повышения.

Методологической и инструментально-технологической основой данного исследования является системно-когнитивный анализ (СК-анализ) и интеллектуальная система "Эйдос" (от англ. "познание"). СК-анализ представляет собой новый перспективный математический и инструментальный метод экономики, характеризующийся универсальной непараметрической математической моделью, основанной на семантической теории информации, наличием методики численных расчетов и реализующего их программного инструментария [6-8].

Основная идея СК-анализа состоит в автоматизации системного анализа, как метода познания и включении его непосредственно в цикл управления в качестве периодически выполняемого этапа, что обеспечивает не только непрерывную адаптацию модели управления к количественным изменениям в предметной области, но и сохранение ее адекватности после качественных изменений объекта управления.

СК-анализ позволяет выявить и исследовать виды причинно-следственных зависимостей между составом, внутренней структурой и эмерджентными свойствами системы. На основе эмпирических данных строятся формальные модели, количественно отражающие силу и направления влияния значений факторов на поведение моделируемой системы, в частности на переход ее в различные будущие состояния.

Для синтеза системно-когнитивной модели оценки привлекательности инноваций осуществляется структуризация и формализация предметной области, подготовка исходных данных, в качестве которых используются описательные и классификационная шкала, а также их градации. Описательные шкалы и определяют основные факторы: степень информативности проекта, зависимость предприятия от внешней среды, наличие резервных ресурсов, организационная структура и степень мотивации труда, влияющие на результаты инноваций.

Градации описательных шкал заданы в виде термов: «низкие», «ниже средних», «средние», «выше средних», «высокие» и образуют матрицу

,

где n – число исследуемых объектов в обучающей выборке;

m – число факторов, воздействующих на состояния объектов;

– обозначения термов описательных шкал.

В качестве классификационной шкалы используется инновационная привлекательность, которая содержит градации: «низкая», «ниже средней», «средняя», «выше средней», «высокая».

Градации классификационной шкалы обучающей выборки образуют вектор

,

где – обозначения термов данной шкалы.

Для построения моделей систем распознавания образов и принятия решений, ориентированных на применение для синтеза адаптивных систем управления сложными объектами, в системе «Эйдос» определяется суммарное количество информации о каждом информационном источнике, что позволяет получить интегральный критерий для идентификации или прогнозирования состояния объекта.

Плотность информации по Харкевичу определяется по формуле

где N_ij – суммарное количество наблюдений в исследуемой выборке факта: «под действием i -го значения фактора объект перешел в j -е состояние»;

N_j – суммарное количество встреч различных факторов у объектов, перешедших в j -е состояние;

N_i – суммарное количество встреч i -го фактора у всех объектов исследуемой выборки;

N – суммарное количество встреч различных факторов у всех объектов исследуемой выборки.

Среднее количество знаний в i-м значении фактора определяется по формуле:

,

где W – количество классов – будущих состояний объекта

Среднее значение координат вектора класса определяется по формуле:

,

где М – количество факторов.

Если провести расчеты по всем признакам и классам, то получится матрица информативности знаний, приведенная в таблице 1 [6].

Количественные значения коэффициентов таблицы 1 являются знаниями о том, что «объект перейдет в j -е состояние, если на объект действует i -е значение фактора».

Принципиально важно, что эти весовые коэффициенты не определяются экспертами на основе опыта, а рассчитываются непосредственно на основе эмпирических данных, хорошо зарекомендовавших себя на практике.

Таблица 1 – Матрица информативности знаний

	Классы	Значимость фактора
	...	j	...	W
Значения факторов
...
i
...
M
Степень редукции класса	s1		sj		sW

 

Н – мера уровня системности предметной области.

Когда количество информации >0 – i -й фактор способствует переходу объекта управления в j -е состояние, когда <0 – препятствует этому переходу, когда же =0 – никак не влияет на это.

Для синтеза моделей в СК-анализе в настоящее время используется 7 частных критериев знаний INF1-INF7, а для верификации моделей и решения задачи идентификации и прогнозирования 2 интегральных критерия сходства: «Семантический резонанс знаний» и «Сумма знаний». Частные критерии знаний INF1-INF7 по сути, являются формулами для преобразования абсолютных частот в количество информации и знания.

При выполнении верификации моделей выбирается модель с наивысшей степенью достоверности идентификации и не идентификации объектов (рис. 1).

В таблице, приведенной на рис. 1, показана вероятность верной идентификации (правильного отнесения к классу) и вероятность верной неидентификации (правильного неотнесения к классу), а также средняя вероятность верного результата.

 

Рис. 1. Данные о достоверности статистических моделей системы «Эйдос»

Система "Эйдос" также формирует информационные портреты классов, представленные в виде векторов, элементы которых отображают степень влияния факторов на градацию выбранного класса:

,

,

,

,

,

где – вектор степени влияния факторов на инновационную привлекательность «низкая»;

– вектор степени влияния факторов на инновационную привлекательность «ниже средней»;

– вектор степени влияния факторов на инновационную привлекательность «средняя»;

– вектор степени влияния факторов на инновационную привлекательность «выше средней»;

– вектор степени влияния факторов на инновационную привлекательность «высокая».

 

Задание на работу

4.1. Определить степень влияния параметров на инновационную привлекательность «высокая».

Подтвердить, что для достижения инновационной привлекательности «высокая» необходимо обеспечить высокие мотивацию труда, организационную структуру, резервов ресурсов; влияние среды должно быть низким, а информативность должна быть выше средней или высокой (рис. 2). Влияние среды высокое и информативность средняя отрицательно влияют на достижение инновационной привлекательности «высокая».

 

Рис. 2. Сила влияния параметров на привлекательность инноваций «высокая»

4.2. Определить степень влияния параметров на инновационную привлекательность «выше средней».

Подтвердить, что для достижения инновационной привлекательности «выше средней» необходимо обеспечить достижение выше средней мотивацию труда, резервов ресурсов; организационную структуру; влияние среды должно быть низким или ниже средней, а информативность должна быть выше средней или средняя (рис. 3). Информативность высокая, мотивация высокая и оргструктура средняя отрицательно влияют на достижение данного показателя.

Рис. 3. Сила влияния параметров на привлекательность инноваций «выше средней»

4.3. Определить степень влияния параметров на инновационную привлекательность «средняя».

Подтвердить, что для достижения инновационной привлекательности «средняя» необходимо обеспечить достижение средних мотивацию труда, оргструктуры, резервов ресурсов, влияние среды, информативности; влияние среды может быть выше или ниже средней (рис. 4). Информативность высокая, резерв ресурсов выше среднего или высокий, или ниже среднего, влияние среды низкая, мотивация выше средней отрицательно влияют на достижение данного показателя.

Рис. 4. Сила влияния параметров на привлекательность инноваций «средняя»

4.4. Определить степень влияния параметров на инновационную привлекательность «ниже средней».

Подтвердить, что для достижения инновационной привлекательности «ниже средней» необходимо обеспечить достижение ниже средних мотивации труда, оргструктуры, резервов ресурсов, информативность может быть ниже средней или высокая (рис. 5). Оргструктура средняя и информативность выше средней отрицательно влияют на данную градацию показателя.

Рис. 5. Сила влияния параметров на привлекательность инноваций

«ниже средней»

 

4.5. Определить степень влияния параметров на инновационную привлекательность «низкая».

Подтвердить, что для достижения инновационной привлекательности «низкая» наибольшую степень воздействия оказывают: влияние среды высокое, резерв ресурсов низкий, мотивация труда низкая, оргструктура и информативность низкие (рис. 6). Оргструктура ниже средней, резерв ресурсов ниже средней, мотивация труда ниже средней, влияние среды выше средней и информативность ниже средней также оказывают положительное воздействие на данную градацию исследуемого показателя, но их влияние меньшее, чем рассмотренных выше параметров. Мотивация труда и оргструктура средние и информативность выше средней оказывают отрицательное влияние на данную градацию инновационной привлекательности.

Рис. 6. Сила влияния параметров на привлекательность инноваций «низкая»

Порядок выполнения работы

Составьте в среде Excel файл Imp_data.xls с исходными данными и поместите его в директорию AID_DATA\Imp_data. Факторы, определяющие успех инноваций, являются нечеткими и могут быть заданы элементами терм-множества: «низкий», «ниже среднего», «средний», «выше среднего», «высокий». Рост факторов информативность проекта, резерв ресурсов, организационной структуры и степени мотивации труда приводит к увеличению инновационной привлекательности. Рост степени влияния внешней среды приводит к уменьшению инновационной привлекательности проектов.

Пример файла с исходными данными приведен в таблице 2.

Таблица 2 – Пример исходных данных для работы

Номер экз.	Иннов. привлекательность	Информа-тивность	Влияние среды	Резерв ресурсов	Оргструктура	Мотивация
экз.1	н	с	в	н	с	с
экз.2	н	нс	в	нс	н	нс
экз.3	н	с	в	нс	нс	н
экз.4	вс	вс	н	вс	вс	вс
экз.5	в	в	н	в	в	в
экз.6	с	вс	нс	с	с	с

 

Составьте в среде Excel таблицу 2 для 40 экземпляров. Запустите интеллектуальную систему "Эйдос" при помощи файла _aidos-x.exe. Введите пароль и логин – цифра 1. Главное меню системы "Эйдос" приведено на рис. 7.

Рис. 7. Главное меню системы "Эйдос"

Активизируйте команду 2.3.2.2, показанную на рис. 8.

Рис. 8. Ввод данных в систему

Установите параметры, как показано на рис. 9.

Рис. 9. Установка параметров системы

 

Активизировать опции «Пересчитать шкалы и градации» и «Выйти на создание модели», как показано на рис. 10.

Рис. 10. Активизация опций системы

Выполнить команды 3.1, 3.2 и 3.3. Выбор параметров команды 3.3 показан на рис. 11. Выполнить команду 3.5, как показано на рис. 12.

Рис. 11. Выбор параметров команды 3.3

Рис. 12. Выполнение команды 3.5

Выполнить команду 4.1.3.1, как показано на рис. 13.

Рис. 13. Выбор команды 4.1.3.1

Если сходство объекта с классом небольшое, например, для экземпляра 6, то исходные данные нужно отредактировать (рис. 14).

Рис. 14 Визуализация результатов распознавания объектов

Выполнить команду 4.1.2, как показано на рис. 15 и получить информационные портреты классов, показанные на рис. 2-6.

Рис. 15. Выбор команды 4.1.2

Информационные портреты признаков, показанные на рис. 16, можно получить при помощи команды 4.3.1.

Рис. 16. Информационные портреты признаков

Результаты SWOT-анализа, приведенные на рис. 17, можно получить при выполнении команды 4.4.8.

Рис. 17. Результаты SWOT- анализа

Контрольные вопросы

1. Какие работы выполняются на этапе формализации задачи?

2. Как в системе "Эйдос" ввести классификационные шкалы и градации, выбрав в качестве классов – различные уровни учебных достижений по различным дисциплинам, перечень которых взять из зачетной книжки?

3. Как в системе "Эйдос" ввести описательные шкал и градации, использовав характеристики подчерка?

4. Каким образом подготовить и ввести в систему "Эйдос" обучающую выборку?

5. Как осуществить синтез и верификацию (измерение адекватности) семантической информационной модели в системе "Эйдос"?

6. Что включает системно-когнитивный анализ модели?

7. Как решаются задачи идентификации и прогнозирования в системе "Эйдос"?

8. В каких подсистемах и режимах системы "Эйдос" генерируются информационные портреты классов и факторов и отображаются в графической форме двухмерных и трехмерных профилей классов и факторов)?

9. Каким образом в системе "Эйдос" провести кластерно-конструктивный анализ классов и факторов и отобразить его в форме семантических сетей классов и факторов?

10. Как в системе "Эйдос" осуществить содержательное сравнение классов и факторов и отобразить результаты в форме когнитивных диаграмм классов и факторов?

11. Как классифицировать факторы, влияющие на инновационную привлекательность проектов?

12. В чем состоит задача прогнозирования инновационной привлекательности проектов?

Содержание отчета

Отчет должен содержать титульный лист, цель работы, полученные результаты работы, ответы на контрольные вопросы и выводы.

Выводы

Инвестиции, инновации и связывающая их стратегия развития образуют органическое единство, что позволяет рассматривать их в качестве экономической категории. Таким образом, стратегия инвестиционно-инновационного развития определяется как совокупность экономических отношений, связанных с практической реализацией возможностей, заложенных в научных изобретениях и открытиях в области технологий, генетики, селекции, организации производства и труда, менеджмента, которые обеспечивают прорыв в экономике, конкурентоспособность новой продукции, сокращают срок окупаемости вложенных средств.

На основании полученных результатов анализа системно-когнитивной модели можно выбрать рекомендации по формированию таких управляющих факторов, которые с наивысшей степенью детерминированности позволят достичь высокой привлекательности инноваций в АПК. Инновационная деятельность позволяет повысить степень интенсификации аграрного и перерабатывающего производства, производительность труда, получить дополнительную прибыль во всех звеньях и отраслях АПК.

Литература

1. Борхунов Н. Роль инноваций в развитии сельского хозяйства / Н. Борхунов, А. Зарук // АПК: экономика, управление. – 2011. – №2. – С. 21-25.

2. Кокурин Д.И. Инновационная деятельность. – М.: Экзамен, 2001. – 575 с.

3. Лебедев А. Инновационная деятельность в АПК. /А. Лебедев //Аграрная наука. – 2011. – №9. – С. 2-3.

4. Лукашов Н. Проблемы инновационного развития АПК. / Н. Лукашов // Экономика сельскохозяйственных и перерабатывающих предприятий. – 2011. – №10. – С.36-38.

5. Сандру И., Рыженкова Н. Инновационное развитие сельского хозяйства до 2020 г. // Аграрная политика: проблемы и решения. – 2012. – № 2. С. 9-13.

6. Луценко Е.В., Лойко В.И. Семантические информационные модели управления агропромышленным комплексом. Монография. – Краснодар: КубГАУ. 2005. – 480 с

7. Луценко Е. В., Лойко В.И., Великанова Л.О. Прогнозирование и принятие решений в растениеводстве с применением технологий искусственного интеллекта: Монография. – Краснодар: КубГАУ, 2008. – 257 с.

8. Горпинченко К.Н., Луценко Е.В. Прогнозирование и принятие решений по выбору агротехнологий в зерновом производстве с применением методов искусственного интеллекта (на примере СК-анализа). Монография. – Краснодар: КубГАУ. 2013. – 168 с.