Понятие и значение прикладных исследованиях

При моделировании, так же как и на первом этапе  исследований, который можно считать  построением концептуальной модели проблемы, происходит свёртка, ограничение  полученной информации в форме, удобной  в дальнейшем исследовании. Ограничение  разнообразия необходимо для упорядочения количества информации, поступающей  к объекту. Ограничение разнообразия исходной информации (здесь ею является уже концептуальная модель проблемы) при математическом моделировании  происходит вследствие трёх ограничений, имманентных этому методу, - ограниченности математического языка, метода и собственно модели. Однозначность математического языка является одновременно и «плюсом», и «минусом». Достоинство в том, что она не допускает ошибок, но это же свойство ограничивает возможность достаточно полного описания объекта. С повышением информации в модели эвристическая функция моделирования растет не прямо пропорционально количеству учтенной информации, а по экстремальному закону, т. е. эффективность моделирования растет лишь до определенного предела, после которого она падает. Иными словами, использование математики гарантирует точность, но не правильность получаемого решения. В исследованиях физических объектов, информационная сложность которых вследствие определяющих их причинно-следственных связей относительно невысока, уровень потерь и искажения информации будут значительно ниже, чем при исследовании социально-экономических объектов. Ограниченность математического языка лежит в основе теории о неполноте формальных систем К. Гёделя (Godel Kurt) и принципа внешнего дополнения Ст. Бира (Beer Stafford). Её уровень, естественно, во многом носит исторический, а не абсолютный характер. По мере развития математики возможности ее будут расти. Однако в настоящее время многие российские и зарубежные математики, философы, экономисты, представители других научных направлений отмечают ограниченные возможности адекватного математического описания социально-экономических явлений. Практически неограниченный диапазон применения математических методов создает впечатление их «всеядности», универсальности. И основным подтверждением этого чаще всего выступает взаимная аргументация этих двух характеристик, а не эффективность использования результатов моделирования на практике. Немаловажное влияние на это оказывает и то, что при описании методологических особенностей математических методов и моделей многие свойства, которыми они должны обладать, чтобы обеспечить адекватное решение, выдаются и, соответственно воспринимаются как свойства, имманентные описанным методам и моделям. Как любое специальное средство, конкретный метод накладывает свои ограничения на обрабатываемую информацию: выделяет одни аспекты, устраняет и искривляет другие, тем самым приводит к искажению описываемой с его помощью реальной ситуации в целом. Авторы ряда работ, количество которых не идет ни в какие сравнения с объемом публикаций по разработкам теорий и методов математического моделирования, приводят различные аргументы, подтверждающие принципиальную ограниченность их использования для описания реальных процессов, происходящих в общественном производстве. В узких рамках методологии, разработанной оптимизационным подходом, невозможно совместить поиск наилучшего решения (или оптимального управления) с признанием принципиальной ограниченности отражения реальной моделью. Любая, даже самая тонкая и изощренная постановка, где указанное противоречие будет как бы разрешаться, на деле приводит к ещё более серьёзным и очевидным новым противоречиям. На это ещё «накладываются» ошибки разделения и объединения систем и подсистем при использовании методов программирования. Применение предметных концепций при выборе математического метода и модели в решении конкретной задачи приводит к тому, что, допустим, в технических науках с помощью одних и тех же формул проводится обоснование мощности осветительных устройств для квартиры и железнодорожной станции. Так же и формализация задачи оптимизации деятельности предприятия, а то и целой отрасли отличается от задачи об оптимальном раскрое заготовки в основном только количеством переменных и уравнений. Однако в этом случае следствием такого «раскроя» будет «механический» разрыв огромного количества связей, сложность и неопределенность которых ещё не всегда доступны достаточно точному описанию языком современной математики. Некорректность традиционного подхода к обоснованию структуры модели исследуемой ситуации можно показать, сравнивая задачи обоснования состава кормов и поголовья животных в хозяйстве. Если следовать традиционной методике, их можно отнести к одному классу и решать одним и тем же методом. В то же время если результат первой оказывает существенное влияние только на себестоимость продукции, то второй требует учета социальных интересов, вопросов, связанных с охраной окружающей среды и т.д. Таким образом, во втором случае необходимо использовать метод, обладающий большим разнообразием возможностей описания, чем для первой, иначе нельзя будет построить адекватную математическую модель и получить управленческое решение, имеющее практическую ценность. Задача, решение которой в конечном итоге обеспечивают методы оптимизации, будь то математическое программирование или регрессионный анализ, сводится к поиску, хотя и не тривиального (вследствие многообразия возможных вариантов), но в то же время и не принципиально нового результата, так как поиск происходит в диапазоне, границы которого определяются знаниями об исследуемом процессе. В случае постановки инженерных, оперативных или тактических задач для технических или простых социально-экономических объектов, позволяющих исследователю или менеджеру дать их полное формальное описание и обосновать диапазоны реальных альтернатив, достаточность и эффективность использования оптимизационных методов не вызывает сомнения. По мере роста сложности объектов исследований при решении стратегических проблем выбора направлений совершенствования технических и социально-экономических систем оптимизационные методы могут выполнять только вспомогательные функции. Структура того или иного «типичного» вида моделей накладывает ещё более жесткие ограничения на возможности представления необходимого уровня разнообразия в описании исследуемого объекта. Поэтому некоторые работы по математическому моделированию и рекомендуют начинать исследование с выбора вида модели, а потом уже проводить постановку задачи исследований таким образом, чтобы ее легче было «вписать» в выбранную модель. Такой подход облегчает построение модели и эффективен, если целью исследований является именно построение математической модели, а не получение решения проблемы. Последующие аналогичные по своей природе искажения и потери информации вызываются ограничениями алгоритмов и программных языков, возможностями ЭВМ. Структурно-функциональный анализ свидетельствует о том, что хотя все процедуры, связанные с построением математической модели и получением итоговых данных на ЭВМ, логически обоснованы, они не содержат никаких методологических свойств, гарантирующих адекватность этого результата и соответствующего управленческого решения реальной проблеме. Формирование критериев эффективности (оптимизации) при этом может проводиться независимо от объективных законов общественного развития, а основным критерием разработки математической модели становятся условия скорейшего построения алгоритма на основе применения «типового» алгоритма. Менеджер/исследователь может «подгонять» реальную проблему под структуру освоенного им математического метода или программного обеспечения ПЭВМ. Ориентация на обязательное построение математической модели в рамках одного метода приводит к исключению из исследования проблемы факторов, не поддающихся количественной оценке. Описание причинно-следственных связей, приводит к необоснованному применению принципов аддитивности. Результат при этом будет оптимальным только для того весьма упрощенного и искаженного образа реального объекта, который представляет собой математическая модель после нескольких «трансформаций», проведенных с помощью средств, уровень разнообразия и точность которых ещё значительно отстает от сложности социально-экономических проблем.

На третьем этапе исследования проблем после обоснования вида и структуры адекватность и, соответственно, эффективность управленческого решения, полученного с помощью математической модели, связаны с качеством исходной информации, на основании которой вычисляются, например, элементы матрицы условий задачи математического программирования или коэффициентов уравнения регрессии. Характер искажений здесь во многом зависит от метода моделирования. Для линейного программирования ошибки данного этапа уже мало связаны с исследуемым объектом и в основном возникают из-за невнимательности разработчика: неправильно взяты производительность или нормы расхода материала и т. д. Такого рода ошибки обычно обнаруживаются в работе с моделью и легко исправляются. Более сложная ситуация складывается при использовании регрессионного анализа, одинаково широко распространенного в естественных, технических и общественных науках. Отличие этого метода по сравнению, допустим, с линейным программированием в том, что формирование коэффициентов регрессии определяется исходными данными, являющимися результатами процессов, происходящих в исследуемом объекте, рассматриваемом как «черный ящик», в котором механизм превращения «вход» в «выход» часто неизвестен. С увеличением количества исходной информации уровень ее разнообразия приближается к тому, который имманентен реальному объекту. Таким образом можно повышать адекватность регрессионной модели, что нельзя достичь в линейном программировании. Это достоинство регрессионного анализа достаточно эффективно может быть использовано в естественных науках вследствие сравнительно малого количества факторов и возможности управления последними. В исследованиях социально-экономических явлений эффективность использования регрессионных моделей снижается, так как резко возрастает количество факторов, многие из которых неизвестны и (или) неуправляемы. Все это требует не ограничиваться отдельной выборкой, а стремиться использовать данные в объеме, приближающемся к генеральной совокупности. В отличие от большинства процессов, изучаемых естественными и техническими науками, сложность тиражирования которых во многом определяется только затратами на эксперимент, проверить регрессионную модель социально-экономического объекта достаточно сложно вследствие уникальности протекающих в нём процессов, имеющих историческую природу. В этой связи основным источником исходной информации в исследованиях социально-экономических объектов является наблюдение, «пассивный» эксперимент, исключающий повторность опытов и, соответственно, проверку адекватности регрессионной модели по статистическим критериям. Поэтому основные показатели адекватности, используемые при регрессионном анализе социально-экономических объектов, – коэффициент множественной корреляции и ошибка аппроксимации. Однако высокое значение первого и низкое второго показателя не позволяет однозначно судить о качестве регрессионной модели. Объясняется это тем, что с увеличением числа членов полинома модели, а внешне это число ограничивается только числом опытов (наблюдений), вследствие количественного роста её разнообразия, точность аппроксимации исходных данных уравнением регрессии растёт. В. Леонтьев (Leotief Wassily), комментируя низкую результативность использования статистических методов в экономике, объясняет это тем, «что для изучения сложных количественных взаимосвязей, присущих современной экономике, косвенный, даже методологически уточнённый, статистический анализ не подходит».

Фактором, также  относящимся к интерпретации  результатов и снижающим эффективность  применения математических методов  и соответственно управленческих решений, является и излишняя идеализация  полученных таким образом количественных результатов. Точные вычисления не означают правильного решения, которое определяется исходными данными и методологией их обработки. Управляющие, которым  предлагают решать задачи линейного  программирования, должны знать о  том, что наличие даже малейшего  нелинейного элемента в задаче может  поставить под сомнение и даже сделать опасным её решение методом  линейного программирования. К сожалению, в большинство вводных курсов, знакомящих управляющих высшего  уровня с основами технических наук и экономико-математическими методами, ничего не говорится о том, как  эти науки соотносятся с практическими проблемами. Это объясняется тем, что преподаватель свято верит в универсальную применимость своей методики и плохо представляет границы её применения. Таким образом, на всех трех рассмотренных этапах «трансформации» производственной проблемы в математическую модель отсутствуют достаточно строгие, научно обоснованные критерии оценки качества, соответствия идеальных моделей реальному объекту. В то же время традиционная ориентация направлена только на преодоление вычислительных трудностей и большой размерности моделей и не учитывает ограничения математического аппарата. Моделирование является наиболее практичной стороной прикладных исследований, однако этот прагматизм должен быть основан на гносеологическом и онтологическом подходе в методологии процедурных знаний при решении проблем индивидуального производства. Вместе с тем, применение моделей при принятии управленческих решений должно учитывать их конгруэнтность и, соответственно, адекватность их решений реальным процессам. Эти условия определяются природой описываемых моделями процессов. В экономической науке большинство дескриптивных моделей типа «цена-спрос» описывают институциональные процессы, связанные с поведением человека, и эти модели носят исключительно концептуальный характер и не могут служить для получения количественных прогнозных оценок. Уровень возможностей статистических моделей для интерполяционных оценок внутри описываемого диапазона определяется статистическими показателями надёжности, но для прогнозных оценок уровень экстраполяции при этом не должен превышать 20-30% от первоначального диапазона данных. Надёжность регрессионных моделей, полученных по управляемым экспериментам с несколькими повторностями, значительно возрастает. Нормативные модели, связанные с оптимизацией расхода ресурсов, условиями безубыточности, законом убывающей доходности (Law of Diminishing Returns) можно считать абсолютными, и надёжность полученных по ним оценок зависит только от ошибок в исходных данных.

Глава 3.

3.1. Методы прикладных исследований в инновационном менеджменте.

В настоящее  время применительно к  технологическим  инновациям  действуют понятия,  установленные   Руководством   Осло   и   нашедшие   отражение   в Международных стандартах в статистике науки, техники и инноваций.

 Международные  стандарты  в  статистике  науки,  техники  и  инноваций  -

рекомендации  международных  организаций  в  области  статистики   науки   и инноваций,  обеспечивающие  их  системное  описание  в   условиях   рыночной экономики. В соответствии с этими стандартами инновация - конечный результат инновационной  деятельности,  получивший  воплощение  в  виде   нового   или усовершенствованного   продукта,   внедренного   на   рынке,   нового    или усовершенствованного технологического процесса, используемого в практической деятельности, либо в новом подходе к социальным услугам.

Таким образом, инновация является следствием инновационной  деятельности.

Анализ  различных  определений  приводит  к  выводу,  что   специфическое

содержание  инновации составляют изменения, а  главной функцией  инновационной деятельности является функция изменения.

 Австрийский ученый И. Шумпетер выделял пять типичных изменений:

   1. Использование   новой  техники,  новых  технологических   процессов  или

нового рыночного  обеспечения производства (купля - продажа).

   2. Внедрение  продукции с новыми свойствами.

   3. Использование  нового сырья.

   4. Изменения  в организации производства  и   его  материально-технического обеспечения.

   5. Появление  новых рынков сбыта.

Эти положения  И. Шумпетер сформулировал еще в 1911 г. Позднее в 30-е годы он уже ввел понятие инновация, трактуя его как изменение с целью внедрения и использования новых видов потребительских товаров, новых производственных  и транспортных средств, рынков и форм организации в промышленности.

В ряде источников инновация рассматривается как  процесс. В этой концепции признается, что  нововведение  развивается  во  времени  и  имеет  отчетливо выраженные стадии.

Инновации свойственны  как динамический,  так  и  статический  аспекты.  В последнем   случае   инновация   представляется   как   конечный   результат научно-производственного цикла (НПЦ), эти результаты  имеют  самостоятельный круг проблем.

Термины "инновация" и  "инновационный  процесс"  не  однозначны,  хотя  и близки.   Инновационный   процесс   связан   с   созданием,   освоением    и

распространением  инноваций.

Создатели инновации (новаторы)  руководствуются  такими  критериями,  как жизненный цикл изделия и экономическая эффективность.

Их стратегия  направлена  на  то,  чтобы  превзойти  конкурентов,  создав

новшество, которое будет признано уникальным в определенной области.

 Обращаем внимание на то, что научно-технические разработки и нововведения выступают как промежуточный результат научно-производственного  цикла  и  по мере практического применения превращаются в  научно-технические  инновации.

Научно-технические  разработки  и  изобретения  являются  приложением  нового знания с целью их практического применения, научно-технические же  инновации (НТИ) являются материализацией новых идей и знаний, открытий, изобретений  и научно-технических  разработок  в   процессе   производства   с   целью   их коммерческой   реализации   для   удовлетворения    определенных    запросов потребителей. Непременными свойствами инновации являются  научно-техническая новизна  и  производственная  применимость.  Коммерческая  реализуемость  по отношению к инновации выступает как потенциальное свойство,  для  достижения которого  необходимы  определенные  усилия.   НТИ   характеризует   конечный результат научно-производственного цикла (НПЦ), который выступает в качестве особого товара - научно-технической продукции - и  является  материализацией новых  научных  идей  и  знаний,  открытий,  изобретений  и   разработок   в производстве с целью коммерческой реализации для  удовлетворения  конкретных потребностей.

Из сказанного следует, что инновацию - результат  нужно  рассматривать  с

учетом инновационного процесса. Для инновации в равной мере  важны все три свойства:   научно-техническая   новизна,   производственная   применимость, коммерческая  реализуемость.   Отсутствие   любого   из   них   отрицательно сказывается на инновационном процессе.

Коммерческий  аспект определяет инновацию как  экономическую необходимость, осознанную  через  потребности  рынка.  Следует  обратить  внимание  на  два момента:  "материализацию"  инновации,  изобретений  и  разработок  в  новые технически совершенные виды  промышленной  продукции,  средства  и  предметы труда,  технологии  и   организации   производства   и   "коммерциализацию", превращающую их в источник дохода.

Следовательно, научно-технические инновации должны: а) обладать новизной; б) удовлетворять рыночному спросу и приносить прибыль производителю.

Распространение нововведений, как и их создание является составной частью инновационного процесса (ИП).

Различают  три  логических   формы   инновационного   процесса:   простой

внутриорганизационный (натуральный), простой межорганизационный (товарный) и расширенный. Простой ИП  предполагает  создание  и  использование  новшества внутри одной и той же организации, новшество  в  этом  случае  не  принимает непосредственно товарной формы. При простом межорганизационном инновационном процессе  новшество  выступает  как  предмет  купли-продажи.   Такая   форма инновационного процесса означает отделение функции создателя и производителя новшества от функции его  потребителя.  Наконец,  расширенный  инновационный процесс  проявляется  в  создании   все   новых   и   новых   производителей нововведения, нарушении монополии  производителя-пионера,  что  способствует через взаимную  конкуренцию   совершенствованию   потребительских   свойств выпускаемого товара. В условиях товарного инновационного процесса  действует как  минимум  два  хозяйственных  субъекта:  производитель   (создатель)   и потребитель   (пользователь)   нововведения.   Если    новшество    является технологическим процессом, его производитель и потребитель могут совмещаться в одном хозяйственном субъекте.