Прогнозирование и принятие решений по выбору агротехнологий в зерновом производстве с применением методов искусственного интеллекта (на примере СК-анализа) [Ксения Николаевна Горпинченко] (doc) читать онлайн

МИНИСТЕРСТВО СЕЛЬСКОГО ХОЗЯЙСТВА РОССИЙСКОЙ ФЕДЕРАЦИИ

ФГБОУ ВПО «КУБАНСКИЙ ГОСУДАРСТВЕННЫЙ АГРАРНЫЙ УНИВЕРСИТЕТ»








К.Н. ГОРПИНЧЕНКО, Е.В. ЛУЦЕНКО





ПРОГНОЗИРОВАНИЕ И ПРИНЯТИЕ РЕШЕНИЙ ПО ВЫБОРУ АГРОТЕХНОЛОГИЙ В ЗЕРНОВОМ ПРОИЗВОДСТВЕ С ПРИМЕНЕНИЕМ МЕТОДОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА
(на примере СК-анализа)








КРАСНОДАР 2013

УДК 005.521:633.1]:004.8
ББК 65.9(2) 325.1
РЕЦЕНЗЕНТЫ:
Е. В. Попова
доктор экономических наук, профессор
заведующий кафедрой информационных технологий
(Кубанский государственный аграрный университет)
М. М. Левкевич
доктор экономических наук, профессор
(Сибирская академия финансов и банковского дела)

Горпинченко К.Н., Луценко Е.В.
Г 67 Прогнозирование и принятие решений по выбору агротехнологий в зерновом производстве с применением методов искусственного интеллекта (на примере СК-анализа). Монография (научное издание). – Краснодар, КубГАУ. 2013. – 168 с.

ISBN 978-5-94672-644-3

В монографии создана и исследована интеллектуальная модель, характеризующая влияние на хозяйственные, энергетические и финансово-экономические результаты в зерновом производстве всех видов факторов: природных, агротехнологических, энергетических и финансово-экономических. Решена проблема научно-обоснованного, эффективного прогнозирования результатов и принятия управленческих решений по выбору агротехнологий, обеспечивающих желаемый результат.
Книга рассчитана для слушателей дополнительного агрономического образования, преподавателей и научных сотрудников, интересующихся интеллектуальными информационными технологиями, специалистов и руководителей агрономической службы, а также для студентов очной и (заочной) форм обучения соответствующих специальностей.
Сп. лит. 71 наим., рис. 23, табл. 11.
ISBN 978-5-94672-644-3

© К.Н. Горпинченко, Е.В. Луценко, 2013
© ФГБОУ ВПО «Кубанский государственный аграрный университет», 2013
СОДЕРЖАНИЕ
ВВЕДЕНИЕ 5
ГЛАВА 1 ТЕОРЕТИЧЕСКИЕ ОСНОВЫ ИННОВАЦИЙ В ЗЕРНОВОМ ПРОИЗВОДСТВЕ 9
1.1 Экономическое содержание инновационной проблематики в растениеводстве 9
1.2 Факторы инновационного развития производства зерна 25
1.3 Агротехнологии как главный фактор развития зернового хозяйства 33
ГЛАВА 2 ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ 42
2.1 Введение в интеллектуальные системы 42
2.2 Основные предпосылки СК-анализа 49
ГЛАВА 3 ТЕОРЕТИЧЕСКОЕ И МЕТОДОЛОГИЧЕСКОЕ ОПИСАНИЕ СК-АНАЛИЗА 54
3.1 Теоретическое описание СК-анализа 54
3.2 Методика численных расчетов СК-анализа 67
3.3 Методика применения СК-анализа и программный инструментарий системы «Эйдос – Х++» 90
ГЛАВА 4 СИНТЕЗ СИСТЕМНО-КОГНИТИВНОЙ МОДЕЛИ ПРИРОДНО-ЭКОНОМИЧЕСКОЙ СИСТЕМЫ И ЕЕ ИСПОЛЬЗОВАНИЕ ДЛЯ ПРОГНОЗИРОВАНИЯ И УПРАВЛЕНИЯ В ЗЕРНОВОМ ПРОИЗВОДСТВЕ 96
4.1 Преобразование эмпирических данных в информацию 96
4.2 Прогнозирование и поддержка принятия решений 101
4.3 Исследование объекта моделирования путем исследования его модели 108
ЗАКЛЮЧЕНИЕ 130
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 132
ПРИЛОЖЕНИЯ 142
Приложение 1. Таблица – Общая структура универсальной когнитивной аналитической системы «Эйдос-Х++» (текущей версии) 142
Приложение 2. Таблица – Кодирование классификационных шкал 152
Приложение 3. Таблица – Кодирование классов (градаций классификационных шкал, результатов прогнозирования) 153
Приложение 4. Таблица – Кодировка описательных шкал (факторов) 154
Приложение 5. Таблица – Кодировка градаций описательных шкал (значений факторов) 155
Приложение 6. Таблица – Измерение адекватности семантической информационной модели (INF3) 164
Приложение 7. Когнитивные диаграммы классов 168
Приложение 8. Когнитивные функции влияния факторов на классы 172


ВВЕДЕНИЕ

В России традиционно решение продовольственной проблемы зависит от уровня развития зернового хозяйства, которое определяет состояние аграрной сферы экономики, социально-политическую и экономическую стабильность в стране, ее продовольственную безопасность.
Переход зернового производства России на инновационный путь развития является одним из важнейших приоритетов, зафиксированных в стратегии инновационного развития агропромышленного комплекса Российской Федерации на период до 2020 года.
Цель Стратегии – повышение темпов роста производства, экономической эффективности и конкурентоспособности российских товаропроизводителей, позволяющие обеспечить продовольственную безопасность страны.
В растениеводстве инновации представляют собой реализацию в хозяйственную практику результатов исследований и разработок в виде новых сортов, новых или улучшенных продуктов питания, материалов, новых технологий в производстве и перерабатывающей промышленности, новых удобрений и средств защиты, новой техники, новых форм организации и управления различными сферами экономики, позволяющих повысить экономическую, экологическую и социальную эффективность производства.
Существовавшие при плановой экономике приемы хозяйствования, в настоящее время требуют пересмотра. Разработка новых подходов к управлению с учетом складывающихся критериев эффективности и качества рыночной экономики является одним из приоритетов современной науки и практики.
Управление в зерновом хозяйстве инновациями представляет собой комплексную проблему, заключающеюся в рациональном выборе целей производства для конкретного предприятия, оценке их достижимости и выборе путей их достижения.
Важным элементом в управлении является предвидение возможного исхода событий. Предвидение (прогнозирование) событий позволяет определить различного рода последствия, подготовиться или предотвратить отрицательные, реализовать положительные.
Разработка научных методов управления и прогнозирования в зерновом производстве имеет ряд сложностей:
– специфика объекта управления – сложность, нелинейность, слабодетерминированность, многофакторность;
– ограниченность в полной, достоверной, незашумленной исходной информации, а также недоступность электронных баз данных, необходимых для принятия управленческих решений;
– длительность цикла управления;
– недостаточная исследованность характера реагирования объекта управления на управляющие факторы и отсутствие математических методов построения моделей сложных нелинейных слабодетерминированных многофакторных объектов управления и прогнозирования.
Исходя из вышеназванных сложностей, возникает проблема, решение которой отражено в работе, заключающаяся в научно-обоснованном, эффективном прогнозировании результатов и принятии управленческих решений по выбору агротехнологий, обеспечивающих желаемый результат.
Объектом исследования является природно-экономическая система выращивания зерна озимой пшеницы Краснодарского края.
Природно-экономическая система выращивания зерна озимой пшеницы является сложным и многопараметрическим (огромное число различных разнородных факторов), слабодетерминированным (не один из существующих факторов не является определяющим), нелинейным (результат совместного влияния факторов не является суммой влияния этих факторов) объектом управления и прогнозирования, информация о котором фрагментирована и зашумлена.
Предмет исследования – прогнозирование и принятие управленческих решений по выбору агротехнологий производства зерна озимой пшеницы.
Целью работы является разработка системно-когнитивной модели и методики ее применения для прогнозирования и поддержки принятия управленческих решений по выбору агротехнологий, обеспечивающих с высокой вероятностью желаемый хозяйственный, и финансово-экономический результат.
Исходя из цели исследования, нами были поставлены следующие задачи:
1) раскрыть теоретические основы инноваций в зерновом производстве;
2) сформулировать требования к решению проблемы;
3) раскрыть основное содержание интеллектуальных систем;
4) выбрать наиболее подходящий метод решения проблемы;
5) раскрыть суть и методику выбранного метода решения проблемы;
6) описать результаты применения методики;
7) определить ограничения и перспективы развития метода и методики.
Согласно описанию объекта исследования, разработанная модель должна удовлетворять следующим требованиям:
– отражать большое число свойств;
– обеспечивать выявление силы и направления большого числа факторов различной природы на большое количество результативных параметров;
– учитывать влияние факторов как сильно влияющих, так и слабо влияющих на объект управления и прогнозирования;
– учитывать взаимодействие совместно действующих факторов;
– работать в условиях отсутствия в исходных данных ряда сочетаний значений входных и выходных параметров, в том числе на малых выборках;
– корректно обрабатывать фрагментированную (неполную) и отчасти недостоверную информацию;
– иметь программный инструментарий, обеспечивающий применение на практике применение и адаптацию методики.


ГЛАВА 1 ТЕОРЕТИЧЕСКИЕ ОСНОВЫ ИННОВАЦИЙ
В ЗЕРНОВОМ ПРОИЗВОДСТВЕ

1.1 Экономическое содержание инновационной
проблематики в растениеводстве

На рубеже XX-XXI веков мировая экономика претерпевает значительные изменения: глобализация рынков, усиление и ожесточение конкуренции, сокращение жизненных циклов товаров, быстрое устаревание технологий и идей, изменение форм и методов ведения бизнеса, постоянно увеличивающаяся скорость перемен, растущий акцент на гибкость и инновационность деятельности хозяйствующих субъектов.
В последние десятилетия происходит активное формирование и развитие пятого технологического уклада, ядро которого составляют биотехнология, генная инженерия, информационные и коммуникационные технологии, тонкая химия, нанотехнологии, новые материалы, альтернативная энергетика и др. Вместе с тем серьезным изменениям подвергся и процесс коммерциализации технологий – инновационный процесс.
Для эффективного управления инновациями, правильного выбора способов и средств управляющего воздействия необходимо тщательное и более детальное изучение инноваций. Анализ отечественной литературы позволил выделить более 25 понятий и определений термина «инновация». Достоверно лишь, что в русском языке он не имеет аналога и того смысла, что вкладывается в этот термин за рубежом.
С конца 20-х годов прошлого столетия проводятся исследования по теории инноваций и инновационной деятельности. Сущность инновационных процессов раскрыта в работе австрийского экономиста Й. Шумпетера «Тео­рия экономического развития» [71]. Понятие «инновация» рассматривает­ся им как нововведение, т.е. новая научно-организационная комбинация про­изводственных факторов с выделением пяти типичных признаков: 1) исполь­зование новой техники, новых технологических процессов или нового ры­ночного обеспечения производства (купли-продажи); 2) внедрение продук­ции с новыми свойствами; 3) использование нового сырья; 4) изменения в организации производства и его материально-техническом обеспечении; 5) появление новых рынков сбыта.
Последующие разработки по теории инноваций были направлены на уточнение сущности нововведений и их классификацию. Так, по определе­нию Ф. Бездудного, Г. Смирновой, и О. Нечаева «Инновация - это процесс реализации новой идеи в любой сфере жизни и деятельности человека, спо­собствующей удовлетворению существующей потребности на рынке и при­носящей экономический эффект» [3].
В мировой экономической литературе «инновация» интерпретируется как превращение потенциального научно-технического прогресса в реальный, воплощающийся в новых продуктах и технологиях [25].
В исследованиях отечественных экономистов термин «инновация» стал широко применяться с переходом экономики к рыночным отношениям. До этого в отечественной экономической литературе проблематика нововведений широко освещалась в рамках исследований научно-технического прогресса (НТП), развития науки и техники.
Изучая теорию инноваций, можно выделить четыре основных точки зрения определений данного термина. Первая – инновация отождествляется с нововведением, новшеством. Так, по мнению Л. Я. Аврашкова, «инновация» выступает синонимом нововведения или новшества, и может использоваться наряду с ними [1].
Согласно второй точки зрения, инновация рассматривается как процесс создания новой продукции, технологии, как новшество в сфере организации, экономики и управления производством. С точки зрения А. Л. Суворовой, инновация – использование результатов научных исследований и разработок, направленных на совершенствование процесса деятельности производства, экономических, правовых и социальных отношений в области науки, культуры, образования и других сферах деятельности [65].
Третья – под инновацией понимается инвестиция в новшество [6, с. 7]. Рассматривать инновации только как материальный результат, полученный от вложения капитала в новую технику или технологию, в новые формы организации производства труда не совсем точно, так как инновация – это, прежде всего, процесс внедрения новшества.
Четвертая – инновация как процесс внедрения в производство новых изделий, элементов, подходов, качественно отличных от предшествующего аналога.
По нашему мнению неправомерно отождествлять понятия «новшество» и «инновация». В этой связи мы разделяем точку зрения Р.А. Фатхутдинова, который рассматривает новшество как оформленный результат фундаментальных, прикладных исследований, разработок или экспериментальных работ в какой-либо сфере деятельности по повышению эффективности. Новшества могут оформляться в виде: открытий; изобретений; патентов; товарных знаков; рационализаторских предложений; документации на новый или усовершенствованный продукт, технологию, управленческий или производственный процесс; организационной, производственной или другой структуры; ноу-хау; понятий; научных подходов или принципов; документа (стандарта, рекомендаций, методики, инструкции и т.п.); результатов маркетинговых исследований и т.д. [69].
Таким образом, новшество - результат научных исследований и разработок в виде новой или обновленной продукции, техники, технологии, информации, методики, предлагаемой потребителям для дальнейшего использования и преобразования. В свою очередь, инновация представляет собой процесс внедрения новшества в области техники, технологии, организации труда, управления, основанный на достижениях науки и передового опыта, обеспечивающий качественный рост эффективности процессов или продукции, востребованными рынком.
Инновация должна обладать следующими свойствами: новизной, применимостью в любой сфере деятельности человека, реализована на рынке, приносить различные виды эффекта.
Что касается аграрного производства, интерес к проблеме инноваций вызван в первую очередь структурными изменениями в системе производственных отноше­ний. Становление и развитие частной собственности обусловило необходи­мость научного обоснования затрат на различные виды и формы инвестиций. Рынок и частнохозяйственные методы управления производством постоянно выдвигают новые требования к формам его организации и к использованию ресурсов. В этой связи инновационный процесс рассматривается не только как разработка идеи (замысла), но и ее воплощение, в результате чего инновация превращается в конечный продукт (услугу) или технологию для последующего практического использования.
В растениеводстве инновации представляют собой реализацию в хозяйственную практику результатов исследований и разработок в виде новых сортов, новых или улучшенных продуктов питания, материалов, новых технологий в производстве и перерабатывающей промышленности, новых удобрений и средств защиты, новой техники, новых форм организации и управления различными сферами экономики, позволяющих повысить экономическую, экологическую и социальную эффективность производства.
Важным этапом анализа инноваций является классификация, то есть распределение инноваций по группам в соответствии с определенным классификационным признаком и систематизация.
Существует множество вариантов классификаций. В научной литературе инновации принято классифицировать по ряду признаков. Д. М. Степаненко считает целесообразным закрепить следующую последовательность критериев классификации прогрессивных нововведений и соответствующие им виды инноваций: по уровню новизны, подразделяя их на базисные, улучшающие и рационализирующие; по масштабу новизны инновации; частоте применения инновации; сфере народного хозяйства; области применения инновации; форме инновации; от вида эффекта [64].
По характеру инновации делят на продуктовые и процессные. Продуктовые инновации охватывают внедрение новых или усовершенствованных продуктов. Они включают применение новых материалов, новых полуфабрикатов и комплектующих, получение новых продуктов. Процессные инновации делятся на технологические – новые технологии производства продукции; организационно-управленческие – новые методы организации производства, транспорта, сбыта и снабжения, новые организационные структуры управления и социальные – улучшение условий труда, отдыха, удовлетворение потребностей человека в услугах здравоохранения, образования, культуры.
В некоторых работах приведена следующая классификация инноваций.
1. По распространенности: единичные; диффузные.
2. По месту в производственном цикле: сырьевые; обеспечивающие (связывающие); продуктовые.
3. По преемственности: замещающие; отменяющие; возвратные; открывающие; ретровведения.
4. По охвату ожидаемой доли рынка: локальные; системные; стратегические.
5. По инновационному потенциалу и степени новизны: радикальные; комбинаторные; совершенствующие.
Достаточно полную классификацию предложил P. A. Фатхутдинов [69], в которой автор выделяет инновации в зависимости от: уровня новизны инноваций; стадии жизненного цикла товара, на которой внедряется инновация или разрабатывается новшество; масштаба новизны инновации; отрасли народного хозяйства; сферы применения; частоты применения инновации; формы новшества; вида эффекта, полученного в результате внедрений инновации; подсистемы инновационного менеджмента, в которой внедряется инновация.
Применительно к растениеводству существующие и разработанные автором классификационные признаки и виды инноваций представлены в таблице 1. Так, в зависимости от степени новизны Р. А. Фатхудинов предлагал подразделять инновации на радикальные и ординарные. По нашему мнению, кроме радикальных следует выделить: модернизированные, т.е. усовершенствованные и значительно высвобождающие ресурсы; фантомнонаучные – совершенствование уже отживших инноваций.
В зависимости от стадии жизненного цикла новшества можно подразделить на инновации: научно-исследовательских работ; опытно-конструкторских работ; подготовки производства; производства; выхода на рынок.

Таблица 1 – Признак классификации и виды инноваций
в растениеводстве
Признак
классификации
Виды инноваций
Степень новизны инноваций*
Радикальные (долго использующиеся в мировой практике)
Модернизированные (усовершенствованные, значительно высвобождающие ресурсы)
Фантомнонаучный (совершенствование отживших)
Стадия жизненного цикла *
Научно-исследовательских работ
Опытно-конструкторских работ
Подготовка производства
Производство
Выход на рынок
Масштаб распространения
Инновации, новые в мировом масштабе
Новые в стране
Новые в отрасли
Новые для сельхозорганизации
Сфера внедрения инновация*
Внедренные в сфере науки
Внедренные в сфере образования
Внедренные в управление
Внедренные в материальном производстве
Внедренные в процессе переработки и хранения
Продолжение таблицы 1
Признак
классификации
Виды инноваций
Область применения**
На федеральном уровне
На региональном уровне
Природно-экономическая зона
Сфера применения инновации
Предназначенные для внутреннего применения
Предназначенные для накопления в хозяйствующем субъекте
Предназначенные для продажи
Форма новшества - основы инновации
Открытия, изобретения, патенты
Рационализаторские предложения
Ноу-хау
Новые документы, описывающие технологические, производственные, управленческие процессы, конструкции, структуры, методы
Участник технологического процесса**
Оказывающие воздействие на человека
Оказывающие воздействие на растение
Оказывающие воздействие на технику
Тип инноваций
Селекционно-генетические
Технико-технологические
Организационно-управленческие и
Экономические
Социально-экологические
Источник инвестирования**
Инновации, инвестирующие государством
Инновации, инвестирующие частным лицом
Вид эффекта, полученного в результате внедрения инновации
Научно-технический
Социальный
Экологический
Экономический
Интегральный
*- Дополненная автором, ** - предложенная автором.

Разделение инноваций с учетом сферы, где они внедряются, целесообразно выделить инновации, внедренные в процессе переработки и хранения сельскохозяйственной продукции.
Учитывая специфику отрасли растениеводства (влияния природно-климатического фактора), следует классифицировать инновации в зависимости от области применения. Так, можно выделить: инновации, используемые на федеральном уровне, т.е те, которые применимы повсеместно; инновации, применяемые на региональном уровне – это инновации, разделенные по территориальным признакам и свойственны экономическому развитию конкретных регионов, например, новая технология производства для Краснодарского края; инновации характерны только для определенной природно-экономической зоны (например, новая система минеральных удобрений, новый районированный сорт).
Так как в технологическом процессе производства продукции растениеводство взаимодействуют человек, техника и растение, то следует выделять инновации: оказывающие воздействие на человека; влияющие на технику; оказывающие воздействие на растение.
Согласно тому, что при создании определенной инновации требуются финансовые вложения необходимо разделять: инновации, инвестирующие государством, направленные на фундаментальные исследования (бюджетные средства); инвестирующие частным лицом прикладные разработки, маркетинг, производство, сбыт (внебюджетные фонды, собственные средства, иностранные источники).
Понятия, характеризующие инновационную сферу деятельности, ана­логичны во многих отраслях народного хозяйства. Применительно к аграр­ному производству данная терминология была детализирована и уточнена в Концепции развития инновационной деятельности в агропромышленном комплексе (АПК) России, разрабо­танной учеными ВНИИЭСХ [58].
В Концепции подчеркивается, что инновационная политика в сельском хозяйстве - это составная часть аграрной политики государства, направлен­ная на развитие инновационной деятельности в агропромышленном произ­водстве, которая формируется и реализуется в отрасли в целях обеспечения его инновационного развития. Для реализации инновационной политики в сельском хозяйстве должен формироваться инновационный потенциал, ко­торый включает совокупность различных видов ресурсов: материальных, финансовых, интеллектуальных, научно-технических и других, необходимых для осуществления инновационной деятельности в агропромышленном про­изводстве.
Основными инструментами реализации инновационной политики вы­ступают инновационный проект и инновационная программа. В проекте, который служит документом, определяется конкретный переход к разработ­ке и освоению или только освоению в аграрном производстве инноваций, со­гласованный по ресурсам и срокам исполнения. Программа – это комплекс инновационных проектов и мероприятий по их реализации, согласованный по ресурсам и срокам исполнения, обеспечивающих эффективность решения задач по освоению и распространению новых видов продукции, технологий, приемов в аграрном производстве. Если программа составляется по развитию отдельной отрасли экономики для обеспечения запланированного результата, то она носит целевой характер.
В системе категорий, раскрывающих содержание инновационной про­блематики, особое место отводится таким понятиям как:
- инновационная восприимчивость – способность предприятия быстро осваивать инновации в процессе производства сельскохозяйственной про­дукции или продуктов ее переработки;
инновационная активность – степень готовности, стремление и тем­пы перехода организаций (учреждений) к инновационной модели производ­ства сельскохозяйственной продукции и продуктов ее переработки;
технологические инновации – новая продукция (новая услуга) про­дуктового и процессного характера;
технологическая модернизация – взаимосвязанное изменение матери­ально-технологической базы комплекса отраслей на основе внедрения техно­логических инноваций и развития региональных межотраслевых инноваци­онных связей по специфическим направлениям конкретных производств;
инновационная продукция – результат инновационной деятельности (товары, работы, услуги), предназначенный для реализации;
инновационная система – совокупность субъектов и объектов инновационной деятельности, взаимодействующих в процессе создания и реализации инновационной продукции и осуществляющих свою деятельность в рамках проводимой государством политики в области развития инновационной системы;
инфраструктура инновационной системы – совокупность субъектов инновационной деятельности, способствующих осуществлению инновационной деятельности, включая предоставление услуг по созданию и реализации инновационной продукции. К инфраструктуре инновационной системы относятся центры трансфера технологий, инновационно-технологические центры, технопарки, бизнес-инкубаторы, центры подготовки кадров для инновационной деятельности, венчурные фонды и др.
В научной литературе существуют различные трактовки понятия «инновационная деятельность». В зависимости от объекта и предмета исследования указанную деятельность можно рассматривать как процесс, как систему, как изменение.
М.В. Мясникович отождествляет инновационную деятельность с инновационным процессом и утверждает, что она состоит из четырех основных стадий [50]: исследование и разработка; освоение; серийное или массовое производство; потребление. По нашему мнению, это абсолютно разные категории, - инновационный процесс включает в себя инновационную деятельность как определенное занятие.
В. Г. Медынский и Л. Г. Шаршукова [49] представляют иннова­ционную деятельность как сложную динамическую систему действий и взаимоотношений различных методов, факторов и органов управления, за­нимающихся научными исследованиями, созданием новых видов продукции, совершенствованием оборудования и предметов труда, технологических процессов и форм организации производства на основании новейших дости­жений науки и техники; планированием, финансированием, координацией НТП и повышение его социально - экономической эффективности.
С точки зрения В. В. Жирикова и др. ученых [6], инновационная деятельность – деятельность, направленная на использование и коммерциализацию результатов научных исследований и разработок для расширения и обновления номенклатуры и улучшения качества выпускаемой продукции (товаров, услуг), совершенствования технологии их изготовления с последующим внедрением и эффективной реализацией на внутренних и зарубежных рынках.
В широком смысле под инновацион­ной деятельностью понимается процесс создания нового товара от формиро­вания его идеи до освоения производством, выпуска, реализации и получения коммерческого эффекта [4, 29, 31, 49, 52, 59, 61]. В более узком понимании инновационная деятель­ность направлена на получение определенного эффекта, т.е. она должна но­сить коммерческий характер.
Некоторые специалисты акцентируют основное внимание на творческой составляющей инновационной деятельности. Так, Б. Санто ассоциирует инновационную деятельность с интеллектуальной деятельностью [62]. Но содержание понятия «интеллектуальная деятельность» значительно шире понятия «инновационная деятельность». Интеллектуальная - характеризует любые проявления умственной активности человека, в том числе и те, которые направлены на выполнение стандартных рутинных производственных операций.
Нельзя не согласиться с мнениями Ю.А. Варфоломеевой в том, что ведущей характеристикой инновационной деятельности является то, что эта деятельность связана с созданием и (или) реализацией нового знания вне зависимости от сферы ее осуществления [5].
Таким образом, инновационная деятельность в растениеводстве - это деятельность направленная на осуществление:
- подготовки и организации производства, охватывающие приобретение оборудования и инструмента, изменения в них, а также в процедурах, методах и стандартах производства и контроля качества, необходимых для создания нового технологического процесса;
- внедрение разработок, включающих модификации продукта и технологического процесса, переподготовку персонала для применения новых технологий и оборудования;
- фундаментальных исследований;
- испытаний новой или усовершенствованной технологии (продукта);
- изучение новых продуктов, предусматривающий виды деятельности, связанные с выпуском новой продукции на рынок, включая предварительное исследование рынка, адаптацию продукта к различным рынкам, рекламную кампанию;
- приобретение технологии со стороны в форме патентов, лицензий, ноу-хау;
- пропаганду новых научных достижений, новых методов хозяйствования, новых технологий, продуктов, услуг.
Инновационная деятельность в сельском хозяйст­ве может наиболее эффективно осуществляться в рамках инновационной системы. Термин инновационная система в Основных направлениях политики Российской Федерации в области развития инновационной системы на пе­риод до 2010 года раскрывается следующим определением: «инновационная система - совокупность субъектов и объектов инно­вационной деятельности, взаимодействующих в процессе создания и реали­зации инновационной продукции и осуществляющих свою деятельность в рамках проводимой государством политики в области развития инноваци­онной системы» [53].
Постоянное и непрерывное осуществление инновационной деятельно­сти предопределяет формирование инновационного процесса, представляющего собой ход, развитие инновационной деятельности в рамках функционирующей инновационной системы, как последовательная смена его состояний.
Д. М. Степаненко рассматривает инновационный процесс как процесс последовательного превращения идеи в инновацию, представляющий комплекс действий, необходимых для подготовки и практического использования новых технических, организационных, экономических, социальных и иных решений, что заслуживает внимания, так как инновационный процесс можно представить из следующих составляющих [64]:
инициация инновации;
организация инновационной деятельности;
выпуск (производство) инновации;
реализация инновации;
диффузия инновации.
Началом инновационного процесса является инициация. Инициация – это деятельность, состоящая в выборе цели инновации, постановке задачи, выполняемой инновацией, поиске идеи инновации, ее экономическом обосновании.
Организация инновационной деятельности предполагает ее планирование в соответствии с заявленными приоритетами инновационного развития, составление программ и проектов с обозначением целевых индикаторов ожидаемого результата. На данном этапе инновационного процесса определяется инвестор, финансирующий проект (государственные инвестиции, частные инвестиции, смешанные формы финансирования).
Для выпуска инновации на рынок необходима ее материализация. Для этого государство создает необходимые институциональные условия, на основе которых инновация проходит весь свой жизненный цикл.
Продвижение инновации представляет собой комплекс мер, направленных на реализацию инноваций (реклама, организация процесса торговли и др.).
Результаты реализации инновации и затраты на ее продвижение подвергаются статистической обработке и анализу на основе постоянного мониторинга инновационной деятельности.
Инновационный процесс заканчивается диффузией инновации, представляющий собой распространение однажды освоенной инновации в новых регионах, на новых рынках.
Вышеприведенные составляющие характеризуют инновационный процесс в общем виде, касательно растениеводства, его можно подразделить на три основных этапа:
- создание инновации, заключающейся в зарождении идеи, прохождении последовательных этапов НИОКР, организации опытного производства и сбыта, организации коммерческого производства;
- внедрение инновации в производство - в процессе освоения инновации общественно-полезный эффект перераспределяется между производителями нововведения, а также между производителями и потребителями, производится оценка различных видов эффективности.
- распространение инновации (выход на рынок), т.е. передача информации хозяйствующим субъектам через систему подготовки и переподготовки кадров, информационно-консультационного обслуживания, осуществления функций управления на всех его уровнях, проведение пропаганды инноваций через средства массовой информации.
Таким образом, инновационный процесс функционирует посредством работы встроенного механизма, воспринимающего управляющие воздействия и включает в себя возникновение, освоение и реализацию инноваций (нововведений). Причем базовой основой инновационного процесса является научная идея - источник нововведения, которая в ходе инновационного процесса разрабатывается более детально, проходит апробацию и внедряется в производство. Главным критерием оценки эффективности инновационного процесса является значимость его результатов для общества и хозяйствующего субъекта, так как в рыночном хозяйстве созданное новшество должно быть успешно реализовано.
В теории инновационного менеджмента различают три логические формы инновационного процесса: простой внутриорганизованный (натуральный), простой межорганизованный (товарный) и расширенный. Простой внутриорганизованный инновационный процесс предполагает создание и использование новшеств внутри одной и той же организации, новшество в этом случае не принимает непосредственной формы. При простом межорганизованном инновационном процессе новшество выступает как предмет купли-продажи. Расширенный инновационный процесс проявляется в создании новых производителей нововведения, в нарушении монополии производителя-пионера, что способствует совершенствованию потребительских свойств выпускаемой продукции. [24].
К существующим формам инновационного процесса следует добавить мнимоорганизованный - создание уже отживших себя инноваций, не представляющих экономический интерес в настоящее время.
Высокий уровень сложности сельскохозяйственного агропромышлен­ного производства как системы и особенности инновационного процесса в нем предопределяют своеобразие подходов и методов его реализации.
И.С. Санду дает следующее определение этому про­цессу: «Применительно к АПК инновационный процесс представляет собой постоянный и непрерывный поток превращения конкретных технических или технологических идей на основе научных разработок в новые технологии или отдельные ее составные части и доведения их до использования непосредст­венно в производстве с целью получения качественно новой продукции» [60] .
Рассматривая данное определение, нельзя не согласиться с содержанием инновационного процесса как превращения идей через научные разработки в новые техноло­гии, но в инновационном процессе вряд ли возможен постоянный и непрерывный поток пре­вращения идей в новые практические решения. Так как идеи - это сложный процесс, включающий многие составляющие, а инновационный проект может быть использован на условиях его разработчиков. В этом слу­чае инновационный процесс будет посвящен реализации этого инновацион­ного проекта с некоторой его корректировкой на основе апробации в кон­кретных условиях.
Обобщение теоретических публикаций позволяет сформулировать свою трактовку: инновационный процесс в растениеводстве – это совокупность последовательных процессов превращения идей, мотивированных изменениями внешних условий (требованиями рынка, предпочтениями потребителей) через научные разработки в новые технологии, направленные на формирование результатов, наиболее полно соответствующих этим изменениям.
В растениеводстве инновационные процессы должны быть направлены на: роста урожайности сельскохозяйственных культур и улучшения качества продукции; преодоление процессов деградации и разрушения природной среды и экологизацию производства; снижение расхода энергоресурсов и уменьшение зависимости продуктивности растениеводства от природных факторов; повышение эффективности использования мелиорируемых земель; экономию трудовых и материальных затрат; сохранение и улучшение экологии окружающей среды. В связи с этим инновационная политика в области растениеводства должна строиться на совершенствовании методов селекции - создании новых сортов сельскохозяйственных культур, обладающих высоким продуктивным потенциалом, освоении научно обоснованных систем земледелия и семеноводства.
Инновационный процесс применительно к производству зерна, подразделяется на два направления – технологический и биологический. К первому наряду с разработкой и внедрением в производство новых машин, механизмов, удобрений, средств защиты, относится совершенствование технологий выращивания зерновых культур. Ко второму, биологическому, направлению инновационного процесса относится создание и внедрение в производство нового сорта (гибрида), который является нововведением, а сортосмена выступает как направление инновационного процесса и важным фактором интенсификации при производстве зерна.
По нашему мнению, следует выделить еще одно направление - экономико-экологический. К нему можно отнести снижение ресурсоемкости и повышение экономической эффективности, уменьшение отрицательного воздействия на окружающую среду посредством реализации технологического и биологического направлений.


1.2 Факторы инновационного развития
производства зерна

Инновационный процесс в зерновом хозяйстве имеет свои особенности: множественность видов зерна и продуктов его переработки; значительная дифференциация зон страны по условиям производства; разница в продолжительности периода производства зерна и продуктов его переработки; отсутствие научно обоснованного организационно-экономического механизма передачи достижений науки сельскохозяйственным товаропроизводителями; отставание отрасли по освоению инноваций в производстве. Организационно-экономическая сущность инновационных процессов связана с целями и задачами их развития, которые заключаются в постоянном организационно-экономическом, техническом и технологическом обновлении зернового хозяйства, направленным на его совершенствование с учетом достижений науки, техники, передового опыта. Организационно-экономический механизм освоения инноваций включает договорные отношения производителей зерна как с ее создателями, так и информационно-консалтинговой службой АПК.
Для достижения конкурентоспособности отрасли зернового хозяйства требуется обеспечение четырех факторов инновационного развития: технологических, технических, биологических, организационно-экономических.
Придерживаясь мнения ряда ученых, А. И. Алтухова, В. И. Нечаева, А. И. Трубилина, К. Б. Карсанова, И. С. Санду, первостепенными являются технологические факторы, поскольку под ту или иную технологию выращивания зерна с заданными выходными параметрами необходимо подобрать или создать заново определенный сорт (биологический фактор) и соответствующие технические средства (технический фактор). Игнорирование этого положения приводит к тому, что в сельхозпроизводящих организациях используются упрощенные приемы выращивания зерна, следствием чего становится снижением продуктивности посевов, ухудшение качественных показателей, недостаточное использование биоклиматического потенциала [2].
Эффективность технологий зависит во многом от почвенно-климатических условий. Природно-климатические факторы являются объективно необходимым условием земледелия, а принцип адаптивности должен пронизывать всю систему агропромышленного производства, так как земледелие, с одной стороны – главный источник сырьевых ресурсов в системе АПК, а с другой стороны – это достаточно трудоемкая и ресурсопотребляющая отрасль сельскохозяйственного производства. Поэтому эти факторы выступают уже в качестве экономического фактора процесса производства [30, 70]
Технические факторы инновационного производства заключаются в совершенствовании существующих (модернизации) и создании новых типов машин; механизации и автоматизации производства, внедрении новой техники.
Механизация сельскохозяйственного производства на современном этапе развития является одним из приоритетных направлений интенсификации, так как машинно-тракторный парк практически изношен. Поэтому необходимы существенные вложения на его формирование.
Одной из основных мер по выводу из кризиса в техническом и технологическом плане является создание машинно-технологических станций, так как затраты на их организацию во многом раз ниже, чем инвестирование деятельности товаропроизводителей.
Биологические факторы связаны с технологическими и техническими факторами, и заключаются в использовании процессов роста, развития и продуцирования растений. Данные факторы охватывают различные направления: создание новых сортов и гибридов; совершенствование системы семеноводства, основанной на своевременной сортосмене и сортообновлении; внедрение новых методов селекции посредством биотехнологии, генетики, генной инженерии, использования трансгенных растений; биологической защиты; стимуляторов роста и др.
Основными организационно-экономическими факторами инновационного развития являются: организация производства научной продукции в соответствии с требованиями потребителей; реализация целевых и отраслевыхнаучно-технических программ; формирование новых организационных форм научно-технической деятельности; повышение эффективности зернового производства за счет достижений научно-технического прогресса на основе системы экономической деятельности; создание условий для повышения активности в научно-технической сфере и непосредственно в зерновом производстве; оказание всесторонней помощи производителям зерна в освоении научно-технических достижений[диссер 15].
В. Н. Суязов среди факторов инновационного развития выделяет внутренние и внешние, начиная с международного уровня и заканчивая уровнем организации (66).
Заслуживает внимания точка зрения В. А. Иванова, который выделяет негативные (сдерживающие) и позитивные (способствующие ускорению инновационных процессов) факторы инновационного развития АПК.
Обобщая мнения различных ученых, анализируя условия, влияющие на инновационное развитие зернового производства и его состояние, позволили определить стратегические, экономические, организационно-управленческие, технико-технологические, социальные, институциональные и рыночные факторы, оказывающие отрицательное и положительное воздействия.
Факторы инновационного развития зернового производства отражены на рисунке 1.


Рисунок 1 – Факторы инновационного развития зернового производства

Характеризуя переход мировой экономики на инновационный путь развития, большинство исследователей признает, что основной чертой со­временного типа воспроизводства выступает фор­мирование национальных инновационных систем, обеспечивающих инновационные процессы и виды деятельности. На сегодняшний день в нашей стране наметились попытки формирования такой системы: созданы новые институ­циональные структуры, изменились финансовые институты и механизмы финансирования иннова­ционной деятельности, выстраиваются механизмы взаимодействия между федеральными и регио­нальными институтами власти, приняты отдельные нормативно-правовые основы законодательства по инновационной деятельности.
В то же время действия, предпринимаемые государственными и региональными властями в этом направлении, возникшие проблемы перехода к инновационной экономике, вызывают необхо­димость сосредоточения усилий на формировании стратегического планиро­вания инновационного развития регионов, которое должно основываться на взаимодействии инновационных объектов, инновационного процесса, инновационной среды, инновационных проектов [27] .
Для активизации инновационных процессов необходимо обеспечить условия расширенного воспроизводства в аграрной сфере, прежде всего, улучшить финансовое состояние организаций.
Большинство сельхозпредприятий давно утратило собственные оборотные средства, их кредиторская задолженность превысила годовой объем выручки от реализации продукции, банки отказывают им в кредитах, что парализует нормальный процесс производства. При недостатке финансовых средств займы, в первую очередь, направляются на текущие цели [23]. Существенно усугубляют ситуацию растущие цены на энергоносители.
Отрицательное воздействие на инновационное развитие зернового производства оказывает неблагоприятная инвестиционная ситуация. Несмотря на то, что начиная с 2006 г. сельхозтоваропроизводителям стали доступны кредиты на льготных условиях сроком до 8 лет, их доля в расходной части бюджета составляет около одного процента при удельном весе в ВВП в 4,4% [23].
Слабым звеном в формировании эффективного инновационного развития зернового производства является изучение спроса на инновации. Маркетинг не стал еще неотъемлемым элементом формирования заказов на научные исследования и разработки. Как правило, при отборе проектов не проводится глубокая экономическая экспертиза, не оцениваются показатели эффективности и рисков, не отрабатываются схемы продвижения полученных результатов в производстве. Это приводит к тому что, многие инновационные разработки не становятся инновационным продуктом.
В последние десятилетия отмечается ослабление научного потенциала. Отечественное сельское хозяйство переживает кризис, который связан с отсутствием условий для инновационных процессов: слабая поддержка со стороны государства; высокая степень сложности организационной структуры; многообразие форм научно-технической и инновационной деятельности; значительный удельный вес в научных исследованиях проблем, имеющих региональный, отраслевой и межотраслевой характер; высокая стоимость нововведений. Все это создает определенные трудности в управлении научными исследованиями.
Одна из особенностей зернового хозяйства состоит в том, что здесь наряду с промышленными средствами производства активное участие в воспроизводственном процессе принимают живые организмы. Развитие их подчинено действию естественных законов и зависит от таких естественных факторов, как климат, погода, тепло, влага, свет и пища. В.Р. Вильямс писал: «Растения требуют для своего процветания непрерывной наличности или беспрерывного притока четырех групп факторов – света, тепла, воды и питательных веществ при непрерывном условии одновременной и совместной наличности всех четырех факторов в оптимальных количествах при безусловной равноценности и независимости их [7].
Расширенное воспроизводство в сельском хозяйстве протекает во взаимодействии экономических и естественно биологических процессов. Поэтому при управлении инновациями требуется учитывать требования не только экономических законов, но и законов природы: равнозначности, незаменимости и совокупности жизненных факторов, законов минимума, оптимума и максимума. Действие закона незаменимости факторов производства проявляется в том, что, например, селекцией не компенсировать удобрения, сортом нельзя возместить пробелы агротехники. Согласно закону минимума, рост производства сдерживается тем фактором, который находится в минимуме.
В сельском хозяйстве даже малейшее упущение чревато нежелательными последствиями. К.А. Тимирязев указывал: «Нигде, быть может, ни в какой другой деятельности не требуется взвешивать столько разнообразных условий успеха, нигде не требуется таких многосторонних сведений, нигде увлечение односторонней точкой зрения не может привести к такой неудаче, как в земледелии» [23].
Сложность производства зерна и его особенности предопределяют своеобразие подходов и методов управления инновационным процессом, сочетание различных типов инноваций, усиления роли государства в стимулировании инноваций.
Сохраняющаяся неэквивалентность обмена сельского хозяйства с другими отраслями экономики приводит его к деградации его материально-технической базы. В большинстве хозяйств наблюдается изношенность научного оборудования и машинно-тракторного парка.
Одним из препятствий перехода аграрной экономики на путь инновационного развития – острая нехватка квалифицированных руководителей и специалистов. За последние десятилетия в силу различных причин произошло сокращение числа занятых в сельскохозяйственном производстве более чем на 2 млн. человек. Одновременно ухудшился качественный состав кадров. Следует направлять силы на развитие образования, фундаментальных и прикладных научно-исследовательских организаций.
К факторам, тормозящим освоение инноваций в зерновом производстве, относятся также: недостаточный уровень подготовки кадров в области инновационного управления, неразвитость инновационной политики.
После отмены патентного законодательства СССР и вступления в силу Патентного закона РФ произошел резкий спад изобретательской активности: с 200 тыс. изобретений в 1989 г. до примерно 20 тыс. ежегодно в последующие годы. Трудно ожидать эффективного инновационного развития зернопроизводства при отсутствии объектов интеллектуальной собственности.
В настоящее время российскому зерновому хозяйству свойственна неразвитость инфраструктуры рынка. Развитие инфраструктуры зернового рынка предполагает создание торгово-информационной системы, объединяющую систему торговли двойными и простыми складскими свидетельствами, систему биржевой торговли зерном, информационно-компьютерную систему, укрепление материально-технической базы речного и железнодорожного транспорта, элеваторного хозяйства. Необходимо совершенствовать рынки: технологий управления (маркетинг, интегрированные формирования); средств производства (сорта, гибриды, удобрения); технологий производства (энергосберегающая, экологически чистая и др.); новых продуктов (тритикале); новых услуг (консультационных, информационных, финансовых и др.).
К числу положительных факторов развития в инновационных процессах производства зерна следует отнести:
• многообразие форм хозяйствования, отход от административного управления экономикой;
• использование различных приемов выращивания, в том числе энерго- и ресурсосберегающие технологии производства, хранения и переработки. Проводится воспроизводство плодородия почв, предотвращение всех видов их деградации, разработка адаптивных технологий агроэкосистем и агроландшафтов;
• разработка государственной инновационной политики и стратегии на федеральном и региональном уровне, нацеленных на становление прогрессивных технологических укладов. Наметились пути создания современной системы информационного и инфраструктурного обеспечения инновационной деятельности, совершенствование системы подготовки кадров в области инновационной деятельности. Наблюдается усиление роли государственных организаций в активизации инновационной деятельности, формирование организационно-экономического механизма функционирования на инновационной основе и разработка региональных и муниципальных инновационных программ развития;
• наличие кадрового потенциала;
• технологическое переоснащение экономически сильных организаций.
Устраняя влияние отрицательных факторов инновационного развития, при одновременном совершенствовании положительных, используя нововведения селекционно-генетического, технологического, организационно-управленческого и социального типа возможно обеспечить опережающее развитие зернового хозяйства по сравнению с другими отраслями экономики.

1.3 Агротехнологии как главный фактор развития
зернового хозяйства

Развитие инновационных процессов в зерновом производстве определяется потребностями производства, наличием материально-технических ресурсов, достижениями науки и техники, а также возможностями внедрения в практику передового производственного опыта.
В дореформенный период освоение в производстве научных достижений осуществлялось с помощью внедренческих подразделений региональных органов государственного управления агропромышленным комплексом, научно-производственных систем, республиканских и региональных центров научного обеспечения, научно-исследовательских институтов, высших учебных заведений и др. К тому же Министерство сельского хозяйства России имело в своей структуре подразделение по внедрению, проводившее анализ и систематизацию научных разработок, тиражирование и рассылку рекомендаций, организацию выставок, семинаров, обучения и повышения квалификации кадров. Данное подразделение осуществляло финансирование мероприятий в рамках научно-технической политики и определяло содержание, объемы финансирования НИОКР в области агропромышленного производства. Это позволяло снижать уровень дублирования научных разработок, расширять зоны использования научных результатов, оказывать предприятиям целевую государственную поддержку [24, с. 183].
Начиная с 90-х годов, в России в результате отсутствия мер государственного протекционизма, массового банкротства хозяйств, невостребованностью производством научных разработок, наблюдалось свертывание созданной инновационной инфраструктуры в АПК[24 с. 183].
На сегодняшний момент Россия обладает достаточно мощным научно-производственным потенциалом по созданию инноваций. Существующие в зернопроизводящих регионах формы внедренческой деятельности представлены, как правило, двумя группами. В первую из них входят отделы и группы внедрения научных учреждений, вузов и других организаций – производителей научно-технической продукции. Вторая группа объединяет самостоятельные организационные формы деятельности, которые хозяйственно не связаны с производителями научной продукции.
Отечественная аграрная наука производит значительное количество качественной научной продукции, а передовые зернопроизводящие хозяйства, преодолевая экономические трудности, в силу возможностей внедряют в зерновое производство научные достижения [8].
Формирование эффективной инновационной системы, координирующих работу всех структур инновационного процесса – дело будущего. В настоящее время наиболее перспективным направлением является разработка и внедрение ресурсосберегающих и экологически безопасных технологий.
В агропромышленном производстве развитых стран ключевым словом в лексиконе товаропроизводителей является слово «технология». В России оно затерялось среди терминов «система земледелия», «плодородие почвы», «мелиорация», «химизация», которые фигурируют в качестве основных понятий в земледелии, а технологиями принято называть шаблоны, представляющие собой «технологические карты». Изыскания ученых по этому вопросу предопределили то, что механизм хозяйствования опирался не на технологии, а на всевозможные рекомендации, не всегда учитывающие экологические требования растений и животных. При этом на самой сути земледелия было выхолощено основное системообразующее начало – растение с его экологическими потребностями.
Технология (от греческого techne – искусство, мастерство, умение и logos – слово, учение) – это совокупность, система методов и способов обработки, изменения свойств и формы сырья, материалов, других предметов труда, применяемых в процессе рационального производства продукции. Технология это не любой набор способов и операций, с помощью которых можно производить продукцию, а научно обоснованный, учитывающий достижения науки и техники, профессиональное мастерство исполнителей, позволяющий обеспечить конкурентоспособность, высокую экономическую эффективность продукции.
По законодательству РФ обязанности по воспроизводству почвенного плодородия возложены на владельцев и пользователей земельных участков. Они должны осуществлять производство сельскохозяйственной продукции способами, обеспечивающими воспроизводство плодородия земель сельскохозяйственного назначения, а также исключающими или ограничивающими неблагоприятное воздействие такой деятельности на окружающую природную среду; соблюдать стандарты, нормы, нормативы, правила и регламенты проведения агротехнических, агрохимических, мелиоративных, фитосанитарных и противоэрозийных мероприятий.
Существует связь между плодородием почвы и эффективностью сельскохозяйственного производства, содержанием в почве питательных веществ и приемами выращивания сельскохозяйственных культур. До настоящего времени целью сельскохозяйственного производства в России остается получение максимума продукции и прибыли, без учёта эколого-экономической эффективности [68].
Одной из возможностей выхода агрокомплекса из критического состояния ученые-экономисты видят в применении инновационных агроприемов технологии. Научные разработки и опыт передовых хозяйств дают теоретическое и практическое обоснование новых приемов выращивания, основанных на биологии растений, агрофизических свойствах почвы, рациональном использовании техники и оборудования, экономии энергоресурсов и рабочей силы.
Инновационные технологические приемы базируются на улучшении качества выполнения технологической операции (лучшее крошение и выравнивание поверхности почвы, качественный сев, равномерное и строго дозированное по нормам применение минеральных удобрений и средств химизации, капельное орошение и т. п.) с одной стороны, и снижение удельных затрат ресурсов (металлоемкость машин, энергии, труда и денежных средств), с другой.
Основная цель внедрения альтернативных приемов технологии выращивания полевых культур состоит в получении прироста производства продукции высокого качества с меньшими материально-денежными затратами на единицу продукции. Эти приемы представляют собой совокупность мероприятий, применение которых в хозяйствах позволит наиболее полно использовать биологический потенциал растений, агроклиматические условия и производственные ресурсы, добиться максимальной продуктивности. Основой их внедрения является научно обоснованная система земледелия и ее главное звено – правильный севооборот, учитывающий конкретные экономические и почвенно-климатические особенности хозяйств, обеспечивающие систематическое повышения плодородия почвы. Поэтому дополнительные затраты труда и материально-денежных средств на внедрение классического агроприема технологии, должны окупаться не только за счет прироста урожая, но и за счет снижения себестоимости продукции, повышения ее качества.
Многочисленные данные свидетельствуют о том, что высокую величину и качество урожая удается обеспечить: сбалансированным внесением минеральных удобрений; высокопродуктивными, высококачественными сортами, максимально адаптированными для отдельных почвенно-климатических зон; знанием агротехнических методов управления продукционными процессами формирования урожая.
Так, исследования, выполненные в течение 1992-2004 гг. в длительном стационарном и краткосрочных полевых опытах КубГАУ, позволили выявить ряд особенностей в реакции различных сортов озимой пшеницы на изучаемые варианты приемов выращивания [12,13,17-19]. Самая низкая урожайность зерна озимой пшеницы сотра Руфа и Победа 50 была получена на вариантах с низким уровнем плодородия и без внесения химических средств при безотвальной системе основной обработки почвы (рисунок 2). По мере улучшения пищевого режима растений, за счет повышения уровня плодородия почвы и внесения минеральных удобрений, применения средств защиты растений от вредителей, болезней и сорняков урожайность озимой пшеницы возрастала.

Рисунок 2 – Урожайность и затраты по различным сортам
озимой пшеницы в зависимости от приемов
выращивания, учхоз «Кубань»

На вариантах 020 и 220, где в системе агротехнических приемов не предусматривалась защита посевов от сорной растительности, имели место условия, не позволяющие полностью использовать потенциал не только выращиваемых в опыте сортов озимой пшеницы, но и вариантов технологии для формирования высокого урожая зерна. Это достигалось лишь при интенсификации производства озимой пшеницы, где в системе агротехнических приемов дифференцированно применялись нормы минеральных удобрений в зависимости от уровня плодородия почвы, способа основной ее обработки с комплексной защитой растений от вредителей, болезней и сорняков.
Выращивание озимой пшеницы в варианте с повышенным уровнем плодородия и применением химических средств (вар.222), способствовало получению наивысшей урожайности. Наименьшие затраты на 1 ц зерна озимой пшеницы были в вариантах без применения гербицидов и удобрений.
Рассматриваемые приемы выращивания озимой пшеницы, были прибыльными, но наиболее высокой эффективностью отличался вариант с повышенным уровнем плодородия и применением химических средств (222), который обеспечил в разрезе сортов снижение трудоемкости производства 1 ц зерна на 27%, расхода топлива на 1 ц – на 26 -75%, получение чистого дохода 8,6-9,5 тыс. руб. с 1 га, или в 1,5-2,4 раза больше в сравнении с контролем. При классическом агроприеме была достигнута максимальная урожайность, но экономическая эффективность ее невысокая. По мере роста интенсивности повысилось качество зерна озимой пшеницы. Белковость зерна увеличивалась, а содержание клейковины в муке возрастало [15,17].
Биоэнергетическая оценка приемов выращивания озимой пшеницы подтвердила результаты их экономической эффективности: снижение энергоемкости производства 1 ц зерна обеспечил максимальную величину выхода основной продукции в расчете на 1 ГДж затраченной энергии инновационный прием технологии (222), а также на вариантах с повышенным уровнем плодородия, без применения химических средств (200) и с повышенным уровнем плодородия, применением гербицидов (202). Наибольшие коэффициенты энергетической эффективности основной продукции получены на вариантах 200 и 202.
Рациональные значения уровня ресурсоемкости (трудоемкости 0,11-0,12 чел-ч, расхода топлива 0,85-1,14 кг и энергоемкости 0,44-0,45 ГДж на 1 ц в разрезе сортов) для получения чистого дохода в расчете на 1 ц от 125 до 137 руб. и коэффициента энергетической эффективности основной продукции – 2,5-2,6 обеспечил инновационный агроприем.
Многие ученые-аграрии считают, что наилучшие условия получения высокого урожая с повышенным содержанием белка и клейковины складываются при хорошей обеспеченности растений элементами минерального питания, в частности азотом, некоторым небольшим дефицитом влаги в период налив-созревание зерна и повышенным, но не высоким температурным режимом.
Содержание белка и клейковины в зерне, а также её качество наряду с сортовыми особенностями определяются метеорологическими условиями и приёмами агротехники [25]. С увеличением периода созревания под влиянием осадков и пониженной температуры воздуха содержание протеина и сырой клейковины в зерне снижается. Недостаточная и избыточная обеспеченность влагой в период созревания зерна, высокая температура воздуха также снижают технологическое качество зерна [22].

Таблица 2 – Урожайность озимой пшеницы при размещении по
различным предшественникам в ОАО им.Ильича, ц/га
Предшественник
Год
Средняя

2000
2001
2002
2003
2004
2005
2006
2007
2008

Подсолнечник
59,1
69,8
67,5
51,0
65,2
62,0
54,3
60,4
6,32
61,4
Кукуруза
68,3
66,7
68,9
52,9
64,0
62,5
53,6
63,0
70,1
63,3
Сахарная свекла
66,7
68,1
71,1
50,3
65,6
60,5
55,9
59,8
59,9
62,0
Многолетние травы
66,4
69,3
80,1
49,5
66,4
61,5
56,1
66,4
66,9
64,7
Зернобобовые
64,4
68,9
73,5
52,0
69,5
63,0
54,6
59,2
71,1
64,0

Улучшение условий питания и водоснабжения обуславливается выбором предшественника. В степной зоне лучшими предшественниками являются многолетние травы, занятый эспарцетовый пар, зернобобовые культура, кукуруза, убираемая на силос и сахарная свекла ранних сортов.
Как видно из данных таблицы 2 наибольшая урожайность зерна озимой пшеницы отмечена, когда предшественниками были многолетние травы и зернобобовые.
Приоритетным направлением снижения ресурсоемкости и повышения эффективности производства зерна озимой пшеницы является такой агротехнический прием как обработка посевов регуляторами роста, обеспечивающих повышение урожайности на 5-7%, снижения уровня землеемкости производства 1 ц зерна на 6,6-7,7%, сокращение расхода топлива на 1 ц продукции до 4,3% , затрат труда в расчете на 1 ц до 10% , себестоимости на 4-7%, рост рентабельности на 6-10 пунктов [12, 13, 17-19].
Таким образом, разработка эффективных агротехнологий производства зерна, обеспечивающих оптимальное и экологически безопасное использование природных ресурсов с повышенной и устойчивой продуктивностью зерновых, высокими потребительскими качествами продукции является одним из главных факторов развития зернового хозяйства, а научно-обоснованный выбор агротехнологии характерной для определенной зоны произрастания – важнейший элемент в управлении зерновым производством.

ГЛАВА 2 ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ

2.1 Введение в интеллектуальные системы

Идея создания искусственного интеллекта очень проста и состоит в том, что для этого предлагается:
– во-первых, выявить основные моменты играющие существенную роль при создании естественного интеллекта;
– во-вторых, попробовать реализовать эти моменты на базе современных компьютерных технологий.
Наблюдения за системами естественного интеллекта позволяют сформулировать следующую гипотезу.
1. Естественный интеллект реально существует.
2. Естественный интеллект создается не мгновенно, а в течение довольно длительного времени по вполне определенной сложной технологии, которая включает три основных этапа:
– создание материальной системы поддержки естественного интеллекта по сложной технологии в изолированных от среды условиях;
– создание активной информационной структуры, базирующейся на материальной системе поддержки, способной к развитию и саморазвитию в систему естественного интеллекта, т.е. создание системы потенциального естественного интеллекта (оболочки, инструментальной системы);
– формирование структуры и функций естественного интеллекта во взаимодействии системы его поддержки с другими подобными системами и с окружающей средой, как с природной, так и с "социальной", т.е. созданной другими подобными системами, в результате чего происходит трансформация системы потенциального естественного интеллекта в систему реального естественного интеллекта.
3. Системы искусственного интеллекта (СИИ) полностью функционально эквивалентные естественному интеллекту могут быть созданы на базе другой материальной структуры системы поддержки системы и другой системы потенциального искусственного интеллекта.
4. Создание СИИ должно включать три этапа:
– создание материальной системы поддержки (эта проблема в основном решена, т.к. СИИ могут создаваться даже на базе современных персональных компьютеров);
– создание системы потенциального искусственного интеллекта, т.е. программной оболочки, инструментальной системы (таких систем в настоящее время существует пока еще очень мало);
– обучение и самообучение системы потенциального искусственного интеллекта и преобразование ее в реальную СИИ.
5. Основополагающую роль в создании системы потенциального искусственного интеллекта играет разработка научной концепции и теории, адекватно отражающей способы реализации функций естественного интеллекта и пути его трансформации из потенциального в реальный.
Основное назначение информационных систем в экономике – это своевременное представление необходимой информации людям, принимающим решения (ЛПР) для принятия им адекватных и эффективным решений при управлении процессами, ресурсами, финансовыми транзакциями, персоналом или организацией в целом. Однако в процессе развития информационных технологий, исследования операций и технологий моделирования, а также с возрастанием потребителей информационно – аналитической поддержки самих ЛПР, все больше проявлялась потребность в системах, не только представляющих информацию, но и выполняющих некоторый ее предварительный анализ, способных давать некоторые советы и рекомендации, осуществлять прогнозирование развития ситуаций, отбирать наиболее перспективные альтернативы решений, т.е. поддерживать решения ЛПР, взяв на себя значительную часть рутинных операций, а также функции предварительного анализа и оценок.
Интеллектуальные информационные системы (ИИС) формируются при создании информационных систем и информационных технологий для повышения эффективности управления знаниями, принятия решений в условиях, связанных с возникновением проблемных ситуаций. В этом случае любая жизненная или деловая ситуация описывается в виде некоторой познавательной модели (когнитивной схемы, архетипа, фрейма и пр.), которая впоследствии используется в качестве основания для построения и проведения моделирования, в том числе - компьютерного.
ИИС – это компьютерная система, состоящая из 5 основных взаимодействующих компонентов: языковой подсистемы (механизм обеспечения связи между пользователем и другими компонентами), информацией подсистемы (хранилище данных и средств их обработки), подсистемы управления знаниями (хранилище знаний о проблемной области, таких как процедуры, эвристики и правила, и средства обработки знаний), подсистемы управления моделями и подсистемы обработки и решения задач (связующее звено между другими подсистемами).
Основными задачами, решаемых ИИС являются:
Интерпретация данных - процесс определения смысла данных, результаты которого должны быть согласованными и корректными, предусматривается многовариантный анализ данных;
Диагностика - процесс соотношения объекта с некоторым классом объектов и/или обнаружение неисправности в некоторой системе;
Мониторинг - непрерывная интерпретация данных в реальном масштабе времени и сигнализация о выходе тех или иных параметров за допустимые пределы;
Проектирование - подготовка необходимых документов на создание «объектов» с заранее определёнными свойствами;
Прогнозирование - предсказывание последствий некоторых событий или явлений на основании анализа имеющихся данных. Прогнозирующие системы логически выводят вероятные следствия из заданных ситуаций.
Планирование - нахождение планов действий, относящихся к объектам, способным выполнять некоторые функции. Используются модели поведения реальных объектов с тем, чтобы логически вывести последствия планируемой деятельности;
Обучение - использование компьютера для обучения какой-то дисциплине или предмету. Системы обучения диагностируют ошибки при изучении какой-либо дисциплины с помощью ЭВМ и подсказывают правильные решения. Они аккумулируют знания о гипотетическом «ученике» и его характерных ошибках, затем в работе они способны диагностировать слабости в познаниях обучаемых и находить соответствующие средства для их ликвидации. Данная задача выполняется при помощи нейронных сетей. Технически обучение заключается в нахождении коэффициентов связей между нейронами. В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными данными и выходными, а также выполнять обобщение. Это значит, что, в случае успешного обучения, сеть сможет вернуть верный результат на основании данных, которые отсутствовали в обучающей выборке;
Управление - функция организованной системы, поддерживающая определенный режим деятельности;
Поддержка принятия решений - это совокупность процедур, обеспечивающая лицо, принимающее решения, необходимой информацией и рекомендациями, облегчающие процесс принятия решения.
Существует много различных подходов к классификации информационных систем. Различия между этими классификациями определяются теми критериями, по которым производится классификация:
– по степени структурированности решаемых задач;
– по автоматизируемым функциям;
– по степени автоматизации реализуемых функций;
– по сфере применения и характеру использования информации, в частности, по уровням управления.
Известно, что при обучении людей существуют различные уровни предметной обученности: воспроизведение (память); решение стандартных задач (умения, навыки); решение нестандартных, творческих задач (знания, активное интеллектуальное понимание).
Интеллект может проявляется в различных областях, но мы рассмотрим его возможности в решении задач, т.к. эта область проявления является типичной для интеллекта. Задачи бывают стандартные и нестандартные. Для стандартных задач известны алгоритмы решения. Для нестандартных они неизвестны. Поэтому решение нестандартной задачи представляет собой проблему.
Само понятие "стандартности" задачи относительно, относительна сама "неизвестность": т.е. алгоритм может быть известен одним и неизвестен другим, или информация о нем может быть недоступной в определенный момент или период времени, и доступной – в другой. Поэтому для одних задача может быть стандартной, а для других нет. Нахождение или разработка алгоритма решения переводит задачу из разряда нестандартных в стандартные.
В математике и кибернетике задача считается решенной, если известен алгоритм ее решения. Тогда процесс ее фактического решения превращается в рутинную работу, которую могут в точности выполнить человек, вычислительная машина или робот, под управлением программы реализующей данный алгоритм, не имеющие ни малейшего представления о смысле самой задачи.
Разработка алгоритма решения задачи связано с тонкими и сложными рассуждениями, требующими изобретательности, опыта, высокой квалификации. Считается, что эта работа является творческой, существенно неформализуемой и требует участия человека с его "естественным" опытом и интеллектом.
Здесь необходимо отметить, что существует технология решения изобретательских задач (ТРИЗ), в которой сделана попытка, по мнению многих специалистов, довольно успешная, позволяющая в какой-то степени формализовать процедуру решения творческих задач.
Интеллектуальными считаются задачи, связанные с разработкой алгоритмов решения ранее нерешенных задач определенного типа.
Отличительной особенностью и одним из основных источников эффективности алгоритмов является то, что они сводят решение сложной задачи к определенной последовательности достаточно простых или даже элементарных для решения задач. В результате нерешаемая задача становится решаемой. Исходная информация поступает на вход алгоритма, на каждом шаге она преобразуется и в таком виде передается на следующий шаг, в результате чего на выходе алгоритма получается информация, представляющая собой решение задачи.
Алгоритм может быть исполнен такой системой, которая способна реализовать элементарные операции на различных шагах этого алгоритма.
Существует ряд задач, таких, как распознавание образов и идентификация, прогнозирование, принятие решений по управлению, для которых разбиение процесса поиска решения на отдельные элементарные шаги, а значит и разработка алгоритма, весьма затруднительны.
Поэтому считается, что интеллект представляет собой универсальный алгоритм, способный разрабатывать алгоритмы решения конкретных задач.
С этой точки зрения профессия программиста является одной из самых творческих и интеллектуальных, т.к. продуктом деятельности программиста являются алгоритмы реализованные на некотором языке программирования (программы).
Исходя из вышесказанного можно сделать вывод о том, что в нашем случае наиболее подходит классификацией ИС, основанная на критерии, позволяющем оценить "степень интеллектуальности ИС", т.е. на критерии "степени структурированности решаемых задач" (рисунок 3).
В общем случае все системы, основанные на знаниях, можно подразделить на системы, решающие задачи анализа, и на системы, решающие задачи синтеза. Основное отличие задач анализа от задач синтеза заключается в том, что если в задачах анализа множество решений может быть перечислено и включено в систему, то в задачах синтеза множество решений потенциально не ограничено и строится из решений компонент или подпроблем.
Задачами анализа являются: интерпретация данных, диагностика, поддержка принятия решения; к задачам синтеза относятся проектирование, планирование, управление. Комбинированные: обучение, мониторинг, прогнозирование.


Рисунок 3 - Классификация информационных систем
по степени структурированности решаемых задач

Системы искусственного интеллекта (СИИ) реализуют все больше функций, ранее выполнявшиеся только человеком, например, таких как: получение новых знаний из фактов, выявление причинно-следственных взаимосвязей между факторами, действующим на объект, и переходом этого объекта в те или иные состояния. Но в основе любой математической модели, реализованной в СИИ, всегда лежит некое представление о том, каким образом осуществляются аналогичные процессы человеком.
Интеллектуализация информационных систем управления и трансформация их в интеллектуальные информационные системы управления знаниями, поддержки принятия решений является наиболее значимым и важным направлением для экономики.


2.2 Основные предпосылки СК-анализа

Решение поставленной проблемы прогнозирования и принятия управленческих решений традиционными методами (разработка технологических карт) требует проведения многолетних тщательно спланированных исследований и опытов касательно выращивания по различным агротехнологиям, требующих значительного расхода финансовых, трудовых и временных средств. Поэтому ученые-агрономы ищут новые возможности выявления зависимостей в эмпирических данных на основе построения модели объекта управления и прогнозирования.
Для этих целей используют статистические методы исследования, чаще всего, многофакторный анализ, применение которого не позволит исследовать всю систему факторов (исходные данные должны быть сопоставимы, ограниченное число факторов, обязательное наличие полных повторностей, высокие требования к точности исходных данных, т.к. метод неустойчив).
Кроме этого, возникает ситуация, когда реализация конкретного математического метода (например, теория информационного поля) практически невозможна, из-за отсутствия соответствующей методики численных расчетов и реализующего программного инструментария. Так, Ф. И. Перегудов и Ф. П. Тарасенко, в ряде основополагающих работ [57] подробно рассмотрели математические методы, которые в принципе могли бы быть применены для автоматизации отдельных этапов системного анализа. Однако даже самые лучшие математические методы не могут быть применены на практике без реализующих их программных систем, а путь от математического метода к программной системе долог и сложен. Для этого необходимо разработать численные методы или методики численных расчетов, реализующие математический метод, а затем разработать программную реализацию системы, основанной на этом численном методе.
Существующие системы управления отличаются друг от друга степенью формализации и автоматизации процессов идентификации, прогнозирования и выработки решения об управляющем воздействии [38]:
– слабо формализованные системы управления, встречающиеся, в основном, в сельском хозяйстве, политических, экономических, социальных и психологических системах (математика и компьютеры практически не применяются, за редким исключением);
– автоматизированные системы управления (АСУ), в которых решение об управляющем воздействии принимается управляющей системой с участием человека в процессе их взаимодействия;
– в системах автоматического управления (САУ) процесс выработки управляющего воздействия полностью автоматизирован, т.е. оно принимается управляющей системой автоматически, без участия человека в реальном времени.
В САУ моделью объекта управления, отражающей зависимость его выходных параметров от входных, является передаточная функция, получить которую практически невозможно на основе эмпирических данных, кроме подхода, предложенного в работе [35]. Но и этот метод требует участия человека (эксперта), т.е. соответствует подходу, применяемому в АСУ.
Из вышесказанного следует, что существующие системы управления в нашем случае неприменимы.
В фундаментальном подходе исследуется влияние факторов различной природы на поведение объекта управления и прогнозирования, а в техническом – влияние прошлой части временного ряда на будущую его часть (относительно текущей точки во времени). Знание этих причинно-следственных связей используется для прогнозирования и принятия решений. В фундаментальном подходе существует проблема сбора информации о действующих на объект управления и прогнозирования факторах. В техническом подходе подобной проблемы нет, т.к. базы данных с временными рядами обычно более доступны. Поэтому на практике чаще используется технический подход, т.к. это проще.
Таким образом, возникает необходимость в применении нового математического метода учитывающего основные требования к прогнозированию результатов и принятию управленческих решений по выбору агротехнологий, обеспечивающего желаемый результат. В качестве такого метода предлагается применить для достижения поставленной цели метод автоматизированного системно-когнитивного анализа (АСК-анализ). Этот выбор обусловлен тем, что выбранный метод является непараметрическим, позволяет корректно и сопоставимо обрабатывать тысячи градаций факторов и будущих состояний объекта управления при неполных (фрагментированных), зашумленных данных различной природы, т.е. измеряемых в различных единицах измерения.
Кроме этого, АСК-анализ может рассматриваться как один из вариантов синтеза фундаментального и технического подходов к прогнозированию, т.к., с одной стороны, в АСК-анализе, как в техническом подходе, в качестве исходных данных могут использоваться временные ряды, а с другой стороны, – в этих временных рядах выявляются события, а затем причинно-следственные связи между этими событиями, как в фундаментальном подходе. Конечно, это не исключает возможности в АСК-анализе выявления и использования для прогнозирования влияния на объект прогнозирования других факторов, информация о которых в исследуемых временных рядах есть только в снятом (неявном) виде [33].
В числе первых попыток реальной автоматизации системного анализа следует отметить докторскую диссертацию В. С. Симанкова (2002). Эта попытка была основана на высокой детализации этапов системного анализа и подборе уже существующих программных систем, автоматизирующих эти этапы. Эта попытка была реализована, однако, лишь для специального случая исследования в области возобновляемой энергетики, т.к. системы оказались различных разработчиков, созданные с помощью различного инструментария и не имеющие программных интерфейсов друг с другом, т.е. не образующие единой автоматизированной системы. Эта попытка, безусловно, явилась большим шагом по пути, предложенному И. П. Стабиным, но и ее нельзя признать обеспечившей достижение поставленной им цели (создание автоматизированного системного анализа), т.к. она не привела к созданию единой универсальной программной системы, автоматизирующий системный анализ, которую можно было бы применять в различных предметных областях.
АСК-анализ разработан профессором Е. В. Луценко и предложен в 2002 г. [54, 55] и представляет собой новый универсальный метод искусственного интеллекта, представляющий собой единственный в настоящее время вариант автоматизированного системного анализа, а именно, системный анализ, структурированный по базовым когнитивным операциям.
Таким образом, предложена и обоснована возможность прогнозирования и принятия управленческих решений по выборуагротехнологий производства зерна озимой пшеницы путем применения методов искусственного интеллекта, а именно метода системно-когнитивного анализа, отличающегося от традиционных тем, что обеспечивается построение и адаптация модели сложного динамичного территориально распределенного нелинейного объекта прогнозирования непосредственно на основе фрагментированной и зашумленной эмпирической информации о нем. На основе этой модели могут решаться задачи идентификации, прогнозирования, поддержки принятия управляющих решений и исследования объекта моделирования путем исследования его модели [33-35,38].


ГЛАВА 3 ТЕОРЕТИЧЕСКОЕ И МЕТОДОЛОГИЧЕСКОЕ ОПИСАНИЕ СК-АНАЛИЗА

3.1 Теоретическое описание СК-анализа

Для метода СК-анализа разработаны: теоретические основы, включая базовую когнитивную концепцию; методика численных расчетов; программный инструментарий; технология и методика их применения.
Системно-когнитивный анализ представляет собой системный анализ, рассматриваемый как метод познания и структурированный по базовым когнитивным (познавательным) операциям (БКОСА) [32].
Когнитивная концепция СК-анализа разработана с учетом двух основных требований:
1. Адекватное отражение в когнитивной концепции реальных процессов, реализуемых человеком в процессах познания.
2. Высокая степень приспособленности когнитивной концепции для формализации в виде достаточно простых математических и алгоритмических моделей, допускающих прозрачную программную реализацию в автоматизированной системе.
Набор БКОСА следует из предложенной в [32] формализуемой когнитивной концепции, рассматривающей процесс познания, как многоуровневую иерархическую систему обработки информации в которой когнитивные структуры каждого уровня являются результатом интеграции структур предыдущего уровня.
На 1-м уровне этой системы находятся дискретные элементы потока чувственного восприятия, которые на 2-м уровне интегрируются в чувственный образ конкретного объекта. Те, в свою очередь, на 3-м уровне интегрируются в обобщенные образы классов и факторов, образующие на 4-м уровне кластеры, а на 5-м конструкты. Система конструктов на 6-м уровне образуют текущую парадигму реальности (т.е. человек познает мир путем синтеза и применения конструктов). На 7-м же уровне обнаруживается, что текущая парадигма не единственно-возможная (рисунок 4).


Рисунок 4 - Обобщенная схема формализуемой когнитивной концепции иерархия базовых когнитивных операций

Ключевым для когнитивной концепции является понятие факта, под которым понимается соответствие дискретного и интегрального элементов познания (т.е. элементов разных уровней интеграции-иерархии), обнаруженное на опыте. Факт рассматривается как квант смысла, что является основой для его формализации.
Таким образом, происхождение смысла связывается со своего рода "разностью потенциалов", существующей между смежными уровнями интеграции-иерархии обработки информации в процессах познания.
Из данной концепции выводятся структура когнитивного конфигуратора, система базовых когнитивных операций и обобщенная схема автоматизированного системного анализа, структурированного до уровня базовых когнитивных операций (СК-анализ) (рисунок 5).
Между когнитивными структурами разных уровней иерархии существует отношение "дискретное – интегральное". Именно это служит основой формализации смысла.


Рисунок 5 – Обобщенная схема системно-когнитивного анализа
Когнитивный конфигуратор, представляет собой минимальную полную систему когнитивных операций, названных "базовые когнитивные операции системного анализа"
Для решения задачи формализации БКОСА необходимо решить следующие задачи:
1. Выбор единой интерпретируемой численной меры для классов и атрибутов.
2. Выбор неметрической меры сходства объектов в семантических пространствах.
4. Определение идентификационной и прогностической ценности атрибутов.
5. Ортонормирование семантических пространств классов и атрибутов (Парето-оптимизация).
При построении модели объекта управления одной из принципиальных проблем является выбор формализованного представления для индикаторов, критериев и факторов (далее: факторов). Эта проблема распадается на две подпроблемы:
1. Выбор и обоснование смысла выбранной численной меры.
2. Выбор математической формы и способа определения (процедуры, алгоритма) количественного выражения для значений, отражающих степень взаимосвязи факторов и будущих состояний активного объекта управления (АОУ).
Рассмотрим требования к численной мере, определяемые существом подпроблем. Эти требования вытекают из необходимости совершать с численными значениями факторов математические операции (сложение, вычитание, умножение и деление), что в свою очередь необходимо для построения полноценной математической модели.
Требование 1: из формулировки 1-й подпроблемы следует, что все факторы должны быть приведены к некоторой общей и универсальной для всех факторов единице измерения, имеющей какой-то смысл, причем смысл, поддающийся единой сопоставимой в пространстве и времени интерпретации.
Традиционно в специальной литературе [57] рассматриваются следующие смысловые значения для факторов: стоимость (выигрыш-проигрыш или прибыль-убытки); полезность; риск; корреляционная или причинно-следственная взаимосвязь. Иногда предлагается использовать безразмерные меры для факторов, например эластичность, однако, этот вариант не является вполне удовлетворительным, т.к. не позволяет придать факторам содержательный и сопоставимый смысл и получить содержательную интерпретацию выводов, полученных на основе математической модели.
Таким образом, возникает ключевая при выборе численной меры проблема выбора смысла, т.е. по сути единиц измерения, для индикаторов, критериев и факторов.
Требование 2: высокая степень адекватности предметной области.
Требование 3: высокая скорость сходимости при увеличении объема обучающей выборки.
Требование 4: высокая независимость от артефактов.
Что касается конкретной математической формы и процедуры определения числовых значений факторов в выбранных единицах измерения, то обычно применяется метод взвешивания экспертных оценок, при котором эксперты предлагают свои оценки, полученные как правило неформализованным путем. При этом сами эксперты также обычно ранжированы по степени их компетентности. Фактически при таком подходе числовые значения факторов является не определяемой, искомой, а исходной величиной. Иначе обстоит дело в факторном анализе, но в этом методе, опять же на основе экспертных оценок важности факторов, требуется предварительно, т.е. перед проведением исследования, принять решение о том, какие факторы исследовать (из-за жестких ограничений на размерность задачи в факторном анализе). Таким образом оба эти подхода реализуемы при относительно небольших размерностях задачи, что с точки зрения достижения целей настоящего исследования, является недостатком этих подходов.
Поэтому самостоятельной и одной из ключевых проблем является обоснованный и удачный выбор математической формы для численной меры индикаторов и факторов.
Эта математическая форма с одной стороны должна удовлетворять предыдущим требованиям, прежде всего требованию 1, а также должна быть процедурно вычислимой, измеримой.
Существует большое количество мер сходства, из которых можно было бы упомянуть скалярное произведение, ковариацию, корреляцию, евклидово расстояние, расстояние Махалонобиса и др.
Проблема выбора меры сходства состоит в том, что при выбранной численной мере для координат классов и факторов она должна удовлетворять определенным критериям:
1. Обладать высокой степенью адекватности предметной области, т.е. высокой валидностью, при различных объемах выборки, как при очень малых, так и при средних и очень больших.
2. Иметь обоснованную, четкую, ясную и интуитивно понятную интерпретацию.
3. Быть нетрудоемкой в вычислительном отношении.
4. Обеспечивать корректное вычисление меры сходства для пространств с неортонормированным базисом.
5. Обеспечивать высокую достоверность и устойчивость идентификации при неполных (фрагментарных) и зашумленных данных.
Не все факторы имеют одинаковую ценность для решения задач идентификации, прогнозирования и управления. Традиционно считается, что факторы имеют одинаковую ценность только в тех случаях (обычно в психологии), когда определить их действительную ценность не представляется возможным по каким-либо причинам.
Для достижения целей, поставленных в данном исследовании, необходимо решить проблему определения ценности факторов, т.е. разработать математическую модель и алгоритм, которые допускают программную реализацию и обеспечивают на практике определение идентификационной и прогностической ценности факторов.
Если не все факторы имеют одинаковую ценность для решения задач идентификации, прогнозирования и управления, то возникает проблема исключения из системы факторов тех из них, которые не представляют особой ценности.
Удаление малоценных факторов вполне оправданно и целесообразно, т.к. сбор и обработка информации по ним в среднем связана с такими же затратами времени, вычислительных и информационных ресурсов, как и при обработке ценных факторов. В этом состоит идея Парето-оптимизации.
Однако это удаление должно осуществляться при вполне определенных граничных условиях, характеризующих результирующую систему:
– адекватность модели;
– количество признаков на класс;
– суммарное количество градаций признаков в описательных шкалах.
В противном случае удаление факторов может отрицательно сказываться на качестве решения задач. На практике проблема реализации Парето-оптимизации состоит в том, что факторы вообще говоря коррелируют друг с другом и поэтому их ценность может изменяться при удалении любого из них, в том числе и наименее ценного. Поэтому просто взять и удалить наименее ценные факторы не представляется возможным и необходимо разработать корректный итерационный вычислительный алгоритм обеспечивающий решение этой проблемы при заданных граничных условиях.
Наличие инструментария АСК-анализа (базовая система "Эйдос-Х++") [48] позволяет не только осуществить синтез семантической информационной модели (СИМ), но и периодически проводить адаптацию и синтез ее новых версий, обеспечивая тем самым ее локализацию для других мест применения и отслеживание динамики предметной области, сохраняя тем самым высокую адекватность модели в изменяющихся условиях. Важной особенностью АСК-анализа является возможность единообразной числовой обработки разнотипных по смыслу и единицам измерения числовых и нечисловых данных, в т.ч. текстовых и графических. Это обеспечивается тем, что нечисловым величинам тем же методом, что и числовым, приписываются сопоставимые в пространстве и времени, а также между собой, количественные значения, имеющие смысл количества информации или знаний, что позволяет сопоставимо обрабатывать их как числовые. При этом на первых двух этапах АСК-анализа числовые величины сводятся к интервальным оценкам, как и информация об объектах нечисловой природы (фактах, событиях, текстах) (этот этап реализуется и в методах интервальной статистики); на третьем этапе АСК-анализа всем этим величинам по единой методике, основанной на системном обобщении семантической теории информации А. Харкевича, сопоставляются количественные величины (имеющие смысл количества информации или знаний в признаке о принадлежности объекта к классу), с которыми в дальнейшем и производятся все операции моделирования (этот этап является уникальным для АСК-анализа).
АСК-анализ обеспечивает:
– выявление знаний о поведении сложной многопараметрической системы под действием большого количества факторов различной природы (измеряемых в различных единицах измерения) из эмпирических данных;
– формализацию этих знаний в форме баз знаний (с оценкой степени их адекватности);
– применение этих знаний для решения задач прогнозирования и поддержки принятия решений, т.е. управления (рисунок 6).

Рисунок 6- Цикл управления в АСК-анализе

Исходные данные об объекте управления и прогнозирования обычно представлены в форме баз данных, чаще всего временных рядов, т.е. данных, привязанных ко времени. Использовать для прогнозирования и принятия решений непосредственно исходные данные не представляется возможным. Для этого необходимо предварительно преобразовать данные в информацию и знания [34].
Информация есть осмысленные данные. Смысл данных, в соответствии с концепцией смысл Шенка-Абельсона, состоит в том, что известны причинно-следственные зависимости между событиями, которые описываются этими данными. Таким образом, данные преобразуются в информацию в результате операции, которая называется «Анализ данных» и состоит из двух этапов [34]:
1. Выявление событий в данных.
2. Выявление причинно-следственных зависимостей между событиями.
Знания – это информация, полезная для достижения целей.
Адекватным математическим инструментом для формального представления причинно-следственных зависимостей являются когнитивные функции. Когнитивные функции представляют собой многозначные интервальные функции многих аргументов, в которых различные значения функции в различной степени соответствуют различным значениям аргументов, причем количественной мерой этого соответствия выступает знания, т.е. информация о причинно-следственных зависимостях в эмпирических данных, полезная для достижения целей [34].
Математическая модель АСК-анализа основана на системной теории информации, которая создана в рамках реализации программной идеи обобщения всех понятий математики, в частности теории информации, базирующихся на теории множеств, путем тотальной замены понятия множества на более общее понятие системы и тщательного отслеживания всех последствий этой замены. Благодаря математической модели, положенной в основу АСК-анализа, этот метод является непараметрическим и позволяет сопоставимо обрабатывать тысячи градаций факторов (признаков) и будущих состояний объекта управления (категорий) при неполных (фрагментированных), зашумленных данных различной природы, т.е. измеряемых в различных единицах измерения.
При этом на этапе синтеза модели осуществляется многокритериальная типизация респондентов обучающей выборки по исследуемым категориям, т.е. рассчитывается количество информации, которое содержится в фактах попадания углов долготы в интервалы (рассматриваемые как критерии), о принадлежности респондента к тем или иным категориям, а на этапе идентификации эта информация используется для расчета степени сходства конкретных респондентов с обобщенными категориями.
Результат идентификации респондента, описанного данной системой признаков, представляет собой список обобщенных категорий (классов), в котором они расположены в порядке убывания суммарного количества информации о принадлежности респондента к каждому из них. Математическая модель позволяет сформировать информационные портреты классов и признаков, а также осуществить их кластерный и конструктивный анализ.
Информационный портрет класса (обобщенной категории) показывает какое количество информации содержит каждый признак о принадлежности респондента к данной категории.
Информационный (семантический) портрет признака является его развернутой смысловой количественной характеристикой, в которой содержится информация о принадлежности респондента, обладающего данным признаком, ко всем обобщенным категориям.
Кластеры классов представляют собой группы категорий, сходных по характерным для них признакам.
Кластеры признаков представляют собой группы признаков, сходных по их смыслу, т.е. по тому, какую информацию о принадлежности респондентов, обладающих этими признаками к обобщенным категориям они содержат.
Под конструктом понимается система противоположных (наиболее сильно отличающихся) кластеров, которые называются «полюсами» конструкта, а также спектр промежуточных кластеров, к которым применима количественная шкала измерения степени их сходства или различия.
Конструкты могут быть получены как результат кластерного анализа кластеров категорий или признаков, при этом конструкт рассматривается как кластер с нечеткими границами, включающий в различной степени, причем не только в положительной, но и в отрицательной, все классы или признаки.
Конструктивный анализ позволяет определить в принципе совместимые и в принципе несовместимые по характерным для них признакам классы или обобщенные категории. Совместимыми называются классы, для которых характерны сходные системы признаков, а несовместимыми – для которых они диаметрально противоположны и одновременно неосуществимы.
По результатам кластерно-конструктивного анализа строятся диаграммы смыслового сходства-различия классов (признаков), соответствующие определению семантических сетей и нечетких когнитивных схем, т.е. представляющие собой ориентированные графы, в которых классы (признаки) соединены линиями, толщина которых соответствует модулю, а цвет знаку их сходства-различия.
Предложенная математическая модель в обобщенной постановке обеспечивает содержательное сравнение классов друг с другом и признаков друг с другом, т.е. построение когнитивных диаграмм. Например, информационные портреты классов содержат информацию о характерности признаков для классов.
Кластерно-конструктивный анализ обеспечивает сравнение классов друг с другом, т.е. дает степень их сходства и различия. Но он не дает информации о том, какими признаками эти классы похожи и какими отличаются, и какой вклад каждый признак вносит в сходство или различие некоторых двух классов. Информация об этом генерируется на основе анализа и сравнения двух информационных портретов, что и осуществляется при содержательном сравнении классов. Каждая пара признаков, принадлежащих сравниваемым классам, образует «смысловую связь», вносящую определенный вклад в сходство/различие между этими классами если эти признаки тождественны друг другу или между ними имеется определенное сходство/различие по смыслу. Список связей сортируется в порядке убывания модуля силы связи, причем учитывается не более заданного их количества (это связано с ограничениями при графическом отображении).
Графической визуализацией результатов содержательного сравнения классов являются когнитивные диаграммы с многозначными связями. На когнитивной диаграмме классов отображены их информационные портреты, в которых факторы расположены в порядке убывания их характерности для этих классов, а линии, соединяющие признаки, имеют толщину и цвет, соответствующие модулю и знаку их вклада в сходство-различие классов. Когнитивная диаграмма классов дает детальную расшифровку структуры конкретной линии связи семантической сети. Кроме того, предложены и реализованы в модели инвертированные когнитивные диаграммы, детально раскрывающие сходство-различие двух признаков по их влиянию на принадлежность респондента к различным категориям, а также прямые и инвертированные диаграммы В.С. Мерлина (1986), в которых показаны уровни и знаки связей между признаками различных уровней интегративности по их характерности для различных категорий. Предложены и реализованы также классические и интегральные когнитивные карты, представляющие собой диаграммы, объединяющие семантические сети классов и признаков и нелокальные нейронные сети [33, 57].


3.2 Методика численных расчетов СК-анализа

Математическая модель СК-анализа является реализацией в области теории информации программной идеи системного обобщения математики.
Классическая формула Хартли имеет вид:
(1)
Найдем ее системное обобщение в виде:
(2)
Системное обобщение формулы Хартли для равновероятностных состояний объекта управления имеет вид:
(3)
где количество подсистем и m элементов;
m – сложность подсистем;
M – максимальная сложность подсистем.
Так как , то при M=1 система переходит в множество и выражение (3) приобретает вид (1), т.е. для него выполняется принцип соответствия, являющийся обязательным для более общей теории.
Учитывая, что при
M=W: (4)
Получается
(5)
Выражение (5) дает приближенную оценку максимального количества информации в элементе системы. Из выражения (5) видно, что при увеличении числа элементов W количество информации I быстро стремится к W (6) и уже при W>4 погрешность выражения (5) не превышает 1%:
При
(6)
Приняв равные части выражений (2) и (3) получим выражение для коэффициента эмерджентности Хартли:
(7)
Необходимо отметить, что при M®1 когда система асимптотически переходит в множество j®1 и (2) ® (1), как и должно быть согласно принципу соответствия.
С учетом (7) выражение (2) примет вид:
(8)
или при M=W и больших W, учитывая (4 и 5):
(9)
Выражение (8) и представляет собой искомое системное обобщение классической формулы Хартли, а выражение (9) – его достаточно хорошее приближение при большом количестве элементов в системе W.
Классическая формула А.Харкевича имеет вид:
(10)
где: – условная вероятность перехода объекта в j-е состояние при условии действия на него i-го значения фактора;
– безусловная вероятность перехода объекта в j-е состояние (вероятность самопроизвольного перехода или вероятность перехода, посчитанная по всей выборке, т.е. при действии любого значения фактора).
Придадим выражению (10) следующий эквивалентный вид при котором:
(11)
где: i - признак (значение фактора): 1£ i £ M;
j - состояние объекта или класс: 1£ j £ W;
Pij – условная вероятность наблюдения i-го значения фактора у объектов в j-го класса;
Pi – безусловная вероятность наблюдения i-го значения фактора по всей выборке.
Из (11) видно, что формула Харкевича для семантической меры информации по сути является логарифмом от формулы Байеса для апостериорной вероятности (отношение условной вероятности к безусловной).
Известно, что классическая формула Шеннона для количества информации для неравновероятных событий преобразуется в формулу Хартли при условии, что события равновероятны, т.е. удовлетворяет фундаментальному принципу соответствия. Поэтому теория информации Шеннона справедливо считается обобщением теории Хартли для неравновероятных событий.
Однако, выражения (10) и (11) при подстановке в них реальных численных значений вероятностей Pij, Pj и Pi не дает количества информации в битах, т.е. для этого выражения не выполняется принцип соответствия, обязательный для более общих теорий. Возможно, в этом состоит причина довольно сдержанного, а иногда и скептического отношения специалистов по теории информации Шеннона к семантической теории информации Харкевича.
Причину этого мы видим в том, что в выражениях (10) и (11) отсутствуют глобальные параметры конкретной модели W и M, т.е. в том, что А.Харкевич в своем выражении для количества информации не ввел зависимости от мощности пространства будущих состояний объекта W и количества значений факторов M, обуславливающих переход объекта в эти состояния.
Поставим задачу получить такое обобщение формулы Харкевича, которое бы удовлетворяло тому же самому принципу соответствия, что и формула Шеннона, т.е. преобразовывалось в формулу Хартли в предельном детерминистском равновероятном случае, когда каждому классу (состоянию объекта) соответствует один признак (значение фактора), и каждому признаку – один класс, и эти классы (а, значит и признаки), равновероятны, и при этом каждый фактор однозначно, т.е. детерминистским образом определяет переход объекта в определенное состояние, соответствующее классу.
Обобщение формулы (10) найдем в виде:
(12)
Найдем такое выражение для коэффициента , названого нами в честь А.Харкевича "коэффициентом эмерджентности Харкевича", которое обеспечивает выполнение для выражения (12) принципа соответствия с классической формулой Хартли (1) и ее системным обобщением (2 и 3) в равновероятном детерминистском случае.
Для этого нам потребуется выразить вероятности Pij, Pj и Pi через частоты наблюдения признаков по классам (таблица 3). В таблице 1 рамкой обведена область значений, переменные определены ранее. Строки соответствуют факторам, столбцы – будущим целевым и нежелательным состояниям объекта управления, а на пересечении приведено количество наблюдений фактов.
Объекты обучающей выборки описываются векторами (массивами) имеющихся у них признаков:
(13)
Первоначально в матрице абсолютных частот все значения равны нулю. Затем организуется цикл по объектам обучающей выборки. Если предъявленного объекта относящегося к j-му классу есть i-й признак, то:



Таблица 3 – Матрица абсолютных частот

Классы
Сумма

1
...
j
...
W

Значения факторов
1







...







i







...







M






Суммарное
количество
признаков






Суммарное
количество
объектов
обучающей
выборки





N

Здесь можно провести очень интересную и важную аналогию между способом формирования матрицы абсолютных частот и работой многоканальной системы выделения полезного сигнала из шума. Представим себе, что все объекты, предъявляемые для формирования обобщенного образа некоторого класса в действительности являются различными реализациями одного объекта – "Эйдоса" (в смысле Платона), по-разному зашумленного различными случайными обстоятельствами. И наша задача состоит в том, чтобы подавить этот шум и выделить из него то общее и существенное, что отличает объекты данного класса от объектов других классов. Учитывая, что шум чаще всего является "белым" и имеет свойство при суммировании с самим собой стремиться к нулю, а сигнал при этом наоборот возрастает пропорционально количеству слагаемых, то увеличение объема обучающей выборки приводит ко все лучшему отношению сигнал/шум в матрице абсолютных частот, т.е. к выделению полезной информации из шума. Примерно так мы начинаем постепенно понимать смысл фразы, которую мы сразу не расслышали по телефону и несколько раз переспрашивали. При этом в повторах шум не позволяет понять то одну, то другую часть фразы, но в конце концов за счет использования памяти и интеллектуальной обработки информации мы понимаем ее всю. Так и объекты, описанные признаками, можно рассматривать как зашумленные фразы, несущие нам информацию об обобщенных образах классов: "Эйдосах" [36, 37], к которым они относятся. И эту информацию мы выделяем из шума при синтезе модели.
В результате формулы 10, 11 и 12 принимают вид:
(14)
(15)
(16)
(17)
, (18)
=
где: Nij – суммарное количество наблюдений в исследуемой выборке факта: "действовало i-е значение фактора и объект перешел в j-е состояние";
Nj – суммарное количество встреч различных факторов у объектов, перешедших в j-е состояние;
Ni – суммарное количество встреч i-го фактора у всех объектов исследуемой выборки;
N – суммарное количество встреч различных факторов у всех объектов исследуемой выборки.
На основе анализа матрицы частот классы можно сравнивать по наблюдаемым частотам признаков только в том случае, если количество объектов по всем классам одинаково, как и суммарное количество признаков по классам. Если же они отличаются, то корректно сравнивать классы можно только по условным и безусловным вероятностям наблюдения признаков, посчитанных на основе матрицы частот в соответствии с выражениями (14) и (15), в результате чего получается матрица условных и безусловных вероятностей (процентных распределений) (таблица 4).

Таблица 4 – Матрица условных и безусловных процентных распределений

Классы
Безусловная
вероятность
признака

1
...
j
...
W

Значения факторов
1







...







i







...







M






Безусловная
вероятность
класса







При расчете матрицы условных и безусловных вероятностей Nj из таблицы 1 могут браться либо из предпоследней, либо из последней строки. В 1-м случае Nj представляет собой "Суммарное количество признаков у всех объектов, использованных для формирования обобщенного образа j-го класса", а во 2-м случае, это "Суммарное количество объектов обучающей выборки, использованных для формирования обобщенного образа j-го класса", соответственно получаем различные, хотя и очень сходные семантические информационные модели, которые мы называем СИМ-1 и СИМ-2. Оба этих вида моделей поддерживаются системой "Эйдос".
Эквивалентность выражений (10) и (11) устанавливается, если подставить в них выражения вероятности Pij, Pj и Pi через частоты наблюдения признаков по классам из (14-18). В обоих случаях из выражений (10) и (11) получается одно и тоже выражение (19):
(19)
Формула (12) будет выглядеть как:
(20)
При взаимно-однозначном соответствии классов и признаков в равновероятном детерминистском случае матрица принимает вид (таблица 3). К каждому классу относится один объект, имеющий единственный признак.
Получаем, что для всех i и j (21):
(21)
Таким образом, обобщенная формула А.Харкевича (20) с учетом (21) приобретает вид:
(22)
В свою очередь:
(23)
или, учитывая выражение для коэффициента эмерджентности Хартли (7):
(24)
Таблица 5 – Матрица частот в равновероятном детерминистском случае

Классы
Сумма

1
...
j
...
W

Значения факторов
1
1




1

...

1



1

i


1


1

...



1

1

M




1
1
Сумма
1
1
1
1
1
N

Подставив коэффициент эмерджентности А.Харкевича (21) в выражение (20), получим:
(25)
На практике для численных расчетов удобнее использовать формулу (27), которая получается непосредственно из (20) после подстановки в него выражения (26), когда система эквивалентна множеству (M=1), коэффициент эмерджентности А.Харкевича приобретает вид:
(26)
(27)
В классическом анализе Шеннона идет речь лишь о передаче символов по одному информационному каналу от одного источника к одному приемнику. Его интересует, прежде всего, передача самого сообщения.
В данной работе ставится другая задача: идентифицировать или распознать информационный источник по сообщению от него. Поэтому метод Шеннона был обобщен путем учета в математической модели возможности существования многих источников информации, о которых к приемнику по зашумленному каналу связи приходят не отдельные символы-признаки, а сообщения, состоящие из последовательностей символов (признаков) любой длины.
Следовательно, ставится задача идентификации информационного источника по сообщению от него, полученному приемником по зашумленному каналу. Метод, являющийся обобщением метода К.Шеннона, позволяет применить классическую теорию информации для построения моделей систем распознавания образов и принятия решений, ориентированных на применение для синтеза адаптивных АСУ сложными объектами.
Для решения поставленной задачи необходимо вычислять не средние информационные характеристики, как в теории Шеннона, а количество информации, содержащееся в конкретном i-м признаке (символе) о том, что он пришел от данного j-го источника информации. Это позволит определить и суммарное количество информации в сообщении о каждом информационном источнике, что дает интегральный критерий для идентификации или прогнозирования состояния объекта.
Логично предположить, что среднее количество информации, содержащейся в системе признаков о системе классов
(28)
является ничем иным, как усреднением (с учетом условной вероятности наблюдения) "индивидуальных количеств информации", которые содержатся в конкретных признаках о конкретных классах (источниках), т.е.:
(29)
Необходимо отметить, что применение сложения в выражении (29) является вполне корректным и оправданным, так как информация с самого начала вводилась как аддитивная величина, для которой операция сложения является корректной.
Преобразуем выражение (29) к виду, более удобному для применения на практике для численных расчетов. Для этого традиционным для теории информации Шеннона способом выразим вероятности встреч признаков через частоты их наблюдения:
, , (30)
Подставив (30) в (29), получим:
(31)
Если ранжировать классы в порядке убывания суммарного количества информации о принадлежности к ним, содержащейся в данном сообщении (т.е. описании объекта), и выбирать первый из них, т.е. тот, о котором в сообщении содержится наибольшее количество информации, то мы получим обоснованную статистическую процедуру, основанную на классической теории информации, оптимальность которой доказывается в фундаментальной лемме Неймана-Пирсона [57].
Подставим значения вероятностей из (30) в (28) и получим выражением для плотности информации Шеннона, выраженное не через вероятности, а через частоты наблюдения символов, которые рассматриваются как признаки объектов, т.е. количество информации, содержащееся в отдельном i-м признаке о том, что другом конце канала связи находится j-й объект (32):
(32)
Сравнивая выражения (25) и (32) видим, что в системном обобщении формулы Харкевича 1-е слагаемое практически тождественно выражению Шеннона для плотности информации, а 2-е слагаемое представляющем собой плотность информации по Хартли.
Различия состоят в том, что в выражении (25) это слагаемое возведено в степень, имеющую смысл коэффициента эмерджентности Харкевича. Поэтому вполне оправданным называть это слагаемое не коэффициентом эмерджентности Харкевича, а коэффициентом эмерджентности Шеннона-Харкевича. Необходимо отметить также, что значения частот в этих формулах связаны с вероятностями несколько различным образом (выражения 14-18 и 30).
Из этого следует также, что полученное выражение (25) представляет собой нелинейную суперпозицию выражений для плотности информации Шеннона и Хартли, и, таким образом, является обобщающим выражением для плотности информации, которое при различных условиях асимптотически переходит в классические выражения Хартли и Харкевича, а от выражения Шеннона отличается лишь константой, т.е. 2-м слагаемым, характеризующим мощность множества состояний объекта в модели.
Это позволяет нам обоснованно высказать гипотезу о том, что системная теория информации (СТИ), базирующаяся на выражении (25) для плотности информации, является более общей, чем теории Хартли, Шеннона и Харкевича и асимптотически связана с ними через принцип соответствия (рисунок 7).
На основе анализа матрицы условных и безусловных вероятностей (таблица 3) наблюдений признаков по классам и всей выборке можно сравнивать признаки друг с другом по их роли для сравнения классов друг с другом и конкретных объектов с обобщенными классами. При этом существует 3 основных группы признаков:
1 - в одном классе встречаются, а в других нет. Это детерминистские признаки, обнаружение такого признака у объекта однозначно определяет его принадлежность к соответствующему классу;
2 - в одном классе встречаются чаще, чем в других. Это статистические признаки, обнаружение такого признака у объекта несет некоторую информацию о его принадлежности к соответствующему классу.
3 - в разных классах встречаются одной и той же вероятностью. Это признаки, обнаружение которых у объекта не несет никакой информации о его принадлежности к тем или иным классам.

Рисунок 7 – Генезис системной (эмерджентной) теории информации
Используя таблицу 4, проанализировав условные вероятности (или процентные распределения) признаков по классам, можно вынести правдоподобные суждения о принадлежности объектов, обладающих этими признакам к тем или иным классам.
Но при этом существуют два недостатка:
1. Для того, чтобы отнести признак к одной из вышеперечисленных групп необходимо сравнивать вероятности его наблюдения по классам, т.е. каждый раз при таком сравнении выполнять соответствующую необходимую для этого работу.
2. При отнесении признака ко 2-й группе этого самого по себе еще недостаточно для его использования с целью идентификации объекта, а необходимо еще оценить количество информации, которое содержится в факте обнаружения у объекта этого признака о принадлежности этого объекта к каждому из классов, а для этого необходим соответствующий математический и численный метод.
Что касается 1-го недостатка, то о нем можно сказать, что для реальных задач большой размерности выполнение этого сравнения вручную практически невозможно, а значит тем более невозможно и использование результатов этого сравнения для решения задач идентификации, прогнозирования и поддержки принятия решений, а тем более для исследования предметной области путем исследования ее модели. Все это обусловлено тем, что результат сравнения вероятностей встречи признака по классам не представляется при ручной обработке в количественной форме некоторого одного числа: частного критерия, величина и знак которого отражали бы результат такого сравнения.
2-й недостаток преодолевается методом, который предложен А.Харкевичем в выражениях (10) и (11) и уточнен нами в системном обобщении этих выражений (20). В этом методе предложено сравнивать не условные вероятности наблюдения признаков по различным классам друг с другом, а условную вероятность наблюдения признака по классу с безусловной вероятностью его наблюдения по всей выборке.
Это предложение по своей сути полностью соответствует известному статистическому методу отклонений от средних и нормативному подходу, когда в качестве базы сравнения выбирается норма, т.е. среднее по всей группе. На основе этого подхода формируются и критерии сравнения, т.е. можно сказать, что критериальный подход изначально основан на нормативном.
Если такое сравнение провести по всем признакам и классам, то получится матрица, снимающая оба указанных недостатка: используя выражение (20) и данные таблицы 3 непосредственно прямым счетом получаем матрицу знаний (таблица 6):

Таблица 6 – Матрица знаний информативностей

Классы
Значимость
фактора

1
...
j
...
W

Значения факторов
1







...







i







...







M






Степень
редукции
класса
1

j

W



Среднее количество знаний в i-м значении фактора () определяется:
(33)
При расчете матрицы знаний Nj из таблицы 1 могут браться либо из предпоследней, либо из последней строки. В 1-м случае Nj представляет собой "Суммарное количество признаков у всех объектов, использованных для формирования обобщенного образа j-го класса", а во 2-м случае, это "Суммарное количество объектов обучающей выборки, использованных для формирования обобщенного образа j-го класса", соответственно получаем различные, хотя и очень сходные семантические информационные модели, которые мы называем СИМ-1 и СИМ-2. Оба этих вида моделей поддерживаются системой "Эйдос".
Количественные значения коэффициентов таблицы 4 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 интуитивным неформализуемым способом, а рассчитываются непосредственно на основе эмпирических данных на основе теоретически обоснованной модели, хорошо зарекомендовавшей себя на практике при решении широкого круга задач в различных предметных областях.
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. В векторе i-го фактора (строка матрицы информативностей) отображается, какое количество информации о переходе объекта управления в каждое из будущих состояний содержится в том факте, что данный фактор действует. В векторе j-го состояния класса (столбец матрицы информативностей) отображается, какое количество информации о переходе объекта управления в соответствующее состояние содержится в каждом из факторов.
Таким образом, матрица знаний (информативностей) (таблица 4) является обобщенной таблицей решений, в которой входы (факторы) и выходы (будущие состояния объекта управления) связаны друг с другом не с помощью классических (Аристотелевских) импликаций, принимающих только значения: "Истина" и "Ложь", а различными значениями истинности, выраженными в битах и принимающими значения от положительного теоретически-максимально-возможного ("Максимальная степень истинности"), до теоретически неограниченного отрицательного ("Степень ложности").
Фактически предложенная модель позволяет осуществить синтез обобщенных таблиц решений для различных предметных областей непосредственно на основе эмпирических исходных данных и продуцировать на их основе прямые и обратные правдоподобные (нечеткие) логические рассуждения по неклассическим схемам с различными расчетными значениями истинности, являющимся обобщением классических импликаций.
Таким образом, данная модель позволяет рассчитать какое количество информации содержится в любом факте о наступлении любого события в любой предметной области, причем для этого не требуется повторности этих фактов и событий. Если же эти повторности осуществляются и при этом наблюдается некоторая вариабельность значений факторов, обуславливающих наступление тех или иных событий, то модель обеспечивает многопараметрическую типизацию, т.е. синтез обобщенных образов классов или категорий наступающихсобытий с количественной оценкой степени и знака влияния на их наступление различных значений факторов. Причем эти значения факторов могут быть как количественными, так и качественными и измеряться в любых единицах измерения, в любом случае в модели оценивается количество информации которое в них содержится о наступлении событий, переходе объекта управления в определенные состояния или просто о его принадлежности к тем или иным классам.
Кроме этого, данная модель позволяет прогнозировать поведение объекта управления при воздействии на него не только одного, но и целой системы факторов:
(34)
В теории принятия решений скалярная функция Ij векторного аргумента называется интегральным критерием. Основная проблема состоит в выборе такого аналитического вида функции интегрального критерия, который обеспечил бы эффективное решение сформулированной выше задачи АСУ.
Учитывая, что частные критерии (20) имеют смысл количества информации, а информация по определению является аддитивной функцией, предлагается ввести интегральный критерий, как аддитивную функцию от частных критериев в виде:
(35)
где – вектор j-го класса-состояния объекта управления;
– вектор состояния предметной области, включающий все виды факторов, характеризующих объект управления, возможные управляющие воздействия и окружающую среду (массив-локатор), т.е.:
(36)
В реализованной модели значения координат вектора состояния предметной области принимались равными либо 1 (фактор действует), либо 0 (фактор не действует).
Таким образом, интегральный критерий представляет собой суммарное количество информации, содержащееся в системе значений факторов различной природы (т.е. факторах, характеризующих объект управления, управляющее воздействие и окружающую среду) о переходе объекта управления в то или иное будущее состояние.
В многокритериальной постановке задача прогнозирования состояния объекта управления, при оказании на него заданного многофакторного управляющего воздействия Ij, сводится к максимизации интегрального критерия:
(37)
Задача принятия решения о выборе наиболее эффективного управляющего воздействия является обратной задачей по отношению к задаче максимизации интегрального критерия (идентификации и прогнозирования), т.е. вместо того, чтобы по набору факторов прогнозировать будущее состояние объекта, наоборот, по заданному (целевому) состоянию объекта определяется такой набор факторов, который с наибольшей эффективностью перевел бы объект управления в это состояние.
Предлагается еще одно обобщение фундаментальной леммы Неймана-Пирсона, основанное на косвенном учете корреляций между информативностями в векторе состояний при использовании средних по векторам. Соответственно, вместо простой суммы количеств информации предлагается использовать корреляцию между векторами состояния и объекта управления, которая количественно измеряет степень сходства этих векторов:
(38)
где: – средняя информативность по вектору класса;
– среднее по вектору идентифицируемой ситуации (объекта).
– среднеквадратичное отклонение информативностей вектора класса;
– среднеквадратичное отклонение по вектору распознаваемого объекта.
Важно также отметить неметрическую природу предложенного интегрального критерия сходства, благодаря чему его применение является корректным и при неортонормированном семантическом информационном пространстве, каким оно в подавляющем количестве случае и является, т.е. в общем случае.
Результат прогнозирования поведения объекта управления, описанного данной системой факторов, представляет собой список его возможных будущих состояний, в котором они расположены в порядке убывания суммарного количества информации о переходе объекта управления в каждое из них.
Статистика представляет собой сумму вероятностей совместного наблюдения признаков и объектов по всей корреляционной матрице или определенным ее подматрицам (т.е. сумму относительных отклонений частот совместного наблюдения признаков и объектов от среднего):
(39)
где – фактическое количество встреч i-го признака у объектов j-го класса;
t – ожидаемое количество встреч i-го признака у объектов j-го класса.
при чем (40)
Статистика математически связана с количеством информации в системе признаков о классе распознавания в соответствии с системным обобщением формулы Харкевича для плотности информации (20) и формулы 40 получим:
(41)
или (42)
Сравнивая выражения (39) и (42), видим, что числитель в выражении (39) под знаком суммы отличается от выражения (42) только тем, что в выражении (37) вместо значений Nij и t взяты их логарифмы. Так как логарифм является монотонно возрастающей функцией аргумента, то введение логарифма не меняет общего характера поведения функции.
Фактически это означает, что:
(43)
Из изложенного следует интерпретация системной меры информации (41) с учетом статистики (39): если фактическая вероятность наблюдения i-го признака при предъявлении объекта j-го класса равна ожидаемой (средней), то наблюдение этого признака не несет никакой информации о принадлежности объекта к данному классу. Если она выше средней, то это свидетельствует в пользу того, что предъявлен объект данного класса, если ниже – то другого.
Поэтому наличие статистической связи (информации) между признаками и классами распознавания, т.е. отличие вероятностей их совместных наблюдений от предсказываемого в соответствии со случайным нормальным распределением, приводит к увеличению фактической статистики по сравнению с теоретической величиной.
Из этого следует возможность использования в качестве количественной меры степени выраженности закономерностей в предметной области не матрицы абсолютных частот и меры , а новой меры H, основанной на матрице информативностей и системном обобщении формулы Харкевича для количества информации:
(44)
Отсюда (45)
Меру H в выражении (45) предлагается назвать обобщенным критерием степени сформированности модели Харкевича.
Значение данной меры показывает среднее отличие количества информации в факторах о будущих состояниях активного объекта управления от среднего количества информации в факторе (которое при больших выборках близко к 0). По своей математической форме эта мера сходна с мерами для значимости (интегральной информативности) факторов и степени сформированности образов классов и коррелирует с объемом неортонормированного семантического информационного пространства классов и семантического информационного пространства атрибутов.
Вышеописанная математическая модель обеспечивает инвариантность результатов ее синтеза относительно следующих параметров обучающей выборки: суммарное количество и порядок ввода анкет обучающей выборки; количество анкет обучающей выборки по каждому классу распознавания; суммарное количество признаков во всех анкетах обучающей выборки; суммарное количество признаков по классам распознавания; количество признаков и их порядок в отдельных анкетах обучающей выборки. Это обеспечивает высокую степень качества решения задач распознавания на неполных и разнородных (в вышеперечисленных аспектах) данных как обучающей, так и распознаваемой выборки, т.е. при таких статистических характеристиках потоков этих данных, которые чаще всего и встречается на практике и которыми невозможно или очень сложно управлять.
Оценка адекватности семантической информационной модели в СК-анализе и бутстрепные методы
Под адекватностью модели СК-анализа понимается ее внутренняя и внешняя дифференциальная и интегральная валидность. Понятие валидности является уточнением понятия адекватности, для которого определены процедуры количественного измерения, т.е. валидность – это количественная адекватность. Это понятие количественно отражает способность модели давать правильные результаты идентификации, прогнозирования и способность вырабатывать правильные рекомендации по управлению.
Под внутренней валидностью понимается валидность модели, измеренная после синтеза модели путем идентификации объектов обучающей выборки.
Под внешней валидностью понимается валидность модели, измеренная после синтеза модели путем идентификации объектов, не входящих в обучающую выборку.
Под дифференциальной валидностью модели понимается достоверность идентификации объектов в разрезе по классам.
Под интегральной валидностью средневзвешенная дифференциальная валидность.
Возможны все сочетания: внутренняя дифференциальная валидность, внешняя интегральная валидность и т.д.
Основная идея бутстрепа по Б.Эфрону [57] состоит в том, что методом Монте-Карло (статистических испытаний) многократно извлекаются выборки из эмпирического распределения. Эти выборки, естественно, являются вариантами исходной, напоминают ее.
Эта идея позволяет сконструировать алгоритм измерения адекватности модели, состоящий из двух этапов:
1. Синтез модели на одном случайном подмножестве обучающей выборки.
2. Измерение валидности модели на оставшемся подмножестве обучающей выборки, не использованном для синтеза модели.
Поскольку оба случайных подмножества имеют переменный состав по объектам обучающей выборки, то подобная процедура должна повторяться много раз, после чего могут быть рассчитаны статистические характеристики адекватности модели, например, такие как:
– средняя внешняя валидность;
– среднеквадратичное отклонение текущей внешней валидности от средней и другие.
Достоинство бутстрепного подхода к оценке адекватности модели состоит в том, что он позволяет измерить внешнюю валидность на уже имеющейся выборке и изучить статистические характеристики, характеризующие адекватность модели при изменении объема и состава выборки.
Предложенная семантическая информационная модель является непараметрической, т.к. базируется на системной теории информации [32], которая никоим образом не основана на предположениях о нормальности распределений исследуемой выборки.
Под робастными понимаются процедуры, обеспечивающие устойчивую работу модели на исходных данных, зашумленных артефактами, т.е. данными, выпадающими из общих статистических закономерностей, которым подчиняется исследуемая выборка.
Критерий выявления артефактов, реализованный в СК-анализе, основан на том, что при увеличении объема статистики частоты значимых атрибутов растут, как правило, пропорционально объему выборки, а частоты артефактов так и остаются чрезвычайно малыми, близкими к единице. Таким образом, выявление артефактов возможно только при достаточно большой статистике, т.к. в противном случае недостаточно информации о поведении частот атрибутов с увеличением объема выборки.
В модели реализована такая процедура удаления наиболее вероятных артефактов, и она, как показывает опыт, существенно повышает качество (адекватность) модели.


3.3 Методика применения СК-анализа и программный
инструментарий системы «Эйдос – Х++»

Методика СК-анализа обеспечивает повышение степени формализации знаний о предметной области до уровня, достаточного для представления знаний в автоматизированной системе искусственного интеллекта и решения в ней задач идентификации, прогнозирования и поддержки принятия решений (управления), которая включает следующие этапы:
1) когнитивная структуризация предметной области;
2) формализация предметной области (определение классификационных и описательных шкал и градаций);
3) подготовка обучающей выборки (ввод данных мониторинга в базу прецедентов);
4) синтез и верификация семантической информационной модели (измерение внутренней и внешней, дифференциальной и интегральной валидности);
7) системно-когнитивный анализ СИМ, исследование моделируемого объекта с помощью:
– решения задач идентификации и прогнозирования;
– генерации информационных портретов классов и факторов (решение обратной задачи прогнозирования, поддержка принятия решений по управлению);
– кластерно-конструктивный анализ классов и факторов (результаты отображаются в форме семантических сетей классов и факторов);
– содержательное сравнение классов и факторов (результаты отображаются в форме когнитивных диаграмм классов и факторов);
– изучение системы детерминации состояний моделируемого объекта, нелокальные нейроны и интерпретируемые нейронные сети;
– изучение когнитивных функций (функции влияния);
– построение классических когнитивных моделей (когнитивных карт).
– построение интегральных когнитивных моделей (интегральных когнитивных карт).
Выполнение этих этапов обеспечивается с помощью специального программного инструментария АСК-анализа – универсальной когнитивной аналитической системы «Эйдос –Х++», которая является отечественным лицензионным программным продуктом [54, 55], созданным исключительно с использованием официально приобретенного лицензионного программного обеспечения.
Общая структура системы «Эйдос –Х++» представлена в приложении 1.
Для разработки информационной модели предметной области необходимо владеть основными принципами ее когнитивной структуризации и формализованного описания. Преобразование эмпирических данных в информацию, а затем и знания в автоматизированном системно-когнитивном анализе и его программном инструментарии – системе «Эйдос-Х++» (рисунок 8).

Рисунок 8 - Последовательность обработки данных, информации и знаний в системе «Эйдос-Х++»

Синтез содержательной информационной модели включает следующие этапы:
1. Формализация (когнитивная структуризация предметной области).
2. Формирование исследуемой выборки и управление ею.
3. Синтез или адаптация модели.
4. Оптимизация модели.
5. Измерение адекватности модели (внутренней и внешней, интегральной и дифференциальной валидности), ее скорости сходимости и семантической устойчивости.
Идентификация и прогнозирование состояния объекта управления, выработка управляющих воздействий включает:
1. Ввод распознаваемой выборки.
2. Пакетное распознавание.
3. Вывод результатов распознавания и их оценку.
Углубленный анализ содержательной информационной модели предметной области выполняется в подсистеме "Типология" и включает:
1. Информационный и семантический анализ классов и признаков.
2. Кластерно-конструктивный анализ классов распознавания и признаков, включая визуализацию результатов анализа в оригинальной графической форме когнитивной графики (семантические сети классов и признаков).
3. Когнитивный анализ классов и признаков (когнитивные диаграммы и диаграммы Вольфа Мерлина).
Кроме этого система «Эйдос-X++» обеспечивает графическую визуализацию результатов анализа в форме когнитивной графики (простых и интегральных когнитивных карт, семантических сетей и когнитивных диаграмм).
В системе «Эйдос-X++» представлены семь моделей знаний, частные критерии которых рассчитываются по (таблица 7): А. Харкевичу (два варианта расчета); Хи-квадрат, ROI (два варианта расчета); коэффициент взаимосвязи, т.е. разность условной и безусловной вероятностей (два варианта расчета).
Важной особенностью АСК-анализа является возможность единообразной числовой обработки разнотипных числовых и нечисловых данных.
Это обеспечивается тем, что нечисловым величинам тем же методом, что и числовым, приписываются сопоставимые в пространстве и времени, а также между собой, количественные значения, позволяющие обрабатывать их как числовые:
Таблица 7 – Частные критерии знаний системы «Эйдос-Х++»
Наименование модели знаний
и частный критерий
Выражение
для частного критерия знаний
через частоты

относительные
абсолютные
INF1, частный критерий: количество знаний по А.Харкевичу, 1-й вариант расчета вероятностей: Nj – суммарное количество признаков по j-му классу. Вероятность того, что если у объекта j-го класса обнаружен признак, то это i-й признак


INF2, частный критерий: количество знаний по А.Харкевичу, 2-й вариант расчета вероятностей: Nj – суммарное количество объектов по j-му классу. Вероятность того, что если предъявлен объект j-го класса, то у него будет обнаружен i-й признак.


INF3, частный критерий: Хи-квадрат: разности между фактическими и теоретически ожидаемыми абсолютными частотами
-

INF4, частный критерий: ROI - Return On Investment, 1-й вариант расчета вероятностей:
Nj – суммарное количество признаков по j-му классу


INF5, частный критерий: ROI - Return On Investment, 2-й вариант расчета вероятностей:
Nj – суммарное количество объектов по j-му классу


INF6, частный критерий: разность условной и безусловной вероятностей,
1-й вариант расчета вероятностей: Nj – суммарное количество признаков по j-му классу


INF7, частный критерий: разность условной и безусловной вероятностей,
2-й вариант расчета вероятностей: Nj – суммарное количество объектов по j-му классу


- на первых двух этапах АСК-анализа числовые величины сводятся к интервальным оценкам, как и информация об объектах нечисловой природы (фактах, событиях) (этот этап реализуется и в методах интервальной статистики);
- на третьем этапе АСК-анализа всем этим величинам по единой методике, основанной на системном обобщении семантической теории информации [32], сопоставляются количественные величины (имеющие смысл количества информации в признаке о принадлежности объекта к классу), с которыми в дальнейшем и производятся все операции моделирования (этот этап является уникальным для АСК-анализа).
Подводя итог, можно отметить, что автоматизированный системно-когнитивный анализ является одним из современных методов, оснащенный широко и успешно апробированным универсальным программным инструментарием (система "Эйдос-Х++"), математическая модель которого, а также методика численных расчетов (структуры данных и алгоритмы), технология их применения являются адекватным инструментом для прогнозирования и поддержки принятия решений в зерновом производстве по выбору агротехнологий.

ГЛАВА 4 СИНТЕЗ СИСТЕМНО-КОГНИТИВНОЙ МОДЕЛИ ПРИРОДНО-ЭКОНОМИЧЕСКОЙ СИСТЕМЫ
И ЕЕ ИСПОЛЬЗОВАНИЕ ДЛЯ ПРОГНОЗИРОВАНИЯ
И УПРАВЛЕНИЯ В ЗЕРНОВОМ ПРОИЗВОДСТВЕ

4.1 Преобразование эмпирических данных в информацию

Преобразование эмпирических данных в информацию включает (обобщенно) следующие этапы:
– когнитивная структуризация и формализация предметной области;
– синтез и верификация системно-когнитивных моделей.
Оно необходимо для решения задач прогнозирования, принятия решений и исследования моделируемой предметной области путем исследования ее модели, т.к. все эти задачи решаются на основе знаний, содержащихся в системно-когнитивной модели, показавшей наивысшую достоверность.
На этапе когнитивной структуризации определяется, что мы хотим прогнозировать, чем управлять и на основе чего собираемся это делать.
В качестве классификационных шкал нами были выбраны результирующие состояния объекта управления (13 показателей): урожайность, ц/га; содержание белка, %; содержание клейковины, %; натура зерна, г/л; стоимость зерна, руб./га; цена 1 ц зерна, руб.; окупаемость удобрений зерном кг/кг; чистый доход, руб./га; уровень рентабельности, %; приращение энергии, ГДЖ/га; коэффициент чистой эффективности; коэффициент соотношения полученной и затраченной энергии; выход зерна в расчете на 1 ГДж затраченной энергии, кг (таблица 8).
Классификационным и описательным шкалам присваиваются коды и наименования.
В качестве описательных шкал (факторов), влияющих на переход объекта управления в результирующие состояния взяты 47 показателей, такие как: предшественники (кукуруза на зерно, озимая пшеница, сахарная свекла, горох, эспарцет); доза удобрений (без внесения удобрений , средняя доза РК, средняя доза NK, средняя доза NP, минимальная доза NPK, средняя доза NPK, повышенная доза NPK, высокая доза NPK); севооборот (зернопропашный, зернотравянопропашный); количество осадков за год, мм; количество осадков на период осенней вегетации, мм; количество осадков на период весенне-летней вегетации, мм; количество осадков на период от колошения до созревания, мм; среднесуточная температура за год, °С; среднесуточная температура на период осенней вегетации, °С; среднесуточная температура на период весенне-летней вегетации, °С среднесуточная температура на период от колошения до созревания, °С; содержание влаги в слое почвы 0-10 см на период сева, мм; содержание влаги в слое почвы 0-10 см на период весенней вегетации, мм; содержание влаги в слое почвы 0-10 см на период выхода в трубку, мм; содержание влаги в слое почвы 0-10 см на период колошения, мм; содержание влаги в слое почвы 0-10 см на период полной спелости, мм; содержание влаги в слое почвы 0-30 см на период сева, мм; содержание влаги в слое почвы 0-30 см на период весенней вегетации, мм; содержание влаги в слое почвы 0-30 см на период выхода в трубку, мм; содержание влаги в слое почвы 0-30 см на период колошения, мм; содержание влаги в слое почвы 0-30 см на период полной спелости, мм; содержание влаги в слое почвы 0-100 см на период сева, мм; содержание влаги в слое почвы 0-100 см на период весенней вегетации, мм; содержание влаги в слое почвы 0-100 см на период выхода в трубку, мм; содержание влаги в слое почвы 0-100 см на период колошения, мм; содержание влаги в слое почвы 0-100 см на период полной спелости, мм; содержание влаги в слое почвы 0-200 см на период сева, мм; содержание влаги в слое почвы 0-200 см на период весенней вегетации, мм; содержание влаги в слое почвы 0-200 см на период выхода в трубку, мм; содержание влаги в слое почвы 0-200 см на период колошения, мм; содержание влаги в слое почвы 0-200 см на период полной спелости, мм; содержание минерального азота в почве на период весенней вегетации, мг/кг; содержание минерального азота в почве на период выхода в трубку, мг/кг; содержание минерального азота в почве на период колошения, мг/кг; содержание минерального азота в почве на период полной спелости, мг/кг; содержание подвижных фосфатов в слое почвы 0-30 см на период весенней вегетации, мг/кг; содержание подвижных фосфатов в слое почвы 0-30 см на период выхода в трубку, мг/кг; содержание подвижных фосфатов в слое почвы 0-30 см на период колошения, мг/кг; содержание подвижных фосфатов в слое почвы 0-30 см на период полной спелости, мг/кг; содержание обменного калия в слое почвы 0-30 см на период весенней вегетации, мг/кг; содержание обменного калия в слое почвы 0-30 см на период выхода в трубку, мг/кг; содержание обменного калия в слое почвы 0-30 см на период колошения, мг/кг; содержание обменного калия в слое почвы 0-30 см на период полной спелости, мг/кг; затраты на удобрения, руб./га; производственные затраты, руб./га; затраты совокупной энергии, ГДж/га; выход энергии, ГДж/га (приложение 3).

Таблица 8 – Кодировка классификационных шкал
Код
Наименование классификационной шкалы
1
Урожайность, ц/га
2
Содержание белка, %
3
Содержание клейковины,%
4
Натура зерна, г/л
5
Стоимость зерна, руб./га
6
Чистый дох (убыток), руб./га
7
Уровень рентабельности (убыточности), %
8
Приращение энергии, гдж/га
9
К-т чистой эффективности
10
К-т отношения получ. И затрач. Энергии
11
Выход зерна в расчете на 1 гдж затрач. Энергии, кг
12
Окупаемость удобрений зерном, кг/кг
13
Цена зерна, руб./кг

Ввод данных мониторинга в базу прецедентов осуществлялся с помощью универсального программного интерфейса между внешними базами данных системы «Эйдос-X++», который обеспечивает автоматическое формирование классификационных и описательных шкал, а также обучающей выборки на основе Excel-файла.
Нами было принято решение использовать четыре равных интервала. Система «Эйдос» автоматически находит минимальное и максимальное числовые значения в каждом столбце классов или признаков, формирует числовые интервалы, числовые значения заменяет интервальными (приложение 2, 3). Каждое текстовое или интервальное значения считается градацией классификационной или описательной шкалы, характеризующей объект.
Получены следующие результаты верификации моделей знаний (таблица 9). Так, наиболее подходящая модель знаний – это модель INF3, которая обладает высокой степенью достоверности, адекватно отражает исследуемую предметную область, а, следовательно, ее можно использовать для прогнозирования результатов и принятия управленческих решений по выбору технологий производства зерна озимой пшеницы, обеспечивающей с высокой вероятностью желаемый результат.

Таблица 9 – Результаты верификации моделей знаний

Тип модели
Интегральный критерий
Достоверность


Идентификации
Не иденти-фикации
Средняя
INF1, частный критерий: количество знаний по А. Харкевичу, 1-й вариант
Корреляция
83,790
67,035
75,413

Свертка
76,103
74,547
75,325
INF2, частный критерий: количество знаний по А. Харкевичу, 2-й вариант
Корреляция
83,790
67,019
75,405

Свертка
76,959
74,563
75,761

Продолжение таблицы 9

Тип модели
Интегральный критерий
Достоверность


Идентификации
Не иденти-фикации
Средняя
INF3, частный критерий: Хи-квадрат
Корреляция
83,530
67,702
75,616

Свертка
83,530
67,702
75,616
INF4, частный критерий: ROI - Return On Investment
Корреляция
75,155
75,890
75,522

Свертка
85,084
61,156
73,120
INF6, частный критерий: разность условной и безусловной вероятностей
Корреляция
81,276
68,151
74,714

Свертка
83,634
62,433
73,033

Результаты измерения адекватности семантической информационной модели (INF3) отражены в приложении 4.
В системе «Эйдос-X++» реализовано несколько методов оптимизации (улучшения адекватности) модели: исключение из модели статистически мало представленных классов и факторов; исключение незначимых факторов; взвешивание данных; итерационное разделение классов на типичную и нетипичную части; генерация моделей больших размерностей с сочетанными признаками.
Проведенные численные эксперименты с применением методов оптимизации показало, что их применение нецелесообразно, т.к. исходная модель и так обладает хорошими характеристиками адекватности, а в этом случае применение методов повышения адекватности не дает ощутимых результатов.



4.2 Прогнозирование и поддержка принятия решений

В нашей работе задача прогнозирования сводится к тому, чтобы по планируемым к применению или уже применяемым технологиям выращивания зерна озимой пшеницы спрогнозировать наиболее вероятные хозяйственные и экономические результаты.
Кроме прогнозирования инструментарий «Эйдос-Х++» обеспечивает оценку достоверности этого прогнозирования.
На рисунке 7 представлены девять классов, с которыми данная конкретная ситуация наиболее сходна (красный цвет) или наиболее различна (синий цвет). Классы, к которым объект действительно относится, отмечены символом: «». Если по классу результаты идентификации в данной модели недостоверны, т.е. уровень сходства отрицательный, то не следует доверять такому результату.


Рисунок 9 – Экранная форма результатов прогнозирования

Информационный портрет класса отражает систему его детерминации.
Генерация информационного портрета класса или задача поддержки принятия решений представляет собой решение обратной задачи прогнозирования, т.к. по заданному будущему состоянию объекта управления определяем систему факторов, детерминирующих это состояние, т.е. вызывающих переход объекта управления в это состояние.
В начале информационного портрета класса расположены факторы, положительно влияющие на переход объекта управления в заданное состояние, затем факторы, не оказывающие на это существенного влияния, и далее – факторы, препятствующие переходу объекта управления в это состояние (в порядке возрастания силы препятствования). Информационные портреты классов могут быть отфильтрованы по диапазону факторов, т.е. мы можем отобразить влияние на переход объекта управления в данное состояние не всех отраженных в модели факторов, а только тех, коды которых попадают в определенный диапазон (описательные шкалы).


Рисунок 10 – Информационный портрет класса:
12: «Содержание клейковины%,-4/4»
Из информационного портрета класса, представленного на рисунке 10, видно, что высокое содержание клейковины, согласно модели INF3, обеспечивает определенные температурный режим, содержание влаги в почве и баланс питательных веществ. Так, наибольшую значимость имеют: среднесуточная температура (9,8-10,7 Сº) и количество осадков (124-165 мм) на период осенней вегетации; среднесуточная температура в течение года, составляющая 11,2-11,7Сº и за период от колошения до созревания -20,4-25 Сº. Достаточно большое влияние на качество зерна имеет содержание влаги в слое почвы 0-100 см на период весенней вегетации (104-177 мм), содержание влаги в почве 0-10 см на период сева – 217-307 мм, а также содержание минерального азота в почве в фазу выхода растения в трубку (10,5-17,2 мг/кг).
При выращивании зерна озимой пшеницы с высоким содержанием клейковины рекомендуется повышенные дозы удобрений полного комплекса, в качестве предшественника использовать горох.
В то же время на содержание клейковины не оказывает влияние содержание минерального азота в фазу колошения (3,1-3,8 мг/кг) и в фазу выхода растений в трубку объемом 3,1-7,8 мг/кг, содержание влаги в почве 0-100 на период весенней вегетации, составляющая 177-250 мм.
Рассмотрев информационные портреты, определено, что для получения зерна озимой пшеницы высокой урожайности наибольшее положительное влияние оказывают природные факторы: количество осадков; средняя температура, содержание влаги в почве (значимость 29-15%). Также рекомендовано использовать предшественник горох и эспарцет, вносить повышенные и высокие дозы полного комплекса удобрений, но их сила влияния значительно ниже (13-5%), чем у природных факторах. Рост урожайности обеспечивает содержание фосфатов, калия, азота в слое почвы 0-30 см в фазу полной спелости и весенней вегетации (значимость 9-7%).
На высокие экономические показатели (чистый доход на 1 га и уровень рентабельности) оказывают, как и в предыдущем случае, природные факторы, но их значимость ниже, чем на урожайность (17-11%). В то же время большое влияние имеют затраты на удобрения и производственные затраты (14-15%).
На рисунке 11 видно, что наибольший коэффициент энергетической эффективности обеспечивает содержание влаги в слое почвы от 0-100 на период полной спелости 120-158 мм, а также на период выхода растений в трубку – 149-196 мм, содержание калия в почве в фазу выхода растений в трубку 238-298 мг/кг, из предшественников рекомендуется горох и минимальная доза NPK.


Рисунок 11 – Круговая диаграмма информационного портрета класса 36: «Коэффициент чистой эффективности – 4/4».

В соответствии с концепцией смысла системно-когнитивного анализа, являющейся обобщением концепции смысла Шенка-Абельсона, смысл фактора состоит в том, какие будущие состояния объекта управления он детерминирует. Сначала в этом списке идут состояния объекта управления, на переход в которые данный фактор оказывает наибольшее влияние, затем состояния, на которые данный фактор не оказывает существенного влияния, и далее состояния – переходу в которые данный фактор препятствует. Информационные портреты факторов могут быть отфильтрованы по диапазону классов, т.е. мы можем отобразить влияние данного фактора на переход объекта управления не во все возможные будущие состояния, а только в состояния, коды которых попадают в определенный диапазон (классификационные шкалы).Семантический портрет факторов отражен на рисунке 12.


Рисунок 12 – Информационный портрет признака:
«доза удобрений-неудобренный» в модели INF-3
Так, если при выращивании зерна озимой пшеницы не применять удобрения, то с высокой значимостью урожайность будет низкая (25-38 ц/га). Кроме того, производство зерна будет неэффективным (рисунок 12).
Использование в качестве предшественника сахарной свеклы, согласно информационному портрету данного признака, с высокой значимостью (19-15%) обеспечит получение низкой урожайности зерна, низкого качества с наименьшими значениями экономических показателей и показателей энергетической эффективности.
Применение зернотравянопрашного севооборота обеспечит получение достаточного большого чистого дохода на 1 га (10902-1919887 руб.), наибольшего значения коэффициента чистой эффективности, а также зерна содержанием клейковины -21-25% и урожайностью - 51,7-65,5 ц/га. Причем, силы влияния данного фактора на переход объекта управления в состояния, соответствующие данным классам составили 18-10%.
Низкие производственные затраты, значимость которого составила 16%, гарантирует получение сравнительно больших значений коэффициента чистой энергетической эффективности (6,8-9), выхода зерна в расчете на 1 ГДж затраченной энергии (269-349 кг), максимального уровня рентабельности.
Круговая диаграмма (рисунок 13) свидетельствует, что плохо увлажненная почва на период сева приводит к получению зерна низкого качества и урожайности, и соответственно, чистого дохода и уровня рентабельности.


Рисунок 13 – Круговая диаграмма информационного портрета признака 17: «Содержание влаги в слое почвы 0-30 см на период сева, мм – 1/4»

Положительное влияние с высокой значимостью на природно-экономическую систему оказывают: на период осенней вегетации - хорошо увлажненная почва, невысокий температурный режим (2,5-7,3 С°), высокое содержание минерального азота (24,3-30,4 мг/кг); на период весенней вегетации – умеренное количество осадков (124-164 мм), невысокие температуры ( 9,8-10,7 С°), увлажненная слой 0-10 см почвы (19,6-28,5 мм), высокое содержание азота: на период от колошения до созревания – незначительное количество осадков (158-179 мм), невысокие температуры (15,9-16,3 С°), увлажненная почва и высокое содержание питательных веществ (азота, фосфора и калия).
По результатам проделанной работы, с помощью системы «Эйдос», нами было определено, что наибольшее влияние, из рассмотренных признаков, на природно-экономическую систему оказывают природные факторы. Для получения лучших хозяйственных результатов рекомендовано повышенные дозы удобрений полного комплекса, в качестве предшественника использовать горох и эспарцет.


4.3 Исследование объекта моделирования
путем исследования его модели

Кластерно-конструктивный анализ – это математический метод анализа данных, обеспечивающий: выявление классов, наиболее сходных по системе их детерминации и объединение их в кластеры; выявление кластеров классов, наиболее сильно отличающиеся по системе их детерминации и построение из них полюсов конструктов классов, при этом остальные кластеры включаются в конструкты в качестве промежуточных между полюсами; выявление факторов, наиболее сходных по детерминируемыми классам и объединение их в кластеры; выявление кластеров факторов, наиболее сильно отличающиеся по детерминируемым ими классам и построение из них полюсов конструктов факторов, остальные кластеры включаются в конструкты в качестве промежуточных между полюсами [3].
Состояния объекта управления, соответствующие классам, включенным в один кластер, могут быть достигнуты одновременно, т.е. являются совместимыми (коалиционными) по детерминирующим их факторам. Состояния объекта управления, соответствующие классам, образующим полюса конструкта, не могут быть достигнуты одновременно, т.е. являются противоположными по детерминирующим их факторам (антагонистическими).
Факторы, включенные в один кластер, оказывают сходное влияние на поведение объекта управления и могут, при необходимости, быть использованы для замены друг друга. Факторы, образующие полюса конструкта, оказывают противоположное влияние на поведение объекта управления.
Кластерно-конструктивный анализ классов позволяет сравнить их по сходству системы детерминации и отобразить эту информацию в графической форме семантической сети классов.
В результате работы режимов кластерно-конструктивного анализа системы «Эйдос-Х++» формируются матрицы сходства классов и значений факторов и семантические сети.


Рисунок 14 – Семантическая сеть классов.

На рисунке 14 представлена семантическая сеть, отображающая степень сходства классов по системе детерминирующих их значений факторов, из которого видно, что низкая урожайность имеет высокую степень сходства с низким значением чистой эффективности и низким уровнем рентабельности. В то же время высокая урожайность имеет высокую степень различия с минимальным значением коэффициента чистой эффективности.
Рисунок 15 свидетельствует о сходстве (различии) по силе и направлению влияния факторов на поведение объекта управления (природно-экономической системы).


Рисунок 15 – Семантическая сеть признаков

Так, предшественник горох имеет высокую степень сходства с минимальными затратами на удобрения, высоким содержанием влаги в почве.
Учитывая, что семантические сети классов и признаков отображают только сходство и различие, но при этом структура каждой связи содержательно не раскрывается.
Содержательное сравнение классов и факторов осуществляется с помощью когнитивной диаграммы, которая показывает какие значения и какой вклад вносят в сходство-различие классов и факторов.
Когнитивные диаграммы представляет собой графическое изображение обобщенного коэффициента корреляции профилей классов (или факторов), при этом каждая линия, вносящая вклад в сходство (различие) соответствует одному слагаемому, ее цвет – знаку, а толщина – модулю этого слагаемого.


Рисунок 16 – Когнитивная диаграмма двух классов:
«Уровень рентабельности, % - 4/4»
и «Окупаемость удобрений зерном – 4/4»

Рассматривая когнитивную диаграмму двух классов (Уровень рентабельности, %-4/4 и окупаемость удобрений зерном- 4/4) на рисунке 16, видно, что основной вклад в сходство этих двух состояний вносит предшественник эспарцет. Но на этом их сходство заканчивается.
Если сравнивать когнитивные диаграммы максимальных значений урожайности и коэффициента чистой эффективности (рисунок 17), при этом исключив природные факторы, то данные состояния сходны по предшественнику горох.

Рисунок 17 – Когнитивная диаграмма двух классов:
«Урожайность, % - 4/4»
и «Коэффициент чистой эффективности – 4/4»

Когнитивная диаграмма (рисунок 18) содержательно отображает в графической форме сходство и различия двух признаков. Так, предшественники горох и эспарцет детерминируют получение высоких значений чистого дохода на 1 га, уровня рентабельности, коэффициента энергетический эффективности.
Наиболее значимые коэффициенты корреляции получены между урожайностью и чистым доходом на 1 га, урожайностью и приращением энергии, показателями качества и стоимостью зерна, чистым доходом и приращением энергии. Касательно признаков – между предшественниками горох, эспарцет и максимальным содержанием влаги на период сева, содержанием калия, азота в фазу полной спелости и др.(приложение 5).
Изучение системы детерминации состояний моделируемого объекта возможно на основе построения нелокальных нейронов и интерпретируемых нейронных сетей.

Рисунок 18 – Когнитивная диаграмма признаков:
«Предшественник горох» и «Предшественник эспарцет»

Нелокальный нейрон представляет собой будущее состояние объекта управления с изображением наиболее сильно влияющих на него факторов с указанием силы и направления (способствует-препятствует) их влияния [3].
Некоторые нелокальные нейроны представлены в таблице 10. Так, из модели нейрона: «содержание клейковины - 4/4 – (25,9; 30,4)» видно, что для получения зерна с высоким содержанием клейковины большое влияние оказывают природные факторы: незначительное количество осадков на период осенней
Таблица 10 – Модели нелокальных нейронов
Наименование нейрона
Модель нелокального нейрона
Содержание клейковины, % - 4/4 – (25,9-30,4)

Чистый доход, руб.га - 4/4 – (102,58; 146,81)

Коэффициент отношения полученной и затраченной энергии – 4/4 - (10,089; 12,404)


вегетации (124-165 мм); хорошо увлаженный слой почвы 0-10 см на период колошения (31,4-28,5 мм): достаточно высокое содержание минерального азота в фазу колошения и полной спелости. В то же время препятствует этому состоянию – большое количество осадков на период сева, высокий температурный режим. Для наибольшего значения окупаемости удобрений зерном с большой силой влияния способствует средняя доза удобрений NK, предшественник эспарцет, значительное содержание питательных веществ (калия и азота) в фазу колошения и выхода растений в трубку, низкие производственные затраты.
Модель нелокального нейрона: «коэффициент отношения полученной и затраченной энергии – 4/4» свидетельствует о том, что получение максимального значения данного показателя возможно, если в качестве предшественника использовать горох, при минимальных дозах удобрений NPK, хорошо увлажненном слое почвы 0-100 см в период полной спелости и выхода растений в трубку, небольшом содержании калия в почве в период весенней вегетации и выхода растения в трубку.
Нейронная сеть представляет собой совокупность взаимосвязанных нейронов. В классических нейронных сетях связь между нейронами осуществляется по входным и выходным сигналам, а в нелокальных нейронных сетях – на основе общего информационного поля, реализуемого семантической информационной моделью.
Система «Эйдос» обеспечивает визуализацию любого подмножества многослойной нейронной сети с заданными или выбираемыми по заданным критериям рецепторами и нейронами, связанными друг с другом связями любого уровня опосредованности.
На рисунке 19 отражено Паретто-подмножество нелокальной нейронной сети урожайности и содержания белка в зерне. Минимальная урожайность зерна имеет высокую степень сходства с низким содержанием азота на начало весенней вегетации, низкими производственным затратами, неудобренным вариантом.

Рисунок 19 – Паретто-подмножество нелокальной
нейронной сети

Когнитивные функции или функции влияния представляет собой график зависимости вероятностей перехода объекта управления в будущие состояния под влиянием различных значений некоторого фактора [1,2].
Если взять несколько информационных портретов факторов, соответствующих градациям одной описательной шкалы, отфильтровать их по диапазону градаций некоторой классификационной шкалы и взять из каждогоинформационного портрета по одному состоянию, на переход в которое объекта управления данная градация фактора оказывает наибольшее влияние, то мы и получим зависимость, отражающую вероятность перехода объекта управления в будущие состояния под влиянием различных значений некоторого фактора, т.е. функцию влияния. Функции влияния являются наиболее развитым средством изучения причинно-следственных зависимостей в моделируемой предметной области, предоставляемым системой «Эйдос». Необходимо отметить, что на вид функций влияния математической моделью СК-анализа не накладывается никаких ограничений, в частности, они могут быть и нелинейные.
Рассмотрим некоторые природные факторы, оказывающие наибольшее влияние на природно-экономическую систему. Так, на рисунке 20 видно, что для получения высокой урожайности на период сева необходим хорошо увлажненный слой почвы 0-10 см., а также достаточно высокое содержание влаги в почве на период весенней вегетации и на период от колошения до созревания, невысокий температурный режим на период осенней и весенне-летней вегетации, содержание подвижных фосфатов в почве (более 30,9 мг/мг) на начало весенней вегетации и содержания калия на период от колошения до созревания (свыше 359 мг/мг) (приложение 6, рисунок 1-6).

Рисунок 20 - Когнитивная функция влияния содержания влаги
в слое почвы 0-10 см на период сева на урожайность

По данным приложения 6 (рисунок 7-9) видно, что для наибольшей энергетический эффективности, а именно, коэффициента чистой энергетической эффективности требуется достаточно увлажненная почва на период сева -17-21,9 мм, на период весенней вегетации -19,6-28,5 мм, умеренное содержание фосфатов в почве на период колошения (271-339 мг/мг).
На основании анализа функций влияния, приведенных в таблице 11 и рисунков 29/1-20/8 можно сделать общий вывод о том, что увеличение доз удобрений положительно сказывается на повышении показателей природно-экономической системы.

Таблица 11 – Классификация функций влияния двух факторов
на два выходных параметра природно-экономической системы
Показатель природно-экономической системы (класс)
Функция влияния


Предшественников

Различных доз удобрений
Урожайность, ц/га


Содержание клейковины, %


Чистый доход на 1 га, руб.


Коэффициент чистой энергетической эффективности



Рисунок 20/1 – Когнитивная функция влияния
предшественников на урожайность, ц/га


Рисунок 20/2 – Когнитивная функция влияния
различных доз удобрений на урожайность, ц/га


Рисунок 20/3 – Когнитивная функция влияния
предшественников на содержание клейковины, %


Рисунок 20/4 – Когнитивная функция влияния
различных доз удобрений на содержание клейковины, %


Рисунок 20/5 – Когнитивная функция влияния
предшественников на чистый доход на 1 га, руб.


Рисунок 20/6 – Когнитивная функция влияния
различных доз удобрений на чистый доход на 1 га, руб.


Рисунок 20/7 – Когнитивная функция влияния предшественников на коэффициент чистой энергетической эффективности


Рисунок 20/8 – Когнитивная функция влияния различных доз
удобрений на коэффициент чистой энергетической эффективности
Высокий уровень рентабельности (приложение 6, рисунок 1-6) возможен при достаточно низкой средней температуры на период весенне-летней вегетации (15,9-16,3 Сº), содержание влаги в слое почвы 0-10 см – 19,6-67,4 мм, невысоким содержания калия в фазу выхода растений в трубку (238-298,5 мг/мг).
Так, наибольшее значение урожайности, содержания клейковины, чистого дохода на 1 га отмечено при повышенных и высоких дозах NPK. Достаточно большое влияние на изменение урожайности оказали предшественники озимая пшеница, эспарцет, на содержание клейковины – сахарная свекла и эспарцет, на чистый доход на 1 га и коэффициент полученной и затраченной энергии – кукуруза на зерно.
Этот вывод совпадает с экспертными оценками. Однако его ценность состоит в том, что в отличие от экспертных оценок, он является строгим количественным выводом, сделанным путем исследования многоуровневой семантической информационной модели.
Исследование других когнитивных функций подтверждают выводы касательно информационных портретов классов.
Классические когнитивные карты являются графической формой представления фрагментов СИМ, объединяющей достоинства таких форм, как нейроны и семантические сети факторов. Классическая когнитивная карта представляет собой нейрон, соответствующий некоторому состоянию объекта управления с рецепторами, каждый из которых соответствует фактору в определенной степени способствующему или препятствующему переходу объекта в это состояние. Рецепторы соединены связями как с нейроном, так и друг с другом. Связи рецепторов с нейроном отражают силу и направление влияния факторов, а связи рецепторов друг с другом, отображаемые в форме семантической сети факторов, – сходство и различие между рецепторами по характеру их влияния на объект управления.
Таким образом, классическая когнитивная карта представляет собой нейрон с семантической сетью факторов, изображенные на одной диаграмме.
Так, из рисунка 21 видно, что средняя доза NK, минимальные производственные затраты и затраты на удобрения, минимальное содержание фосфатов в фазу выхода растений в трубку способствуют переходу объекта управления в состояние наибольшей окупаемости удобрений зерном, а препятствуют ему – минимальное содержание азота на начало весенней вегетации, высокий температурный режим в течение года.
Обобщенные когнитивные карты позволяют объединить в одной графической форме семантические сети классов и факторов, объединенных нейронной сетью. Если объединить несколько классических когнитивных карт на одной диаграмме и изобразить на ней также связи между нейронами в форме семантической сети классов, то получим обобщенную (интегральную) когнитивную карту.


Рисунок 21 – Классическая когнитивная карта,
отражающая систему детерминации класса:
«Окупаемость удобрений зерном, кг/кг- 4/4»
Интегральная когнитивная карта представляет собой систему из семантических сетей классов и значений факторов, при которой каждый класс соединен как нелокальный нейрон линиями детерминации с системой детерминирующих его значений факторов.

Рисунок 22 – Интегральная когнитивная карта № 20

На рисунке 22, согласно кодировки классов и признаков, видно, что переход объекта управления в состояние соответствующее достаточно высоким значениям уровня рентабельности, стоимости зерна, обуславливают предшественники эспарцет и горох, минимальные затраты на удобрения. Препятствует данному состоянию - зернопропашной севооборот.
Максимальному содержанию белка в зерна, который в свою очередь имеет высокий уровень сходства с уровнем рентабельности от 58 до 102%, способствует зернотравянопропашный севооборот и препятствует незначительные затраты на удобрения. В то же время, согласно интегральной когнитивной карте № 46 (рисунок 23), переход в состояние высокого содержание белка в зерне обуславливают: хорошо увлажненный (72-94 мм) слой почвы на период весенней вегетации; минимальное количество осадков на период от колошение до созревания; незначительной содержание азота в почве в фазу выхода растений в трубку (10,5-17,2 мг/кг); незначительное содержание влаги в слое почвы 0-30 см на период полной спелости (29-41 мм). Препятствует – сильно увлажненная почва на период колошения, большое количество осадков на период весенне-летней вегетации, высокий температурный режим.

Рисунок 23 - Интегральная когнитивная карта № 46

Таким образом, с помощью системы «Эйдос», нами было определено, что для получения лучших хозяйственных и экономических результатов рекомендовано повышенные дозы удобрений полного комплекса, в качестве предшественника использовать горох и эспарцет, зернотравянопропашный севооборот, для энергетических результатов - из предшественников рекомендуется горох, а также минимальная доза NPK.


ЗАКЛЮЧЕНИЕ

В настоящее время возникла необходимость поиска эффективных направлений восстановления утраченных достижений в зерновом хозяйстве, прежде всего на основе интенсификации отрасли. Наиболее приемлемым является разработка и внедрение ресурсосберегающих и экологически безопасных технологий, обеспечивающих получение прироста производства продукции высокого качества с меньшими материально-денежными затратами на единицу продукции.
Нами определено, что перспективным элементом в управлении является прогнозирование и принятие решений по выбору агротехнологий выращивания зерна.
В работе решены задачи идентификации, прогнозирования, поддержки принятия управленческих решений и исследования системно-когнитивной модели, согласно этапам, отраженные в 3-й главе монографии.
С использованием метода и инструментария системно-когнитивного анализа нами предложена методика прогнозирования и принятия управленческих решений по выбору агротехнологий производства зерна озимой пшеницы, с высокой вероятностью (верификация данной модели определило ее высокую адекватность) обеспечивающая желаемый хозяйственный и финансово-экономический результат.
В созданных моделях впервые в отечественной науке исследовано влияние на хозяйственные, энергетические и финансово-экономические результаты всех видов факторов: природных, агротехнологических, энергетических и финансово-экономических.
Исследование модели показало, что наибольшее влияние, из рассмотренных признаков, на природно-экономическую систему оказывают природные факторы. Для получения желаемого хозяйственного и финансово-экономического результата рекомендовано повышенные дозы удобрений полного комплекса, в качестве предшественника использовать горох и эспарцет, зернотравянопропашный севооборот, для энергетических результатов - из предшественников рекомендуется горох, а также минимальная доза NPK.
Представленные в монографии выводы и предлагаемые на основе моделей рекомендации, совпадают с мнениями экспертов, но в отличие от последних, имеет количественное выражение. В то же время они могут отличаться в деталях для разных хозяйств и регионов. СК-анализ позволяет уточнять эти знания, внося локальные особенности, а также учитывать изменения, происходящие в динамике.

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

1. Аврашков, Л.Я. Инновационный менеджмент: учебник. /Л. Я. Аврашков – М.: ИНФРА, 2005. – С. 5.
2. Алтухов, А. И. Повышение эффективности производства зерна на основе научно-технического прогресса / А. И. Алтухов, В. И. Нечаев, А. И. Трубилин, К. Б. Карсанов, А. И. Санду. – М.: АгриПресс, 2005. – 208 с.
3. Бездудный, Ф.Ф. Сущность понятия «инновация» и его классификация / Ф. Ф. Бездудный, Г. А. Смирнова, О. Д. Нечаева // Инновации. – 1998. – №2, 3. – С. 4.
4. Бунин, М. С. Цели и приоритеты инновационной деятель­ности в АПК/ М. С. Бунин, А. Л. Эйдис //Информационный бюллетень, №12, 2003.
5. Варфоломеева, Ю. А. Интеллектуальная собственность в условиях инновационного развития: монография /Ю. А. Варфоломеева. – М.: Ось-89, 2006. – 142 с.
6. Вертакова, Ю. В. Управление инновациями: теория и практика: учеб. пособие /Ю. В Вертакова, Е. С. Симоненко. – М.: Эксмо, 2008. - 432 с.
7. Вильямс, В.Р. Травопольная система земледелия/ В. Р. Вильямс // Собр. соч. – М.: Сельхозгиз, 1951. Т. VII. – 9.
8. Гордеев, А. В. Российское зерно - стратегический товар ХХI века / А. В. Гордеев, В. А. Бутковский, А. И. Алтухов. – М.: ДеЛи принт, 2007 – 472 с.
9. Горпинченко, К.Н. Агротехнологические факторы инновационного процесса в зерновом производстве / К. Н. Горпинченко // Проблемы реформирования экономики России [Электронный ресурс]/ Сборник научных трудов девятой всероссийской научно-практической конференции, 22-23 ноября 2012 года, г. Тверь. – Электрон. текст. дан. – Тверь: ЦЭИ, 2012. – 168-174
10. Горпинченко, К.Н. Концептуальный подход к управлению инновационными процессами в зерновом производстве региона / К. Н. Горпинченко, А. Г. Прудников // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. – Краснодар: КубГАУ, 2012. – №09(83).
11. Горпинченко, К.Н. Особенности прогнозирования производства зерна / К. Н. Горпинченко // Экономика сельскохозяйственных и перерабатывающих предприятий. – М.: - 2012. – с.
12. Горпинченко, К.Н. Оценка эффективности применения перспективных технологий выращивания зерна озимой пшеницы / К.Н. Горпинченко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. – Краснодар: КубГАУ, 2007. – №10(034). С. 178 – 185. – Шифр Информрегистра: 0420700012\0178, IDA [article ID]: 0340710013. – Режим доступа: http://ej.kubagro.ru/2007/10/pdf/13.pdf, 0,5 у.п.л., импакт-фактор РИНЦ=0,577
13. Горпинченко, К.Н. Повышение эффективности производства зерна различных сортов озимой пшеницы на основе ресурсосберегающих технологий / К. Н. Горпинченко // АПК: экономика, управление. – М., 2007 – С. 56-59
14. Горпинченко, К.Н. Проблемы инновационного развития зернового производства / К. Н. Горпинченко //Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. – Краснодар: КубГАУ, 2013. – №02(086). С. 544 – 559. – IDA [article ID]: 0861302038. – Режим доступа:http://ej.kubagro.ru/2013/02/pdf/38.pdf, импакт-фактор РИНЦ=0,577
15. Горпинченко, К.Н. Современные проблемы качества зерна/ К. Н. Горпинченко, Н. Н. Нещадим, А. А. Квашин // Труды Кубанского государственного аграрного университета. Выпуск 2 (35). – Краснодар: КубГАУ, 2012 – С. 338-343
16. Горпинченко, К.Н. Статистические методы прогнозирования производства зерна/ К. Н. Горпинченко //Статистика и прикладные исследования. Сборник трудов всероссийской научной конференции. Краснодар: КубГАУ, 2011. – с. 62-69
17. Горпинченко, К. Н. Экономическая оценка и обоснование направлений снижения ресурсоемкости производства зерна озимой (по материалам сельскохозяйственных организаций Краснодарского края)/ К. Н. Горпинченко, - дис. на соиск. уч. степени канд. эконом. наук, КубГАУ. – Краснодар, 2008. – 193 с.
18. Горпинченко, К.Н. Экономическая оценка ресурсосберегающих агроприемов технологии производства зерна озимой пшеницы/ К. Н. Горпинченко, С. В. Болотов, В. В. Тарасенко // Региональная экономика. Теория и практика. – М., 2009 – С. 38-44.
19. Горпинченко, К.Н.Экономическая эффективность производства и качество зерна в зависимости от приемов выращивания и технологий/ К. Н. Горпинченко // Труды Кубанского государственного аграрного университета. Выпуск 1 (10). – Краснодар: КубГАУ, 2008 – С. 52-57
20. Горпинченко, К.Н. Эффективность технологий выращивания озимой пшеницы / К. Н. Горпинченко // Экономика сельского хозяйства России, − М., 2007 – С. 35-37
21. Денисов, А. А. Информационное поле / А. А. Денисов. – СПб.: Изд-во «Омега», 1998. – 3,9 п.л. [статья ннн3]
22. Деревенко, А.И. Погода и качество зерна озимой пшеницы/ А. И. Деревенко. - Л: Гидрометеоиздат, 2001. – 127 с.
23. Иванов, В. А. Сущность, классификация инноваций и их специфика в аграрном секторе / В. А. Иванов //Корпоративное управление и инновационное развитие экономики Севера. Вестник Научно-исследовательского центра корпоративного права, управления и венчурного инвестирования Сыктывкарского государственного университета// Режим доступа: http://www.syktsu.ru/vestnik/2007/2007-1/3.htm
24. Инновационная деятельность в аграрном секторе экономики России / Под ред. И. Г. ушачева, И. Т. Трубилина, Е. С. Оглоблина, И. С. Санду. – М.: КолосС, 2007. – 636 с.
25. Инновационный менеджмент / С.Д. Ильенкова, Л.М. Гохберг, С.Ю. Ягудин и др. : учебник для вузов Под. ред. проф. С.Д. Ильенковой. – 2_е изд., перераб. и доп. – М.: ЮНИТИ_ДАНА, 2003. – С. 9
26. Казарцева, А. Т. Эколого-генетические и агрохимические основы повышения качества зерна / А.Т. Казарцева, А.Х. Шеуджен, Н.Н. Нещадим: Майкоп: ГУРИПП «Адыгея», 2004. - 160 с.
27. Клейнер, Г. Б. Системная парадигма и системный менеджмент / Г. Б. Клейнер // Российский журнал менеджмента, -М.: 2008. Т. 6. № 3.
28. Кокурин, Д. И. Инновационная деятельность /Д. И. Кокурин Д. И. - М.: Экзамен, 2001 – 576 с.
29. Кошолкина, Л. А. Повышение эффективности бюджетной поддержки сельского хозяйства / Л. А. Кошолкина // Организационно-экономический механизм государст­венной поддержки сельского хозяйства. Материалы научно-практической конференции. -М.: ФГНУ «Росинформагротех»,2004. - 352с.
30. Курбатов, Ю. Экономический механизм в комплексе факторов развития сельского хозяйства / Ю. Курбатов // АПК: экономика, управление.- 1998. - №8. – С. 30-34.
31. Курцев, И.В. Инновационная система и научно-техническое развитие АПК Сибири / И. В. Курцев// Концепция многофункциональности агропродовольственного сектора России./ Сб. Проблемы экономического роста и конкурентноспособ­ности сельского хозяйства России. Материалы Третьего Всероссийского кон­гресса экономистов аграрников. - М.: ФГНУ «Росинформагротех», 2009. - с.221-229
32. Луценко, Е.В. Автоматизированный системно-когнитивный анализ в управлении активными объектами (системная теория информации и ее применение в исследовании экономических, социально-психологических, технологических и организационно-технических систем) / Е. В. Луценко: Монография (научное издание). – Краснодар: КубГАУ. 2002. –605 с.
33. Луценко, Е. В. Интеллектуальные информационные системы // Е. В. Луценко: учебн. пособие для студентов специальности «Прикладная информатика (по областям)» и другим экономическим специальностям. 2-е изд., перераб. и доп. – Краснодар: КубГАУ, 2006. – 615 с.
34. Луценко, Е.В. Когнитивные функции как адекватный инструмент для формального представления причинно-следственных зависимостей / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. – Краснодар: КубГАУ, 2010. – №09(63). С. 1 – 23. – Шифр Информрегистра: 0421000012\0233. – Режим доступа: http://ej.kubagro.ru/2010/09/pdf/01.pdf, 1,438 у.п.л.
35. Луценко, Е.В. Методологические аспекты выявления, представления и использования знаний в АСК-анализе и интеллектуальной системе «Эйдос» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. – Краснодар: КубГАУ, 2011. – №06(70). С. 233 – 280. – Шифр Информрегистра: 0421100012\0197. – Режим доступа: http://ej.kubagro.ru/2011/06/pdf/18.pdf, 3 у.п.л
36. Луценко, Е.В. Неформальная постановка и обсуждение задач, возникающих при системном обобщении теории множеств на основе системной теории информации (Часть 1-я: задачи 1-3) / Е. В. Луценко// Научный журнал КубГАУ [Электронный ресурс]. – Краснодар: КубГАУ, 2008. – №3(37). – Режим доступа: http://ej.kubagro.ru/2008/03/pdf/12.pdf
37. Луценко Е.В. Неформальная постановка и обсуждение задач, возникающих при системном обобщении теории множеств на основе системной теории информации (Часть 2-я: задачи 4–9). / Е. В. Луценко // Научный журнал КубГАУ [Электронный ресурс]. – Краснодар: КубГАУ, 2008. – №04(38). – Режим доступа: http://ej.kubagro.ru/2008/04/pdf/03.pdf
38. Луценко, Е.В. Применение СК-анализа и системы «Эйдос» для синтеза когнитивной матричной передаточной функции сложного объекта управления на основе эмпирических данных / Е.В. Луценко, В.Е. Коржаков // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. – Краснодар: КубГАУ, 2012. –№01(75). С. 681 – 714. – Шифр Информрегистра: 0421200012\0008. – Режим доступа: http://ej.kubagro.ru/2012/01/pdf/53.pdf, 2,125 у.п.л.
39. Луценко, Е.В. Программа системного обобщения математики и теоретические основы системной теории информации. Управление созданием и развитием систем, сетей и устройств телекоммуникаций / Под ред. д-ра экон. наук, канд. техн. наук, проф. А.В.Бабкина, д-ра техн. наук, проф. В.А.Кежаева: Труды научно-практ. конф. – СПб. 2008. 482 с. С.74-94
40. Луценко, Е.В. Программная идея системного обобщения математики и ее применение для создания системной теории информации. Научный журнал КубГАУ [Электронный ресурс]. – Краснодар: КубГАУ, 2008. – №2(36). – Режим доступа: http://ej.kubagro.ru/2008/02/pdf/11.pdf
41. Луценко, Е.В. Семантическая информационная модель СК-анализа. Научный журнал КубГАУ [Электронный ресурс]. – Краснодар: КубГАУ, 2008. – №2(36). – Режим доступа: http://ej.kubagro.ru/2008/02/pdf/12.pdf
42. Луценко, Е.В. Семантическая информационная модель системно-когнитивного анализа. Управление созданием и развитием систем, сетей и устройств телекоммуникаций / Под ред. д-ра экон. наук, канд. техн. наук, проф. А.В.Бабкина, д-ра техн. наук, проф. В.А.Кежаева: Труды научно-практ. конф. – СПб. 2008. 482 с. С.102-125.
43. Луценко, Е.В. Синтез системно-когнитивной модели природно-экономической системы и ее использование для прогнозирования и управления в зерновом производстве (Часть 1 – постановка задачи) / Луценко Е.В., Горпинченко К.Н.. // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. – Краснодар: КубГАУ, 2013. – №05(089). – IDA [article ID]: 0891305089. – Режим доступа: http://ej.kubagro.ru/2013/05/pdf/89.pdf, 0,750 у.п.л., импакт-фактор РИНЦ=0,577
44. Луценко, Е.В. Синтез системно-когнитивной модели природно-экономической системы и ее использование для прогнозирования и управления в зерновом производстве (Часть 2 – преобразование эмпирических данных в информацию) / Е.В. Луценко, К.Н. Горпинченко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. – Краснодар: КубГАУ, 2013. – №05(089). С. 1294 – 1312. – IDA [article ID]: 0891305090. – Режим доступа: http://ej.kubagro.ru/2013/05/pdf/90.pdf, 1,188 у.п.л., импакт-фактор РИНЦ=0,57
45. Луценко, Е.В. Синтез системно-когнитивной модели природно-экономической системы, ее использование для прогнозирования и управления в зерновом производстве (Часть 3 – прогнозирование и принятие решений) / Е.В. Луценко, К.Н. Горпинченко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. – Краснодар: КубГАУ, 2013. – №06(090). – IDA [article ID]: 0901306059. – Режим доступа: http://ej.kubagro.ru/2013/06/pdf/59.pdf, 0,625 у.п.л., импакт-фактор РИНЦ=0,581
46. Луценко, Е.В. Синтез системно-когнитивной модели природно-экономической системы, ее использование для прогнозирования и управления в зерновом производстве (Часть 4 – исследование объекта моделирования путем исследования его модели) / Е.В. Луценко, К.Н. Горпинченко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. – Краснодар: КубГАУ, 2013. – №06(090). – IDA [article ID]: 0901306060. – Режим доступа: http://ej.kubagro.ru/2013/06/pdf/60.pdf, 0,625 у.п.л., импакт-фактор РИНЦ=0,581.
47. Луценко, Е.В. Теоретические основы, технология и инструментарий автоматизированного системно-когнитивного анализа и возможности его применения для сопоставимой оценки эффективности вузов /  Е.В. Луценко, В.Е. Коржаков // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. – Краснодар: КубГАУ, 2013. – №04(088). С. 340 – 359. – IDA [article ID]: 0881304022. – Режим доступа: http://ej.kubagro.ru/2013/04/pdf/22.pdf, 1,25 у.п.л., импакт-фактор РИНЦ=0,266.
48. Луценко, Е.В. Универсальная когнитивная аналитическая система «Эйдос-Х++» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. – Краснодар: КубГАУ, 2012. – №09(83). С. 340 – 368. – Режим доступа: ttp: //ej.kubagro.ru /2012/09/pdf/25.pdf, 1,812 у.п.л.
49. Медынский, В. Г. Инновационное предприниматель­ство / В. Г.Медынский, Л. Г.Шаршукова. - М.: ИНФРА. - М., 1997. - 240 с.
50. Минасов, М. Влияние сочетаний природно-климатических факторов на производство основных культур сельского хозяйства / М. Минасов // АПК: экономика, управление. - 1999, № 3. - С. 57-62.
51. Мясникович, М. В. Инновационная деятельность в Республике Беларусь: теория и практика / М. В. Мясникович. – Минск: Аналитический центр НАН Беларуси; Право и экономика, 2004. – 178 с.
52. Наумов, А. И. Инновационные проекты в зерновом производстве /А. И. Наумов. -М., 2001,- 172 с.
53. Основные направления политики Российской Федерации в области развития инновационной системы на пе­риод до 2010 года. Руководство Правительство РФ, от 5 августа, 2005.
54. Пат. № 940217. РФ. Универсальная автоматизированная система распознавания образов "ЭЙДОС". /Е.В.Луценко (Россия); Заяв. № 940103. Опубл. 11.05.94. – 50с.
55. Пат. № 2003610986 РФ. Универсальная когнитивная аналитическая система "ЭЙДОС" / Е. В. Луценко (Россия); Заяв. № 2003610510 РФ. Опубл. от 22.04.2003. – 50с.
56. Пат. № 2008610097 РФ. Система типизации и идентификации социального статуса респондентов по их астрономическим показателями на момент рождения "Эйдос-астра". / Е. В. Луценко (Россия), А.П. Трунев (Канада), В.Н. Шашин (Россия); Заяв. №2007613722. Опубл. 09.01.08. – 56 с.
57. Перегудов, Ф.И. Введение в системный анализ / Ф. И. Перегудов, Ф. П. Тарасенко: учебн. пособие. – М.: Высшая школа, 1997. - 389с.
58. Развитие инновационной деятельности в АПК (По материалам Меж­дународной научно-практической конференции). / В. Ф Федоренко, Д. С. Буклагин и др.- М.: ФГНУ «Росинфор- магротех», 2003. - 2003. - 404 с.
59. Родионова, О.А. Инновационная активность в отраслях АПК: опыт и проблемы/ Инновационное предпринимательство как фактор интенсивного развития АПК/Сб. научных трудов по итогам «круглого стола» 10-11 июля 2009 г. - Елец:ЕГУ им. И.А. Бунина, 2009.- с.45-50.
60. Санду, И. С. Организационно-экономические основы инновационных процессов в сельском хозяйстве/ И. С. Санду. Автореф. докт. диссерт. ВНИЭСХ, М. 1998 с. 8
61. Санду, И. С. Проблемные вопросы инновационного развития АПК / И. С. Санду. – М.-.ФГОУ РосАКО АПК, 2005. - 99с.
62. Санто, Б. Инновация и глобальный интеллектуализм / Б. Санто // Инновации. – 2006. – № 9. – С. 32–44.
63. Симанков, В.С Адаптивное управление сложными системами на основе теории распознавания образов / В. С. Симанков, Е. В. Луценко Монография (научное издание). – Краснодар: ТУ КубГТУ, 1999. –318с.
64. Степаненко, Д. М. Инновационный процесс и инновационная деятельность: понятие, сущность, характеристики / Д. М. Степаненко // Проблемы современной экономики, № 4. – М: - 2009. - с. 32
65. Суворова, А.Л. Инновационный менеджмент/ А. Л. Суворова: учеб. пособие. – Йошкар_Ола: Мар. ГТУ, 1999. – С. 15.
66. Суязов, В. Н. Оценка эффективности инновационного развития производственных организаций: монография [Текст] / В. Н. Суязов, А.П. Плотников. М.: Восход, 2010.- 251 с
67. Тимирязев, К.А. Земледелие и физиология растений / К. А. Тимирязев// Избр. лекции и речи. – М.: Сельхозгиз, 1957. – С. 40.
68. Трубилин, А. И. Проблемы становления и развития регионального зернового рынка (на примере Краснодарского края)/ А. И. Трубилин. Автореф.дис. канд.эконом. наук, КубГАУ. – Краснодар, 1998. – 24с.
69. Фатхутдинов, Р. А. Инновационный менеджмент: Учебник для вузов. –5_е изд. – СПб.: Питер, 2005. – С. 15.
70. Щербаков, В. М. Интенсивные технологии и перспективы ресурсосбережения / В. М. Щербаков // Достижения науки и техники АПК. – 1999. - № 5. – С. 12.
71. Шумпетер, Й. Теория экономического развития. – М.: Прогресс, 1982. – С. 169-170.

ПРИЛОЖЕНИЯ
Приложение 1. Таблица – Общая структура универсальной когнитивной аналитической системы «Эйдос-Х++» (текущей версии)

1. Администрирование (Подсистема администрирования).
1.1. Авторизация (Авторизация сисадмина, администратора приложения или пользователя).
1.2. Регистрация администратора приложения (Регистрация и удаление регистрации администраторов приложений и задание паролей пользователей. Этот режим доступен только системному администратору и администраторам приложений).
1.3. Диспетчер приложений (Это подсистема администрирования приложений. Она предназначена для создания новых приложений, как пустых, так и на основе учебных примеров (лабораторных работ), имеющихся в системе, а также для выбора приложения для работы из уже имеющихся и удаления приложения. Выбор приложения для работы осуществляется путем отметки его любым символом. Удалять любые приложения разрешается только сисадмину, а Администратору приложений - только те, которые он сам создал).
1.4. Выбор режима использования системы (Монопольный или многопользовательский (задается при инсталляции системы, но может быть изменен когда угодно сисадмином)).
1.5. Задание путей на папки с группами приложений (Папки с различными группами приложениями могут быть на локальном компьютере, в локальной сети или в Internet. Пути на них задаются сисадмином при инсталляции системы и могут быть изменены им когда угодно. Один из этих путей, а именно первый из отмеченный специальных символов, считается текущим и используется при СОЗДАНИИ приложений в диспетчере приложений 1.3, а в последующем при запуске приложений на исполнение пути берутся уже из БД диспетчера приложений).
1.6. Задание цветовой схемы главного меню (Задается по умолчанию если в папке с системой нет файла: ColorSch.arx при инсталляции системы, но может быть изменена когда угодно сисадмином).
1.7. Задание размера главного окна в пикселях (Задается по умолчанию 1024 x 769 если в папке с системой нет файла: _MainWind.arx при инсталляции системы, но может быть изменена когда угодно сисадмином).
1.8. Задание языка интерфейса на новые запуски (Задается по умолчанию если в папке с системой нет файла: Language.arx при инсталляции системы, но может быть изменен когда угодно сисадмином).
1.9. Прописывание путей по фактическому положению (Доступно только сисадмину. Определяет фактическое месторасположение системы и приложений и прописывает пути на них в БД: PathGrAp.DBF и Appls.dbf, а также восстанавливает имена приложений в Appls.dbf на данные им при их создании).
1.10. Инсталляция ActiveX на данном компьютере (Доступно только сисадмину. Устанавливает ActiveX: RMChart.ocx, необходимый для работы профессиональной графики под MS Windows 7 и выше. При сообщении об ошибке надо в окне: <Панель управления - Учетные записи пользователей и семейная безопасность - Учетные записи пользователей - Изменение параметров контроля учетных записей> перевести ползунок до конца вниз на: "Никогда не уведомлять..." и перезагрузить компьютер).
1.11. Локализация и инициализация (сброс) системы (Доступно только сисадмину. Прописывает все пути по фактическому месторасположению системы, пересоздает общесистемные базы данных, удаляет все приложения и всех пользователей. Определяет фактическое месторасположение системы и приложений, удаляет все директории приложений с поддиректориями и всеми файлами в них, а затем прописывает все пути на них по фактическому месторасположению, т.е. пересоздает и переиндексирует БД: PathGrAp.DBF, Appls.dbf и Users.dbf).
2. Формализация предметной области (Разработка классификационных и описательных шкал и градаций и формирование обучающей выборки).
2.1. Классификационные шкалы и градации (Ручной ввод-корректировка классификационных шкал и градаций)
2.2. Описательные шкалы и градации ( Ручной ввод-корректировка описательных шкал и градаций).
2.3. Ввод обучающей выборки
2.3.1. Ручной ввод-корректировка обучающей выборки
2.3.2. Программные интерфейсы с внешними базами данных (Автоматизированная формализация предметной области)
2.3.2.1. Импорт данных из текстовых файлов.
2.3.2.2. Универсальный программный интерфейс импорта данных в систему (Режим представляет собой УНИВЕРСАЛЬНЫЙ ПРОГРАММНЫЙ ИНТЕРФЕЙС ФОРМАЛИЗАЦИИ ПРЕДМЕТНОЙ ОБЛАСТИ И ИМПОРТА ДАННЫХ В СИСТЕМУ "ЭЙДОС-Х". Данный программный интерфейс обеспечивает автоматическое формирование классификационных и описательных шкал и градаций и обучающей выборки на основе XLS, XLSX или DBF-файла с исходными данными описанного в Help режима стандарта. Кроме того он обеспечивает автоматический ввод распознаваемой выборки из внешней базы данных).
2.3.2.3. Импорт из транспонированных внешних баз данных.
2.3.2.4. Транспонирование файлов исходных данных.
2.3.3. Управление обучающей выборкой
2.3.3.1. Параметрическое задание объектов для обработки.
2.3.3.2. Статистическая характеристика, ручной ремонт
2.3.3.3. Автоматический ремонт обучающей выборки
2.3.4. Докодирование сочетаний признаков в обучающей выборке.
3. Синтез, верификация и улучшение модели Создание модели, повышение ее качества и оценка достоверности
3.1. Формирование базы абсолютных частот (Загрузка по очереди описаний всех объектов обучающей выборки и расчет количества встреч различных сочетаний: Принадлежность объекта к j-му классу - наличие у него i-го признака).
3.2. Расчет процентных распределений (Расчет условных и безусловных процентных распределений).
3.3. Расчет заданных из 7 моделей знаний (Inf1~Prc1, Inf2~Prc2, Inf3-хи-квадрат, Inf4-roi~Prc1, Inf5-roi~Prc2, Inf6-Dp~Prc1, Inf7-Dp~Prc2)
3.4. Автоматическое выполнение режимов 1-2-3 (По очереди исполняются режимы: 3.1., 3.2. и 3.3. для заданных стат.моделей и моделей знаний и затем заданная делается текущей).
3.5. Синтез и верификация заданных из 10 моделей (Оценивается достоверность (адекватность) заданных стат.моделей и моделей знаний. Для этого осуществляется синтез заданных моделей, обучающая выборка копируется в распознаваемую и в каждой заданной модели проводится распознавание с использованием двух интегральных критериев, подсчитывается количество верно идентифицированных и не идентифицированных, ошибочно идентифицированных и не идентифицированных объектов (ошибки 1-го и 2-го рода)).
3.6. Синтез и верификация заданной группы моделей (В различных приложениях текущей группы приложений создаются и верифицируются модели: Abs, Prc1, Prc2, Inf1~Prc1, Inf2~Prc2, Inf3-хи-квадрат, Inf4-roi~Prc1, Inf5-roi~Prc2, Inf6-Dp~Prc1, Inf7-Dp~Prc2 с фиксированными и адаптивными интервалами со сценариями и без и для каждого класса определяется модель, в которой его идентификация осуществляется наиболее достоверно).
3.7. Повышение качества модели
3.7.1. Поиск и удаление артефактов (робастная процедура) (Строится частотное распределение абсолютных частот встреч признаков в классах по матрице сопряженности Abs.dbf и пользователю предоставляется возможность удалить редко встречающиеся факты (сочетания), как случайные выбросы или артефакты. Для работы профессиональной графики нужна MS Windows 7 или выше).
3.7.2. Значимость классификационных шкал (В данном режиме классификационные шкалы ранжируются в порядке убывания значимости, т.е. средней значимости их градаций, т.е. классов).
3.7.3. Значимость градаций классификационных шкал (классов) (В данном режиме все градации классификационных шкал (классы) ранжируются в порядке убывания значимости, т.е. вариабельности значений частных критериев статистических баз и баз знаний).
3.7.4. Значимость описательных шкал (В данном режиме описательные шкалы ранжируются в порядке убывания значимости, т.е. средней значимости их градаций, т.е. признаков).
3.7.5. Значимость градаций описательных шкал (признаков) (В данном режиме все градации описательных шкал (признаки) ранжируются в порядке убывания значимости, т.е. вариабельности значений частных критериев статистических баз и баз знаний).
3.7.6. Разделение классов на типичную и нетипичную части (Итерационный процесс при котором на основе объектов обучающей выборки, не идентифицированных с классами, к которым они относятся, создаются классы с теми же наименованиями + уровень итерации).
3.7.7. Генерация подсистем классов и докод.об.и расп.выб. (На основе сочетания классов по 2, 3, N формируются подсистемы классов, которые добавляются в качестве градаций в классификационные шкалы подсистем классов и в объекты обучающей и распознаваемой выборки).
3.7.8. Генерация подсистем признаков и докод.об.и расп.выб. (На основе сочетания признаков по 2, 3, N формируются подсистемы признаков, которые добавляются в качестве градаций в описательные шкалы подсистем признаков и в объекты обучающей и распознаваемой выборки).
4. Решение задач с применением модели Применение модели для решения задач идентификации (распознавания), прогнозирования и поддержки принятия решений (обратная задача прогнозирования), а также для исследования моделируемой предметной области путем исследования ее модели
4.1. Идентификация и прогнозирование oMenu4
4.1.1. Ручной ввод-корректировка распознаваемой выборки.
4.1.2. Пакетное распознавание в текущей модели (Распознаются по очереди все объекты распознаваемой выборки в стат.модели или базе знаний, заданной текущей в режиме 3.3 или 5.6).
4.1.3. Вывод результатов распознавания.
4.1.3.1. Подробно наглядно: "Объект - классы" (Визуализация результатов распознавания в подробной наглядной форме в отношении: "Один объект - много классов" с двумя интегральными критериями сходства между конкретным образом распознаваемого объекта и обобщенными образами классов: "Семантический резонанс знаний" и "Сумма знаний").
4.1.3.2. Подробно наглядно: "Класс - объекты" (Визуализация результатов распознавания в подробной наглядной форме в отношении: "Один класс - много объектов" с двумя интегральными критериями сходства между конкретным образом распознаваемого объекта и обобщенными образами классов: "Семантический резонанс знаний" и "Сумма знаний")
4.1.3.3. Итоги наглядно: "Объект - класс" (Отображение итоговых результатов распознавания в наглядной форме: отображаются пары: "Объект-класс" у которых наибольшее сходство по двум интегральным критериям сходства: "Семантический резонанс знаний" и "Сумма знаний". Приводится информация о фактической принадлежности объекта к классу).
4.1.3.4. Итоги наглядно: "Класс - объект" (Отображение итоговых результатов распознавания в наглядной форме: отображаются пары: "Класс-объект" у которых наибольшее сходство по двум интегральным критериям сходства: "Семантический резонанс знаний" и "Сумма знаний". Приводится информация о фактической принадлежности объекта к классу).
4.1.3.5. Подробно сжато: "Объекты - классы" (В подробной сжатой (числовой) форме приводится информация об уровне сходства всех объектов со всеми классами по двум интегральным критериям сходства: "Семантический резонанс знаний" и "Сумма знаний", а также о фактической принадлежности объекта к классу.
4.1.3.6. Обобщ.форма по достов.моделей при разных интегральных крит. (Отображаются обобщенные результаты измерения достоверности идентификации по всем моделям и интегральным критериям из БД: Dost_mod.DBF).
4.1.3.7. Обобщ.стат.анализ результатов идент. по моделям и инт.крит. (Отображаются результаты обобщенного стат.анализа достоверности идентификации по всем моделям и интегральным критериям из БД: VerModALL.dbf).
4.1.3.8. Стат.анализ результ. идент. по классам, моделям и инт.крит. (Отображаются результаты стат.анализа достоверности идентификации по всем классам, моделям и интегральным критериям из БД: VerModCls.dbf).
4.1.3.9. Распределения уровн.сходства при разных моделях и инт.крит. (Отображаются частотные распределения уровней сходства верно и ошибочно идентифицированных и неидентифицированных объектов при разных моделях и интегральных критериях из БД: DostRasp.dbf).
4.1.3.10.Достоверность идент. классов при разных моделях и инт.крит. (Отображается достоверность идентификации объектов по классам при разных моделях (т.е. разных частных критериях) и при разных интегральных критериях из БД: Dost_cls.dbf).
4.1.4. Пакетное распознавание в заданной группе моделей (Распознаются по очереди все объекты распознаваемой выборки в стат.модели или базе знаний, заданной текущей, в всех моделях заданной группы моделей).
4.1.5. Докодирование сочетаний признаков в распознаваемой выборке.
4.1.6. Назначения объектов на классы (задача о назначениях) (Функционально-стоимостной анализ в управлении персоналом).
4.1.6.1. Задание ограничений на ресурсы по классам.
4.1.6.2. Ввод затрат на объекты.
4.1.6.3. Назначения объектов на классы (LC-алгоритм).
4.1.6.4. Сравнение эффективности LC и RND алгоритмов.
4.1.7. Интерактивная идентификация - последовательный анализ Вальда.
4.1.8. Мультираспознавание (пакетное распознавание во всех моделях) (При идентификации объекта распознаваемой выборки с каждым классом он сравнивается в той модели, в которой этот класс распознается наиболее достоверно, как в системе "Эйдос-астра").
4.2. Типология классов и принятие решений.
4.2.1. Информационные портреты классов (Решение обратной задачи прогнозирования: выработка управляющих решений. Если при прогнозировании на основе значений факторов оценивается в какое будущее состояние перейдет объект управления, то при решении обратной задачи, наоборот, по заданному целевому будущему состоянию объекта управления определяется такая система значений факторов, которая в наибольшей степени обуславливает переход в это состояние).
4.2.2. Кластерный и конструктивный анализ классов.
4.2.2.1. Расчет матрицы сходства образов классов.
4.2.2.2. Генерация кластеров и конструктов классов.
4.2.2.3. Просмотр и печать кластеров и конструктов.
4.2.2.4. Автоматическое выполнение режимов: 1-2-3.
4.2.2.5. Вывод 2d семантических сетей классов.
4.2.2.6. Агломеративная древовидная кластеризация классов.
4.2.3. Когнитивные диаграммы классов.
4.3. Типологический анализ признаков.
4.3.1. Информационные портреты признаков (Семантический (смысловой) портрет признака или значения фактора, т.е. количественная характеристика силы и направления его влияния на поведение объекта управления).
4.3.2. Кластерный и конструктивный анализ признаков.
4.3.2.1. Расчет матрицы сходства образов признаков.
4.3.2.2. Генерация кластеров и конструктов признаков.
4.3.2.3. Просмотр и печать кластеров и конструктов.
4.3.2.4. Автоматическое выполнение режимов: 1-2-3.
4.3.2.5. Вывод 2d семантических сетей признаков.
4.3.2.6. Агломеративная древовидная кластеризация признаков.
4.3.3. Когнитивные диаграммы признаков.
4.3.4. Восстановление значений функций по признакам аргумента.
4.3.4.1. Восстановление значений и визуализация 1d-функций.
4.3.4.2. Восстановление значений и визуализация 2d-функций.
4.3.4.3. Преобразование 2d-матрицы в 1d-таблицу с признаками точек.
4.3.4.4. Объединение многих БД: Inp_0001.dbf и т.д. в Inp_data.dbf.
4.3.4.5. Помощь по подсистеме (требования к исходным данным).
4.4. Исследование предметной области путем исследования ее модели.
4.4.1. Оценка достоверности обучающей выборки (Выявление объектов с нарушенными корреляциями между классами и признаками. Выявление очень сходных друг с другом объектов обучающей выборки).
4.4.2. Оценка достоверности распознаваемой выборки (Выявление очень сходных друг с другом объектов распознаваемой выборки).
4.4.3. Измерение адекватности 3 стат.моделей и 7 моделей знаний (Любой заданной или всех).
4.4.4. Измерение сходимости и устойчивости 10 моделей.
4.4.5. Зависимость достоверности моделей от объема обучающей выборки.
4.4.6. Измерение независимости классов и признаков (анализ хи-квадрат).
4.4.7. Графические профили классов и признаков.
4.4.8. Графическое отображение нелокальных нейронов.
4.4.9. Отображение Паретто-подмножеств нелокальной нейроннойсети.
4.4.10.Классические и интегральные когнитивные карты.
4.5. Визуализация когнитивных функций: текущее приложение, разные модели (В данном режиме осуществляется визуализация и запись когнитивных, созданных в текущем приложении на основе различных стат.моделей и моделей знаний).
5. Сервис (Конвертирование, печать и сохранение модели, пересоздание и переиндексация всех баз данных).
5.1. Конвертер приложения OLD => NEW (Преобразование модели из стандарта БД системы Эйдос-12.5 в стандарт Эйдос-X++. Для конвертирования старого приложения надо скопировать в папку: файлы: Object.Dbf, Priz_Ob.Dbf, Priz_Per.Dbf, Priz_Per.Dbt, Obinfzag.Dbf, Obinfkpr.Dbf).
5.2. Конвертер приложения NEW => OLD (Преобразование модели из стандарта БД системы Эйдос-X++ в стандарт Эйдос-12.5 в папку OldAppls. Все файлы из этой папки надо скопировать в текущую папку системы "Эйдос-12.5", выполнить режимы 7.2 и 2.3.5).
5.3. Конвертер всех PCX (BMP) в GIF.
5.4. Конвер. результатов расп.для SigmaPlot (Конвертирует результаты распознавания, т.е. БД Rasp.dbf в параметрическую форму в стиле: "X, Y, Z", удобную для картографической визуализации в системе SigmaPlot. Это возможно, если предварительно были выполнены режимы 3.7.7 и 3.4(3.5.) и 4.1.2.).
5.5. Просмотр основных БД всех моделей (Обеспечивает просмотр и экспорт в Excel основных баз данных всех статистических моделей: Abs, Prc1, Prc2 и моделей знаний: Inf1~Prc1, Inf2~Prc2, Inf3-хи-квадрат, Inf4-roi~Prc1, Inf5-roi~Prc2, Inf6-Dp~Prc1, Inf7-Dp~Prc2).
5.6. Выбрать модель и сделать ее текущей (Данная функция позволяет выбрать среди ранее рассчитанных в 3-й подсистеме статистических баз Abs, Prc1, Prc2 и моделей знаний INF#, текущую модель для решения в 4-й подсистеме задач идентификации, прогнозирования, приятия решений и исследования предметной области путем исследования ее модели).
5.7. Переиндексация всех баз данных (Заново создаются все необходимые для работы системы индексные массивы общесистемных баз данных (находящихся в папке с исполнимым модулем системы), а также баз данных текущего приложения, необходимые для работы с ним).
5.8. Сохранение основных баз данных модели.
5.9. Восстановление модели из основных БД.
5.10. Сброс всех БД текущего приложения (Доступно только сисадмину и администратору приложения).
5.11. Интеллектуальная дескрипторная ИПС (Интеллектуальная дескрипторная информационно-поисковая система).
5.12. Пояснения по частн.и инт.крит.и лаб.работам (Пояснения по смыслу частных и интегральных критериев и описания лабораторных работ).
6. О системе.
6.1. Информация о системе, разработчике и средствах разработки.
6.2. Ссылки на патенты, документацию и текущую версию системы (Internet-ссылки на патенты, монографии, учебные пособия, научные статьи и самую новую (на текущий момент) версию системы "Эйдос-Х++, а также полный комплект документации на нее одним файлом").
6.3. Карта системы (дерево диалога).
6.4. Порядок обработки данных, информации и знаний в системе (Последовательность обработки данных, информации и знаний в системе "Эйдос-Х++" с указанием имен баз данных).
6.5. Графическая заставка системы "Эйдос-12.5".
6.6. Roger Donnay, Professional Developer, Developer eXPress++ (Roger Donnay, профессиональный разработчик программного обеспечения, разработчик высокоэффективной инструментальной системы программирования eXPress++, широко использованной при создании системы "Эйдос-Х++". Roger Donnay, Professional Developer, Developer eXPress++).
6.7. Логотипы мультимоделей.
6.8. Свидетельство РосПатента РФ на систему "Эйдос-Х++".
7. Выход (Закрыть все базы данных и корректно выйти из системы).

Приложение 2. Таблица – Кодирование классификационных шкал
Код
Наименование
1
УРОЖАЙНОСТЬ, Ц/ГА
2
СОДЕРЖАНИЕ БЕЛКА, %
3
СОДЕРЖАНИЕ КЛЕЙКОВИНЫ,%
4
НАТУРА ЗЕРНА, Г/Л
5
СТОИМОСТЬ ЗЕРНА, РУБ./ГА
6
ЧИСТЫЙ ДОХ (УБЫТОК), РУБ./ГА
7
УРОВЕНЬ РЕНТАБЕЛЬНОСТИ (УБЫТОЧНОСТИ), %
8
ПРИРАЩЕНИЕ ЭНЕРГИИ, ГДЖ/ГА
9
К-Т ЧИСТОЙ ЭФФЕКТИВНОСТИ
10
К-Т ОТНОШЕНИЯ ПОЛУЧ. И ЗАТРАЧ. ЭНЕРГИИ
11
ВЫХОД ЗЕРНА В РАСЧЕТЕ НА 1 ГДЖ ЗАТРАЧ. ЭНЕРГИИ, КГ
12
ОКУПАЕМОСТЬ УДОБРЕНИЙ ЗЕРНОМ, КГ/КГ
13
ЦЕНА ЗЕРНА, РУБ./КГ


Приложение 3. Таблица – Кодирование классов (градаций классификационных шкал, результатов прогнозирования)
Код
Наименование
1
УРОЖАЙНОСТЬ, Ц/ГА-1/4-{24.3000000, 38.0250000}
2
УРОЖАЙНОСТЬ, Ц/ГА-2/4-{38.0250000, 51.7500000}
3
УРОЖАЙНОСТЬ, Ц/ГА-3/4-{51.7500000, 65.4750000}
4
УРОЖАЙНОСТЬ, Ц/ГА-4/4-{65.4750000, 79.2000000}
5
СОДЕРЖАНИЕ БЕЛКА, %-1/4-{7.1000000, 9.1250000}
6
СОДЕРЖАНИЕ БЕЛКА, %-2/4-{9.1250000, 11.1500000}
7
СОДЕРЖАНИЕ БЕЛКА, %-3/4-{11.1500000, 13.1750000}
8
СОДЕРЖАНИЕ БЕЛКА, %-4/4-{13.1750000, 15.2000000}
9
СОДЕРЖАНИЕ КЛЕЙКОВИНЫ,%-1/4-{12.4000000, 16.9000000}
10
СОДЕРЖАНИЕ КЛЕЙКОВИНЫ,%-2/4-{16.9000000, 21.4000000}
11
СОДЕРЖАНИЕ КЛЕЙКОВИНЫ,%-3/4-{21.4000000, 25.9000000}
12
СОДЕРЖАНИЕ КЛЕЙКОВИНЫ,%-4/4-{25.9000000, 30.4000000}
13
НАТУРА ЗЕРНА, Г/Л-1/4-{746.0000000, 773.0000000}
14
НАТУРА ЗЕРНА, Г/Л-2/4-{773.0000000, 800.0000000}
15
НАТУРА ЗЕРНА, Г/Л-3/4-{800.0000000, 827.0000000}
16
НАТУРА ЗЕРНА, Г/Л-4/4-{827.0000000, 854.0000000}
17
СТОИМОСТЬ ЗЕРНА, РУБ./ГА-1/4-{13482.0000000, 23149.8000000}
18
СТОИМОСТЬ ЗЕРНА, РУБ./ГА-2/4-{23149.8000000, 32817.6000000}
19
СТОИМОСТЬ ЗЕРНА, РУБ./ГА-3/4-{32817.6000000, 42485.4000000}
20
СТОИМОСТЬ ЗЕРНА, РУБ./ГА-4/4-{42485.4000000, 52153.2000000}
21
ЧИСТЫЙ ДОХ (УБЫТОК), РУБ./ГА-1/4-{-7066.3000000, 1918.2875000}
22
ЧИСТЫЙ ДОХ (УБЫТОК), РУБ./ГА-2/4-{1918.2875000, 10902.8750000}
23
ЧИСТЫЙ ДОХ (УБЫТОК), РУБ./ГА-3/4-{10902.8750000, 19887.4625000}
24
ЧИСТЫЙ ДОХ (УБЫТОК), РУБ./ГА-4/4-{19887.4625000, 28872.0500000}
25
УРОВЕНЬ РЕНТАБЕЛЬНОСТИ (УБЫТОЧНОСТИ), %-1/4-{-30.1115820, 14.1205269}
26
УРОВЕНЬ РЕНТАБЕЛЬНОСТИ (УБЫТОЧНОСТИ), %-2/4-{14.1205269, 58.3526359}
27
УРОВЕНЬ РЕНТАБЕЛЬНОСТИ (УБЫТОЧНОСТИ), %-3/4-{58.3526359, 102.5847448}
28
УРОВЕНЬ РЕНТАБЕЛЬНОСТИ (УБЫТОЧНОСТИ), %-4/4-{102.5847448, 146.8168537}
29
ПРИРАЩЕНИЕ ЭНЕРГИИ, ГДЖ/ГА-1/4-{55.0270000, 92.0192500}
30
ПРИРАЩЕНИЕ ЭНЕРГИИ, ГДЖ/ГА-2/4-{92.0192500, 129.0115000}
31
ПРИРАЩЕНИЕ ЭНЕРГИИ, ГДЖ/ГА-3/4-{129.0115000, 166.0037500}
32
ПРИРАЩЕНИЕ ЭНЕРГИИ, ГДЖ/ГА-4/4-{166.0037500, 202.9960000}
33
К-Т ЧИСТОЙ ЭФФЕКТИВНОСТИ-1/4-{2.1450000, 4.4598174}
34
К-Т ЧИСТОЙ ЭФФЕКТИВНОСТИ-2/4-{4.4598174, 6.7746349}
35
К-Т ЧИСТОЙ ЭФФЕКТИВНОСТИ-3/4-{6.7746349, 9.0894523}
36
К-Т ЧИСТОЙ ЭФФЕКТИВНОСТИ-4/4-{9.0894523, 11.4042697}
37
К-Т ОТНОШЕНИЯ ПОЛУЧ. И ЗАТРАЧ. ЭНЕРГИИ-1/4-{3.1450000, 5.4598174}
38
К-Т ОТНОШЕНИЯ ПОЛУЧ. И ЗАТРАЧ. ЭНЕРГИИ-2/4-{5.4598174, 7.7746349}
39
К-Т ОТНОШЕНИЯ ПОЛУЧ. И ЗАТРАЧ. ЭНЕРГИИ-3/4-{7.7746349, 10.0894523}
40
К-Т ОТНОШЕНИЯ ПОЛУЧ. И ЗАТРАЧ. ЭНЕРГИИ-4/4-{10.0894523, 12.4042697}
41
ВЫХОД ЗЕРНА В РАСЧЕТЕ НА 1 ГДЖ ЗАТРАЧ. ЭНЕРГИИ, КГ-1/4-{108.8235294, 188.9210178}
42
ВЫХОД ЗЕРНА В РАСЧЕТЕ НА 1 ГДЖ ЗАТРАЧ. ЭНЕРГИИ, КГ-2/4-{188.9210178, 269.0185063}
43
ВЫХОД ЗЕРНА В РАСЧЕТЕ НА 1 ГДЖ ЗАТРАЧ. ЭНЕРГИИ, КГ-3/4-{269.0185063, 349.1159947}
44
ВЫХОД ЗЕРНА В РАСЧЕТЕ НА 1 ГДЖ ЗАТРАЧ. ЭНЕРГИИ, КГ-4/4-{349.1159947, 429.2134831}
45
ОКУПАЕМОСТЬ УДОБРЕНИЙ ЗЕРНОМ, КГ/КГ-1/4-{2.2160643, 19.2136007}
46
ОКУПАЕМОСТЬ УДОБРЕНИЙ ЗЕРНОМ, КГ/КГ-2/4-{19.2136007, 36.2111370}
47
ОКУПАЕМОСТЬ УДОБРЕНИЙ ЗЕРНОМ, КГ/КГ-3/4-{36.2111370, 53.2086734}
48
ОКУПАЕМОСТЬ УДОБРЕНИЙ ЗЕРНОМ, КГ/КГ-4/4-{53.2086734, 70.2062097}
49
ЦЕНА ЗЕРНА, РУБ./КГ-1/4-{5.3500000, 5.6587500}
50
ЦЕНА ЗЕРНА, РУБ./КГ-2/4-{5.6587500, 5.9675000}
51
ЦЕНА ЗЕРНА, РУБ./КГ-3/4-{5.9675000, 6.2762500}
52
ЦЕНА ЗЕРНА, РУБ./КГ-4/4-{6.2762500, 6.5850000}

Приложение 4. Таблица – Кодировка описательных шкал (факторов)
Код
Наименование
1
ПРЕДШЕСТВЕННИК
2
ДОЗА УДОБРЕНИЙ
3
СЕВООБОРОТ
4
К-ВО ОСАДКОВ ЗА ГОД , ММ
5
К-ВО ОСАДКОВ НА ПЕРИОД ОСЕН. ВЕГ., ММ
6
К-ВО ОСАДКОВ НА ПЕРИОД ВЕС.-ЛЕТ. ВЕГ., ММ
7
К-ВО ОСАДКОВ НА П-Д ОТ КОЛОШЕНИЯ ДО СОЗРЕВАНИЯ, ММ
8
СР. ТЕМПЕРАТУРА ЗА ГОД, °С
9
СР. ТЕМП. НА ПЕРИОД ОСЕН. ВЕГЕТАЦИИ, °С
10
СР. ТЕМП. НА ПЕРИОД ВЕС.-ЛЕТНЕЙ ВЕГ., °С
11
СР. ТЕМП. ЗА П-Д ОТ КОЛОШЕНИЯ ДО СОЗРЕВАНИЯ
12
СОД-Е ВЛАГИ В СЛОЕ ПОЧВЫ 0-10 СМ НА ПЕРИОД СЕВА, ММ
13
СОД-Е ВЛАГИ В СЛОЕ ПОЧВЫ 0-10 СМ НА П-Д ВЕС. ВЕГ., ММ
14
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-10 СМ НА П-Д ВЫХОДА В ТРУБКУ, ММ
15
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-10 СМ НА П-Д КОЛШЕНИЯ, ММ
16
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-10 СМ НА П-Д ПОЛН.СПЕЛ.И, ММ
17
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-30 СМ НА П-Д СЕВА, ММ
18
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-30 СМ НА П-Д ВЕС. ВЕГ., ММ
19
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-30 СМ НА П-Д ВЫХОДА В ТРУБКУ, ММ
20
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-30 СМ НА П-Д КОЛШЕНИЯ, ММ
21
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-30 СМ НА П-Д ПОЛНОЙ СПЕЛОСТИ, ММ
22
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-100 СМ НА П-Д СЕВА, ММ
23
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-100 СМ НА П-Д ВЕС. ВЕГ., ММ
24
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-100 СМ НА П-Д ВЫХОДА В ТРУБКУ, ММ
25
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-100 СМ НА ПЕРИОД КОЛОШЕНИЯ, ММ
26
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-100 СМ НА П-Д ПОЛНОЙ СПЕЛ., ММ
27
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-200 СМ НА ПЕРИОД СЕВА, ММ
28
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-200 СМ НА П-Д ВЕС. ВЕГ., ММ
29
СОД.Е ВЛАГИ В СЛОЕ ПОЧВЫ 0-200 СМ НА П-Д ВЫХОДА В ТРУБКУ, ММ
30
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-200 СМ НА П-Д КОЛШЕНИЯ, ММ
31
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-200 СМ НА П-Д ПОЛН. СПЕЛ., ММ
32
СОД. МИН.О АЗОТА В ПОЧВЕ НА НАЧАЛО ВЕС. ВЕГ.И, МГ/КГ
33
СОД. МИН. АЗОТА В ПОЧВЕ В ФАЗУ ВЫХ. РАСТ. В ТРУБКУ, МГ/КГ
34
СОД. МИН. АЗОТА В ПОЧВЕ В ФАЗУ КОЛОШ., МГ/КГ
35
СОД. МИН. АЗОТА В ПОЧВЕ В ФАЗУ ПОЛН. СПЕЛ., МГ/КГ
36
СОД. ФОСФАТОВ В 0-30 СМ СЛОЕ ПОЧВЫ НА НАЧ. ВЕСЕН. ВЕГ., МГ/КГ
37
СОД. ФОСФАТОВ В 0-30 СМ СЛОЕ ПОЧВЫ В ФАЗУ ВЫХ. РАСТ. В ТРУБКУ, МГ/КГ
38
СОД-Е ФОСФАТОВ В 0-30 СМ СЛОЕ ПОЧВЫ В ФАЗУ КОЛОШЕНИЯ, МГ/КГ
39
СОД-Е ФОСФАТОВ В 0-30 СМ СЛОЕ ПОЧВЫ В ФАЗУ ПОЛН. СПЕЛ., МГ/КГ
40
СОД-Е КАЛИЯ В 0-30 СМ СЛОЕ ПОЧВЫ НА НАЧ.О ВЕС. ВЕГ., МГ/КГ
41
СОД-Е КАЛИЯ В 0-30 СМ СЛОЕ ПОЧВЫ В ФАЗУ ВЫХ. РАСТ. В ТРУБКУ, МГ/КГ
42
СОД-Е КАЛИЯ В 0-30 СМ СЛОЕ ПОЧВЫ В ФАЗУ КОЛОШ., МГ/КГ
43
СОД-Е КАЛИЯ В 0-30 СМ СЛОЕ ПОЧВЫ В ФАЗУ ПОЛН. СПЕЛ., МГ/КГ
44
ВЫХОД ЭНЕРГИИ, ГДЖ/ГА
45
ЗАТРАТЫ НА УДОБРЕНИЯ, РУБ./ГА
46
ЗАТРАТЫ СОВОКУПНОЙ ЭНЕРГИИ, ГДЖ/ГА
47
ПРОИЗВОДСТВЕННЫЕ ЗАТРАТЫ, РУБ./ГА

Приложение 5. Таблица – Кодировка градаций описательных шкал (значений факторов)
Код
Наименование
1
ПРЕДШЕСТВЕННИК-горох
2
ПРЕДШЕСТВЕННИК-кукуруза на зерно
3
ПРЕДШЕСТВЕННИК-озимая пшеница
4
ПРЕДШЕСТВЕННИК-сахарная свекла
5
ПРЕДШЕСТВЕННИК-эспарцет
6
ДОЗА УДОБРЕНИЙ-высокая доза NPK
7
ДОЗА УДОБРЕНИЙ-минимальная доза NPK
8
ДОЗА УДОБРЕНИЙ-неудобренный
9
ДОЗА УДОБРЕНИЙ-повышенная доза NPK
10
ДОЗА УДОБРЕНИЙ-средняя доза NK
11
ДОЗА УДОБРЕНИЙ-средняя доза NP
12
ДОЗА УДОБРЕНИЙ-средняя доза NPK
13
ДОЗА УДОБРЕНИЙ-средняя доза PK
14
СЕВООБОРОТ-зернопропашный
15
СЕВООБОРОТ-Зернотравянопропашный
16
К-ВО ОСАДКОВ ЗА ГОД , ММ-1/4-{499.2000000, 565.4500000}
17
К-ВО ОСАДКОВ ЗА ГОД , ММ-2/4-{565.4500000, 631.7000000}
18
К-ВО ОСАДКОВ ЗА ГОД , ММ-3/4-{631.7000000, 697.9500000}
19
К-ВО ОСАДКОВ ЗА ГОД , ММ-4/4-{697.9500000, 764.2000000}
20
К-ВО ОСАДКОВ НА ПЕРИОД ОСЕН. ВЕГ., ММ-1/4-{83.2000000, 124.3750000}
21
К-ВО ОСАДКОВ НА ПЕРИОД ОСЕН. ВЕГ., ММ-2/4-{124.3750000, 165.5500000}
22
К-ВО ОСАДКОВ НА ПЕРИОД ОСЕН. ВЕГ., ММ-3/4-{165.5500000, 206.7250000}
23
К-ВО ОСАДКОВ НА ПЕРИОД ОСЕН. ВЕГ., ММ-4/4-{206.7250000, 247.9000000}
24
К-ВО ОСАДКОВ НА ПЕРИОД ВЕС.-ЛЕТ. ВЕГ., ММ-1/4-{84.1000000, 124.5000000}
25
К-ВО ОСАДКОВ НА ПЕРИОД ВЕС.-ЛЕТ. ВЕГ., ММ-2/4-{124.5000000, 164.9000000}
26
К-ВО ОСАДКОВ НА ПЕРИОД ВЕС.-ЛЕТ. ВЕГ., ММ-3/4-{164.9000000, 205.3000000}
27
К-ВО ОСАДКОВ НА ПЕРИОД ВЕС.-ЛЕТ. ВЕГ., ММ-4/4-{205.3000000, 245.7000000}
28
К-ВО ОСАДКОВ НА П-Д ОТ КОЛОШЕНИЯ ДО СОЗРЕВАНИЯ, ММ-1/4-{158.8000000, 179.2750000}
29
К-ВО ОСАДКОВ НА П-Д ОТ КОЛОШЕНИЯ ДО СОЗРЕВАНИЯ, ММ-2/4-{179.2750000, 199.7500000}
30
К-ВО ОСАДКОВ НА П-Д ОТ КОЛОШЕНИЯ ДО СОЗРЕВАНИЯ, ММ-3/4-{199.7500000, 220.2250000}
31
К-ВО ОСАДКОВ НА П-Д ОТ КОЛОШЕНИЯ ДО СОЗРЕВАНИЯ, ММ-4/4-{220.2250000, 240.7000000}
32
СР. ТЕМПЕРАТУРА ЗА ГОД, °С-1/4-{10.3000000, 10.7750000}
33
СР. ТЕМПЕРАТУРА ЗА ГОД, °С-2/4-{10.7750000, 11.2500000}
34
СР. ТЕМПЕРАТУРА ЗА ГОД, °С-3/4-{11.2500000, 11.7250000}
35
СР. ТЕМПЕРАТУРА ЗА ГОД, °С-4/4-{11.7250000, 12.2000000}
36
СР. ТЕМП. НА ПЕРИОД ОСЕН. ВЕГЕТАЦИИ, °С-1/4-{9.8000000, 10.7500000}
37
СР. ТЕМП. НА ПЕРИОД ОСЕН. ВЕГЕТАЦИИ, °С-2/4-{10.7500000, 11.7000000}
38
СР. ТЕМП. НА ПЕРИОД ОСЕН. ВЕГЕТАЦИИ, °С-3/4-{11.7000000, 12.6500000}
39
СР. ТЕМП. НА ПЕРИОД ОСЕН. ВЕГЕТАЦИИ, °С-4/4-{12.6500000, 13.6000000}
40
СР. ТЕМП. НА ПЕРИОД ВЕС.-ЛЕТНЕЙ ВЕГ., °С-1/4-{15.9000000, 16.3000000}
41
СР. ТЕМП. НА ПЕРИОД ВЕС.-ЛЕТНЕЙ ВЕГ., °С-2/4-{16.3000000, 16.7000000}
42
СР. ТЕМП. НА ПЕРИОД ВЕС.-ЛЕТНЕЙ ВЕГ., °С-3/4-{16.7000000, 17.1000000}
43
СР. ТЕМП. НА ПЕРИОД ВЕС.-ЛЕТНЕЙ ВЕГ., °С-4/4-{17.1000000, 17.5000000}
44
СР. ТЕМП. ЗА П-Д ОТ КОЛОШЕНИЯ ДО СОЗРЕВАНИЯ-1/4-{19.9000000, 20.4250000}
45
СР. ТЕМП. ЗА П-Д ОТ КОЛОШЕНИЯ ДО СОЗРЕВАНИЯ-2/4-{20.4250000, 20.9500000}
46
СР. ТЕМП. ЗА П-Д ОТ КОЛОШЕНИЯ ДО СОЗРЕВАНИЯ-3/4-{20.9500000, 21.4750000}
47
СР. ТЕМП. ЗА П-Д ОТ КОЛОШЕНИЯ ДО СОЗРЕВАНИЯ-4/4-{21.4750000, 22.0000000}
48
СОД-Е ВЛАГИ В СЛОЕ ПОЧВЫ 0-10 СМ НА ПЕРИОД СЕВА, ММ-1/4-{2.5000000, 7.3500000}
49
СОД-Е ВЛАГИ В СЛОЕ ПОЧВЫ 0-10 СМ НА ПЕРИОД СЕВА, ММ-2/4-{7.3500000, 12.2000000}
50
СОД-Е ВЛАГИ В СЛОЕ ПОЧВЫ 0-10 СМ НА ПЕРИОД СЕВА, ММ-3/4-{12.2000000, 17.0500000}
51
СОД-Е ВЛАГИ В СЛОЕ ПОЧВЫ 0-10 СМ НА ПЕРИОД СЕВА, ММ-4/4-{17.0500000, 21.9000000}
52
СОД-Е ВЛАГИ В СЛОЕ ПОЧВЫ 0-10 СМ НА П-Д ВЕС. ВЕГ., ММ-1/4-{1.9000000, 10.7750000}
53
СОД-Е ВЛАГИ В СЛОЕ ПОЧВЫ 0-10 СМ НА П-Д ВЕС. ВЕГ., ММ-2/4-{10.7750000, 19.6500000}
54
СОД-Е ВЛАГИ В СЛОЕ ПОЧВЫ 0-10 СМ НА П-Д ВЕС. ВЕГ., ММ-3/4-{19.6500000, 28.5250000}
55
СОД-Е ВЛАГИ В СЛОЕ ПОЧВЫ 0-10 СМ НА П-Д ВЕС. ВЕГ., ММ-4/4-{28.5250000, 37.4000000}
56
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-10 СМ НА П-Д ВЫХОДА В ТРУБКУ, ММ-1/4-{1.7600000, 9.5200000}
57
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-10 СМ НА П-Д ВЫХОДА В ТРУБКУ, ММ-2/4-{9.5200000, 17.2800000}
58
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-10 СМ НА П-Д ВЫХОДА В ТРУБКУ, ММ-3/4-{17.2800000, 25.0400000}
59
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-10 СМ НА П-Д ВЫХОДА В ТРУБКУ, ММ-4/4-{25.0400000, 32.8000000}
60
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-10 СМ НА П-Д КОЛШЕНИЯ, ММ-1/4-{0.3000000, 7.3500000}
61
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-10 СМ НА П-Д КОЛШЕНИЯ, ММ-2/4-{7.3500000, 14.4000000}
62
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-10 СМ НА П-Д КОЛШЕНИЯ, ММ-3/4-{14.4000000, 21.4500000}
63
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-10 СМ НА П-Д КОЛШЕНИЯ, ММ-4/4-{21.4500000, 28.5000000}
64
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-10 СМ НА П-Д ПОЛН.СПЕЛ.И, ММ-1/4-{2.4000000, 7.9750000}
65
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-10 СМ НА П-Д ПОЛН.СПЕЛ.И, ММ-2/4-{7.9750000, 13.5500000}
66
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-10 СМ НА П-Д ПОЛН.СПЕЛ.И, ММ-3/4-{13.5500000, 19.1250000}
67
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-10 СМ НА П-Д ПОЛН.СПЕЛ.И, ММ-4/4-{19.1250000, 24.7000000}
68
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-30 СМ НА П-Д СЕВА, ММ-1/4-{0.7000000, 17.1750000}
69
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-30 СМ НА П-Д СЕВА, ММ-2/4-{17.1750000, 33.6500000}
70
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-30 СМ НА П-Д СЕВА, ММ-3/4-{33.6500000, 50.1250000}
71
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-30 СМ НА П-Д СЕВА, ММ-4/4-{50.1250000, 66.6000000}
72
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-30 СМ НА П-Д ВЕС. ВЕГ., ММ-1/4-{4.9000000, 27.3500000}
73
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-30 СМ НА П-Д ВЕС. ВЕГ., ММ-2/4-{27.3500000, 49.8000000}
74
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-30 СМ НА П-Д ВЕС. ВЕГ., ММ-3/4-{49.8000000, 72.2500000}
75
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-30 СМ НА П-Д ВЕС. ВЕГ., ММ-4/4-{72.2500000, 94.7000000}
76
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-30 СМ НА П-Д ВЫХОДА В ТРУБКУ, ММ-1/4-{8.8000000, 23.9250000}
77
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-30 СМ НА П-Д ВЫХОДА В ТРУБКУ, ММ-2/4-{23.9250000, 39.0500000}
78
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-30 СМ НА П-Д ВЫХОДА В ТРУБКУ, ММ-3/4-{39.0500000, 54.1750000}
79
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-30 СМ НА П-Д ВЫХОДА В ТРУБКУ, ММ-4/4-{54.1750000, 69.3000000}
80
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-30 СМ НА П-Д КОЛШЕНИЯ, ММ-1/4-{2.5000000, 14.8500000}
81
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-30 СМ НА П-Д КОЛШЕНИЯ, ММ-2/4-{14.8500000, 27.2000000}
82
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-30 СМ НА П-Д КОЛШЕНИЯ, ММ-3/4-{27.2000000, 39.5500000}
83
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-30 СМ НА П-Д КОЛШЕНИЯ, ММ-4/4-{39.5500000, 51.9000000}
84
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-30 СМ НА П-Д ПОЛНОЙ СПЕЛОСТИ, ММ-1/4-{16.9000000, 29.3750000}
85
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-30 СМ НА П-Д ПОЛНОЙ СПЕЛОСТИ, ММ-2/4-{29.3750000, 41.8500000}
86
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-30 СМ НА П-Д ПОЛНОЙ СПЕЛОСТИ, ММ-3/4-{41.8500000, 54.3250000}
87
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-30 СМ НА П-Д ПОЛНОЙ СПЕЛОСТИ, ММ-4/4-{54.3250000, 66.8000000}
88
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-100 СМ НА П-Д СЕВА, ММ-1/4-{10.5000000, 62.5000000}
89
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-100 СМ НА П-Д СЕВА, ММ-2/4-{62.5000000, 114.5000000}
90
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-100 СМ НА П-Д СЕВА, ММ-3/4-{114.5000000, 166.5000000}
91
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-100 СМ НА П-Д СЕВА, ММ-4/4-{166.5000000, 218.5000000}
92
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-100 СМ НА П-Д ВЕС. ВЕГ., ММ-1/4-{30.9000000, 104.0000000}
93
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-100 СМ НА П-Д ВЕС. ВЕГ., ММ-2/4-{104.0000000, 177.1000000}
94
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-100 СМ НА П-Д ВЕС. ВЕГ., ММ-3/4-{177.1000000, 250.2000000}
95
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-100 СМ НА П-Д ВЕС. ВЕГ., ММ-4/4-{250.2000000, 323.3000000}
96
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-100 СМ НА П-Д ВЫХОДА В ТРУБКУ, ММ-1/4-{7.9600000, 55.1450000}
97
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-100 СМ НА П-Д ВЫХОДА В ТРУБКУ, ММ-2/4-{55.1450000, 102.3300000}
98
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-100 СМ НА П-Д ВЫХОДА В ТРУБКУ, ММ-3/4-{102.3300000, 149.5150000}
99
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-100 СМ НА П-Д ВЫХОДА В ТРУБКУ, ММ-4/4-{149.5150000, 196.7000000}
100
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-100 СМ НА ПЕРИОД КОЛОШЕНИЯ, ММ-1/4-{13.8000000, 49.3250000}
101
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-100 СМ НА ПЕРИОД КОЛОШЕНИЯ, ММ-2/4-{49.3250000, 84.8500000}
102
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-100 СМ НА ПЕРИОД КОЛОШЕНИЯ, ММ-3/4-{84.8500000, 120.3750000}
103
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-100 СМ НА ПЕРИОД КОЛОШЕНИЯ, ММ-4/4-{120.3750000, 155.9000000}
104
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-100 СМ НА П-Д ПОЛНОЙ СПЕЛ., ММ-1/4-{42.8000000, 81.4250000}
105
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-100 СМ НА П-Д ПОЛНОЙ СПЕЛ., ММ-2/4-{81.4250000, 120.0500000}
106
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-100 СМ НА П-Д ПОЛНОЙ СПЕЛ., ММ-3/4-{120.0500000, 158.6750000}
107
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-100 СМ НА П-Д ПОЛНОЙ СПЕЛ., ММ-4/4-{158.6750000, 197.3000000}
108
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-200 СМ НА ПЕРИОД СЕВА, ММ-1/4-{10.5000000, 83.1250000}
109
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-200 СМ НА ПЕРИОД СЕВА, ММ-2/4-{83.1250000, 155.7500000}
110
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-200 СМ НА ПЕРИОД СЕВА, ММ-3/4-{155.7500000, 228.3750000}
111
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-200 СМ НА ПЕРИОД СЕВА, ММ-4/4-{228.3750000, 301.0000000}
112
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-200 СМ НА П-Д ВЕС. ВЕГ., ММ-1/4-{37.5000000, 127.3000000}
113
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-200 СМ НА П-Д ВЕС. ВЕГ., ММ-2/4-{127.3000000, 217.1000000}
114
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-200 СМ НА П-Д ВЕС. ВЕГ., ММ-3/4-{217.1000000, 306.9000000}
115
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-200 СМ НА П-Д ВЕС. ВЕГ., ММ-4/4-{306.9000000, 396.7000000}
116
СОД.Е ВЛАГИ В СЛОЕ ПОЧВЫ 0-200 СМ НА П-Д ВЫХОДА В ТРУБКУ, ММ-1/4-{11.7000000, 89.2250000}
117
СОД.Е ВЛАГИ В СЛОЕ ПОЧВЫ 0-200 СМ НА П-Д ВЫХОДА В ТРУБКУ, ММ-2/4-{89.2250000, 166.7500000}
118
СОД.Е ВЛАГИ В СЛОЕ ПОЧВЫ 0-200 СМ НА П-Д ВЫХОДА В ТРУБКУ, ММ-3/4-{166.7500000, 244.2750000}
119
СОД.Е ВЛАГИ В СЛОЕ ПОЧВЫ 0-200 СМ НА П-Д ВЫХОДА В ТРУБКУ, ММ-4/4-{244.2750000, 321.8000000}
120
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-200 СМ НА П-Д КОЛШЕНИЯ, ММ-1/4-{20.1000000, 75.5000000}
121
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-200 СМ НА П-Д КОЛШЕНИЯ, ММ-2/4-{75.5000000, 130.9000000}
122
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-200 СМ НА П-Д КОЛШЕНИЯ, ММ-3/4-{130.9000000, 186.3000000}
123
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-200 СМ НА П-Д КОЛШЕНИЯ, ММ-4/4-{186.3000000, 241.7000000}
124
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-200 СМ НА П-Д ПОЛН. СПЕЛ., ММ-1/4-{53.2000000, 106.1000000}
125
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-200 СМ НА П-Д ПОЛН. СПЕЛ., ММ-2/4-{106.1000000, 159.0000000}
126
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-200 СМ НА П-Д ПОЛН. СПЕЛ., ММ-3/4-{159.0000000, 211.9000000}
127
СОД. ВЛАГИ В СЛОЕ ПОЧВЫ 0-200 СМ НА П-Д ПОЛН. СПЕЛ., ММ-4/4-{211.9000000, 264.8000000}
128
СОД. МИН.О АЗОТА В ПОЧВЕ НА НАЧАЛО ВЕС. ВЕГ.И, МГ/КГ-1/4-{6.2000000, 12.2500000}
129
СОД. МИН.О АЗОТА В ПОЧВЕ НА НАЧАЛО ВЕС. ВЕГ.И, МГ/КГ-2/4-{12.2500000, 18.3000000}
130
СОД. МИН.О АЗОТА В ПОЧВЕ НА НАЧАЛО ВЕС. ВЕГ.И, МГ/КГ-3/4-{18.3000000, 24.3500000}
131
СОД. МИН.О АЗОТА В ПОЧВЕ НА НАЧАЛО ВЕС. ВЕГ.И, МГ/КГ-4/4-{24.3500000, 30.4000000}
132
СОД. МИН. АЗОТА В ПОЧВЕ В ФАЗУ ВЫХ. РАСТ. В ТРУБКУ, МГ/КГ-1/4-{3.7000000, 10.4750000}
133
СОД. МИН. АЗОТА В ПОЧВЕ В ФАЗУ ВЫХ. РАСТ. В ТРУБКУ, МГ/КГ-2/4-{10.4750000, 17.2500000}
134
СОД. МИН. АЗОТА В ПОЧВЕ В ФАЗУ ВЫХ. РАСТ. В ТРУБКУ, МГ/КГ-3/4-{17.2500000, 24.0250000}
135
СОД. МИН. АЗОТА В ПОЧВЕ В ФАЗУ ВЫХ. РАСТ. В ТРУБКУ, МГ/КГ-4/4-{24.0250000, 30.8000000}
136
СОД. МИН. АЗОТА В ПОЧВЕ В ФАЗУ КОЛОШ., МГ/КГ-1/4-{3.1000000, 7.8250000}
137
СОД. МИН. АЗОТА В ПОЧВЕ В ФАЗУ КОЛОШ., МГ/КГ-2/4-{7.8250000, 12.5500000}
138
СОД. МИН. АЗОТА В ПОЧВЕ В ФАЗУ КОЛОШ., МГ/КГ-3/4-{12.5500000, 17.2750000}
139
СОД. МИН. АЗОТА В ПОЧВЕ В ФАЗУ КОЛОШ., МГ/КГ-4/4-{17.2750000, 22.0000000}
140
СОД. МИН. АЗОТА В ПОЧВЕ В ФАЗУ ПОЛН. СПЕЛ., МГ/КГ-1/4-{3.8000000, 9.5500000}
141
СОД. МИН. АЗОТА В ПОЧВЕ В ФАЗУ ПОЛН. СПЕЛ., МГ/КГ-2/4-{9.5500000, 15.3000000}
142
СОД. МИН. АЗОТА В ПОЧВЕ В ФАЗУ ПОЛН. СПЕЛ., МГ/КГ-3/4-{15.3000000, 21.0500000}
143
СОД. МИН. АЗОТА В ПОЧВЕ В ФАЗУ ПОЛН. СПЕЛ., МГ/КГ-4/4-{21.0500000, 26.8000000}
144
СОД. ФОСФАТОВ В 0-30 СМ СЛОЕ ПОЧВЫ НА НАЧ. ВЕСЕН. ВЕГ., МГ/КГ-1/4-{1.6000000, 16.2750000}
145
СОД. ФОСФАТОВ В 0-30 СМ СЛОЕ ПОЧВЫ НА НАЧ. ВЕСЕН. ВЕГ., МГ/КГ-2/4-{16.2750000, 30.9500000}
146
СОД. ФОСФАТОВ В 0-30 СМ СЛОЕ ПОЧВЫ НА НАЧ. ВЕСЕН. ВЕГ., МГ/КГ-3/4-{30.9500000, 45.6250000}
147
СОД. ФОСФАТОВ В 0-30 СМ СЛОЕ ПОЧВЫ НА НАЧ. ВЕСЕН. ВЕГ., МГ/КГ-4/4-{45.6250000, 60.3000000}
148
СОД. ФОСФАТОВ В 0-30 СМ СЛОЕ ПОЧВЫ В ФАЗУ ВЫХ. РАСТ. В ТРУБКУ, МГ/КГ-1/4-{2.7000000, 17.3250000}
149
СОД. ФОСФАТОВ В 0-30 СМ СЛОЕ ПОЧВЫ В ФАЗУ ВЫХ. РАСТ. В ТРУБКУ, МГ/КГ-2/4-{17.3250000, 31.9500000}
150
СОД. ФОСФАТОВ В 0-30 СМ СЛОЕ ПОЧВЫ В ФАЗУ ВЫХ. РАСТ. В ТРУБКУ, МГ/КГ-3/4-{31.9500000, 46.5750000}
151
СОД. ФОСФАТОВ В 0-30 СМ СЛОЕ ПОЧВЫ В ФАЗУ ВЫХ. РАСТ. В ТРУБКУ, МГ/КГ-4/4-{46.5750000, 61.2000000}
152
СОД-Е ФОСФАТОВ В 0-30 СМ СЛОЕ ПОЧВЫ В ФАЗУ КОЛОШЕНИЯ, МГ/КГ-1/4-{6.2000000, 19.6500000}
153
СОД-Е ФОСФАТОВ В 0-30 СМ СЛОЕ ПОЧВЫ В ФАЗУ КОЛОШЕНИЯ, МГ/КГ-2/4-{19.6500000, 33.1000000}
154
СОД-Е ФОСФАТОВ В 0-30 СМ СЛОЕ ПОЧВЫ В ФАЗУ КОЛОШЕНИЯ, МГ/КГ-3/4-{33.1000000, 46.5500000}
155
СОД-Е ФОСФАТОВ В 0-30 СМ СЛОЕ ПОЧВЫ В ФАЗУ КОЛОШЕНИЯ, МГ/КГ-4/4-{46.5500000, 60.0000000}
156
СОД-Е ФОСФАТОВ В 0-30 СМ СЛОЕ ПОЧВЫ В ФАЗУ ПОЛН. СПЕЛ., МГ/КГ-1/4-{3.7000000, 17.9500000}
157
СОД-Е ФОСФАТОВ В 0-30 СМ СЛОЕ ПОЧВЫ В ФАЗУ ПОЛН. СПЕЛ., МГ/КГ-2/4-{17.9500000, 32.2000000}
158
СОД-Е ФОСФАТОВ В 0-30 СМ СЛОЕ ПОЧВЫ В ФАЗУ ПОЛН. СПЕЛ., МГ/КГ-3/4-{32.2000000, 46.4500000}
159
СОД-Е ФОСФАТОВ В 0-30 СМ СЛОЕ ПОЧВЫ В ФАЗУ ПОЛН. СПЕЛ., МГ/КГ-4/4-{46.4500000, 60.7000000}
160
СОД-Е КАЛИЯ В 0-30 СМ СЛОЕ ПОЧВЫ НА НАЧ.О ВЕС. ВЕГ., МГ/КГ-1/4-{267.0000000, 342.5000000}
161
СОД-Е КАЛИЯ В 0-30 СМ СЛОЕ ПОЧВЫ НА НАЧ.О ВЕС. ВЕГ., МГ/КГ-2/4-{342.5000000, 418.0000000}
162
СОД-Е КАЛИЯ В 0-30 СМ СЛОЕ ПОЧВЫ НА НАЧ.О ВЕС. ВЕГ., МГ/КГ-3/4-{418.0000000, 493.5000000}
163
СОД-Е КАЛИЯ В 0-30 СМ СЛОЕ ПОЧВЫ НА НАЧ.О ВЕС. ВЕГ., МГ/КГ-4/4-{493.5000000, 569.0000000}
164
СОД-Е КАЛИЯ В 0-30 СМ СЛОЕ ПОЧВЫ В ФАЗУ ВЫХ. РАСТ. В ТРУБКУ, МГ/КГ-1/4-{238.0000000, 298.5000000}
165
СОД-Е КАЛИЯ В 0-30 СМ СЛОЕ ПОЧВЫ В ФАЗУ ВЫХ. РАСТ. В ТРУБКУ, МГ/КГ-2/4-{298.5000000, 359.0000000}
166
СОД-Е КАЛИЯ В 0-30 СМ СЛОЕ ПОЧВЫ В ФАЗУ ВЫХ. РАСТ. В ТРУБКУ, МГ/КГ-3/4-{359.0000000, 419.5000000}
167
СОД-Е КАЛИЯ В 0-30 СМ СЛОЕ ПОЧВЫ В ФАЗУ ВЫХ. РАСТ. В ТРУБКУ, МГ/КГ-4/4-{419.5000000, 480.0000000}
168
СОД-Е КАЛИЯ В 0-30 СМ СЛОЕ ПОЧВЫ В ФАЗУ КОЛОШ., МГ/КГ-1/4-{203.0000000, 271.0000000}
169
СОД-Е КАЛИЯ В 0-30 СМ СЛОЕ ПОЧВЫ В ФАЗУ КОЛОШ., МГ/КГ-2/4-{271.0000000, 339.0000000}
170
СОД-Е КАЛИЯ В 0-30 СМ СЛОЕ ПОЧВЫ В ФАЗУ КОЛОШ., МГ/КГ-3/4-{339.0000000, 407.0000000}
171
СОД-Е КАЛИЯ В 0-30 СМ СЛОЕ ПОЧВЫ В ФАЗУ КОЛОШ., МГ/КГ-4/4-{407.0000000, 475.0000000}
172
СОД-Е КАЛИЯ В 0-30 СМ СЛОЕ ПОЧВЫ В ФАЗУ ПОЛН. СПЕЛ., МГ/КГ-1/4-{223.0000000, 284.0000000}
173
СОД-Е КАЛИЯ В 0-30 СМ СЛОЕ ПОЧВЫ В ФАЗУ ПОЛН. СПЕЛ., МГ/КГ-2/4-{284.0000000, 345.0000000}
174
СОД-Е КАЛИЯ В 0-30 СМ СЛОЕ ПОЧВЫ В ФАЗУ ПОЛН. СПЕЛ., МГ/КГ-3/4-{345.0000000, 406.0000000}
175
СОД-Е КАЛИЯ В 0-30 СМ СЛОЕ ПОЧВЫ В ФАЗУ ПОЛН. СПЕЛ., МГ/КГ-4/4-{406.0000000, 467.0000000}
176
ВЫХОД ЭНЕРГИИ, ГДЖ/ГА-1/4-{70.2270000, 109.8922500}
177
ВЫХОД ЭНЕРГИИ, ГДЖ/ГА-2/4-{109.8922500, 149.5575000}
178
ВЫХОД ЭНЕРГИИ, ГДЖ/ГА-3/4-{149.5575000, 189.2227500}
179
ВЫХОД ЭНЕРГИИ, ГДЖ/ГА-4/4-{189.2227500, 228.8880000}
180
ЗАТРАТЫ НА УДОБРЕНИЯ, РУБ./ГА-1/4-{653.7520000, 3979.4670000}
181
ЗАТРАТЫ НА УДОБРЕНИЯ, РУБ./ГА-2/4-{3979.4670000, 7305.1820000}
182
ЗАТРАТЫ НА УДОБРЕНИЯ, РУБ./ГА-3/4-{7305.1820000, 10630.8970000}
183
ЗАТРАТЫ НА УДОБРЕНИЯ, РУБ./ГА-4/4-{10630.8970000, 13956.6120000}
184
ЗАТРАТЫ СОВОКУПНОЙ ЭНЕРГИИ, ГДЖ/ГА-1/4-{14.1000000, 19.2000000}
185
ЗАТРАТЫ СОВОКУПНОЙ ЭНЕРГИИ, ГДЖ/ГА-2/4-{19.2000000, 24.3000000}
186
ЗАТРАТЫ СОВОКУПНОЙ ЭНЕРГИИ, ГДЖ/ГА-3/4-{24.3000000, 29.4000000}
187
ЗАТРАТЫ СОВОКУПНОЙ ЭНЕРГИИ, ГДЖ/ГА-4/4-{29.4000000, 34.5000000}
188
ПРОИЗВОДСТВЕННЫЕ ЗАТРАТЫ, РУБ./ГА-1/4-{17942.0000000, 21507.4030000}
189
ПРОИЗВОДСТВЕННЫЕ ЗАТРАТЫ, РУБ./ГА-2/4-{21507.4030000, 25072.8060000}
190
ПРОИЗВОДСТВЕННЫЕ ЗАТРАТЫ, РУБ./ГА-3/4-{25072.8060000, 28638.2090000}
191
ПРОИЗВОДСТВЕННЫЕ ЗАТРАТЫ, РУБ./ГА-4/4-{28638.2090000, 32203.6120000}


Приложение 6. Таблица – Измерение адекватности семантической информационной модели (INF3)
Код
Наименование класса
Число логических анкет
Идентифицировано
Неидентифицировано
Вероятность случайного угадывания, %
Эффективность модели (раз)



верно
ошибочно
верно
ошибочно


1
Урожайность, ц/га -1/4-{24.3, 38.0}
77
77
0
352
19
17,2
2,9
2
Урожайность, ц/га -2/4-{38.0, 51.70}
110
110
0
337
1
24,6
2,0
3
Урожайность, ц/га -3/4-{51.7, 65.5}
190
190
0
258
0
42,4
1,2
4
Урожайность, ц/га -4/4-{65.5, 79.2}
71
71
0
344
33
15,8
3,2
5
Содержание белка, %-1/4-{7.1, 9.1}
40
40
0
392
16
8,9
5,6
6
Содержание белка, %-2/4-{9.1, 11.1}
150
150
0
295
3
33,5
1,5
7
Содержание белка, %-3/4-{11.1, 13.1}
184
184
0
263
1
41,1
1,2
8
Содержание белка, %-4/4-{13.1, 15.2}
74
74
0
367
7
16,5
3,0
9
Содержание клейковины, %-1/4-{12.4, 16.9}
52
52
0
386
10
11,6
4,3
10
Содержание клейковины,%-2/4-{16.9, 21.4}
157
157
0
290
1
35,0
1,4
11
Содержание клейковины,%-3/4-{21.4, 25.9}
183
183
0
265
0
40,8
1,2
12
Содержание клейковины,%-4/4-{25.9, 30.40}
56
55
1
384
8
12,5
3,9
13
Натура зерна, г/л-1/4-{746.0, 773.0}
48
48
0
388
12
10,7
4,7
14
Натура зерна, г/л -2/4-{773.0, 800.0}
196
196
0
251
1
43,8
1,1







Продолжение таблицы приложения 4
Код
Наименование класса
Число логических анкет
Идентифицировано
Неидентифицировано
Вероятность случайного угадывания, %
Эффективность модели (раз)



верно
ошибочно
верно
ошибочно


15
Натура зерна, г/л -3/4-{800.00, 827.0}
120
120
0
327
1
26,8
1,9
16
Натура зерна, г/л -4/4-{827.0, 854.0}
84
84
0
344
20
18,8
2,7
17
Стоимость зерна, руб./га-1/4-{13482.0, 23149.8}
93
93
0
349
6
20,8
2,4
18
Стоимость зерна, руб./га -2/4-{23149.8, 32817.60}
136
136
0
310
2
30,4
1,7
19
Стоимость зерна, руб./га -3/4-{32817.6, 42485.4}
167
167
0
280
1
37,3
1,3
20
Стоимость зерна, руб./га -4/4-{42485.4000000, 52153.2000000}
52
52
0
361
35
11,6
4,4
21
Чистый доход (убыток), руб./га-1/4-{-7066.3, 1918.3}
89
89
0
353
6
19,9
2,5
22
Чистый доход, руб./га-2/4-{1918.3, 10902.9}
181
180
1
267
0
40,4
1,2
23
Чистый доход, руб./га -3/4-{10902.9, 19887.5}
131
131
0
316
1
29,2
1,7
24
Чистый доход, руб./га -4/4-{19887.5, 28872.0}
47
47
0
360
41
10,5
4,8
25
Уровень рентабельности (убыточности), %-1/4-{-30.1, 14.1}
122
122
0
325
1
27,2
1,8
26
Уровень рентабельности, %-2/4-{14.1, 58.3}
190
190
0
258
0
42,4
1,2
27
Уровень рентабельности, %, %-3/4-{58.3, 102.6}
103
103
0
343
2
23,0
2,2




Продолжение таблицы приложения 4
Код
Наименование класса
Число логических анкет
Идентифицировано
Неидентифицировано
Вероятность случайного угадывания, %
Эффективность модели (раз)



верно
ошибочно
верно
ошибочно


28
Уровень рентабельности, %-4/4-{102.6, 146.8}
33
33
0
374
41
7,4
6,8
29
Приращение энергии, ГДж/га-1/4-{55.0, 92.0}
79
79
0
351
18
17,6
2,9
30
Приращение энергии, ГДж/га -2/4-{92.0, 129.0}
128
128
0
319
1
28,6
1,8
31
Приращение энергии, ГДж/га -3/4-{129.0, 166.0}
173
173
0
275
0
38,6
1,3
32
Приращение энергии, ГДж/га -4/4-{166.0, 202.9}
68
68
0
351
29
15,2
3,3
33
К-т чистой эффективности-1/4-{2.145, 4.459}
79
79
0
361
8
17,6
2,8
34
К-т чистой эффективности -2/4-{4.459, 6.774}
275
275
0
173
0
61,4
0,8
35
К-т чистой эффективности -3/4-{6.774, 9.089}
91
91
0
344
13
20,3
2,5
36
К-т чистой эффективности -4/4-{9.089, 11.404}
3
3
0
407
38
0,7
74,7
37
К-т соотношения получ.и затр.энергии-1/4-{3.145, 5.459}
79
79
0
361
8
17,6
2,8
38
К-т соотношения получ.и затр.энергии -2/4-{5.459, 7.774}
275
275
0
173
0
61,4
0,8
39
К-т соотношения получ.и затр.энергии -3/4-{7.774, 10.0894523}
91
91
0
344
13
20,3
2,5
40
К-т соотношения получ.и затр.энергии -4/4-{10.0894523, 12.404}
3
3
0
407
38
0,7
74,7



Продолжение таблицы приложения 4
Код
Наименование класса
Число логических анкет
Идентифицировано
Неидентифицировано
Вероятность случайного угадывания, %
Эффективность модели (раз)



верно
ошибочно
верно
ошибочно


41
Выход зерна в расчете на 1 Гдж затрач.энергии, кг-1/4-{108.8, 188.9}
79
79
0
361
8
17,6
2,8
42
Выход зерна в расчете на 1 Гдж затрач.энергии, кг -2/4-{188.9, 269.0}
275
275
0
173
0
61,4
0,8
43
Выход зерна в расчете на 1 Гдж затрач.энергии, кг -3/4-{269.0, 349.1}
91
91
0
344
13
20,3
2,5
44
Выход зерна в расчете на 1 Гдж затрач.энергии, кг -4/4-{349.1, 429.2}
3
3
0
407
38
0,7
74,7
45
Окупаемость удобрений зерном, кг/кг-1/4-{2.2, 19.2}
352
352
0
96
0
78,6
0,6
46
Окупаемость удобрений зерном, кг/кг -2/4-{19.2, 36.2}
26
26
0
409
13
5,8
8,6
47
Окупаемость удобрений зерном, кг/кг -3/4-{36.2, 53.2}
6
6
0
426
16
1,3
37,4
48
Окупаемость удобрений зерном, кг/кг -4/4-{53.2, 70.2}
8
8
0
391
49
1,8
28,1
49
Цена зерна, руб./кг-1/4-{5.35, 5.65}
81
81
0
361
6
18,1
2,8
50
Цена зерна, руб./кг -2/4-{5.650, 5.96}
190
190
0
257
1
42,4
1,2
51
Цена зерна, руб./кг -3/4-{5.96, 6.27}
177
177
0
271
0
37,0
2,0
52
Цена зерна, руб./кг -4/4-{6.27, 6.58}
166
166
0
278
5
39,5
1,3

Приложение 7. Когнитивные диаграммы классов

Рисунок 1 – Когнитивная диаграмма двух классов: «Урожайность, ц/га – 1/4» и «Чистый доход (убыток) на 1 га, руб. – 1/4»


Рисунок 2 – Когнитивная диаграмма двух классов: «Урожайность, ц/га – 3/4» и «Приращение энергии, ГДж/га – 3/4»

Рисунок 3 – Когнитивная диаграмма двух классов: «Урожайность, ц/га – 1/4» и «Чистый доход (убыток) на 1 га, руб. – 1/4»


Рисунок 4 – Когнитивная диаграмма двух классов: «Чистый доход (убыток) на 1 га, руб. – 2/4» и «Приращение энергии, ГДж/га – 2/4»

Рисунок 5 – Когнитивная диаграмма двух признаков: «Предшественник горох» и «Предшественник эспарцет»


Рисунок 6 – Когнитивная диаграмма двух признаков: ««Предшественник горох»» и «содержание влаги на период сева -4/4»

Рисунок 7 – Когнитивная диаграмма двух признаков: ««Предшественник горох»» и «Содержание калия в 0-30 см слое почвы в фазу полной спелости -3/4»


Рисунок 8 – Когнитивная диаграмма двух признаков: ««Предшественник эспарцет»»
и «Содержание азота в 0-30 см слое почвы в фазу полной спелости -3/4»

Приложение 8. Когнитивные функции влияния факторов на классы

Рисунок 1– Когнитивная функция влияния содержания влаги в слое почвы 0-10 см на период весенней вегетации на урожайность


Рисунок 2 – Когнитивная функция влияния содержания влаги в слое почвы 0-10 см на период выхода в трубку на урожайность

Рисунок 3– Когнитивная функция влияния средней температуры на период осенней вегетации на урожайность


Рисунок 4– Когнитивная функция влияния средней температуры на период весенне-летней вегетации на урожайность


Рисунок 5 – Когнитивная функция влияния содержания фосфатов на период весенне-летней вегетации на урожайность


Рисунок 6 – Когнитивная функция влияния содержания калия в фазу выхода растения в трубку на урожайность


Рисунок 7 – Когнитивная функция влияния содержания влаги в слое почвы 0-10 см на период сева на коэффициент чистой энергетической эффективности


Рисунок 8 – Когнитивная функция влияния содержания влаги в слое почвы 0-10 см на период весенней вегетации на коэффициент чистой энергетической эффективности

Рисунок 9 – Когнитивная функция влияния содержания калия в слое почвы 0-30 см в фазу колошения на
коэффициент чистой энергетической эффективности


Рисунок 10 – Когнитивная функция влияния средней температуры на период весенне-летней вегетации на уровень рентабельности


Рисунок 11 – Когнитивная функция влияния содержания фосфатов в слое почвы 0-30 см на начало весенней вегетации на уровень рентабельности


Рисунок 12 – Когнитивная функция влияния содержания калия в слое почвы 0-30 см в фазу выхода растения в трубку на уровень рентабельности



Горпинченко Ксения Николаевна
доцент, кандидат экономических наук
доцент кафедры статистики и прикладной математики
Кубанского государственного аграрного университета, Краснодар, Россия

Луценко Евгений Вениаминович
профессор, доктор экономических наук, кандидат технических наук,
профессор кафедры компьютерных технологий и систем
Кубанского государственного аграрного университета, Краснодар, Россия




Научное издание

ПРОГНОЗИРОВАНИЕ И ПРИНЯТИЕ РЕШЕНИЙ
ПО ВЫБОРУ АГРОТЕХНОЛОГИЙ В ЗЕРНОВОМ ПРОИЗВОДСТВЕ С ПРИМЕНЕНИЕМ МЕТОДОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА
(на примере СК-анализа)

Монография




Литературный редактор:
Е.В.Луценко
Оригинал-макет:
Е.В.Луценко





Подписано в печать «04» сентября 2013. Формат . Бумага офсетная.

Печ. л.: – 10,500. Заказ № 575. Тираж 100 экз.
Отпечатано в типографии Кубанского государственного аграрного университета
350044, г. Краснодар, ул. Калинина, 13