|
эффективности управления объектами при различных предположениях о законах распределения параметров, описывающих стохастический характер их поведения. Соответствующие законы распределения выбираются, как правило, на основе использования принципа максимальной энтропии [53]. Неопределенность II типа снимается заданием интервальных оценок, субъективных вероятностей, восстановлением отсутствующих данных, проведением прогнозных расчетов, результатами натурных экспериментов, моделированием, проведением экспертиз. При проведении соответствующих расчетов используются различные методы агрегирования многомерных данных с использованием разных видов средних величин. На этих средних могут быть построены агрегаты, обладающие энтропийными свойствами и, с этой точки зрения, они могут служить мерой неопределенности [10]. Следовательно, для снятия неопределенности II типа целесообразно использовать (выбирать) такие данные, которые минимизируют значение этой меры. Значительные трудности прогнозирования значений характеристик объектов управления связаны с уникальностью объектов, которая выражается в виде ограниченного их числа, а также длительного интервала жизненного цикла их состояния в динамике. Существующие подходы регрессионного анализа ориентированы на обработку сравнительно больших (нескольких десятков) выборок. В противном случае имеет место зависимость результатов от объема выборки [6]. В связи с этим актуальным является методический подход к построению уравнений регрессии, заключающийся в построении устойчивых агрегатов, максимально учитывающих корреляционные связи между характеристиками объекта. Зачастую методы обоснования облика объектов управления на перспективу ориентированы на прогнозирование некоторых основных характеристик количественного типа, без учета их взаимосвязи с другими характеристиками (по мнению аналитиков незначимых). В то же время, при стратегическом управлении, в рамках которого осуществляется долгосрочное ( 31 |
записывается в виде/(Х*) = Е (у/ Х = Х*). В большинстве случаев используется классическая линейная модель множественной регрессии, которая представляет собой наиболее простой вариант конкретизации требований к общему виду построения функции /(Л), природе объясняющих переменных (характеристик системы) X и статистических регрессионных остатков в общих уравнениях регрессионной связи у(Х) = /(Х)+е(Х), Ее{Х)в о [7]. 1.4. Проблемные вопросы обработки и анализа многомерных данных в задачах НАД Задачи обработки и анализа многомерных данных при решении задач управления сложными объектами (процессами) в страховом деле, социальноэкономической и образовательной областях принципиально решаются в условиях неопределенности значительного объема исходных данных. При этом необходимо различать неопределенность в данных, связанную с неполнотой характеристик об условиях жизнедеятельности, определяющих поведение объектов управления (неопределенность I типа), а также неопределенность в реализации мер управляющего воздействия на эти объекты, и условий их существования в перспективе (неопределенность II типа). Неопределенность I типа снимается проведением исследований (социологических, специальных, направленных на выявление параметров поведения объектов и прогнозирование их развития) на различных (типовых) сценариях и выбором варианта, соответствующего наибольшей эффективности управления объектами при различных предположениях о законах распределения параметров, описывающих стохастический характер их поведения. Соответствующие законы распределения выбираются, как правило, на основе использования принципа максимальной энтропии [53]. Неопределенность II типа снимается заданием интервальных оценок, субъективных вероятностей, восстановлением отсутствующих данных, проведением прогнозных расчетов, результатами натурных экспериментов, моделированием, проведением экспертиз. При проведении соответствующих 28 расчетов используются различные методы агрегирования многомерных данных с использованием разных видов средних величин. На этих средних могут быть построены агрегаты, обладающие энтропийными свойствами и, с этой точки зрения, они могут служить мерой неопределенности [10]. Следовательно, для снятия неопределенности II типа целесообразно использовать (выбирать) такие данные, которые минимизируют значение этой меры. 1.4.1. Прогнозирование характеристик объектов Значительные трудности прогнозирования значений характеристик объектов управления связаны с уникальностью объектов, которая выражается в виде ограниченного их числа, а также длительного интервала жизненного цикла их состояния в динамике. Существующие подходы регрессионного анализа ориентированы на обработку сравнительно больших (нескольких десятков) выборок. В противном случае имеет место зависимость результатов от объема выборки [6]. В связи с этим актуальным является методический подход к построению уравнений регрессии, заключающийся в построении устойчивых агрегатов, максимально учитывающих корреляционные связи между характеристиками объекта. Зачастую методы обоснования облика объектов управления на перспективу ориентированы на прогнозирование некоторых основных характеристик количественного типа, без учета их взаимосвязи с другими характеристиками (по мнению аналитиков незначимых). В то же время, при стратегическом управлении, в рамках которого осуществляется долгосрочное планирование, неучет «незначимых» на текущий момент характеристик, может привести в перспективе к серьезным проблемам. Поэтому в таких случаях необходимо включение качественных характеристик, которые, к сожалению, не поддаются прогнозированию существующими методами. Очевидно, что характеристики объектов на перспективу целесообразно определять на основе прогнозирования их обобщённых характеристик (ОХ) по имеющимся на момент исследований данным, что позволяет естественным 29 |