Понятие многокритериальной задачи и основные подходы ее решения

🙂

Скачать текст в WORD

Практически любой вид человеческой деятельности связан с ситуациями, когда име­ется несколько возможностей и человек волен из этих возможностей выбрать любую, наибо­лее подходящую ему.

Задачи наилучшего выбора изучает теория принятия решений. С ее помощью можно научиться осуществлять выбор более обоснованно, эффективно используя имеющуюся в на­личии информацию о предпочтениях. Эта теория помогает избежать принятия заведомо не­годных решений и учесть возможные отрицательные последствия непродуманного выбора.

Чрезвычайно широкий и крайне важный с практической точки зрения класс задач вы­бора составляют многокритериальные задачи, в которых качество принимаемого решения оценивается по нескольким критериям одновременно. Успешное решение многокритериаль­ных задач невозможно без использования различного рода сведений о предпочтениях лица, принимающего решение. При этом одним из самых главных источников таких сведений яв­ляется информация об относительной важности критериев.

До сих пор не существует методики диагностики интеллектуального капитала, позволяющей проводить измерения одновременно на макро-, мезо- и микроуровнях. Это связано с отсутствием методологии измерения подобных по­казателей на уровне предприятий и отрасли во взаимосвязи с макроэкономиче­ским окружением. Однако необходимость стратегического планирования, прогно­зирования научно-технологического развития на федеральном и региональном уровнях, предусмотренная российским законодательством, требует решения про­блемы создания инструментов диагностики и измерения интеллектуального капи­тала на всех уровнях управления.

Индивидуальный профиль интеллектуального капитала представляет собой конфигурацию индивидуального для субъекта состава факторов, объединяющих взаимосвязанные переменные, которые отражают количественную оценку раз­личных интеллектуальных ресурсов. Конфигурация состава факторов определяет­ся и исторически сложившимися особенностями развития определенных интел­лектуальных ресурсов, и их взаимосвязей друг с другом, таких как, например, кластерная модель взаимосвязи вузов, отраслевых научно-исследовательских ин­ститутов и крупных предприятий на уровне региона.

В каждый фактор могут входить:

прямые переменные, напрямую изменяющие состояние интеллектуального капитала экономического субъекта;

скрытые переменные, оказывающие влияние на интеллектуальный капитал при осуществлении управленческого воздействия на прямые переменные, входя­щие в их состав, что позволяет определить наиболее эффективные инструменты влияния на интеллектуальный капитал.

Следует также определить некоторые особенности, отражающие сущност­ные характеристики данного понятия.

Во-первых, индивидуальный профиль, как конфигурация показателей, поз­воляет рассматривать отдельные показатели во взаимосвязи друг с другом и ин­теллектуальный капитал как систему.

Во-вторых, благодаря рассмотрению профилей одновременно на макро-, мезо- и микроуровнях, он позволяет выявить общие закономерности конфигура­ции интеллектуального капитала и выявить наиболее сильные точки воздействия на него.

Авторская методика диагностики подразумевает, что каждый из профилей интеллектуального капитала взаимосвязан друг с другом и является частью про­филя более высокого уровня.

первичным  уровнем построения профиля ин­теллектуального капитала является уровень предприятия. В свою очередь, сово­купность профилей предприятий определяют профиль региональной отрасли, то же входит как в индивидуальный профиль региона, так и в индивидуальный про­филь отрасли по стране в целом.

Аналогично профиль отрасли в регионе вносит определенный вклад в фор­мирование профилей последующих уровней. Таким образом, совокупность про­филей регионов и отраслей определяют индивидуальный профиль интеллектуаль­ного капитала страны. Для целей нашего исследования мы ограничиваемся рас­смотрением профилей на уровне «предприятие — регион -страна».

Наиболее важным, на наш взгляд, уровнем построения профиля интеллек­туального капитала является региональный, ввиду того, что регион представляет собой сложную, но целенаправленно управляемую систему интеллектуальных ре­сурсов, включающую в себя множество профилей интеллектуального капитала на микроуровне. Эти профили определяют сильные и слабые стороны интеллекту­альных ресурсов региона, и при правильном управлении способствуют значи­тельной инновационной перестройке экономической структуры региона и, как следствие, повышению его конкурентоспособности.

Однако не менее интересным является изучение профиля интеллектуально­го капитала на уровне страны. На наш взгляд, важным является не только постро­ение профиля интеллектуального капитала собственной страны, но и наиболее продвинутых и конкурентоспособных стран. Очевидно, профили некоторых ре­гионов будут отличаться по конфигурации и составу интеллектуальных ресурсов от профиля на макроуровне. Примеры и опыт передовых регионов, а также их профили могут быть полезны при принятии управленческих решений в других менее успешных регионах. Более того, исследование и сравнительный анализ профилей интеллектуального капитала экономически развитых стран может слу­жить стратегическим ориентиром для развития интеллектуального капитала ре­гиона, определяя приоритеты и точки его роста.

Авторский методический подход не ставит своей целью непосредственное измерение уровня интеллектуального капитала. Вместо этого мы сосредоточили внимание на структурной конфигурации имеющихся факторов, что позволяет за счет многоуровневого подхода рассмотреть, насколько конфигурация факторов на одном уровне соответствует конфигурации на более высоком уровне. Тем самым данная методика позволит задавать ориентиры для принятия управленческих ре­шений, позволяющих добиться необходимой конфигурации более конкурентоспо­собных стран, регионов, предприятий

В свою очередь, авторская методика не ставит своей целью непосредствен­ное измерение уровня интеллектуального капитала. Вместо этого мы сосредото­чили внимание на структурной конфигурации имеющихся факторов, что позволя­ет за счет многоуровневого подхода рассмотреть, насколько конфигурация пока­зателей на одном уровне соответствует конфигурации факторов на более высоком уровне. Тем самым данная методика позволит задавать ориентиры для принятия управленческих решений, позволяющих добиться необходимой конфигурации на всех уровнях, или конфигурации более конкурентоспособных стран, регионов, предприятий.

Рассмотрим содержание этих этапов.

Нормирование данных. Этот этап необходим для достижения цели, ввиду того, что большая часть переменных, которые заложены нами в предлагаемый ин­дивидуальный профиль, является разнородной по содержанию, характеру и еди­ницам измерения.

Нормирование параметров — преобразование формальных параметров или критериев оценки эффективности объекта, выражаемых в общем случае в различ­ных единицах, к безразмерному виду с целью их сопоставления и сравнительной оценки.

Существует 2 основных способа нормализации: [132]

А. В пределах от [-1;1] — позволяет показывать колебания в пределах 1 от медианного значения за период. Данный способ не подходит для целей нашего исследования, ввиду невозможности корректного проведения арифметических операций.

Б. В пределах от [0;1] показывает изменение переменной за период, где 0 -минимальное значение, принимаемое показателем, а 1 — максимальное значение.

В данном исследовании мы будем пользоваться данным методом нормали­зации.

Данный способ расчёта имеет следующую формулу:

Где:

Xmini и Xmaxi— соответственно минимальное и максимальное значения выбранных показателей оценки интеллектуального капитала за рассматриваемый период;

Xik — искомая величина показателя за i -период.

Проведение факторного анализа всего массива данных для выделения групп показателей, объединенных в факторы.

Для проведения данного исследования нам был необходим инструмент, ко­торый мог бы объединять разнородные показатели в определенные группы, тем самым создавая исчислимую агрегированную величину для возможности измере­ния динамики показателей. Для этого в научных исследованиях используется ме­тод факторного анализа.

Выделяют следующие основные задачи факторного анализа [143]:

  1. Выявление факторов, объединяющих переменные;
  2. Отбор факторов для анализа исследуемых показателей;
  3. Классификация и систематизация их с целью обеспечения системного подхода;
  4. Моделирование взаимосвязей между результативными показателями и значениями факторов;
  5. Расчет влияния факторов и оценка роли каждого из них в изменении ве­личины результативного показателя;
  6. Определение вида зависимости (регрессионной модели) между значения­ми факторов и зависимыми переменными (практическое ее использование для управления экономическими процессами).

В процессе анализа в один фактор объединяются в значительной мере взаи­мосвязанные переменные, в результате происходит перераспределение дисперсии между компонентами и формируется наглядная и простая структура факторов. После объединения взаимосвязь компонентов внутри каждого фактора между со­бой будет выше, чем их взаимосвязь с компонентами из других факторов. В раз­резе нашего исследования эта процедура также позволяет выделить явные и скры­тые переменные, характеризующие состояние интеллектуального капитала эко­номического субъекта.

Одним из наиболее важных этапов факторного анализа является процедура вращения факторов, другими словами, перераспределения дисперсии по опреде­лённому методу. «В результате вращения отдельные коэффициенты при компо­нентах могут изменяться так же, как вклады каждой из компонент, однако дис­персия каждого параметра и суммарный вклад главных компонент остаются неизменными. Результатом вращения является вторичная структура факторов, ко­торая пригодна для дальнейшего анализа, ввиду того что снимаются ограничения ортогональности и убывания значимости от первого к последнему факторам, ха­рактерные для первичной структуры. При вращении системы координат находит­ся такое ее положение, которое для каждой строки (или столбца) матрицы увели­чивает большие факторные нагрузки и уменьшает малые, то есть увеличивает число близких к нулю элементов матрицы, чем способствует выявлению фактор­ной структуры в более четкой, рельефной форме» [116].

Для целей исследования в качестве базовой методики вращения была выбрана методика варимакс. Этот тип вращения является максимизирующим дис­персию, так как критерий (цель) вращения заключается в максимизации диспер­сии (изменчивости) «новой» переменной (фактора) и минимизации разброса во­круг нее. [179].

Факторный анализ предлагается провести с помощью программного про­дукта IBM SPSS Statistics. Используя данную программу, можно на данном этапе получить следующие результаты по выбранному виду вращения:

Значение факторов для каждого временного периода, по которым будет распределен весь массив переменных. Эти ряды данных в дальнейшем будут ис­пользованы в процессе последующего корреляционно-регрессионного анализа.

Матрицы повернутых компонентов, которые будут отображать распреде­ление переменных по факторам. Главным условием включения переменной в фактор является его сильная взаимосвязь с вновь образованным фактором (значе­ние связи более 0,75). В дальнейшем именно на основании данного перечня пере­менных нами могут быть выделены явные и скрытые переменные.

Выявление явных и скрытых переменных, влияющих на формирование фактора.

На основе полученных значений факторов и результатов распределения по ним переменных предлагается построить регрессионные модели для определения вида зависимости между ними. Регрессионные модели строились в программной среде MS Ecxel.

Благодаря построению модели, нами будут получены зависимости от пере­менных, которые напрямую влияют на формирование фактора. Можно сделать предположение, что именно данные показатели напрямую влияют на конфигура­цию интеллектуального капитала, выраженного агрегированными факторами, в то время как оставшиеся скрытые переменные являются неявными факторами влия­ния на интеллектуальный капитал.

Построение модели для выделения прямых переменных, согласно данному подходу, подразумевает проведение регрессионного анализа, в котором в качестве зависимой переменной выступают значения фактора, полученного в ходе фактор­ного анализа, а в качестве независимых переменных — переменные, входящие в фактор согласно матрице повернутых компонентов.

В соответствии с общепринятыми правилами [124], построенная модель должна соответствовать следующим критериям:

Значение коэффициента детерминации выше 0,7.

Коэффициент детерминации (R-квадрат) — это доля дисперсии зависимой пере­менной, объясняемая рассматриваемой моделью зависимости, то есть объясняю­щими переменными. Его рассматривают как универсальную меру зависимости одной случайной величины от множества других. Тем самым можно утверждать, что высокий уровень коэффициента показывает, насколько искомые переменные объясняют данную модель

Модульное значение t-статистики выше t-критического .

t-критерий Стьюдента используется для определения статистической зна­чимости различий величины, другими словами, как выбранная переменная объяс­няет уравнение. /-статистика строится обычно по следующему общему принципу: в числителе случайная величина с нулевым математическим ожиданием (при вы­полнении нулевой гипотезы), а в знаменателе — выборочное стандартное откло­нение этой случайной величины, получаемое как квадратный корень из несме­щенной оценки дисперсии.

Отсутствие автокорреляции.

Автокорреляция — статистическая взаимосвязь между последовательно­стями величин одного ряда, взятыми со сдвигом, например, для случайного про­цесса — со сдвигом по времени. Наличие автокорреляции случайных ошибок ре­грессионной модели приводит к ухудшению качества МНК-оценок параметров регрессии, а также к завышению тестовых статистик, по которым проверяется ка­чество модели (то есть создается искусственное улучшение качества модели от­носительно её действительного уровня точности).

Для того чтобы проверить отсутствие автокорреляции, проводится тест по оценке критерия Дарбина-Уотсона. Расчет критерия Дарбина-Уотсона проводится по следующему алгоритму:

t/ = i=2п (2)

Если модель не соответствует хотя бы одному из вышеприведённых крите­риев, проводится повторное построение модели, но с уменьшением независимых переменных на одну. Данная процедура продолжается до тех пор, пока не будут удовлетворены все выдвинутые критерии.

Для региона данный подход позволяет:

  1. Проводить анализ внутренних ресурсов и факторов внутренней среды в процессе разработки и корректировки стратегии развития предприятия.
  2. Выявить наиболее важные для формирования интеллектуального капитала региона показатели, встроить их в систему показателей результативности предприятия и сформировать систему стимулов, обеспечивающих их выполнение.
  3. На основе профиля предприятия возникает возможность выстроить си­стему управленческих инструментов для коррекции и наращивания интеллектуального капитала региона.

Для органов регионального управления экономической сферой построение профилей регионов позволяет:

  1. Создать обобщённый профиль отраслей производства. Данный профиль позволяет определить ключевые прорывные точки роста и разрабатывать опреде­ленные программы государственной поддержки, нацеленные на развитие ключе­вых видов экономической деятельности и регионов;
  2. Проводить сравнительный анализ профилей регионов по видам эко­номической деятельности, кластерам и муниципальным образованиям;
  3. Разрабатывать стратегические документы по развитию региона и муни­ципальных образований в соответствии с Федеральным законом «О стратегиче­ском планировании в Российской Федерации» №172-ФЗ от 28.06.2014 [8];
  4. Разрабатывать практические рекомендации для развития интеллектуаль­ного капитала наиболее важных для развития в регионе различных видов экономической деятельности;
  5. Обосновывать создание новых региональных и межрегиональных инно­вационных кластеров.

Важно подчеркнуть, что предлагаемый методический подход позволяет по­строить модель влияния интеллектуального капитала на социально-экономическое положение регионов., который разработан на примере различных регионов в третьей главе диссертационной работы.

Скачать текст в WORD

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *