Г.Я.
Гольдштейн
Стратегические аспекты управления НИОКР
Монография. Таганрог: Изд-во ТРТУ, 2000. 244с.
| Предыдущая |
5. Процесс НИОКР и стратегические задачи его отдельных этапов
5.5. Стратегическая роль НИР
НИР – первая стадия НИОКР, где реально начинает создаваться научно-техническая база будущих технических (и других) инноваций. Как уже указывалось, основой НИР являются знания, накопленные человечеством за прошлые периоды развития. В то же время по окончании стадии НИР должна быть сформирована концепция конкретных продукта, технологии, бизнес-процессов. Таким образом, разработчик НИР, определяя основные направления исследований, решает главную стратегическую задачу сферы НИОКР – что будет делать фирма в дальнейшем.
Конечно, НИР для того и служит, чтобы найти некоторые новые пути научно-технического
прогресса. Однако, по сути, практика НИОКР свидетельствует о том, что основные
идеи, заложенные в начале проекта, обычно сохраняются до его завершения. Этому
способствуют два обстоятельства:
– созданная в процессе НИР научная база “заставляет” следовать в процессе
последующей ОКР намеченной в НИР концепции (хотя бы потому, что другие направления
непроработаны на уровне соответствующих НИР);
– научный руководитель НИР на практике становится главным конструктором
последующей ОКР и в значительной мере его эмоциональное тяготение к проработанной
тематике и определяет концепцию ОКР (тоже происходит и с командой менеджеров
и исследователей по НИР).
Научные исследования можно разделить на фундаментальные, поисковые и прикладные (табл. 5.8)
Таблица 5.8
Виды научно-исследовательских работ
|
Виды исследований |
Результаты исследований |
|
Фундаментальные НИР |
Расширение теоретических знаний. Получение новых научных данных о процессах, явлениях, закономерностях, существующих в исследуемой области; научные основы, методы и принципы исследований |
|
Поисковые НИР |
Увеличение объема знаний для более глубокого понимания изучаемого предмета. Разработка прогнозов развития науки и техники; открытие путей применения новых явлений и закономерностей |
|
Прикладные НИР |
Разрешение конкретных научных проблем для создания новых изделий. Получение рекомендаций, инструкций, расчетно-технических материалов, методик. Определение возможности проведения ОКР по тематике НИР |
Фундаментальные и поисковые работы в жизненный цикл изделия, как правило, не включаются. Однако на их основе осуществляется генерация идей, которые могут трансформироваться в проекты НИОКР.
Прикладные НИР являются одной из стадий жизненного цикла изделия. Их задача - дать ответ на вопрос: возможно ли создание нового вида продукции и с какими характеристиками? Порядок проведения НИР регламентируется ГОСТ 15.101-80. Конкретный состав этапов и характер выполняемых в их рамках работ определяются спецификой НИР.
Рекомендуются следующие основные этапы НИР:
1) разработка технического задания (ТЗ) на НИР;
2) выбор направлений исследования;
3) теоретические и экспериментальные исследования;
4) обобщение и оценка результатов исследований.
Примерный перечень работ на этапах НИР приведен в табл. 5.9.
Таблица 5.9
Этапы НИР и состав работ на них
|
Этапы НИР |
Состав работ |
|
Разработка ТЗ на НИР |
Научное прогнозирование. |
|
Выбор направления исследования |
Сбор и изучение научно-технической
информации. |
|
Теоретические и экспериментальные исследования |
Разработка рабочих гипотез, построение
моделей объекта исследований, обоснование допущений. |
|
Обобщение и оценка результатов исследований |
Обобщение результатов предыдущих
этапов работ. |
На стадии разработки технического задания на НИР используются следующие виды
информации [42]:
– объект исследования;
– описание требований к объекту исследования;
– перечень функций объекта исследования общетехнического характера;
– перечень физических и других эффектов, закономерностей и теорий, которые
могут быть основой принципа действия изделия;
– технические решения (в прогнозных исследованиях);
– сведения о научно-техническом потенциале исполнителя НИР;
– сведения о производственных ресурсах (применительно к объекту исследований);
– сведения о материальных ресурсах;
– маркетинговые сведения;
– данные об ожидаемом экономическом эффекте.
Дополнительно используется следующая информация:
– методы решения отдельных задач и обработки информации;
– общетехнические требования (стандарты, ограничения вредных влияний, требования
по надежности, ремонтопригодности, эргономике и так далее);
– проектируемые сроки обновления продукции;
– предложения лицензий и “ноу-хау” по объекту исследований.
На последующих этапах НИР в качестве базы в основном используется перечисленная
выше информация. Дополнительно учитываются:
– сведения о новых принципах действия, новых гипотезах, теориях, результатах
НИР;
– данные экономической оценки, моделирования основных процессов, оптимизации
многокритериальных задач, макетирования, типовых расчетов, ограничений;
– требования к информации, вводимой в информационные системы и т.д.
Результатом НИР является достижение научного, научно-технического, экономического и социального эффектов. Научный эффект характеризуется получением новых научных знаний и отражает прирост информации, предназначенной для “внутринаучного” потребления. Научно-технический эффект характеризует возможность использования результатов выполняемых исследований в других НИР и ОКР и обеспечивает получение информации, необходимой для создания новой продукции. Экономический эффект характеризует коммерческий эффект, полученный при использовании результатов прикладных НИР. Социальный эффект проявляется в улучшении условий труда, повышении экономических характеристик, развитии культуры, здравоохранения, науки, образования.
Научная деятельность носит многоаспектный характер, ее результаты, как правило, могут использоваться во многих сферах экономики в течение длительного времени.
Оценка научной и научно-технической результативности НИР производится с помощью системы взвешенных балльных оценок. Для фундаментальных НИР рассчитывается только коэффициент научной результативности (табл. 5.10), а для поисковых работ и коэффициент научно-технической результативности (табл. 5.11). Оценки коэффициентов могут быть установлены только на основе опыта и знаний научных работников, которые используются как эксперты. Оценка научно-технической результативности прикладных НИР производится на основе сопоставления достигнутых в результате выполнения НИР технических параметров с базовыми (которые можно было реализовать до выполнения НИР).
Таблица 5.10
Характеристики факторов и признаков научной результативности НИР
|
Фактор научной результативности |
Коэфф. значимости фактора |
Качество фактора |
Характеристика фактора |
Коэфф. достигнутого уровня |
|
Новизна полученных результатов |
0,5 |
Высокая |
Принципиально новые результаты, новая теория, открытие новой закономерности |
1,0 |
|
Средняя |
Некоторые общие закономерности, методы, способы, позволяющие создать принципиально новую продукцию |
0,7 |
||
|
Недостаточная |
Положительное решение на основе простых обобщений, анализа связей факторов, распространение известных принципов на новые объекты |
0,3 |
||
|
Тривиальная |
Описание отдельных факторов, распространение ранее полученных результатов, реферативные обзоры |
0,1 |
||
|
Глубина научной проработки |
0,35 |
Высокая |
Выполнение сложных теоретических расчетов, проверка на большом объеме экспериментальных данных |
1,0 |
|
Средняя |
Невысокая сложность расчетов, проверка на небольшом объеме экспериментальных данных |
0,6 |
||
|
Недостаточная |
Теоретические расчеты просты, эксперимент не проводился |
0,1 |
||
|
Степень вероятности успеха |
0,15 |
Большая |
1,0 |
|
|
Умеренная |
0,6 |
|||
|
Малая |
0,1 |
Таблица 5.11
Характеристики факторов и признаков научно-технической результативности НИР
|
Фактор научно-технической результативности |
Коэфф. значимости фактора |
Качество фактора |
Характеристика фактора |
Коэфф. достигнутого уровня |
|
Перспективность использования результатов |
0,5 |
Первостепенная |
Результаты могут найти применение во многих научных направлениях |
1,0 |
|
Важная |
Результаты будут использованы при разработке новых технических решений |
0,8 |
||
|
Полезная |
Результаты будут использованы при последующих НИР и разработках |
0,5 |
||
|
Масштаб реализации результатов |
0,3 |
Национальная экономика |
Время реализации: |
|
|
Отрасль |
Время реализации: |
|
||
|
Отдельные фирмы и предприятия |
Время реализации: |
|
||
|
Завершенность результатов |
0,2 |
Высокая |
Техническое задание на ОКР |
1 |
|
Средняя |
Рекомендации, развернутый анализ, предложения |
0,6 |
||
|
Недостаточная |
Обзор, информация |
0,4 |
В этом случае коэффициент научно-технической результативности определяется по формуле
,
где k – число оцениваемых параметров; 
– коэффициент влияния
i-го параметра на научно-техническую результативность; 
– коэффициент относительного
повышения i-го параметра по сравнению с базовым значением.
Для удобства выполнения расчетов данные сводятся в табл. 5.12.
Таблица 5.12
Оценка научно-технической результативности прикладных НИР
|
Параметр |
Единица измерения |
Коэфф. влияния |
Значения параметров |
|
|
|
|
|
достигнутые |
базовые |
||||
|
Сумма= |
||||||
В соответствии с постановкой задачи прикладной НИР ее обобщенные исходы могут
иметь следующий характер:
– отрицательные результаты (например, вывод – создать новый образец техники
не представляется возможным на основе исследованных научных направлений);
– промежуточные результаты (необходимо продолжить исследования);
– положительные результаты (на основе полученных в НИР результатов можно
приступить к выполнению ОКР, в этом случае в состав итогового отчета по НИР
включается проект технического задания на ОКР).
Методы исследований, применяемые в НИР, естественно должны быть согласованы
с поставленной задачей и спецификой предмета исследования. К сожалению, случается
работа с псевдонаучной формой и практическим отсутствием положительного выхода.
Многолетняя практика автора по организации НИОКР позволяет ему сделать следующие
выводы:
– наукообразность работы часто достигается постулированием неких математических
моделей и обработкой результатов их использования с помощью компьютерной техники;
– основной упор при этом делается не на исследования адекватности модели объективной
реальности, а на математическую строгость доказательств;
– ясно, что говорить о применимости результатов подобных исследований к
практике можно лишь с большой натяжкой;
– в ряде отраслей знания хорошим тоном считается широкое использование
математических методов (например, языкознание, экономика и другие), однако связи
полученных результатов использования таких методов с целями исследования уделяется
значительно меньше внимания (например, производится изощренная статистическая
обработка результатов исследования, но нет ответа на стандартный вопрос “Ну
и что?”) [68].
Типичная ситуация с использованием математических моделей в экономических исследованиях рассмотрена в [24].
Как утверждает Т.П. Данько [31], экономическая наука в XX веке стала размежовываться на теоретическую науку, которая как бы сохранила в своем составе традиционные методы и подходы, и поисковую (экспериментальную) науку, в которой новые знания о субъекте и предмете знания могли быть достигнуты лишь с применением специальной методологии и специальных опытных приемов. Каждый отдельный предприниматель может быть сегодня рассмотрен как ученый, исследователь, эмпирик в отслеживании конкретного экономического действия, а следовательно может быть приравнен к специалисту в другой науке. Напомним, что любой научный труд уникален и осуществляется весьма индивидуально. Причем эта уникальность выражается не только в новизне полученных результатов, но и выборе и оригинальности путей, способов и средств их получения. В [59] творческий процесс определяется как “движение к искомому результату в условиях отсутствия алгоритма поиска”.
Экономическая наука, таким образом, оказалась разделенной на две самостоятельно существующие ветви: экономическую практику (конкретную экономику) и экономическую теорию (политэкономия, экономикс). Каждая из этих двух ветвей развивалась в направлении, противоположном другой. Практическое действие становилось все более зависимым от отслеживания совокупности внешних условий [36], а теоретическая наука все более абстрагировалась от них. В результате Дж. Гэлбрейт смог утверждать: “Экономикс, оставаясь в узких рамках микро- и макроанализа, перестает быть наукой и превращается в консервативно используемую систему верований, претендующих называться наукой” [86].
В этой связи интересен генезис отношения к использованию экономико-математических моделей в экономических исследованиях и практике.
Если в экономической теории ввиду ее консервативной замкнутости и самодостаточности математические модели получили широкое распространение и сегодня являются общепризнанными “законными” методами исследований, то в экономической практике после периода определенной эйфории, вызванной бурным развитием компьютерной техники, наступило определенное охлаждение к их использованию и даже явное отторжение. Особенно показательна в этом отношении статья профессора Г. Шмалена (ФРГ) [70]. Он указывает, что “большинство экономистов-практиков ставят под сомнение” значимость математических моделей особенно для управления экономико-производственными системами (ЭПС). Это связано, по мнению Г. Шмалена, с тем, что классические модели принятия решений всегда являются оптимизационными с целью получения оптимальной практической рекомендации, и они вынуждены использовать упрощенное представление действительности, что часто приводит к тому, что эти рекомендации теряют практическую ценность. Модели принятия решений могут ограниченно отразить действительность не только из-за дефицита данных и несовершенства теорий (то есть моделей – Г.Я.Г), но прежде всего ввиду огромного разнообразия явлений и связей в реальной хозяйственной жизни. В этой связи Г.Шмален вспоминает об утверждении апологета экономической теории Э. Гутенберга о том, что научная ценность экономического исследования не зависит от практической значимости объекта исследования; главное, чтобы оно проводилось методически чисто и логически правильно [21]. Любопытно, что практически в это же время выдающийся американский статистик Кэнделл публикует иронический опус [43] с использованием размеров известной поэмы Лонгфелло “Песнь о Гайявате”. Его сюжет состоит в следующем. После того, как Гайявата достиг огромных успехов и славы у индейцев, в том числе и как выдающийся стрелок, он поступил в университет, изучил там статистику, а затем, участвуя в состязаниях по стрельбе из лука, “в цель ни разу не попал”. Поднятый на смех индейцами, он объяснил такие результаты следующим образом:
| .......... он добился Несмещенных результатов После многих независимых попыток, Даже если в их итоге В цель ни разу не попал – Все равно по средней точке Отклонений от мишени Можно сделать твердый вывод. Что стрелял он безупречно: Ведь в стрельбе всего важнее Не прямое попаданье, А научно безупречный Статистический подход. |
Сложность моделирования реальной ЭПС определяется целым рядом факторов:
– непрерывностью производимой продукции,
– нерегулярностью производства,
– внутренними факторами, дестабилизирующими производство,
– нарушениями регулярности снабжения,
– задержками и нерегулярностью финансовых потоков,
– изменениями рыночных условий,
– маркетинговыми особенностями продукции,
– внешними угрозами и благоприятными обстоятельствами,
– общими экономической, технологической и социальной обстановками и так
далее.
Большинство этих параметров носит вероятностный характер и, что самое главное, являются нестационарными. Планирование и управление по усредненным характеристикам не дает должного эффекта, так как пока оно ведется, изменяются и сама система, и ее окружающая среда. Все это усугубляется нестационарным характером вероятностных процессов. В результате применение формальных математических моделей затруднено из-за большой размерности ЭПС, недостаточной априорной информации, наличия плохо формализуемых факторов, нечеткости критериев оценки принимаемых решений и т.д.
Следует обратить внимание и на такие фундаментальные факторы. Экономическая система, как объект использования и приложения экономико-математических методов, непрерывно развивается в нестационарных условиях. Модели математического программирования не отражают в должной мере условия выполнения планов, не учитывают в полной мере прогнозируемые потери, вызванные необходимостью локализации помех во времени и по ансамблю подсистем. Эконометрические модели для таких условий практически не разработаны. Все это требует построения и использования адаптивного механизма управления ЭПС [58].
Сложность объекта управления организационного типа не позволяет использовать при построении алгоритмов адаптации подходы, разработанные для технических систем. В последних управление и динамические характеристики, как правило, имеют различные физические размерности, их взаимосвязь отражается формальным образом с помощью экспериментов или известных физических законов. Такое описание ЭПС во взаимосвязи с управлением практически нереализуемо, так как трудно доказать объективную функциональную связь между состоянием и управлением.
Формально адаптивная система управления ЭПС должна содержать:
– модель планирования (регулирования) ЭПС;
– имитационную модель функционирования ЭПС;
– внутренний (имитационный) адаптор;
– внешний (объектный) адаптор.
Внешний адаптор на основе анализа характеристик объекта и внешней среды выбирает модель планирования (регулирования) и имитационную модель, осуществляя тем самым структурную адаптацию системы управления. Затем по результатам прошлых периодов и прошлых возмущающих воздействий он подстраивает параметры модели планирования (регулирования) и имитационной модели (параметры объекта, среды и системы регулирования). В адаптивной системе планирования определяют план и потенциальный эффект. По имитационной модели осуществляется имитация реализаций плана и оцениваются потери, не дающие возможность получить нужный эффект. Такая имитация выполняется несколько раз для получения статистически значимых оценок. По результатам расчета плана и имитации его выполнения проводится оценка его приемлемости и вероятности выполнения (оценки риска). В случае отрицательного решения внутренний адаптор подстраивает параметры модели планирования (регулирования) и процесс повторяется.
Подробное описание алгоритмов адаптивного управления и их программной реализации дано в трудах В. А. Забродского и его сотрудников [58]. Автор книги принимал участие в семинарах по оценке практических результатов реализации таких алгоритмов управления на одном из предприятий г. Харькова.
Мы видим, что даже такая достаточно сложная система управления базируется на наших оценках параметров, среды и связей для реальной ЭПС.
Общая схема количественных исследований гипотетических объектов (возможные модели реальных объектов) представлена на рис. 41 [51].
Рис. 41. Структурная схема количественных экспериментальных исследований
Гипотетические объекты разрабатываются на основе имеющейся в распоряжении исследователя формализованной априорной информации о свойствах реальных объектов и тех гипотез, которые он считает необходимым принять. То и другое в совокупности составляет исходные данные для разработки моделей. Разделение исходных данных на формализованную априорную информацию и гипотезы имеет принципиальное значение. Действительно, в основе формализованной априорной информации лежит имеющийся опыт прежних исследований. Эти данные являются достоверными или почти достоверными. Гипотезы же основываются на догадках исследователя, аналогиях с другими областями науки, интуитивных предположениях, на эвристических суждениях; они не являются достоверными и подлежат экспериментальной проверке.
Перечень гипотетических объектов должен быть достаточно полным, с тем, чтобы
он охватывал все возможные модификации реального объекта и условия, в которых
этот объект может находиться. Случайный процесс 
задается бесконечной
совокупностью функций времени 
, 
, каждая из которых
относится к одному из гипотетических наблюдений процесса во времени и называется
реализацией случайного процесса. Свойства случайного процесса описываются распределениями
вероятностей или их параметрами (моментными функциями, семиинвариантами и др.),
характеризующими устойчивые и информативные закономерности, которым подчиняется
исследуемый процесс. Итак, мы считаем, что характеристики гипотетических объектов
отражаются в соответствующих им случайных процессах, причем свойства этих процессов
определяются формализованной априорной информацией и принятыми гипотезами.
Удобной (а возможно, единственной) формой учета априорной информации а и гипотез
h является вероятностная модель, под которой понимается всякое представление
случайного процесса, позволяющее вычислить или постулировать вероятностные характеристики,
существенные в решаемой задаче. При этом исследуемый случайный процесс 
записывается в следующем
виде:
(1)
где 
– оператор, характеризующий
тип модели, выбранной на основе априорной информации а и гипотез h;
– некоторые
элементарные случайные процессы, вероятностные свойства которых считаются известными.
Модели 
должны образовывать
множество М, достаточно полно описывающее свойства реальных объектов
исследования.
Пусть 
– вероятностная
характеристика случайного процесса 
, соответствующая
его модели m; 
– совокупность независимых
переменных, являющихся аргументами рассматриваемой характеристики (n
определяет ее размерность). Очевидно, характеристика 
условна с точки
зрения ее зависимости от конкретного типа модели m. Пусть далее 
– вероятностные характеристики
элементарных случайных процессов 
– совокупность соответствующих
независимых переменных.
По определению, вероятностная модель m должна позволить установить связь
между исходными (известными) вероятностными характеристиками 
и характеристикой
. Иными словами,
задать вероятностную модель означает определить уравнение
(2)
вытекающее из представления (1), причем оператор 
должен однозначно
определяться оператором m, то есть моделью исследуемого случайного процесса.
В распоряжение исследователя поступает, таким образом, набор характеристик
, каждая из которых
определяется одной из моделей m. Под исследователем понимается не обязательно
какое-либо определенное лицо (например, так называемый экспериментатор). Это
может быть группа лиц – научный коллектив в сочетании с соответствующими техническими
средствами, которые планируют экспериментальные исследования, проводят их и
интерпретируют результаты.
Отметим различия случайного 
и выборочного 
процессов, а также
реализаций 
и процесса 
и реализаций 
процесса 
.
С одной стороны, поскольку 
и 
относятся к вероятностной
модели, их свойства, то есть вероятностные характеристики, являются известными,
по крайней мере, в условном варианте их определения (то есть при условии принятия
некоторой модели m). В то же время свойства выборочных реализаций 
и выборочного процесса
априори (до эксперимента)
не известны, так как в противном случае проводить эксперимент не было бы необходимости.
С другой стороны, апостериори (после эксперимента) все значения 
и соответственно
оказываются известными,
так как эти функции могут быть с необходимой точностью зарегистрированы, введены
в память компьютера и т.д. Иными словами, никаких элементов случайности в выборочных
реализациях и процессов апостериори нет.
Отмеченные особенности случайных 
и выборочных 
процессов связаны
с тем, что 
всегда является
вероятностной моделью, некоторым идеализированным образом, результатом введения
гипотетического объекта исследования, в то время как 
– результат физического
эксперимента над реальным объектом исследования либо математического эксперимента
с моделью этого объекта.
Согласно рассматриваемой структурной схеме экспериментальных исследований (см.
рис. 41), выборочный процесс 
поступает на статистическую
измерительную систему, на выходе которой формируется статистическая оценка 
интересующей нас
вероятностной характеристики 
, где 
– параметры статистической
измерительной системы, с помощью которой осуществляются экспериментальные исследования.
Следует особо остановиться на том, какой смысл имеет статистическая обработка
выборочного процесса 
, представляющего
собой экспериментальный аналог случайного процесса 
, если после проведения
эксперимента его значения известны и не являются случайными. Ответ на этот вопрос
связан с характером разработанных моделей объектов исследования. Коль скоро
модель объекта исследования является вероятностной и 
и мы рассматриваем
как случайный процесс, выборочный процесс 
следует считать
экспериментальным аналогом 
. А это в свою очередь
означает, что результатом эксперимента и должна быть статистическая оценка 
вероятностной характеристики
, так как способы
описания 
и 
естественно считать
одинаковыми.
Итак, исследователь имеет в своем распоряжении набор расчетных (или постулированных)
вероятностных характеристик 
и статистические
оценки 
этих характеристик,
полученные в результате проведения экспериментальных исследований. Целью экспериментальных
исследований в конечном счете является сравнение 
с 
и установление такой
вероятностной модели исследуемого случайного процесса, которая наиболее близка
к наблюдаемой на практике. Разумеется, параметры статистической измерительной
системы должны быть оптимизированы.
При количественных экспериментальных исследованиях необходимо определить числовое
соответствие между вероятностной характеристикой 
и статистической
оценкой 
этой характеристики.
Без определения такого соответствия, по сути дела, не может быть получен и интерпретирован
количественный результат эксперимента.
Введем функционал 
различия рассматриваемых
характеристик
,
(3)
причем 
– оператор, задающий
форму, в которой это различие определяется.
Таким образом, 
есть число, определяющее
в некотором смысле расстояние между функциями 
и 
в пространстве их
аргументов 
.
Разумеется здесь намечены лишь общие подходы к оценке количественных экспериментальных данных гипотетического объекта. Проблема установления пригодности имитационной модели, сводящаяся к количественной оценке меры адекватности принятой математической модели реальным исследуемым объектам, в общем виде является весьма сложной: решение этой проблемы связано с математическими, экономическими, экспертными, техническими и даже философскими вопросами. В самом деле, как можно решать вопрос о количественной мере отличия математической модели объекта и самого реального объекта, если истинное (полное) описание такого объекта исследователю никогда не известно? Далее: можно ли рассчитывать на адекватность обобщенной комплексной модели сложной системы, если известны меры адекватности отдельных частных моделей?
Ясно, что на подобные вопросы не так-то просто ответить ни с общих, ни с практических (прикладных) позиций, тем более, что речь идет здесь не о качественном обсуждении вопросов (пусть даже со стороны весьма компетентных экспертов), а о корректной оценке принятых решений в количественной форме с известной точностью. Очевидно, таким образом, что эта проблема сложна. Но указание на сложность решения сформулированной проблемы является, конечно, слабым утешением для исследователей, занимающихся имитационными машинными экспериментами.
Действительно, если количественная мера адекватности модели не установлена, то вся идея проведения имитационных компьютерных экспериментов не выдерживает элементарной критики. Многие специалисты в области имитационного моделирования сложных систем считают, что в первую очередь надо определить, правильно ли модель описывает поведение системы. Пока этот вопрос не решен, ценность модели остается незначительной, а имитационный компьютерный эксперимент превращается в простое упражнение в области дедуктивной логики. Более того, совершенно естественно такие специалисты считают, что экспериментирование на компьютере с неадекватной моделью принесет мало пользы, так как мы попросту будем имитировать собственное невежество.
Итак, что же можно сказать по поводу возможностей оценки адекватности принятой модели и реального объекта исследования?
Исходя из общих концепций диалектической теории познания, отметим, что при оценке адекватности модели следует исходить из того, что модель должна обладать главным свойством – позволять предсказывать (прогнозировать) реальные факты. Здесь, конечно, возможны два варианта прогноза, а именно – предсказание экспериментальных фактов, полученных ранее (ретроспективное предсказание), и предсказание будущих фактов (перспективное предсказание).
Принципиальная сложность получения исходных данных для адаптивного управления реальными ЭПС требует поиска подходов к упрощению экономико-математических моделей без естественно потери самого смысла управления. Нельзя, конечно, серьезно относиться к рекомендациям такого рода: “Надо оптимизировать информационные потоки в системе, что само позволит структурировать и оптимизировать систему управления”. Это напоминает известную репризу старой цирковой клоунады о поиске потерянных денег не там, где они потеряны, а там где светло.
Реальным подходом к решению поставленной задачи может являться отказ от поиска и реализации предельно оптимальной модели управления и переход к использованию приближенных решений задач. В этом случае ищутся варианты управления, находящиеся вблизи абсолютного оптимума, а не точно сам оптимум. Можно считать, что в любой задаче существует некоторый порог сложности, переступить который можно только ценою отказа от требований точности решения. Если учесть стоимость компьютерной реализации решения, например, многоэкстремальных задач, то точные их методы решения могут оказаться невыгодными по сравнению с более простыми приближенными методами. Эффект, полученный от доуточнения решения, не окупит дополнительных затрат на его отыскание. Следует отметить, что сама многопараметричность задачи “сглаживает” оптимум решения и облегчает решение задачи попадания системы управления в область, близкую к оптимуму. Причем это становится все более явным с увеличением числа параметров системы и их вероятностного характера. Еще в 60-е годы литовские ученые обратили внимание на то, что закон распределения целевой функции при проектировании системы с большим числом аргументов имеет свойство сходиться к нормальному, если целевая функция (или ее монотонное преобразование) выражается суммой членов, каждый из которых зависит от ограниченного числа переменных. Такое условие выполняется в большинстве реальных случаев управления ЭПС [50]. Это открывает путь к использованию таких методов оптимизации в управлении ЭПС, которые минимизируют сумму ожидаемого риска, связанного с отклонением в управлении от оптимума, и средних потерь на поиск этого решения (затрат на проектирование системы управления).
Само наличие многих факторов, определяющих управление в реальной ЭПС, их вероятностный характер, нестационарность, определенная условность используемых экономико-математических моделей делает реальное управление лишь приближенно оптимальным, что и ведет к необходимости приближенной оптимизации на основе использования принципа “горизонтальной неопределенности” Р.Айзекса [3]. Смысл хваленой японской системы оперативно-производственного планирования “Канбан” состоит, собственно говоря, в отказе от планирования (поиска "точного оптимума") и замене его давно известной схемой “пополнения запасов на складе” (приближенное решение). Известна и экономическая цена такого решения – средняя норма материальных запасов. Разумен в этом случае и отказ от точного решения: бессмысленны затраты на его поиск, регулирование и корректировку при вероятностном нестационарном характере большинства факторов, воздействующих на систему.
И, наконец, конечно прав Г. Шмален [70], когда указывает, что математическое моделирование усиливает интеллект, а не заменяет его. Оно ни в коем случае не отнимает инициативы у лиц, ответственных за решения. Одним словом, как эпически рассказано в [43]:
|
Индейцы, не поверившие цифрам, |
| Предыдущая |