microbik.ru
  1 ... 111 112 113 114

1. Истоки знания 
У экспертного знания богатая история. Еще в древние времена 
человек  обращался  к  носителям  знаний. «Птица  вещая,  птица  муд-
рая,  много  знаешь  ты,  много  ведаешь … Ты  скажи,  Гамаюн,  спой-
поведай  нам,  отчего  зачался  весь  белый  свет? …» - так  славянские 
предания трепетно славят знания. 
Герои  преданий,  творя  великие  подвиги,  самоотверженно  до-
бывали  знания  об  источниках  жизни: «Так  узнал  Велес  Огненный 
все  слова  сокрытые.  И  не  три  тайных  слова,  три  сотни  слов,  также 
тысячу заклинаний». Для жизни того времени важны были заклина-
ния, которые гласили о правилах поведения, создающих условия для 
выживания.  
Пять  тысяч  лет  назад  на  Древнем  Востоке  первые  знания  со-
храненяются  с  помощью  клинописи  на  глиняных  табличках: «Не 
делай  зла – не  будешь  в  вечном  страхе», «Следи  же  за  совестью… 
презри  богатства,  спасай  душу ...». Это.  Четыре  тысячи  лет  назад 
ведические знания выделяли четыре уровня сознания: слова, мысли, 
чувства, медитации (что верно и по сей день).  
Две  тысячи  лет  назад  мудрецы  осуждали  безрассудство  как 
причину  бед,  зол  и  несчастий,  утверждали  непреложность  идеи 
справедливости, видели причиной нарушения справедливости высо-
комерие, заносчивость, гордыню, и приходили к выводу, что разум, 
мысль, знания, есть величайшее благо. 
Вместе  с  тем  уже  тогда  было  понятно,  что  трагедия  знания, 
быть  может,  самая  тяжелая  и  страшная,  поскольку  оно  ввергает 
человека  в  пучину  противоречий  и  духовных  мучений: «О  знанье, 
знанье! Тяжкая обуза, когда во вред ты знающим дано…» (Софокл).  
Там, где кончались знания, начиналась вера. В различных веро-
исповеданиях  смыслы  жизни  людей  диктуются  приверженностью 
определённой  Вере.  В  разных  религиях  духовные  символы  Веры 
структурированы  по-своему.  Так,  Афанасьевский  символ  веры 
состоит в том, что «мы поклоняемся единому Богу в Триединстве и 
Триединству в Едином Божестве … Божество - Отец, Сын и Святой 
Дух - едино, слава одинакова, величие вечно ...». Ханафитское кредо 
мусульманской  веры  выделяет  три  причины  позитивного  развития: 
 
297

здоровое чувство, правдивое сообщение и разум. Сущность запове-
дей Каббалы заключается в любви, внимании и сострадания ко всем 
членам общества и к себе. Путь Торы – это путь осознания необхо-
димости  искоренения  эгоизма  и  достижения  человеком  удовольст-
вия, радости и вкуса к жизни. Степень совершенства, развиваемая в 
медитациях,  измеряется  тремя  уровнями  человеческой  души:  жи-
вотного, разумного и духовного.  
Пророк, целитель, гадальщик, знахарь, колдун, визирь, мудрец, 
знаток, дока – прямые и отдаленные синонимы современного слова 
эксперт, носителя экспертного знания. 
2. Истоки экспертной традиции 
Кого  можно  считать  прародителем  современной  экспертной 
традиции?  Того,  кто  облагородил  логику,  отделив  ее  от  хаоса  и 
соединив разорванное в целое. Начало это ассоциируется с Аристо-
телем.  Именно  он  явно  обозначил  разграничение  интуитивного  и 
аналитического в мышлении, отделил материю от формы, абстраги-
ровал форму от средств ее представления. Он заложил основы науки 
познания,  эпистемологии – того,  что  только  совсем  недавно  явно 
приобрело  потребительскую  ценность  в  виде  методов  системной 
динамики, когнитивного моделирования.  
Потом был Ренессанс, Маккиавели, Коперник, Галилей, Декарт, 
Ньютон,  Лейбниц  и  др.  Затем  пришли  Кант,  Фихте,  Шеллинг,  Ге-
гель,  Гуссерль.  Так,  Гегель  отметил: «Сознание  есть  дух,  как  кон-
кретное знание, и притом погрязшее во внешнем». Вместе с тем он 
заметил,  что  «безбрежная  формализация  мысли  рано  или  поздно 
приведет к мысли об исчезновении мысли».  
Ученые  оперируют  логикой,  а  жизнь  полна  парадоксов.  Пара-
доксы – источники смысов, которые выразить могут только экспер-
ты.  
3. Прагматизм 
В экспертизе реального вопрос об истине ситуации был и будет 
актуальным.  Наука  ищет  истину  через  познание  адекватности  соз-
нания и реальности, выражает истину с помощью логики.  
298  

Изучение  конкретной  ситуации – на  пике  интереса  философ-
ского  направления  прагматизма.  Его  представители:  Конт,  Дьюи, 
Рорти,  Поппер.  Для  прагматика  в  действительности  все  хрупко, 
неустойчиво,  случайно.  Он  изучает  интерпретации,  порождаемых 
многообразием контекстов. Приветствуется появление альтернатив-
ных  версий  истины.  Истина  не  обязательно  лежит  между  крайно-
стями, а скорее, где-то - в другом месте.  
Для прагматиста важно не столько правильность суждений от-
носительно  некоторого  явления,  сколько – ради  каких  целей  это 
суждение  сделано.  Прагматисты  педалируют  важность  достижения 
консенсуса относительно путей к целям. 
Эксперт в большей мере прагматист, однако в конкретеной си-
туации  он  ищет  баланс  между  научным  и  практическим  выводом, 
оперируя в принятых канонах этики. 
4. Рациональность в экспертизе 
От экспертов часто требуют логического обоснования решения. 
Эксперт  же  вынужден  логику  вырвать  из  хаоса  и  неопределенно-
стей. Однако из логической правильности теории не всегда следует 
истинность  предмета  ее  описания.  Истинность  логики  может  быть 
только интуитивно обоснована.  
Этот вывод можно сделать, исследуя работы классиков по фор-
мальной  интерпретации  логики:  Фреге,  Рассела,  Геделя,  Уайтхеда, 
Буля, Эшера, Бэббиджа, Тарского, фон Неймана, Пуанкаре, Брауэра, 
Гильберта,  Гейтинга,  Колмогорова,  Арнольда,  Тихонова  и  др.  Так, 
по  мнению  Хайдеггера,  а  позднее  Гадамера,  окружающий  мир  не 
может  быть  жестко  отграничен  от  человека,  поскольку  он  структу-
рирован  посредством  его  целей,  обстоятельств  и  намерений.  Мир 
представляется  человеком  в  когнитивном  пространстве,  отметчал 
Курт  Левин.  Именно  здесь,  в  пространстве  когнитивных  моделей, 
наиболее результативно действуют эксперты. 
Экспертиза оперирует единствомлогикой и хаосом. В услови-
ях  дефицита  времени  именно  логика  может  создать  необходимые 
условия  для  обеспечения  устойчивой  сходимости  экспертных  про-
цессов к заданным целям [2].  
 
299

Эксперты обычно работают в условиях дефицита времени. Для 
ускорения экспертизы они используют техники групповой и сетевой 
экспертизы, а также информационные технологии, которые поддер-
живают: выбор когнитивной модели ситуации; постановку вопросов 
экспертам  с  учетом  модели;  сбор  мнений  экспертов  по  аспектам 
модели; синтез решения. 
5. Экспертсорсинг 
В  информационном  обществе  руководители  аппелируют  к 
обществу,  мониторят  настроения,  ставят  обществу  вопросы  и 
получает  реакцию.  Гражданское  участие  в  процессах  принятия 
решений,  реализуемое  в  контексте  социальных  сетей,  все  чаще 
называют «краудсорсингом».  
В  сетевом  пространстве  прослойкой  между  властью  и  об-
ществом  чаще  всего  выступают  общественные  организации, 
институт  «принципалов».  Последние  выражают  волю  и  пред-
ставляют  интересы  определенных  групп  людей.  Особым  видом 
принципалов  можно  считать  экспертов,  которые  наилучшим 
образом, в нужное время и в нужном месте выражают конкретно 
запрошенное  знание,  отражают  мнение  профессионального 
сообщества.  
Экспертсорсинг – это  организованное  в  сетевом  обществе 
экспертное  обеспечение  государственной,  муниципальной, 
корпоративной и общественной деятельности. Институт экспер-
тсорсинга, с одной стороны, предоставляет экспертные услуги, а 
с  другой, - развивает  свою  организацию  и  менеджмент,  совер-
шенствует процессы лоббирования интересов [1]. 
Заключение 
Относительно  института  экспертсорсинга  можно  сказать, 
что  «граждане  сильны  своей  коллегиальностью,  а  эксперты – 
индивидуальностью». Поэтому, если первым свойственно разви-
тие  «демократических»  институтов,  то  вторым - «экспертокра-
тических» – нет.  Вместе  с  тем  для  повышения  эффективности 
экспертсорсинга, как показал опыт, следует:  
300  

−  совершенствовать  технологию  сетевой  экспертной  дея-
тельности (сетевые мозговые штурмы, телесовещания и пр.);  
−  развить  нормативное  правовое  обеспечение  взаимодей-
ствия власти, бизнеса и экспертов; 
−  построить  эффективную  систему  управления  мотива-
циями экспертов. 
Литература 
1.  ГУБАНОВ  Д.А.,  КОРГИН  Н.А.,  НОВИКОВ  Д.А., 
РАЙКОВ А.Н. Сетевая экспертиза. 2-е изд. / Под ред. 
чл.-к.  РАН  Д.А.  Новикова,  проф.  А.Н.  Райкова. – М.: 
Эгвес. – 166 с. 
2.  РАЙКОВ  А.Н.  Конвергентное  управление  и  поддержка  ре-
шений. -М.: Издательство ИКАР. – 245 c. 
 
301

Дополнение к секции 2 
 
УПРАВЛЕНИЕ РАВНОВЕСНЫМИ СОСТОЯНИЯМИ  
В НЕЛИНЕЙНЫХ НОРМИРОВАННЫХ МОДЕЛЯХ  
Корноушенко Е.К. 
(Институт проблем управления РАН, Москва) 
ekorno@mail.ru  
 
Рассматривается  класс  нелинейных  нормированных  моделей, 
уравнения которых включают попарные произведения перемен-
ных  и  билинейные  члены.  Подобные  модели  появляются  при 
построении графовых  моделей ситуаций, в которых: а
) веса на 
дугах  являются  функциями  «посторонних»  переменных,  не 
инцидентных  данной  дуге,  и  б
)  значения  некоторых  весов  ин-
терпретируются  как  управления  и  могут  изменяться  пользо-
вателем. Рассматриваются прямые и обратные задачи управ-
ления равновесными состояниями в таких моделях. 
 
Ключевые слова: нелинейная нормированная модель, равно-
весное состояние, прямые и обратные задачи управления 
Введение 
При  разработке  интеллектуальных  систем  управления  ши-
роко  используются  графовые  модели  (когнитивные  карты)  как 
средство  наглядного  отображения  структуры  информационных 
потоков  в  исследуемой  системе [1]. При  этом особое внимание 
обращается  на  то  обстоятельство,  что  построенная  модель  ис-
следуемой  ситуации  зачастую  является  некоторым  нелинейным  
функциональным  графом,  да  вдобавок  еще  и  неустойчивой.  В 
книге [1] подчеркивается  необходимость  разработки  методов 
анализа моделей в подобных сложных случаях. 
Предметом настоящего рассмотрения являются нелинейные 
нормированные  модели  (ННМ),  уравнения  которых  содержат 
(помимо  линейных  членов)  попарные  произведения  некоторых 
переменных  и/или  билинейные  члены.  Можно  указать  массу 
302  

практических  ситуаций,  при  описании  которых  возникают  по-
добные  модели.  Например:  влияние  суммы  кредита  (х1)  на 
возможность  создания  некоторого  бизнеса  (х2).  Пусть  вес  w12 
дуги  а12=(х1,х2)  в  графовой  модели  характеризует  эффектив-
ность кредита в плане создания бизнеса, т.е. вес w12 пропорцио-
нален  х1 (допустим,  w12=k12х1,  k12=const),  тогда  х2=w12х1= 
k12(х1)2.  Пусть  х3 – коррупционные  проверки  (пожарные,  сан-
эпидстанция  и  т.д.)  с  целью  получения  взяток,  и  вес  а12  также 
учитывает влияние этих проверок на процесс создания бизнеса, 
пропорциональное  текущей  сумме  k32х3  таких  проверок.  Тогда 
х2=w12х1=(k12х1-k32х3)х1,  где  знаки  при  слагаемых  в  скобках 
указывают  на  характер  влияния  этих  слагаемых  на  вес  w12.  Би-
линейные члены в уравнениях графовой модели появляются при 
корректном  учете  мультипликативных  вхождений  таких  пере-
менных как процентные ставки, удельные цены и т.п. 
В данной работе основное внимание обращается на обеспе-
чение условий, при которых возможны равновесные состояния в 
таких моделях. Цель работы – показать, через какие этапы надо 
«провести»  исходную  ННМ, чтобы  с  использованием  результи-
рующей «настроенной» устойчивой модели можно было решать 
прямые и обратные задачи управления её равновесными состоя-
ниями.  
1.  Необходимые понятия и определения   
Пусть  для  построения  нелинейной  модели  исследуемой  си-
туации  отобраны  переменные  (концепты)  х1,…,  xn,  которые  от-
нормированы каким-либо способом так, что их значения принад-
лежат  интервалу [0,1). Пусть  на  переменных  х1,…,  xn  построена 
графовая  модель  (когнитивная  карта)  в  виде  взвешенного  ориен-
тированного графа. Особенность данного подхода состоит в том, 
что  аргументами  каждой  из  функций  весов  wij  помимо  констант 
(т.е.  постоянных  весов)  могут  быть:  а)  либо  другие  переменные, 
не  инцидентные  дуге  аij,  б)  либо  переменные («настраиваемые») 
веса,  называемые  управлениями.  Управления  считаются  взаимно 
независимыми  и  принимают  постоянные  значения  из  интервала  
[-1,1].  Считаем  также,  что  кроме  управлений  на  модель  влияют 
 
303

независимые  внешние  воздействия,  представимые  на  интервале 
моделирования некоторым константным вектором со значениями 
координат в интервале [0,1]. 
Следующим  шагом  после  построения  графовой  модели  яв-
ляется  выписывание  алгебраических  уравнений  для  каждой 
переменной xi i=1,…,n. При этом случай а) приводит к появле-
нию  определенного  количества  попарных  произведений  пере-
менных в соответствующих уравнениях, а случай б) – к появле-
нию в уравнениях билинейных членов вида ukxi . Таким образом, 
изначально ННМ описывается совокупностью уравнений 
(1) 
 xi(t+1) = fi(Х(t), U(t))+W. i= 1,…,n. 
Здесь  t - моменты  дискретного  времени,  принадлежащие  множе-
ству J+ неотрицательных целых чисел,  –множество  векторов U=(u1, 
…,up)  константных управленийuk∈ [-1, 1] , k=1,…,рp≤n,  W- вектор 
внешних воздействий, а начальное состояние Х(0) принадлежит полу-
открытому положительному единичному кубу К = [0, 1)n. Далее счита-
ем, что каждое управление ui ∈U  может входить не более одного раза 
в каждое из уравнений вида (1). Изначально модель (1) может быть 
неустойчивой, т.е. при некотором (любом) начальном состоянии 
траектория  модели  при  t→∞  не  стремится  к  какому-либо  пре-
дельному (равновесному) состоянию (РС). Поэтому путем соот-
ветствующей коррекции весов (с сохранением структуры графо-
вой  модели)  модель (1) стабилизируется,  и  стабилизированная 
модель  «вкладывается»  в  куб  К  (т.е.  обеспечивается  условие 
UUKtJ+ (X(t,X(0),U, W)∈K))После этого на такой «настро-
енной» модели можно рассматривать прямые и обратные задачи 
управления её РС.  
Замечание.  Если  исходная  модель (1) асимптотически  ус-
тойчива и вложима в куб К, то для неё непосредственно приме-
нима  процедура  решения  обратной  задачи  управления  её  РС, 
предложенная в разделе 4. 
2.  Стабилизация модели (1) 
Стабилизация  исходной  неустойчивой  модели  может  про-
водиться каким-либо из двух вариантов: а) «предметная» стаби-
лизация,  которая  предусматривает  предметно  обоснованное 
изменение  структуры  модели  (в  основном,  за  счет  введения 
304  





компенсирующих  обратных  связей);  б) «формальная»  стабили-
зация.  Суть  «формальной»  стабилизации  состоит  в  том,  чтобы, 
не  изменяя  структуры  исходных  уравнений  модели (1), умень-
шить  (но  не  обнулить)  количественные  значения  параметров  в 
этих  уравнениях  (а  фактически – в  функциях  весов  модели) 
таким  образом,  чтобы  сделать    скорректированную  модель 
асимптотически  устойчивой. «Формальная»  стабилизация  за-
ключается, по существу, в переходе к дополнительному шкали-
рованию переменных состояния модели (1): 
xk(t) ⇒ 
k(t),  = 1,…,n
где 1/Nk-  соответствующие  нормирующие  множители,  процесс 
нахождения которых предусматривает преобразование якобиана 
модели (1) путем замены элементов его каждой строки их абсо-
лютными значениями и полагания us =1, s=1,…,рхi =1, i=1,…,n. 
Строки результирующей неотрицательной матрицы MS,N делятся 
на числа Nk (нормируются) для выполнения условия   
(2) 
|| MS,N || <1.  
где || || - евклидова норма. Условие (2) является достаточным для 
асимптотической  устойчивости  модели (1). Назовем  такую 
модель стабилизированной ННМ.  
3.  Вложение стабилизированной ННМ в куб К  
Будем считать, что каждое управление uk может принимать 
константные значения из интервала [ ,  ], где 
-1, a 

–  неизвестные  значения.  Обозначим  через  Ui    совокупность 
управлений,  входящих  в    i-е  уравнение  модели (1). При  этом 
условия  вложимости  стабилизированной  ННМ  в  куб  К  пред-
ставляются в виде системы 2n линейных неравенства вида: 
 ≥ 0, 
,  i=1,…,n
 ≤ 1, 
i=1,…,n
Решение этой системы неравенств вместе с ограничениями вида 
-1,  
 1,  k=1,…,р                         
находится  с  использованием  обычного  метода  наименьших 
квадратов  (МНК)  в  виде  р-мерного    параллелепипеда   =[
 
 
305


]p , k=1,…,р.,  который  называется  множеством  допустимых 
управлений. 
4.  Решение  обратной  задачи  управления  равновес-
ными состояниями для стабилизированной ННМ  
Пусть vert() - множество вершин параллелепипеда  до-
пустимых управлений, а {Z*(Uv)} -  множество управляемых РС, 
соответствующих  вершинам  Uvvert().  Обозначим  через   
интервальный вектор (брус), описанный вокруг множества {Z*( 
Uv
)}.  Пусть  Z’  ZВ - некоторое  заданное  состояние  (не  обяза-
тельно равновесное), а ННМ находится в каком-либо состоянии 
Z(0)  внутри  К.  Требуется  найти  вектор  U’  UВ,  переводящий 
стабилизированную ННМ в РС Z*(Z’)∈ ZВ, максимально близкое 
к Z’, и оценить степень близости Z*(Z’) к Z’.  
Предлагаемый подход к решению исходной задачи в брусе  
можно назвать МНК-подходом. Предположим, что задаваемое 
состояние Z’ само является искомым управляемым РС из  ⊂ 
Zупр, так что 
zi’(t+1) = Fiст(Z’(t), U(t))+wi. i= 1,…,n. 
Здесь  Fiст - i-я координата вектор-функции Fст , определяющей 
стабилизированную  ННМ  с  ограниченными  допустимыми 
управлениями.  Перенося  все  известные  слагаемые  в  правую 
часть, получаем систему n линейных уравнений относительно р 
«точечных» управлений из U:  
(3) 
GUТ = H
в  которой  допустимое  решение  U*  должно  принадлежать  мно-
жеству  UB.  Система  уравнений (3) вместе  с  условием  допусти-
мости  решения  U*  решается  с  использованием  обычного  МНК. 
Искомое РС Z*=Z(Z’,U*) находится путем моделирования. 
Литература 
1.  ВАСИЛЬЕВ  В.И.  ИЛЬЯСОВ  Б.Г.  Интеллектуальные  сис-
темы  управления.  Теория и практика // Изд-во Радиотех-
ника, М., 2009. 312 с. 
 
306  

Дополнение к секции 4 
 
ИСПОЛЬЗОВАНИЕ ГИБРИДНЫХ 
ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ  
ДЛЯ МОДЕЛИРОВАНИЯ ЭКОНОМИЧЕСКИХ 
ПРОЦЕССОВ В КОГНИТИВНОЙ ЭКОНОМИКЕ
 
Аверкин А.Н.  
(ВЦ РАН,  Москва)                       
аverkin2003@inbox.ru  
Абдикеев Н.М.  
(Финансовый университет при правительстве РФ, Москва)   
n_abd@mail.ru   
Ефремова Н.А.  
(РЭА им. Г.В. Плеханова, Москва) 
natalia.efremova@gmail.com   
 
В  работе  вводится  понятие  когнитивной  экономики  (КЭ), 
приведено  обобщение  концепции  когнитивной  экономики  на 
основе включения в эту область некоторых разделов интеллек-
туальных систем в экономике, моделей, основанных на знаниях, 
мягких  вычислений,  управления  знаниями  в  экономике  и  когни-
тивной  бизнес-аналитики.  Вводится  понятие  когнитивных 
сетей  поддержки  принятия  решений,  как    одного    из  инстру-
ментов  КЭ  и  пример  его  использования - гибридные  интеллек-
туальные  системы  на  основе  нечетких  когнитивных  карт  для 
моделирования  экономических  процессов,  в  контексте  послед-
них разработок в данной области. 
 

Когнитивная  экономика  является  одним  из  перспективных 
направлений  развития  экономики  и  прикладной  когнитивной 
науки [1, 2]. Предметом когнитивной экономики является изуче-
                                           
Работа частично поддерживается грантом РФФИ 10-01-00851 
 
307

ние процессов оценки, выбора и принятия решений человеком в 
экономической  деятельности  и  объяснение  природы  эволюции 
организаций  и  социальных  институтов  в  условиях  структурной 
неопределенности.  Подобно  психологии,  нейробиологии  и 
философии,  когнитивная  экономика  опирается  на  понимание 
умственной активности человека и разрабатывает свои модели в 
связи с этими науками и их прогрессом.  
Структурно,  методологически  и  технологически  когнитив-
ная экономика связана с методами  искусственного интеллекта и  
управления  знаниями  в  экономике.  Сама  по  себе  когнитивная 
экономика,  как  сфера  исследований  и  человеческой  деятельно-
сти,  включает  в  себя  три  основные  области:  интеллектуальные 
системы  в  экономике,  управление  знаниями  в  экономике  и 
когнитивные технологии в экономике [3].  
Область  интеллектуальных  (когнитивных)  систем  в  эконо-
мике  связана  с  использованием  в  экономике,  производственной 
сфере и бизнесе методов и моделей искусственного интеллекта, 
интеллектуальных  информационных  систем,  систем  поддержки 
принятия  решений,  интеллектуальной  обработки  данных  и  т.д. 
Важным аспектом поддержки управленческих решений в эконо-
мике  является  развитие  методов  экономического  моделирова-
ния,  основанных  на  знаниях  и  моделях  когнитивной  бизнес-
аналитики [4]. Среди  примеров  применения  когнитивных  мето-
дов  в  прикладных  интеллектуальных  системах  в  экономике 
следует  отметить  интеллектуальные  системы  планирования 
производства, динамические экспертные системы диспетчерско-
го  управления  предприятием,  финансовый  анализ  и  планирова-
ние  с  помощью  нейронных  сетей  и  эволюционных  алгоритмов, 
интеллектуальные  системы  управления  инвестиционным  порт-
фелем  и  риск-менеджмента [5]. Область  управление  знаниями  в 
экономике – ключевой элемент экономики знаний. Кроме собст-
венно  управления,  область  тесно  связана  с  инновационной  эко-
номикой,  интеллектуальным  капиталом,  со  знаниями,  как  эко-
номической 
категорией, 
управлением 
изменениями, 
реинжинирингом и т. д., то есть со всем, что связано с экономи-
ческими знаниями в широком смысле. На первый план выходят 
308  

проблемы  инновационного  развития  экономики  и  социума  на 
основе  прогнозирования  тенденций  в  экономике,  обществе, 
технологической  сфере  и  цивилизации  в  целом.  Область  когни-
тивных технологий
 в экономике основана на применении когни-
тивной науки к экономике и изучает модели принятия экономи-
ческих решений в сознании человека.  
В данной  работе  будет  приведено описание одного из под-
ходов  к  построению  современных  экономических  систем — 
гибридных  систем  на  основе  нечетких  когнитивных  карт  и 
иерархий Саати и освещено его применение в сфере поддержки 
принятия решений. 
В настоящее время существуют методологии извлечения из 
эксперта знаний о динамических свойствах ситуаций (причинно-
следственные  отношения),  а  для  фиксации  этих  знаний  исполь-
зуется  модель  представления  знаний  в  виде  так  называемой 
когнитивной карты. Методы анализа динамических ситуаций на 
основе  когнитивных  карт  дают  хорошо  интерпретируемые 
результаты  моделирования  (прогнозы  развития  ситуаций  и 
стратегии  перевода  ситуации  в  целевое  состояние)  для  неболь-
ших  когнитивных  карт.  Для  оценки  прогнозов  развития  ситуа-
ции и решений по управлению ситуацией  могут быть использо-
ваны  статические  модели  оценивания  состояния  ситуации. 
Методология  когнитивного  моделирования    основана  на  по-
строении  субъективной  модели  ситуации,  отражающей  знания 
субъекта о законах ее развития. Субъективная модель ситуации 
строится экспертным путем и представляется в виде ориентиро-
ванного  знакового  графа  (когнитивной  карты),  в  котором  вер-
шины – это факторы ситуации, а взвешенные дуги – причинно-
следственные  отношения,  вес  которых  отражает  силу  влияния 
факторов  ситуации.  Направленным  дугам  графа  приписывается 
знак «+» или «-», т.е.  они  могут  быть  положительными  или 
отрицательными. Положительная связь означает, что увеличение 
значения  фактора-причины  приводит  к  увеличению  значения 
фактора-следствия, а отрицательная дуга означает, что увеличе-
ние  значения  фактора-причины  приводит  к  уменьшению  значе-
ния фактора-следствия. Задачи, решаемые с помощью когнитив-
 
309

ных  карт,  заключаются  в  нахождении  и  оценивании    влияний 
факторов  ситуации,  и  получении  на  основе  вычисленных  влия-
ний  прогнозов  развития  ситуации.  В  настоящее  время  для  вы-
числения  влияний  и  прогнозов  развития  ситуации  широкое 
применение находят нечеткие когнитивные карты (НКК). 
Понятие  нечеткой  когнитивной  карты  было  предложено  Б. 
Коско  в 1986 г.  и  используется  в  моделировании  причинных 
взаимосвязей, выявленных между понятиями некоторой области 
[6]. НКК представляет собой нечеткий ориентированный граф с 
обратной  связью,  узлы  которого  являются  нечеткими  множест-
вами.  Направленные  ребра  графа  отражают  причинно-
следственные  связи  между  понятиями  и  численно  характеризу-
ют  степень  влияния  (вес)  связываемых  понятий.  Сила  влияния 
между  факторами,  в  отличие  от  простых  когнитивных  карт, 
задаются  с  помощью  лингвистических  значений,  выбранных  из 
упорядоченного множества возможных сил влияний, а значения 
факторов,  их  приращения  также  задаются  в  лингвистическом 
виде,  и  выбираются  из  упорядоченных  множеств  возможных 
значений  фактора  и  его  возможных  приращений – шкал  факто-
ров и шкал приращений. 
НКК  объединяют  в  себе  свойства  нечетких  систем  и  ней-
ронных  сетей.  Использование  нечетких  когнитивных  карт  в 
качестве  средства  моделирования  систем  позволяет  наглядно 
отобразить  структуру  взаимосвязей  анализируемой  системы  и 
облегчает интерпретацию причинно-следственных связей между 
концептами.  С  точки  зрения  Искусственного  Интеллекта,  НКК 
являются  нейронными  сетями,  обучаемыми  с  учителем:  чем 
больше  данных  доступно  для  моделирования  задачи,  тем  более 
адаптивной является НКК в плане развития и выработки подхо-
дящего  решения.  Таким  образом,  НКК  хорошо  подходят  для 
задач  поиска  решения  на  множестве  альтернатив.  Рассмотрим 
некоторые области применения данной технологии. 
В [7] рассматривается применение НКК в анализе успешно-
сти ИТ - проекта. ИТ - проекты отличаются набором специфиче-
ских  черт,  таких  как  высокая  сложности  реализации  и  высокая 
вероятность неудачи. Для увеличения шансов проекта на успех у 
310  

всех  сторон, вовлеченных в проект, необходимо выделить клю-
чевые факторы успеха еще на этапе планирования. Для выделе-
ния  набора  таких  факторов  используются  технологии  нечетких 
когнитивных карт, что позволяет четко описать не только набор 
необходимых характеристик будущего проекта, но и определить 
связи между ними. Применение методики НКК демонстрируется 
на примере проекта мобильных платежных систем.  
Еще одним примером применения НКК является организаци-
онный  менеджмент.  Основной  задачей  организационного  ме-
неджмента является регулирование взаимосвязей внутри корпора-
ции,  и  сложность  задачи  возрастает  пропорционально  размеру 
компании.  В [8] авторы  рассматривают  использование  НКК  для 
рассмотрения причинно-следственных связей между конфликтом, 
коммуникацией,  балансом  сил,  общими  ценностями,  доверием  и 
сотрудничеством внутри крупной авиакомпании. Задача предска-
зания влияния одного из этих факторов на другие является труд-
ной даже для эксперта в области организационного менеджмента. 
НКК  используются  для выделения взаимосвязей между данными 
факторами  внутри  компании.  Рассматривается  использование 
данного  инструмента  для  построения  предварительных  оценок 
для максимизации эффективности работы компании.  
С  этой  областью  также  связаны  работы  по  интеграции  мо-
делей прогноза и оценивания неструктурированных ситуаций на 
основе  подходов  когнитивного  моделирования.  Такие  модели 
охватывают  все  этапы  процесса  поддержки  принятия  решений 
(от  анализа  ситуации  до  выбора  лучшей  альтернативы)  и  пред-
назначены  для  поддержки  деятельности  аналитиков  в  условиях 
неопределенности.  
В интеллектуальных системах поддержки принятия решений, 
использующие  когнитивные  методы    анализа  сознания  людей, 
кроме  когнитивных карт также  широко используются знаковые 
графы,  сетевые  модели,  графы  причин  и  следствий,  каузальные 
сети. Очень близким по смыслу к когнитивным картам являются 
байесовские сети, сети доверия, аналитические сети Саати.  
Все  эти  модели  можно  назвать  когнитивными  сетями  под-
держки  принятия  решений  (КСППР).  Применяются  также  и 
 
311

гибридные  интеллектуальные  системы на основе КСППР, кото-
рые  занимают  важное  место  в  решении  задач  когнитивной  эко-
номики.  Они  являются  основой  систем  бизнес-аналитики,  ис-
пользующих  интеллектуальные  системы  с  настройкой  на 
сознание и логику эксперта и состоят из когнитивной и аналити-
ческой  части,  причем  нижний  уровень - когнитивный,  предос-
тавляет  информацию  для  обработки  верхним,  аналитическим, 
уровнем.  Когнитивный  уровень  помогает  использовать  когни-
тивные  способности  человека,  возможности  комплексного  вос-
приятия  ситуации    и  его  ментальные  модели  для  управления 
процессом принятия решений в сложных ситуациях. Аналитиче-
ский уровень позволяет оценивать ситуацию и использовать эту 
оценку для принятия решений. 
Эти  два  уровня  (когнитивный  и  аналитический)  соответст-
вуют  двум типам когнитивных процессов,  которые в  [9] были  
рассмотрены,  как  Система 1 и  Система 2. Операции  в  рамках 
Системы 1 протекают  быстро,  автоматически,  без  усилий,  они 
ассоциативны, зачастую эмоционально окрашены и управляются 
привычками,  поэтому  их  сложно  контролировать  и  модифици-
ровать.  Операции Системы 2 происходят медленнее, последова-
тельно,  с  интеллектуальными  усилиями  и  намеренным  контро-
лем; они также относительно гибки и потенциально подвержены 
влиянию правил. 
В походе на основе КСППР можно  пойти несколько дальше 
и расширить возможности традиционного когнитивного подхода 
как  за  счет  явного  моделирований  ментального  пространства 
человека,  так  и  за  счет  методов  гибридизации  КСППР  с  анали-
тическими  моделями  принятии  решений  и  рассмотреть  КСППР 
как  интерфейс  с  формальными     моделями, исправляющий  воз-
никающие  на  входе  системы  возможные  когнитивные  ошибки 
[10,11]. 
В качестве примера подобного подхода можно привести ин-
тегрированную  модель  поддержки  принятия  решений [1,12] В 
данных  работах  рассматривается  модель  поддержки  принятия 
решений  в  слабо  структурированных  динамических  ситуациях, 
основанная  на  интеграции  нечеткой  иерархической  модели 
312  

оценивания и нечеткой когнитивной модели ситуации. Интегри-
рованная  модель,  в  отличие  от  каждой  из  составляющих  ее 
моделей поддерживает все этапы процесса поддержки принятия 
решений. Анализ ситуации основывается на декомпозиции цели, 
определенной экспертом, и  структурно-функциональной  деком-
позиции  ситуации,  позволяющей  с  системных  позиций  описать 
поведение  неструктурированной  ситуации – ее  динамики.  Кон-
струирование (генерация) решений – альтернатив осуществляет-
ся  с  помощью  когнитивной  модели;  выбор  лучшего  решения 
основан  на  оценивании  прогнозов  развития  ситуации,  получен-
ных  с  помощью  когнитивной  модели  в  иерархической  модели 
оценивания. В интегрированной модели множество альтернатив 
не  фиксировано,  есть  возможность  конструирования  альтерна-
тивы  и  оперативное  получение  ее  оценки  относительно  дости-
жения генеральной цели.  
Таким  образом,  иерархическая  модель  оценивания  альтер-
натив  управления  ситуацией  и  динамическая  когнитивная  мо-
дель ситуации описывают одну и ту же наблюдаемую ситуацию, 
но в разных аспектах. Модель оценивания описывает ситуацию с 
точки  зрения  цели  управления  ситуацией,  степень  достижения 
которой выражается через предпочтения эксперта относительно 
критериев,  выраженных  с  помощью  их  весов  и  конкретных 
значений  множества  листовых  критериев,  представленных  в 
некоторой шкале. В динамической модели ситуации описывают-
ся  изменения  значений  факторов  во  времени  без  относительно 
их  важности  для  достижения  поставленной  цели.  Эта  модель 
качественно  описывает  динамику  развития  ситуации,  представ-
ленную в качественных шкалах факторов ситуации.  
Для  интеграции  этих  моделей  ситуации  необходимо,  во-
первых,  обеспечить  пересечение  факторов  ситуации,  описывае-
мой в  каждой из перечисленных моделей и, во вторых, обеспе-
чить  отображение  значений  факторов  ситуации,  полученной  в 
когнитивной  модели  в  значения  листовых  критериев  модели 
оценивания.  Проблему  обеспечения  пересечения  факторов 
когнитивной карты и листовых критериев иерархии оценивания 
 
313

предлагается  решить  путем  согласования  методологий  построе-
ния иерархической модели оценивания и когнитивной карты.  
Используется  методология  построения  когнитивной  карты 
ситуации  на  основе  структурно-функциональной  декомпозиции 
ситуации. Это позволяет представить ситуацию в виде иерархии 
«Часть-Целое»,  〈D,  Θ〉,  где,  D={di} - множество  элементов  си-
туации,  Θ – отношение  «Часть-Целое»,  заданное  на  множестве 
элементов  ситуации  D.  Определяются  основные  атрибуты - 
факторы  Fi={fij}  каждого  элемента  ситуации  di  и  для  каждого 
элемента  di  D  строится  когнитивная  карта  (Fi, Wi),  где  Fi={fij} 
факторы элемента di , Wi - матрица смежности графа, отражаю-
щая знания о законах функционирования элемента ситуации di . 
Когнитивные  карты  (Fi, Wi)  элементов  ситуации  объединя-
ются в когнитивную карту сложной ситуации (F, W), где F= Fi 
–  множество  факторов-факторов  ситуации,  W  –  матрица  смеж-
ности орграфа, описывающая сложную ситуацию и включающая 
матрицы Wi отдельных элементов ситуации и связи между ними. 
Далее задача эксперта заключается в том, что выделить среди 
факторов когнитивной модели факторы близкие по смыслу листо-
вым  критериям  иерархической  модели.  Выделяя  такие  факторы, 
эксперт  определяет  подмножество  Φ⊂F  факторов  когнитивной 
модели соответствующих листовым критериям ki, i=1,n.  
При  интеграции  модели  иерархического  оценивания  с  мо-
делью  когнитивного  моделирования,  альтернативы  заранее  не 
определены,  а  строятся  в  процессе  моделирования  ситуации. 
Поэтому, возникает необходимость построения шкалы листовых 
критериев на основе шкал соответствующих им факторов когни-
тивной  модели.  В  общем  случае,  необходимо  построить  ото-
бражение:  
ψ :{ x } → { y j }  
k
ij
k
m
m
где  {} - множество значений фактора   когнитивной мо-
ij
i
дели, заданных на отрезке числовой оси на [0,1], { y j }  - множе-
km
ство значений соответствующего листового критерия   иерар-
m
хии,  J

]
1
,
0
[
. 
ki
314  

Прогноз  развития  ситуации  в  системе  когнитивного  моде-
лирования  представляется  парой  (X(m),  С(m)).  X(m) – вектор 
состояния  ситуации  в  момент  времени  m,  С(m) - вектор  консо-
нансов  приращений  значений  признаков.  Разные  прогнозы 
развития  ситуаций  могут  характеризоваться  одинаковым  векто-
ром состояния ситуации X(m), но разными векторами консонан-
са  значений  факторов  С(m)  С(m)’.  Оценка  таких  состояний 
должна быть различна. Т.е. система иерархического оценивания 
должна упорядочивать оценки ситуации по предпочтительности 
с учетом не только значения фактора, но и его консонанса. 
Для интеграции моделей иерархического оценивания и ког-
нитивного  моделирования  для  каждого  фактора  ситуации  необ-
ходимо  определить  оценочную  функцию,  аргументами  которой 
являются приращение фактора и его консонанс - ρ = σ 
x
i (pi, ci).  
i
В качестве оценочных функций  значений и консонанса ис-
пользуются  следующие  монотонно  возрастающие  функции  с 
параметрами: 
ρ = sign(p
α ⋅ c β , 
x
i ) 
i

i
где α и β  параметры функций, принимающие неотрицательные 
значения, α, β >0 , pi  - приращение значения i-го фактора. 
Выбор  различных  параметров  α  и  β    позволяет  моделиро-
вать различные экспертные предпочтения. Разработанная интег-
рированная  модель  поддержки  принятия  решений  может  слу-
жить  теоретической  основой  для  разработки  компьютерной 
системы  поддержки  принятия  решений  в  неструктурированных 
ситуациях,  основанной  на  моделировании  знаний  и  предпочте-
ний эксперта 
Интегрированная  модель  позволяет  оценивать  изменения 
текущего  состояния  ситуации,  что  позволяет  использовать  ее  в 
системах  мониторинга  состояния  ситуации.  Разработанная 
интегрированная  модель  поддержки  принятия  решений  может 
служить  теоретической  основой  для  разработки  компьютерной 
системы  поддержки  принятия  решений  в  неструктурированных 
ситуациях,  основанной  на  моделировании  знаний  и  предпочте-
ний эксперта. 
 
315

Литература 
1.  WALLISER B. Cognitive Economics. Springer, 2008. 
2.  ROSS D. Economic Theory and Cognitive Science: Microexpla-
nation. The MIT Press, 2005. 
3.  АБДИКЕЕВ  Н.М.,  АВЕРКИН  А.Н.,  ЕФРЕМОВА  Н.А., 
Когнитивная экономика в эпоху инноваций // Вестник РЭА, 
2010,  №1. 
4.  АБДИКЕЕВ  Н.М.,  АВЕРКИН  А.Н.  и  др.  Когнитивная  биз-
нес-аналитика  /  Под  ред.  Н.  М.  Абдикеева. – М.: ИНФРА-
М, 2010. 
5.  АБДИКЕЕВ  Н.М.  Проектирование  интеллектуальных 
систем в экономике. - М.: Экзамен, 2004. 
6.  KOSKO B. Fuzzy Cognitive Maps //International Journal of 
Man-Machine Studies, 24, 65-75, 1986 
7.  RODRIGUEZ-REPISO L., SETCHI R., SALMERON J.L. 
Modelling IT projects success with Fuzzy Cognitive Maps. Ex-
pert Systems with Applications 32 (2007) 543–559 
8.  KANGA I., CHOIA L.G. Using fuzzy cognitive map for the 
relationship management in airline service // Expert Systems 
with Applications 26 (2004) 545–555 
9.  КАНЕМАН Д., ТВЕРСКИ А.  Рациональный выбор, ценно-
сти  и  фреймы  //  Психологический  журнал. — 2003. — Т. 
24. — № 4. — С. 31−42. 
10.  АБРАМОВА  Н.А.,  КОВРИГА  С.В.  О  рисках,  связанных 
 с  ошибками  экспертов  и  аналитиков // Труды 4–ой  Меж-
дунар. конф. «Когнитивный анализ и управление развитием 
ситуаций» – М.: ИПУ РАН, том 2, 2004, – С. 12–23. 
11.  АВДЕЕВА  З.К.,  КОВРИГА  С.В.,  МАКАРЕНКО  Д.И., 
МАКСИМОВ  В.И.  Когнитивный  подход  в  управлении // 
Проблемы управления. – 2007. 
12.  АВЕРКИН  А.Н.,  КУЗНЕЦОВ  О.П.,  КУЛИНИЧ  А.А., 
ТИТОВА  Н.В.  Поддержка  принятия  решений  в  слабо-
структурированных  предметных  областях:  анализ  ситуа-
ции и оценка альтернатив
, Известия РАН. Теория и систе-
мы управления,  2005. 
316  


 
 
 
 
 
 
 
 
 
 
 
 
 
 

Научное издание 
Когнитивный анализ и управление развитием ситуаций 
(CASC'2011). 
Труды Международной конференции 
 
В печать от 21.10.2011 
Формат бумаги 60×84/16. Уч.-изд.л. 19,0 
Тираж 200. Заказ 94. 
117997, Москва, Профсоюзная, 65 
Учреждение Российской академии наук 
Институт проблем управления 
им. В.А. Трапезникова РАН 
 
Отпечатано в типографии ООО «11-й формат». 
 
ISBN 978-5-91450-090-7 
 

Document Outline

  • 0_Титул_Casc2011
  • Содержание - с учетом дополнений
  • Секция 1 и пленар
  • Секция 2
  • Секция 3
    • Литература
  • Секция 4
    • Литература
  • Дополнение
  • Крайняя страница_CASC'11
    • Научное издание
    • Труды Международной конференции
    • В печать от 21.10.2011
    • Отпечатано в типографии ООО «11-й формат».
    • ISBN 978-5-91450-090-7



<< предыдущая страница