Высокие статистические технологии

Форум сайта семьи Орловых

Текущее время: Вс ноя 10, 2024 2:24 pm

Часовой пояс: UTC + 3 часа




Начать новую тему Ответить на тему  [ Сообщений: 159 ]  На страницу Пред.  1, 2, 3, 4  След.
Автор Сообщение
 Заголовок сообщения: Re: Аннотации новых статей А.И. Орлова
СообщениеДобавлено: Сб окт 30, 2021 10:31 pm 
Не в сети

Зарегистрирован: Вт сен 28, 2004 11:58 am
Сообщений: 11577
1137. Орлов А.И. Цифровая экономика, инновации в менеджменте, контроллинг и идеи Аристотеля / Информационное общество и цифровая экономика: глобальные трансформации. Материалы IV Национальной научно-практической конференции (Краснодар, 23 - 25 мая 2019 г.). - Краснодар: Кубанский государственный университет, 2019. - С. 44-56.
http://orlovs.pp.ru/work/1101-1200/1137 СИЭ в Краснодаре.pdf
http://orlovs.pp.ru/work/1101-1200/1137 СИЭ в Краснодаре.rtf

УДК 005.3:004.8:33.01
Орлов А.И.
Цифровая экономика, инновации в менеджменте,
контроллинг и идеи Аристотеля

Цифровая экономика основана на интенсивном использова-нии информационно-коммуникационных технологий в экономике и управлении. Аппаратная база таких технологий - компьютеры, сети и т.п. Научно-методическая база разрабатывалась с 1940-х годов. К настоящему времени количество новшеств перешло в качество. Накопленные научные и практические результаты при-вели к взрыву инноваций в менеджменте. Прежние технологии управления уходят в прошлое. Базовой экономической теорией становится солидарная информационная экономика (первона-чальное название - неформальная информационная экономика будущего). Вслед за Аристотелем полагаем, что экономика - это наука о том, как управлять хозяйством. Развиваем идеи В.М. Глушкова (проект ОГАС), Ст. Бира (система Киберсин), В. Пол Кокшотта и Аллина Ф. Коттрелла (продемонстрировали возмож-ность организации производства с целью непосредственного удовлетворения потребностей в масштабах страны или человече-ства в целом). Солидарная информационная экономика предна-значена для замены рыночной экономики в качестве базовой эко-номической теории.
Ключевые слова: Аристотель, глобальные трансформации, инновации, информационное общество, информационно-коммуникационные технологии, контроллинг, менеджмент, со-лидарная информационная экономика. цифровая экономика.

Введение
Широко применяемые понятия "инновационная экономика", "высокотехнологическая цивилизация", "общество знаний", "ин-формационное общество" близки понятию "экономика знаний" (Макаров, 2003). К этому понятийному ряду можно добавить и появившийся позже термин "цифровая экономика" (Лойко, Лу-ценко, Орлов, 2018).
Руководство страны уделяет большое внимание развитию цифровой экономики. Правительство РФ распоряжением от 28.07.2017 № 1632-р утвердило программу «Цифровая экономика Российской Федерации». Этот документ разработан по указанию Президента РФ, озвученному им в ежегодном Послании Феде-ральному Собранию РФ 1 декабря 2016 года. Указом Президента Российской Федерации № 215 от 15 мая 2018 года создано Мини-стерство цифрового развития, связи и массовых коммуникаций РФ (на базе Министерства связи и массовых коммуникаций РФ). При этом под цифровой экономикой понимается хозяйственная деятельность, в которой ключевым фактором производства явля-ются данные в цифровом виде, обработка больших объемов и ис-пользование результатов анализа которых по сравнению с тради-ционными формами хозяйствования позволяют существенно по-высить эффективность различных видов производства, техноло-гий, оборудования, хранения, продажи, доставки товаров и услуг (Стратегия, 2017).
Таким образом, цифровая экономика основана на интенсив-ном использовании информационно-коммуникационных техно-логий в экономике и управлении. Аппаратная база таких техно-логий - компьютеры, сети, облачные хранилища и т.п. Научно-методическая база активно разрабатывалась по крайней мере с 1940-х годов (более ранние работы Лейбница, Тьюринга и др. были одиночными). Однако в настоящее время количество пере-шло в качество. Накопленные научные результаты и опыт прак-тического применения привели к взрыву инноваций в менедж-менте. Прежние технологии управления уходят в прошлое. Каким будет будущее?

1. Цифровая экономика как современный этап развития ин-формационно-коммуникационных технологий
Цифровизация является и вызовом, и актуальным "окном возможностей" резкого технологического и экономического скачка, утверждают сотрудники Института проблем управления РАН (Воропай и др., 2019). Обсудим состояние и перспективы цифровой экономики с точки зрения инноваций в менеджменте.
Термин "цифровая экономика" имеет как достоинства, так и недостатки. Основное достоинство - краткость. Один из недос-татков - начальное слово в термине "цифровая" нельзя понимать как относящееся к набору из 10 арабских цифр, используемых в арифметике. Ближе к сути цифровой экономики слова "информа-ция" (в том числе словесная) и "компьютер". Другой недостаток - второе слово "экономика" относится к взаимоотношениям людей в процессах производства и распределения, а эти взаимоотноше-ния нельзя считать "цифровыми". Однако термин "цифровая эко-номика" широко распространен, закреплен в нормативных доку-ментах, поэтому будем его использовать вместо ранее распро-страненных синонимов.
Широко известны исследования Н. Винера в области цифро-вой экономики (Винер, 1958). На первоначальном этапе развития кибернетики рассматривались многие проблемы, которые стали актуальны для большинства экономических субъектов только сейчас. Например, влияние роботизации (во времена Винера - ав-томатизации) на занятость.
В нашей стране в те же годы активно обсуждалась возмож-ность автоматизации управления народным хозяйством (Берг, Китов, Ляпунов, 1961).
Затем пришло - и весьма быстро - время грандиозного проек-та ОГАС (Глушков, 1975), системы управления экономикой стра-ны Киберсин (Бир, 2009), различных АСУ (Китов, 1962), том числе предназначенных для управления большими системами, например, такими, как военно-морской флот (Гвардейцев, 1978). В ЦЭМИ АН СССР была разработана развернутая система опти-мального функционирования экономики СОФЭ (Федоренко, 1968).

2. Различные лики цифровой экономики
Много было сделано в области применения подходов цифро-вой экономики (в лице кибернетики) на предприятиях. В качестве примеров таких работ укажем книгу одного из основателей ки-бернетики Ст. Бира (Бир, 1963) и наш обзор (Орлов, 1992).
После смены экономической системы цифровая экономика стала разрабатываться прежде всего на микроуровне (на уровне предприятий и организаций).
Концепции, технологии, системы информатизации бизнеса разработаны А.М. Карминским и его соавторами (Информатиза-ция, 2004). Методология создания информационных систем в экономике рассмотрена в (Карминский, 2006), а практика исполь-зования таких систем - в (Карминский, 2012). Информационному менеджменту на предприятии посвящен учебник (Информацион-ный менеджмент, 2012), а экономической эффективности внедре-ния информационных технологий - монография (Калачанов, 2006). Информационные системы управления производственной компанией - предмет книги (Рыжко, 2019). Менеджмент в области информационно-коммуникационных технологий рассмотрен в (Мартынов, 2007).
Применение инструментария цифровой экономики не огра-ничивается сферой производства. Например, в настоящее время весьма интенсивно обсуждаются проблемы высшего и среднего образования. Так, информационно-коммуникационным техноло-гиям в компетентностно-ориентированном образовании посвя-щена книга (Дырдина, 2012).
Многообразным аспектам цифровой экономики посвящено огромное количество публикаций. Мы привели лишь некоторые из них, отобрав наиболее интересные для нас. Добавим к списку две наши монографии. Перспективные математические и инст-рументальные методы контроллинга обсуждаются в (Орлов, Лу-ценко, Лойко, 2015). Инструментальные методы - это методы, ос-нованные на использовании компьютеров для анализа информа-ции, т.е. методы цифровой экономики. Организационно-экономическое, математическое и программное обеспечение кон-троллинга, инноваций и менеджмента рассматриваем в рамках цифровой экономики (Орлов, Луценко, Лойко, 2016).
Различные аспекты цифровой экономики постоянно обсуж-даются на страницах научной периодики, в частности, журналов "Контроллинг" и "Инновации в менеджменте". Так, в передовой статье С.Г. Фалько анализирует бизнес-модели новых предпри-ятий в условиях перехода к цифровой экономике (Фалько, 2018). Экономической диагностике облачных решений (на примере of-fice 365) посвящена работа К. Мамедова и Т.Н. Рыжиковой (Ма-медов, 2018). Особенности управления человеческим капиталом на предприятиях в условиях цифровой экономики обсуждаются в (Кельчевская, 2018). Цифровая трансформация финансового сек-тора - предмет статьи (Перцева, 2018).
Вполне естественно, что в большинстве публикаций по циф-ровой экономике рассматриваются те или иные конкретные предметные области или стороны. Однако необходимо обсудить бурное развитие цифровой экономики в целом. С какими вызова-ми мы сталкиваемся? Какое влияние это развитие окажет на хо-зяйственную деятельность в целом? Какое "окно возможностей" раскрывает цифровая экономика? Почему можно ожидать, что она приведет к резкому технологическому и экономическому скачку?

3. Цифровая революция
Цифровизация - четвёртая промышленная революция. Коли-чество инноваций в области применения информационно-коммуникационных технологий в экономике и управлении пере-шло в качество. Приведем примеры.
Менее двух десятилетий назад - в 2001 г. - мобильные теле-фоны были, по нашим данным, лишь у 1% населения России. То-гда обсуждали электронный документооборот как новшество. А сейчас всемирный Интернет позволяет нам забыть об офисной работе, привязке к определенному городу и стране. Теперь можно работать над самыми серьезными задачами в команде, члены ко-торой разбросаны по всему миру. Удаленная работа и виртуаль-ные организации без офисов становятся нормой. Не надо ездить в командировки, вопросы можно обсудить и решить с помощью целого ряда информационно-коммуникационных технологий. Горячие головы хотят и образование сделать цифровым.
Констатируем прогрессирующее сокращение (вплоть до лик-видации) слоя посредников. Так, судьба турагентств незавидна: зачем потенциальным клиентам к ним обращаться, когда можно самостоятельно заказать билеты и номер в отеле? Интернет-журнал Factinteres привел примеры профессий, которые в бли-жайшем будущем перестанут существовать: телефонный опера-тор, спортивный судья, работник конвейера, туристический агент, диспетчер такси, кассир, водитель такси. Публикуют и более длинные списки профессий, которые исчезнут в ближайшие десятилетия, а также и списки тех, которые появятся.
Намечаются изменения и в политической сфере. Место структур представительной демократии постепенно занимают процедуры прямого действия. Примером являются процедуры, применяемые онлайн-платформами Avaaz.org и Change.org.
По мнению ряда специалистов, общество потребления уходит в прошлое. В последние годы мировое сообщество стало больше обращать внимание на то, что заимствование намного экономнее и удобнее обычной покупки. Финансовый кризис 2008 год стал своеобразным катализатором изменений в мировой экономике, появился абсолютно новый феномен — sharing economy, т.е. "совместное владение", в основе которого лежат не привычные нам отношения "купи-продай", а аренда. Sharing economy опирается на цифровые технологии.
Эссе "Мир будущего - ни привычной работы, ни частной собственности, ни личного пространства" написала член парла-мента Ида Аукен к Мировому экономическому форуму 2017 года (ранее она занимала пост министра экологии Дании). Она пишет: "Мне ничего не принадлежит. У меня нет своей машины. Нет до-ма. У меня нет бытовых приборов или своей одежды. Это может показаться вам странным, но для нас, жителей города, такая жизнь кажется идеальной. Все, что раньше считалось продуктом, теперь стало услугой. У нас есть доступ к транспорту, жилью, еда и всему, что необходимо в повседневной жизни. Одна за другой эти вещи стали бесплатными, и в итоге у нас не было смысла владеть чем-то" (Auken, 2016).

4. Цифровая экономическая теория
В новой ситуации нужна новая экономическая теория. Для ее разработки целесообразно обратиться к истокам экономической науки.
Согласно определению Аристотеля, экономика – это хозяй-ственная деятельность, направленная на удовлетворение есте-ственных потребностей человека (Аристотель, 1983). В XIX-ХХ вв. мировая экономика превратилась в свой антипод – хремати-стику: обогащение стало самоцелью, различные финансовые спе-куляции подменили реальное производство, власть постепенно переходила к наднациональным хозяевам денег – банкирам-ростовщикам. Вместо удовлетворения потребностей людей - упор на прибыль. В теоретическом осмыслении хозяйственной дея-тельности стала господствовать рыночная экономика. Хотя по оценке американского экономиста и теоретика менеджмента П. Друкера, 1873 г. – «конец эры либерализма – конец целого столе-тия, на протяжении которого политическим кредо была политика невмешательства в экономику» (Друкер, 1994), до сих пор в соз-нании российских исследователей и практических работников позволяет господствовать рыночная риторика.
Вернуться на путь Аристотеля позволяет разрабатываемая нами солидарная информационная экономика, развивающая идеи ОГАС В.М. Глушкова и системы "Киберсин" Ст. Бира. Первая Интернет-публикация по этой теории сделана 11 июня 2007 г. (http://forum.orlovs.pp.ru/viewtopic.php?f=2&t=570). На 29.04.2019 этот ресурс просмотрен более 190,3 тыс. раз, что свидетельствует об интересе специалистов. Основные идеи солидарной информа-ционной экономики были сформулированы в статье (Орлов, 2007). Список публикаций по солидарной информационной эко-номике (первоначальное название - неформальная информацион-ная экономика будущего) на 2.04.2019 включает 55 названий (http://forum.orlovs.pp.ru/viewtopic.php?f=2&t=951). Основные ре-зультаты отражены в докладе (Орлов, 2017) и монографии (Лой-ко, Луценко, Орлов, 2018, С. 12-58).

Выводы
Мы рассматриваем цифровую экономику как современный этап развития информационно-коммуникационных технологий, основанных на использовании компьютеров и сетей. Проанали-зировано многообразие исследований в области цифровой эконо-мики. Количество инноваций в области информационно-коммуникационных технологий в экономике и управлении пере-шло в качество - имеем дело с четвёртой промышленной револю-цией. В современных условиях нужна новая (цифровая) экономи-ческая теория. В качестве таковой предлагаем солидарную ин-формационную экономику, основанную на идеях Аристотеля, Глушкова, Ст. Бира и других.

Библиографический список
Аристотель. Политика // Сочинения в 4-х томах. - М:, Мысль, 1983. Т.4. - 830 с.
Берг А.И., Китов А.И., Ляпунов А.А. О возможности автома-тизации управления народным хозяйством // Проблемы киберне-тики. Выпуск 6. М.: Физматгиз, 1961. С. 83-100.
Бир Ст. Кибернетика и управление производством / Пер. с англ. В. Я. Алтаева. — М.: Наука, 1963. — 276с.
Бир Ст. Мозг фирмы. - М.: Либроком, 2009. - 416 с.
Винер Н. Кибернетика и общество. - М.: Изд-во иностранной литературы. 1958. - 200 с.
Воропай Н.И., Губко М.В., Ковалев С.П. и др. Проблемы раз-вития цифровой энергетики в России / Проблемы управления. 2019. № 1. С. 2-14.
Гвардейцев М.И. и др. Специальное математическое обеспе-чение управления / М. И. Гвардейцев, В. П. Морозов, В. Я. Ро-зенберг; Под ред. М. И. Гвардейцева — М.: Сов.радио, 1978. — 512 с.
Глушков В.М. Макроэкономические модели и принципы по-строения ОГАС.— М.: «Статистика», 1975. — 160 с.
Друкер П.Ф. Новые реальности в правительстве и политике, в экономике и бизнесе, в обществе и мировоззрении: Пер. с англ. - М.: Бук Чембэр Интернэшнл, 1994. - 380 с.
Дырдина Е.В., Запорожко В.В., Кирьякова А.В. Информаци-онно-коммуникационные технологии в компетентностно-ориентированном образовании. – Оренбург: ООО ИПК «Универ-ситет», 2012. – 227 с.
Информационный менеджмент на предприятии: учебник/ Ка-лачанов В.Д., Рыбников А.И., Рыжко А.Л. и др. / Под редакцией д-ра экон. наук, проф. В.Д. Калачанова. М.: Изд-во МАИ- ПРИНТ, 2012. - 584 с.
Информатизация бизнеса: концепции, технологии, системы / А.М. Карминский, С.А. Карминский, В.П. Нестеров, Б.В. Черни-ков; Под ред. А.М. Карминского. - 2-е изд., перераб. и доп. - М.: Финансы и статистика, 2004. - 624 с.
Калачанов В.Д., Кобко Л.И. Экономическая эффективность внедрения информационных технологий. - М: Изд-во МАИ, 2006. - 179 с.
Карминский А.М., Черников Б.В. Информационные системы в экономике. В 2-х ч. Ч.1. Методология создания. - М.: Финансы и статистика, 2006. - 336 с: ил.
Карминский А.М., Черников Б.В. Применение информацион-ных систем в экономике. – 2-е изд., перераб. и доп. – М.: ИД «ФОРУМ»: ИНФРА-М, 2012. – 320 с.
Кельчевская Н.Р., Ширинкина Е.В. Особенности управления человеческим капиталом на предприятиях в условиях цифровой экономики // Инновации в менеджменте. 2018. № 4 (18). С. 24-31.
Китов А.И., Черняк Ю.И. Автоматизация управленческих ра-бот // Автоматизация производства и промышленная электроника. Т. 1, М.: Государственное научное издательство «Советская энциклопедия», 1962. С. 26-32.
Лойко В.И., Луценко Е.В., Орлов А.И. Современная цифровая экономика. – Краснодар: КубГАУ, 2018. – 508 с.
Макаров В.Л. Экономика знаний: уроки для России // Вест-ник Российской академии наук. 2003. Т.73. №5. С. 450-460.
Мамедов К., Рыжикова Т.Н. Некоторые аспекты экономиче-ской диагностики облачных решений на примере office 365 // Ин-новации в менеджменте. 2018. № 3 (17). С. 30-36.
Мартынов Л.М. Инфоком-менеджмент. - М.: Логос, 2007. - 400 с.
Орлов А.И. Внедрение современных статистических методов с помощью персональных компьютеров // Качество и надежность изделий. № 5(21). - М.: Знание, 1992, С. 51-78.
Орлов А.И. Солидарная информационная экономика взамен рыночной // Экономика знаний в России: от генерации знаний и инноваций к когнитивной индустриализации: материалы IX Ме-ждунар. науч.-практ. конф. / отв. ред. В.В. Ермоленко, М.Р. Зака-рян. – Краснодар: Кубанский гос. ун-т, 2017. – С. 3-14.
Орлов А.И., Луценко Е.В., Лойко В.И. Перспективные мате-матические и инструментальные методы контроллинга. Под на-учной ред. проф. С.Г. Фалько. Монография (научное издание). – Краснодар, КубГАУ. 2015. – 600 с.
Орлов А.И., Луценко Е.В., Лойко В.И. Организационно-экономическое, математическое и программное обеспечение кон-троллинга, инноваций и менеджмента: монография / под общ. ред. С. Г. Фалько. – Краснодар : КубГАУ, 2016. – 600 с.
Цифровая трансформация финансового сектора // Инновации в менеджменте. 2018. № 4 (18). С. 48-52.
Рыжко А.Л., Рыбников А.И., Рыжко Н.А. .Информационные системы управления производственной компанией. — М. : Изда-тельство Юрайт, 2019. — 354 с.
Стратегия развития информационного общества в Россий-ской Федерации на 2017 – 2030 годы (утв. Указом Президента РФ от 09.05.2017 № 203).
Фалько С.Г. Бизнес-модели новых предприятий в условиях перехода к цифровой экономике // Инновации в менеджменте. 2018. № 3 (17). С. 2-3.
Федоренко Н. П. О разработке системы оптимального функ-ционирования экономики. - М.: Наука , 1968. - 243 с.  
Auken Ida, Parliament of Denmark. Welcome to 2030. I own nothing, have no privacy, and life has never been better - 2016. URL: https://www.weforum.org/agenda/2016/11/ ... t-that-is/

Орлов А.И, д-р экон. наук, д-р техн. наук, канд. физ.-мат.наук, проф.
Московский государственный технический университет им. Н.Э. Баумана, e-mail: prof-orlov@mail.ru

UDC 005.3:004.8:33.01
Orlov A.I.
Digital economy, innovations in management,
controlling and ideas of Aristotle

The digital economy is based on the intensive use of information and communication technologies in economics and management. The hardware base of such technologies is computers, networks, etc. The scientific and methodological base has been developed since the 1940s. To date, the quantity turned into quality. Accumulated scientific and practical results led to an explosion of innovations in management. Former management technologies are a thing of the past. The basic economic theory is the solidary information economy. (the original name is the informal information economy of the future). Following Aristotle, we believe that economics is the science of how to manage an economy. We develop ideas of V.M. Glushkov (Project of the National Automated System), A. St. Beer (Cybersin system), W. Paul Cockshott and Allin F. Cottrell (demonstrated the possibility of organizing production in order to directly meet the needs of the country or humanity as a whole). The solidary information economy is intended to replace the market economy as a basic economic theory.
Keywords: Aristotle, global transformations, innovations, information society, information and communication technologies, controlling, management, solidary information economy. digital economy.

References
Aristotel'. Politika // Sochinenija v 4-h tomah. - M:, Mysl', 1983. T.4. - 830 s. : (In Russian).
Berg A.I., Kitov A.I., Ljapunov A.A. O vozmozhnosti avtoma-tizacii upravlenija narodnym hozjajstvom // Problemy kiberne-tiki. Vypusk 6. M.: Fizmatgiz, 1961. S. 83-100: (In Russian).
Bir St. Kibernetika i upravlenie proizvodstvom / Per. s angl. V. Ja. Altaeva. — M.: Nauka, 1963. — 276 s.: (In Russian).
Bir St. Mozg firmy. - M.: Librokom, 2009. - 416 s.: (In Russian).
Viner N. Kibernetika i obshhestvo. - M.: Izd-vo inostrannoj literatury. 1958. - 200 s.: (In Russian).
Voropaj N.I., Gubko M.V., Kovalev S.P. i dr. Problemy raz-vitija cifrovoj jenergetiki v Rossii / Problemy upravlenija. 2019. № 1. S. 2-14.: (In Russian).
Gvardejcev M.I. i dr. Special'noe matematicheskoe obespe-chenie upravlenija / M. I. Gvardejcev, V. P. Morozov, V. Ja. Ro-zenberg; Pod red. M. I. Gvardejceva — M.: Sov.radio, 1978. — 512 s.: (In Russian).
Glushkov V.M. Makrojekonomicheskie modeli i principy po-stroenija OGAS.— M.: «Statistika», 1975. — 160 s.: (In Russian).
Druker P.F. Novye real'nosti v pravitel'stve i politike, v jekonomike i biznese, v obshhestve i mirovozzrenii: Per. s angl. - M.: Buk Chembjer Internjeshnl, 1994. - 380 s.: (In Russian).
Dyrdina E.V., Zaporozhko V.V., Kir'jakova A.V. Informaci-onno-kommunikacionnye tehnologii v kompetentnostno-orientirovannom obrazovanii. – Orenburg: OOO IPK «Univer-sitet», 2012. – 227 s.: (In Russian).
Informacionnyj menedzhment na predprijatii: uchebnik/ Ka-lachanov V.D., Rybnikov A.I., Ryzhko A.L. i dr. / Pod redakciej d-ra jekon. nauk, prof. V.D. Kalachanova. M.: Izd-vo MAI- PRINT, 2012. - 584 s.: (In Russian).
Informatizacija biznesa: koncepcii, tehnologii, sistemy / A.M. Karminskij, S.A. Karminskij, V.P. Nesterov, B.V. Cherni-kov; Pod red. A.M. Karminskogo. - 2-e izd., pererab. i dop. - M.: Finansy i statistika, 2004. - 624 s.: (In Russian).
Kalachanov V.D., Kobko L.I. Jekonomicheskaja jeffektivnost' vnedrenija informacionnyh tehnologij. - M: Izd-vo MAI, 2006. - 179 s.: (In Russian).
Karminskij A.M., Chernikov B.V. Informacionnye sistemy v jekonomike. V 2-h ch. Ch.1. Metodologija sozdanija. - M.: Finansy i statistika, 2006. - 336 s: il.: (In Russian).
Karminskij A.M., Chernikov B.V. Primenenie informacion-nyh sistem v jekonomike. – 2-e izd., pererab. i dop. – M.: ID «FORUM»: INFRA-M, 2012. – 320 s.: (In Russian).
Kel'chevskaja N.R., Shirinkina E.V. Osobennosti upravlenija chelovecheskim kapitalom na predprijatijah v uslovijah cifrovoj jekonomiki // Innovacii v menedzhmente. 2018. № 4 (18). S. 24-31: (In Russian).
Kitov A.I., Chernjak Ju.I. Avtomatizacija upravlencheskih ra-bot // Avtomatizacija proizvodstva i promyshlennaja jelektroni-ka. T. 1, M.: Gosudarstvennoe nauchnoe izdatel'stvo «Sovetskaja jenciklopedija», 1962. S. 26-32: (In Russian).
Lojko V.I., Lucenko E.V., Orlov A.I. Sovremennaja cifro-vaja jekonomika. – Krasnodar: KubGAU, 2018. – 508 s.: (In Russian).
Makarov V.L. Jekonomika znanij: uroki dlja Rossii // Vest-nik Rossijskoj akademii nauk. 2003. T.73. №5. S. 450-460: (In Russian).
Mamedov K., Ryzhikova T.N. Nekotorye aspekty jekonomiche-skoj diagnostiki oblachnyh reshenij na primere office 365 // In-novacii v menedzhmente. 2018. № 3 (17). S. 30-36: (In Russian).
Martynov L.M. Infokom-menedzhment. - M.: Logos, 2007. - 400 s.: (In Russian).
Orlov A.I. Vnedrenie sovremennyh statisticheskih metodov s pomoshh'ju personal'nyh komp'juterov // Kachestvo i nadezhnost' izdelij. № 5(21). - M.: Znanie, 1992, S. 51-78: (In Russian).
Orlov A.I. Solidarnaja informacionnaja jekonomika vzamen rynochnoj // Jekonomika znanij v Rossii: ot generacii znanij i innovacij k kognitivnoj industrializacii: materialy IX Me-zhdunar. nauch.-prakt. konf. / otv. red. V.V. Ermolenko, M.R. Zaka-rjan. – Krasnodar: Kubanskij gos. un-t, 2017. – S. 3-14: (In Russian).
Orlov A.I., Lucenko E.V., Lojko V.I. Perspektivnye mate-maticheskie i instrumental'nye metody kontrollinga. Pod na-uchnoj red. prof. S.G. Fal'ko. Monografija (nauchnoe izdanie). – Krasnodar, KubGAU. 2015. – 600 s.: (In Russian).
Orlov A.I., Lucenko E.V., Lojko V.I. Organizacionno-jekonomicheskoe, matematicheskoe i programmnoe obespechenie kon-trollinga, innovacij i menedzhmenta: monografija / pod obshh. red. S. G. Fal'ko. – Krasnodar : KubGAU, 2016. – 600 s.: (In Russian).
Cifrovaja transformacija finansovogo sektora // Innovacii v menedzhmente. 2018. № 4 (18). S. 48-52: (In Russian).
Ryzhko A.L., Rybnikov A.I., Ryzhko N.A. .Informacionnye sistemy upravlenija proizvodstvennoj kompaniej. — M. : Izda-tel'stvo Jurajt, 2019. — 354 s.: (In Russian).
Strategija razvitija informacionnogo obshhestva v Rossij-skoj Federacii na 2017 – 2030 gody (utv. Ukazom Prezidenta RF ot 09.05.2017 № 203): (In Russian).
Fal'ko S.G. Biznes-modeli novyh predprijatij v uslovijah perehoda k cifrovoj jekonomike // Innovacii v menedzhmente. 2018. № 3 (17). S. 2-3: (In Russian).
Fedorenko N. P. O razrabotke sistemy optimal'nogo funk-cionirovanija jekonomiki. - M.: Nauka , 1968. - 243 s.: (In Russian).  
Auken Ida, Parliament of Denmark. Welcome to 2030. I own nothing, have no privacy, and life has never been better - 2016. URL: https://www.weforum.org/agenda/2016/11/ ... t-that-is/


Вернуться наверх
 Профиль  
 
 Заголовок сообщения: Re: Аннотации новых статей А.И. Орлова
СообщениеДобавлено: Сб ноя 06, 2021 10:04 pm 
Не в сети

Зарегистрирован: Вт сен 28, 2004 11:58 am
Сообщений: 11577
1168. Кацко И.А., Бондаренко П.С., Горелова Г.В. Теория вероятностей и математическая статистика: учебник. - 2-е изд., перераб. и доп. - Москва: КНОРУС, 2020. - 800 с. (Рецензент - А.И. Орлов.)

РЕЦЕНЗИЯ
на рукопись учебника «Теория вероятностей и математическая статистика»
авторов И.А. Кацко, П. С. Бондаренко, Г. В. Гореловой объемом 800 с.

Рецензируемая книга посвящена изложению классических взглядов на теорию вероятностей и математическую статистику, которые являются основой прикладной статистики - науки о том, как обрабатывать данные. Согласно современной трактовке прикладная статистики состоит из четырех частей:
– статистика случайных величин,
многомерный статистический анализ,
статистика временных рядов и случайных процессов,
нечисловая статистика (статистика нечисловых данных, в том числе статистика интервальных данных).
В книге изложены традиционные разделы: случайные события, случайные величины, основные законы распределения случайных величин, системы случайных величин, функции случайных величин, закон больших чисел, цепи Маркова. Для студентов, обучающихся по направлениям подготовки, связанным c IT, предлагается глава 10 «Приложения теории вероятностей в компьютерных науках (computer science)».
Вторая часть книги посвящена математической статистике. Рассмотрены следующие разделы: вариационные ряды, выборочный метод, проверка статистических гипотез, дисперсионный и корреляционно-регрессионный анализ, анализ временных рядов.
Третья часть содержит краткое изложение непараметрической статистики, элементы статистической теории принятия решений и краткое введение в основы байесовской статистики. Отдельная глава посвящена обработке данных в пакете JASP, позволяющего сочетать классический и байесовский подход.
Четвертая часть содержит краткое введение в анализ данных, содержащее описание современных методов и подходов с иллюстрациями в пакете JASP.
Цель написания данной книги –для читателя, не имеющего глубокого математического образования, на доступном уровне дать обоснование основных идей прикладной статистики, прежде всего ее первой части, совместив три уровня изложения подобного материала: теоретический, методологический и практический. Можно считать, что авторам удалась поставленная цель, книга полезна и может быть рекомендована к публикации в качестве учебника для студентов нематематических специальностей вузов, в том числе связанных с IT направлениями.
….
Профессор кафедры «Экономика и организация производства» Московского государственного технического университета им. Н. Э. Баумана,
д-р технических наук, д-р экономических наук,
кандидат физико-математических наук
А. И. Орлов

Размещено на образовательном портале КубГАУ

Теория вероятностей и математическая статистика: учебник / И.А. Кацко, П.С. Бондаренко, Г. В. Горелова. – 2-е изд., – М: Кнорус, 2020. –800 с. (ISBN 978-5-406-07929-4)

https://yadi.sk/i/VbDzvpM3msFSOA

Теория вероятностей и математическая статистика: учебник / И.А. Кацко, П.С. Бондаренко, Г. В. Горелова. – 2-е изд., – М: Кнорус, 2020. –800 с. (ISBN 978-5-406-07929-4)
Исходные данные и примеры к частям III, IV; приложения.

https://yadi.sk/d/_s035US5oRkdEg


Вернуться наверх
 Профиль  
 
 Заголовок сообщения: Re: Аннотации новых статей А.И. Орлова
СообщениеДобавлено: Сб ноя 13, 2021 7:00 pm 
Не в сети

Зарегистрирован: Вт сен 28, 2004 11:58 am
Сообщений: 11577
1192. Муравьева В.С., Орлов А.И. Организационно-экономическое моделирование - система инструментов контроллинга // Контроллинг в экономике, организации производства и управлении: сборник научных трудов международного форума по контроллингу (Москва, 20 мая 2021 г.) / под научной редакцией д.э.н., профессора С.Г. Фалько / НП «Объединение контроллеров». – Москва: НП «Объединение контроллеров», 2021. - С. 147-155.
http://controlling.ru/files/176.pdf


УДК 005.521:633.1:004.8; JEL: C00, L00

ОРГАНИЗАЦИОННО-ЭКОНОМИЧЕСКОЕ МОДЕЛИРОВАНИЕ - СИСТЕМА ИНСТРУМЕНТОВ КОНТРОЛЛИНГА

Виктория Муравьева, Александр Орлов
доцент, к.э.н., МГТУ им. Н.Э. Баумана; профессор, д.э.н., д.т.н., к.ф.-м.н.,
МГТУ им. Н.Э. Баумана

Аннотация: В работе раскрыто содержание курса организационно-экономического моделирования (ОЭМ) для магистрантов ИБМ: классическая модель управления запасами, принятие решений в условиях неопределенности, теория измерений и средние величины, анализ экспертных упорядочений, новая парадигма ОЭМ, солидарная информационная экономика, реконструкция истории методами ОЭМ, обобщенные показатели (рейтинги) и задачи классификации, статистика объектов нечисловой природы, непосредственный анализ статистических данных.
Ключевые слова: контроллинг, модель, обучение, принятие решений, экспертные оценки.

ORGANIZATIONAL AND ECONOMIC MODELING - THE SYSTEM
OF CONTROLLING TOOLS

Victoria Muravyeva, Alexander Orlov
Associate Professor, Cand. Econ. Sci., BMSTU; Full professor, DSc(Econ), DSc(Tech), PhD(Math), BMSTU

Abstract: The paper discloses the content of the course of organizational and economic modeling (OEM) for undergraduates at IBM: the classical model of inventory management, decision making under uncertainty, theory of measurements and average values, analysis of expert orderings, a new paradigm of OEM, solidary information economy, reconstruction of history using OEM methods, generalized indicators (ratings) and classification problems, statistics of objects of non-numerical nature, direct analysis of statistical data.
Keywords: controlling, model, education, decision making, expert estimations.

1. ВВЕДЕНИЕ
Инструментами решения задач контроллинга в экономике, организации производства и управлении предприятием являются соответствующие экономико-математические методы. Многообразие таких методов разработано в научной, практической и учебной дисциплине, которая называется организационно-экономическим моделированием.
Принимаем следующее определение.
Организационно-экономическое моделирование (ОЭМ) – научная, практическая и учебная дисциплина, посвященная разработке, изучению и применению математических и статистических методов и моделей в экономике и управлении народным хозяйством, прежде всего промышленными предприятиями и их объединениями [1].
На кафедре «Экономика и организация производства» научно-учебного комплекса «Инженерный бизнес и менеджмент» МГТУ им. Н.Э.Баумана в конце ХХ – начале XXI вв. создана научная школа в области организационно-экономического моделирования, эконометрики и статистики [2]. Преподавание соответствующих дисциплин курирует одноименная секция кафедры, научные исследования ведет Лаборатория экономико-математических методов в контроллинге Научно-образовательного центра "Контроллинг и управленческие инновации" МГТУ им. Н.Э. Баумана.
В МГТУ им. Н.Э. Баумана выпущена объемная научная монография "Организационно-экономическое моделирование". Она состоит из трех частей - "Нечисловая статистика" [3], "Экспертные оценки" [4], "Статистические методы анализа данных" [5]. Монография допущена для использования в качестве учебника, на её основе разработано содержание ряда учебных курсов.
Организационно-экономическому моделированию как прикладной дисциплине посвящены, в частности, монографии [6, 7].
В настоящей работе обсуждаем ОЭМ как учебную дисциплину. За основу возьмем курс (вариант 2020/2021 уч. г.) для магистрантов ИБМ второго года обучения.
2. КЛАССИЧЕСКАЯ МОДЕЛЬ УПРАВЛЕНИЯ ЗАПАСАМИ
Экономико-математические модели - инструменты контроллинга, позволяющие принимать обоснованные решения. В качестве примера выбрана классическая модель управления запасами, известная как модель Вильсона. Она может быть полностью разобрана в учебном курсе, является одной из наиболее применяемых на практике организационно-экономических моделей (по крайней мере в США). Подробно рассмотрена в ряде наших монографий, в частности, в главе 8 учебника [5].
В теме разбираем три этапа теоретического решения задачи оптимизации, четыре шага алгоритма расчетов. изучаем отклонение издержек в плане Вильсона от издержек в оптимальном плане. Обращаем внимание на то, что оптимальный план управления запасами нельзя найти на основе формулы квадратного корня [8].
Поскольку оптимальное решение зависит от выбора начальной и конечной точки на оси времени, то для ОЭМ важна проблема горизонта планирования. С неопределенностью в выборе конечной точки боремся, выбирая асимптотически оптимальный план [9]. Доказываем теорему о том, что план Вильсона асимптотически оптимален, и строим график превышения средних издержек плана Вильсона над оптимальным планом.
Изучаем влияние на средние издержки (за целое число периодов) отклонений от оптимального объема партии (точная и приближенная формулы), а также влияние неопределенностей параметров классической модели управления запасами на объем поставки. Принцип уравнивания погрешностей из общей теории устойчивости [10] позволяет на основе оцененной по статистическим данным погрешности параметра спроса выяснить необходимую точность определения других параметров.
Классическая модель Вильсона входит в систему из 36 моделей. Из них подробнее разбираем модель с дефицитом. Оказывается, введение возможности дефицита оказывается экономически выгодным!
Рассматриваем примеры практического применения классической модели управления запасами [5, 11]. Обсуждаем также двухуровневую модель управления запасами.
3. ПРИНЯТИЕ РЕШЕНИЙ В УСЛОВИЯХ НЕОПРЕДЕЛЕННОСТИ
На примере задачи выбора одного объекта из двух обсуждаем четыре аналитических подхода (пессимистический, оптимистический, средней выгоды, минимизации максимальной упущенной выгоды) и три подхода практических работников [12], а также проблемы голосования экспертов [4].
4. ТЕОРИЯ ИЗМЕРЕНИЙ И СРЕДНИЕ ВЕЛИЧИНЫ
Анализируем математические, реальные и компьютерные числа. Обсуждаем значение в ОЭМ погрешностей измерений и вычислений. В частности, демонстрируем методологическая несостоятельность Росстата, постоянно завышающего точность своих данных. Проводим анализ двух равносильных формул для выборочной дисперсии с точки зрения точности вычислений.
Разбираем основные понятия теории измерений (с соответствии с [3, 12]). Даем определения, рассматриваем примеры, вводим группы допустимых преобразований для шкал наименований, порядковой, интервалов, отношений, разностей, абсолютной. Базовым в ОЭМ является требование устойчивости выводов относительно допустимых преобразований шкал. Из-за невыполнения этого требования недопустимо использовать среднее арифметическое для усреднения данных, измеренных в порядковой шкале.
Вводим различные виды и классы средних величин - средние степенные и структурные средние, средние по Коши и средние по Колмогорову, их частные виды. Обсуждаем различные методы расчета средней заработной плата для условного предприятия.
На основе синтеза теории измерений и теории средних описываем средние, результат сравнения которых устойчив в порядковой шкале, в шкалах интервалов и отношений.
Обсуждаем необходимость применение статистических методов в соответствии со шкалами, в которых измерены данные. В качестве примеров рассматриваем коэффициент линейной корреляции Пирсона (соответствующий в шкале интервалов) и коэффициент ранговой корреляции Спирмена (предназначенный для анализа данных, измеренных в порядковой шкале.
5. АНАЛИЗ ЭКСПЕРТНЫХ УПОРЯДОЧЕНИЙ
Начинаем с перехода от ответов экспертов в виде упорядочений к таблице рангов. Разбираем метод средних (арифметических) рангов и метод медиан как способы усреднения мнений экспертов (деловая игра). Формулируем цели согласования кластеризованных ранжировок. Рассматриваем метод согласования кластеризованных ранжировок на основе выделения противоречивых пар объектов, построения графа противоречий, выделения связных компонент графа и их упорядочивания [3, 12].
6. НОВАЯ ПАРАДИГМА ОРГАНИЗАЦИОННО-ЭКОНОМИЧЕСКОГО МОДЕЛИРОВАНИЯ И ЕЕ ЗНАЧЕНИЕ
Начинаем с краткой истории статистических методов. Выделяем четыре этапа развития статистики (описательная, параметрическая, непараметрическая, нечисловая), четыре области (по видам данных), три основные задачи (описание данных, оценивание, проверка гипотез), пять точек роста: непараметрика, информационные технологии (бутстреп), устойчивость, статистика интервальных данных, нечисловая статистика.
Разбираем новую парадигму организационно-экономического моделирования [13, 14]. Проводим развернутое сравнение старой и новой парадигм. Отмечаем основополагающую роль методологии при построении организационно-экономических моделей и принятии решений [15].
7. СОЛИДАРНАЯ ИНФОРМАЦИОННАЯ ЭКОНОМИКА
Как общепризнанно, Аристотель - основоположник экономической теории. Он различал экономику и хрематистику. Цель экономической деятельности - удовлетворение потребностей, цель хрематистики - выгода (прибыль). Аристотель резко выступал против хрематистики.
Основное течение (мейнстрим) в современной экономической науке – обоснование несостоятельности рыночной экономики и необходимости перехода к плановой системе управления хозяйством. Развиваются различные научные направления внутри этого мейнстрима (см., например, [16]). Мы развиваем солидарную информационную экономику [17, 18].
В эпоху цифровой экономики огромно влияние информационно-коммуникационных технологий на хозяйственную деятельность. В развитие этого утверждения мы развиваем солидарную информационную экономику [17, 18]. Она продолжает проекты
ОГАС В.М. Глушкова и КИБЕРСИН Ст. Бира. Важно, что шотландские экономисты W. Paul Cockshott и Allin F. Cottrell доказали, что к концу ХХ в. мощности компьютеров достигли такого уровня развития, что стала возможность глобальной оптимизации экономических процессов в масштабе всего Земного шара. В настоящее время развитие информационно-коммуникационных технологий должно быть направлено на выявление потребностей, в частности, на разработку процедур принятия решений на основе сетей экспертов [4].
8. РЕКОНСТРУКЦИЯ ИСТОРИИ ПУТЕМ ПРИМЕНЕНИЯ ОРГАНИЗАЦИОННО-ЭКОНОМИЧЕСКОГО МОДЕЛИРОВАНИЯ И ЕЕ РОЛЬ ПРИ ПРИНЯТИИ РЕШЕНИЙ В СОВРЕМЕННЫХ УСЛОВИЯХ
Начинаем с основных понятий теории классификации в составе организационно-экономического моделирования [3]. Рассматриваем методы построения новой статистической хронологии на основе статистики нечисловых данных, а именно путем введения показателей различия и применения алгоритмов кластер-анализа [5].
Обсуждаем основные черты реконструкции истории в соответствии с новой статистической хронологией [19] и её значение для организации современного хозяйства [20]. По нашему мнению, новая хронология всеобщей и российской истории - основа государственно-патриотического мировоззрения [21].
9. ОБОБЩЕННЫЕ ПОКАЗАТЕЛИ (РЕЙТИНГИ) И ЗАДАЧИ КЛАССИФИКАЦИИ
Проблемы построения обобщенного критерия (рейтинга) рассматриваем в ходе деловой игры "Таня Смирнова выбирает место работы". Обсуждаем методы экспертные методы расширения и сужения множества факторов, оценки весовых коэффициентов на основе иерархической системы факторов. Рассматриваем различные виды рейтингов [22, 23].
Обсуждаем основные черты теории классификации. В математических методах теории классификации выделяем кластер-анализ (построение классификаций) и диагностику (использование классификаций) [24]. Непараметрические методы диагностики строим на основе непараметрических ядерных оценок плотности распределения в пространствах произвольной природы [3].
Параметрический дискриминантный анализ (основан Р. Фишером в 1937 г.) - это диагностика на основе рейтингов. Примеры: диагностика потенциальных заемщиков в банке; скрининг при медицинском обследовании лиц с вредными условиями труда. Прогностическая сила – наилучший показатель качества алгоритма диагностики [25]. Изучаем свойства прогностической силы - асимптотическое распределение, доверительные границы, проверка обоснованности пересчета на модель линейного дискриминантного анализа.
10. СТАТИСТИКА ОБЪЕКТОВ НЕЧИСЛОВОЙ ПРИРОДЫ
Демонстрируем, что практические все распределения реальных данных являются ненормальными [5, п.2.1]. Следовательно, в ОЭМ следует использовать непараметрическая статистику. Строим эмпирическую функцию распределения. Примером методов ранговой статистики. являются состоятельные критерии Смирнова и омега-квадрат для проверки абсолютной однородности двух независимых выборок [5, п.5.4].
В пространствах произвольной природы вводим эмпирические и теоретические среднее, обсуждаем законы больших чисел для них [3]. В качестве примера проводим обоснование и расчет эмпирического среднего для числовой выборки как интервала между левой и правой медианой.
11. НЕПОСРЕДСТВЕННЫЙ АНАЛИЗ СТАТИСТИЧЕСКИХ ДАННЫХ
На основе ОЭМ проводим непосредственный анализ данных официальной экономической статистики относительно динамики выпуска отдельных видов продукции (в натуральных единицах) и макроэкономических показателей в РФ [26, 27].
Подчеркиваем значительное возрастание роли государства в экономике в течение ХХ в. в экономически развитых странах [28].
Обсуждаем роль демографических прогнозов в экономике для принятия стратегических решений [3].
В условиях развертывающейся цифровой революции развертывание производственных сил приводит к значительному изменению производственных отношений. В частности, происходит изменение потребительского поведения - переход от владения к аренде [18]. Обсуждаем концепции четвертой промышленной революции, переход к капитализму участия, опираясь на материалы Римского клуба, дискуссий на Давосском экономическом форуме в 2020 и 2021 гг., публикации о "великой перезагрузке", обоснованной основателем Давосского форума проф. К. Швабом.
ВЫВОДЫ
К настоящему времени направление исследований "организационно-экономическое моделирование" (ОЭМ) достаточно развито и сформировано как научная, практическая и учебная дисциплина. Об этом свидетельствует, в частности, список литературных источников в настоящей статье.
В ОЭМ разработано многообразие инструментов решения задач контроллинга в экономике, организации производства и управлении предприятием. Достаточно адекватное представление об этом многообразии дает авторский учебный курс ""организационно-экономическое моделирование", разработанный в Лаборатории экономико-математических методов в контроллинге Научно-образовательного центра «Контроллинг и управленческие инновации» и предназначенный для магистрантов факультета "Инженерный бизнес и менеджмент" МГТУ им. Н.Э. Баумана. Содержание этого курса раскрыто в настоящей статье. Очевидно, что конкретные позиции курса ОЭМ будут развиваться и модернизироваться.

ЛИТЕРАТУРА
1. Куликова С.Ю., Муравьева В.С., Орлов А.И. Организационно-экономическое моделирование при решении задач контроллинга/ Научный журнал КубГАУ. 2016. №118. С. 486–506.
2. Орлов А.И. Отечественная научная школа в области организационно-экономического моделирования, эконометрики и статистики / Контроллинг. 2019. №73. С. 28-35.
3. Орлов А.И. Организационно-экономическое моделирование: учебник : в 3 ч. Часть 1: Нечисловая статистика. – М.: Изд-во МГТУ им. Н.Э. Баумана. – 2009. – 541 с.
4. Орлов А.И. Организационно-экономическое моделирование : учебник : в 3 ч. Ч.2. Экспертные оценки. — М.: Изд-во МГТУ им. Н. Э. Баумана, 2011. — 486 с.
5. Орлов А.И. Организационно-экономическое моделирование : учебник : в 3 ч. Ч.3. Статистические методы анализа данных. - М.: Изд-во МГТУ им. Н.Э. Баумана, 2012. - 624 с.
6. Орлов А.И., Луценко Е.В., Лойко В.И. Перспективные математические и инструментальные методы контроллинга. Под научной ред. проф. С.Г.Фалько. Монография (научное издание). – Краснодар, КубГАУ. 2015. – 600 с.
7. Орлов А.И., Луценко Е.В., Лойко В.И. Организационно-экономическое, математическое и программное обеспечение контроллинга, инноваций и менеджмента: монография / под общ. ред. С. Г. Фалько. – Краснодар : КубГАУ, 2016. – 600 с.
8. Орлов А.И. Оптимальный план управления запасами нельзя найти на основе формулы квадратного корня // Научный журнал КубГАУ. 2015. № 106. С. 270–300.
9. Орлов А.И. Существование асимптотически оптимальных планов в дискретных задачах динамического программирования / Научный журнал КубГАУ. 2020. №155. С.147–163.
10. Орлов А.И. Устойчивые экономико-математические методы и модели. Разработка и развитие устойчивых экономико-математических методов и моделей для модернизации управления предприятиями. — Saarbrücken (Germany), LAP (Lambert Academic Publishing), 2011. — 436 с.
11. Смольников Р.В. Практическое применение математических моделей управления запасами //Заводская лаборатория. Диагностика материалов. 2008. Т.74. No.3. С.64-69.
12. Орлов А.И. Методы принятия управленческих решений: учебник. - М.: КНОРУС, 2018. - 286 с.
13. Орлов А.И. Новая парадигма анализа статистических и экспертных данных в задачах экономики и управления / Научный журнал КубГАУ. 2014. №98. С. 105–125.
14. Орлов А.И. Новая парадигма математических методов исследования / Заводская лаборатория. Диагностика материалов. 2015. Т.81. №.7 С. 5-5.
15. Орлов А.И. О влиянии методологии на последствия принятия решений / Научный журнал КубГАУ. 2017. №125. С. 319–345.
16. Клейнер Г.Б. Системная экономика: шаги развития. Монография. Предисловие В.Л. Макарова. – М.: Издательский дом «Научная библиотека», 2021. – 746 с.
17. Орлов А.И. (). Солидарная информационная экономика – инструмент реализации национальных интересов // Национальные интересы: приоритеты и безопасность. 2013. № 33. С. 2–10.
18. Орлов А.И., Сажин Ю.Б. Солидарная информационная экономика как основа новой парадигмы экономической науки // Инновации в менеджменте. 2020. №26. С. 52- 59.
19. Официальный сайт научного направления "Новая хронология". [Электронный ресурс] URL: http://chronologia.org/ (дата обращения 19 июня 2021 г.).
20. Глазьев С.Ю. Новая хронология Фоменко и борьба с кризисом. [Электронный ресурс] URL: https://glazev.ru/articles/165-interv-j ... s-krizisom (дата обращения 19 июня 2021 г.).
21. Орлов А.И. Новая хронология всеобщей и российской истории - основа государственно-патриотического мировоззрения // Научный журнал КубГАУ. 2016. №120. С. 60 – 85.
22. Лындина М.И., Орлов А.И. Математическая теория рейтингов // Научный журнал КубГАУ. 2015. № 114. С. 1 – 26.
23. Орлов А.И., Цисарский А.Д. Определение приоритетности реализации НИОКР на предприятиях ракетно-космической отрасли // Контроллинг. 2020. № 2(76). С. 58-65.
24. Орлов А.И. Математические методы теории классификации // Научный журнал КубГАУ. 2014. № 95. С. 23 – 45.
25. Орлов А.И. Прогностическая сила – наилучший показатель качества алгоритма диагностики // Научный журнал КубГАУ. 2014. № 99. С. 33-–49.
26. Кара-Мурза С. Г., Батчиков С. А., Глазьев С. Ю. Куда идет Россия. Белая книга реформ. — М.: Алгоритм, 2008. — 448 с.
27. Кара-Мурза С.Г., Гражданкин А.И. Белая книга России. Строительство, перестройка и реформы. 1950-2014. - М.: ООО «ТД Алгоритм», 2016. - 728 с.
28. Орлов А.И. Теория принятия решений. — М.: Экзамен, 2006. — 576 с.

CONTACTS
Муравьева Виктория Сергеевна, доцент, к.э.н.
Ученый секретарь Лаборатории экономико-математических методов в контроллинге
Научно-образовательного центра «Контроллинг и управленческие инновации»,
доцент кафедры «Экономика и организация производства»,
МГТУ им. Н.Э. Баумана, г. Москва
murvicky@mail.ru
Александр Иванович Орлов, профессор, д.э.н., д.т.н., к.ф.-м.н.
Заведующий Лабораторией экономико-математических методов в контроллинге
Научно-образовательного центра «Контроллинг и управленческие инновации»,
профессор кафедры «Экономика и организация производства»,
МГТУ им. Н.Э. Баумана, г. Москва
prof-orlov@mail.ru


Вернуться наверх
 Профиль  
 
 Заголовок сообщения: Re: Аннотации новых статей А.И. Орлова
СообщениеДобавлено: Сб ноя 20, 2021 5:57 pm 
Не в сети

Зарегистрирован: Вт сен 28, 2004 11:58 am
Сообщений: 11577
1193. Орлов А.И. Аристотель и ракетно-космическая отрасль: к 60-летию полета в космос Юрия Алексеевича Гагарина // Актуальные проблемы глобальных исследований: глобальное развитие и пределы роста в XXI веке. Сб. статей VII Международной научной конференции, 15 – 18 июня 2021 г. / под ред. И.В. Ильина. – М.: МООСИПНН Н.Д.Кондратьева, 2021. - С. 328-335.
https://elibrary.ru/item.asp?id=47156850


Орлов Александр Иванович
доктор экономических наук, доктор технических наук,
кандидат физико-математических наук
профессор,
Московский государственный технический университет им. Н.Э. Баумана,
г. Москва
prof-orlov@mail.ru

АРИСТОТЕЛЬ И РАКЕТНО-КОСМИЧЕСКАЯ ОТРАСЛЬ:
К 60-ЛЕТИЮ ПОЛЕТА В КОСМОС ЮРИЯ АЛЕКСЕЕВИЧА ГАГАРИНА

Аннотация. Для решения проблем ракетно-космической отрасли необходима новая парадигма экономической науки. Прослеживаем смену парадигм экономической теории: Аристотель - рыночная экономика - солидарная информационная экономика. В настоящее время происходит переход от рыночной экономики к плановой. Представлены основные идеи солидарной информационной экономики, кратко рассказано об ее развитии. Солидарная информационная экономика, развивающая идеи Аристотеля, является основой новой парадигмы экономической науки.
Ключевые слова. Аристотель, ракетно-космическая отрасль, экономическая теория, солидарная информационная экономика, цифровая экономика.

Ракеты и полеты в космос - символы современности. Ракетно-космическая отрасль - одна из ведущих в народном хозяйстве наиболее развитых в экономическом отношении стран современного мира - Китая, США, Индии, России. Примерно 20% активности ведущего технического вуза нашей страны - Московского государственного технического университета им. Н.Э. Баумана - реализуется в ракетно-космической отрасли. Значительная часть профессиональной деятельности автора настоящей статьи посвящена задачам управления и экономики в этой области. В юбилейный год шестидесятилетия со дня полета в Юрия Алексеевича Гагарина естественно обратиться к современным проблемам экономической теории - основы практических действий.
Опыт работы в ракетно-космической отрасли привел к выводы, что адекватное решение проблем этой высокотехнологичной инновационной сферы народного хозяйства невозможно при использовании устаревшего научного инструментария т.н. "рыночной экономики". Нужна новая парадигма экономической науки.

Взгляды Аристотеля - основоположника экономической науки
Чтобы проанализировать причины широкого распространения устаревших воззрений и выявить направления дальнейшего развития экономической науки, целесообразно начать с ее зарождения.
Общепризнанной является констатация того, что основоположником экономической науки, как и науки в целом, является Аристотель (и его научная школа). Он полагал, что экономика - это наука о том, как управлять хозяйством с целью удовлетворения потребностей людей. Аристотель рассматривал хозяйственные структуры различного масштаба - домохозяйства, предприятия (как в городе, так и на селе), муниципальные образования (полисы), регионы (сатрапии), государство в целом (хозяйство империи). Организаторами хозяйственной деятельности являлись органы власти, проще говоря, государство. Весьма важно резко отрицательное отношение Аристотеля к т.н. хрематистике - доктрине, согласно которой цель хозяйственной деятельности - получение выгоды (прибыли).
Итак, с точки зрения Аристотеля следует исходить из следующих трех базовых утверждений.
1. Экономика – наука о разумном ведении хозяйства, о деятельности, направленной на удовлетворение потребностей людей, т.е. на производство и приобретение благ для дома и государства.
2. Хозяйствующий субъект – предприятие (сельскохозяйственное, производство в городе), город (полис), регион (сатрапия), государство (империя).
3. Противоестественна хрематистика (деятельность, направленная на приобретение выгоды, извлечение прибыли, на накопление богатства).
По нашему мнению, необходимо освободить экономическую теорию от извращений хрематистики, развивать и излагать ее в соответствии с Аристотелем как науку о деятельности, направленной на удовлетворение потребностей людей.

О развитии экономической теории
Экономическая практика и ее осмысление - экономическая теория - следовали взглядам Аристотеля вплоть до эпохи буржуазных революций (XVIII в.). Новое экономические отношения породили новую экономическую теорию, которую мы сейчас называем "рыночной экономикой". Рыночная экономика как теория - это отрицание концепции Аристотеля. Ее основные черты таковы.
Государство должно быть отодвинуто от руководства экономикой. Сторонники рыночной экономики стали отводить роль "ночного сторожа". Основной лозунг рыночников - государство должно уйти из экономики. Самое главное - обеспечение свободной конкуренции. На первое место вышли хрематистики с их основополагающим правилом: цель экономической деятельности - получение выгоды (прибыли), в том числе при поощрении рыночниками деятельности в области финансовых спекуляций. Изменилось даже понимание термина "экономика": с точки зрения рыночников Аристотель говорил не об экономике, а об управлении (менеджменте). Из центра экономической науки менеджмент был перемещен на задворки и объявлен лишь одной из экономических наук. Так произошло отрицание экономики Аристотеля.
Но вскоре началось отрицание отрицания концепции Аристотеля. Приходит плановая экономика Необходимость активного вмешательства государства в экономическую жизнь была осознана уже к концу XIX в. В ХХ в. государство активно управляло экономикой в основных экономически развитых странах - в США (особенно при Ф. Рузвельте в период великой депрессии), в СССР, в Германии, а в послевоенное время в самых разных странах по всему Земному шару - в Китае, Индии, Японии, Сингапуре, Франции и др. Даже в наиболее "рыночной" стране - в США - доля государства в экономике за ХХ в. выросла в 4 раза и достигла примерно одной трети [1, c.290]. (Под долей государства в экономике понимаем отношение расходной части бюджета страны к ее валовому внутреннему продукту). Теоретическое обоснование главенствующей роли государства дал английский экономист Дж. Кейнс. Характерно, что вместо термина "рыночная экономика" в ХХ в. стал употребляться термин "смешанная экономика".
Ракетно-космическая отрасль в силу сложности и объемности решаемых технических задач развивается во всех странах на основе государственных ресурсов и государственного управления. Вкрапления рыночных отношений зачастую являются камуфляжем: формально независимые коммерческие организации выполняют заказы государства.
В России после развала СССР в качестве экономической теории была принята устаревшая рыночная экономика американского образца, соответствующая состоянию мирового хозяйства конца XIX в. Именно господство устаревших воззрений в массовом сознании и в сознании управленцев привели к стагнации экономики России. Валовой внутренний продукт России в 2020 г. лишь незначительно превосходит ВВП РСФСР в 1990 г. (в сопоставимых ценах), объемы промышленного производства и инвестиций в основные фонды за 30 лет сократились. Если бы в качестве базовой экономической теории была принята, например, немецкая социальная экономика, то столь плачевного результата не было бы. Оптимизм внушает опыт Китая, чей валовой внутренний продукт за те же 30 лет вырос в 7 раз. Если бы Россия в начале 1990-х годов пошла по пути Китая, результаты были бы впечатляющими.
По мнению специалистов, рыночная экономика осталась в XIX веке. По оценке проф. П. Друкера (США), 1873 г. – «конец эры либерализма – конец целого столетия, на протяжении которого политическим кредо была политика невмешательства в экономику». Основное течение (мейнстрим) современной экономической науки – обоснование несостоятельности рыночной экономики и необходимости перехода к плановой системе управления хозяйством. В условиях России это означает, в частности, переход государства к непосредственному управлению экономикой, воссоздание Госплана и отраслевых министерств. Об этом говорят и пишут многие исследователи в области экономической теории.
Выделим два полюса в организации экономической жизни - централизованная систем, нацеленная на удовлетворение потребностей всех членов общества, и конкурентная среда, позволяющая реализовать замыслы отдельных лиц (предпринимателей), действующих независимо друг от друга с целью максимизации прибыли. Сначала (во времена Аристотеля) преимущество было у первого полюса, затем, во времена классической рыночной экономики, на первое место вышел второй полюс, а в течение последних 150 лет два полюса органически взаимодействуют. Хотя роль первого полюса возрастает, второй полюс необходим для обеспечения возможности реализации идей отдельных лиц, для развития инновационных стартапов, идущих от первоначальных идей до их промышленного воплощения.
Итак, в течение последних 150 лет на место рыночной экономики приходит плановая экономика. В рамках мейнстрима плановой экономики имеются различные системы взглядов. Мы развиваем одну из таких теоретических систем - солидарную информационную экономику.

Солидарная информационная экономика
В последнее время много говорят о четвертой промышленной революции, основанной на внедрении цифровой экономики и искусственного интеллекта. Большое впечатление произвели дискуссии на Давосском экономическом форуме в 2020 и 2021 гг., лозунг "великой перезагрузки", обоснованный основателем Давосского форума проф. К. Швабом. По мнению участников обсуждений этих новых идей, мы вступаем в принципиально новый период развития производственный отношений, которые резко меняются вслед за бурным развитием цифровых производительных сил.
Мы уже давно пришли к подобным выводам. С 2007 г. мы развиваем новую экономическую концепцию - солидарную информационную экономику, согласно которой экономическая деятельность должна быть основана на интенсивной применении современных информационно-коммуникационных технологий [2]. В качестве примеров такого применения указываем на проект ОГАС В.М. Глушкова и систему КИБЕРСИН Ст. Бира. Мы считаем, что развивающая идеи Аристотеля солидарная информационная экономика должна стать основой новой парадигмы экономической науки.
Солидарная информационная экономика (СИЭ) – разрабатываемая нами базовая организационно-экономическая теория, предназначенная для замены «рыночной экономики». СИЭ - это функционалистско-органическая (в терминах биокосмологии) информационная экономика, опирающаяся на взгляды Аристотеля.
На 10.07.2021 основной Интернет-ресурс по СИЭ (НИЭБ), размещенный в 2007 г. на форуме нашего сайта «Высокие статистические технологии» (см. https://forum.orlovs.pp.ru/viewtopic.php?f=2&t=570) просмотрен 316,9 тыс. раз. На ту же дату по солидарной информационной экономике нами опубликовано 65 статей и тезисов докладов (см. http://forum.orlovs.pp.ru/viewtopic.php?f=2&t=951).
Настоящая статья посвящена обсуждению основных идей солидарной информационной экономики, прежде всего применительно к проблемам развития ракетно-космической отрасли.
Новые идеи распространяются медленно. К тому же иногда сознательно искажается история. Так, менеджмент как наука создан в МГТУ им. Н.Э. Баумана. В западных учебниках со «Школы научного управления» начинается изложение менеджмента. Однако «Школа научного управления» основана на «русской системе обучения ремеслам», разработанной в Императорском Московском Техническом Училище (ныне МГТУ им. Н.Э. Баумана). По нашему мнению, следует констатировать заимствование интеллектуальной собственности без ссылки на первоисточник.
Место и время рождения современного менеджмента – Москва, 60-70-е годы XIX в. Вполне естественно, что современная базовая организационно-экономическая теория – СИЭ – также создана в МГТУ им. Н.Э. Баумана как результат развития отечественной научной школы в области экономики.
Мы полагаем, что экономика – часть менеджмента. Общепризнано, что управленческие решения необходимо принимать на основе всей совокупности социальных, технологических, экономических, экологических, политических факторов. Итак, экономика – часть менеджмента как науки об управлении людьми.

Основные идеи СИЭ
Согласно СИЭ современные информационные технологии и теория принятия решений позволяют построить информационно-коммуникационную систему, предназначенную для выявления потребностей и организации производства с целью их удовлетворения, причем как локально, так и в масштабах всего Земного шара. Для реализации этой возможности необходима лишь воля руководства хозяйственной единицей, нацеленная на преобразование её системы управления. В частности, как и происходит в большинстве развитых и развивающихся стран, российское государство должно стать основным действующим лицом в экономике.
Общая схема принятия решений в солидарной информационной экономике состоит в последовательном выполнении следующих этапов: Целеполагание - Планирование - Выполнение планов - Анализ результатов - Целеполагание (уже на новом витке спирали развития). В рамках плановой системы можно смоделировать любые рыночные отношения, а потому плановое хозяйство заведомо не менее эффективно, чем рыночное.
Предшественники СИЭ - это прежде всего Аристотель, В.М. Глушков, Ст. Бир. Многие исследователи высказывали схожие мысли. Например, Ф. Бекон, Г.Форд, К. Поланьи. В настоящее время весьма важны теоретические разработки и практические результаты, достигнутые в Китайской народной республике, с 2014 г. наиболее мощной в экономическом плане державе современности (с наибольшим в мире объемом валового внутреннего продукта, измеренного в сопоставимых ценах при использовании паритета покупательной способности).
Подробнее рассмотрим идеи СИЭ, развивавшиеся в русской экономической школе в ХХ в.. Взаимную помощь (солидарность) как фактор эволюции рассматривал П.А. Кропоткин [3], создатель идеологии анархо-коммунизма и один из самых влиятельных теоретиков анархизма. В работе "Империализм, как высшая стадия капитализма" В.И. Ленин проанализировал переход капитализма в конце XIX — начале XX века от стадии первоначального накопления капитала (классической "рыночной экономики") к стадии монополистического капитализма, или империализма, соответствующей господству транснациональных корпораций. Следующий шаг - переход к организации всемирного хозяйства, о чем через 100 с лишним лет говорит К. Шваб.
Важный шаг в развитии менеджмента (науки об управлении людьми) - развертывание тектологии, или «всеобщей организационной науки» — научной дисциплины, разработанной А.А. Богдановым в 20-х годах XX века. В 20-30-е годы развернулись работы по научной организации труда под руководством А.К. Гастева, который считал, что главную роль в работе предприятия играет человек; эффективность организации начинается с личной эффективности каждого человека на рабочем месте — в частности, с эффективного использования времени. Принципиально важное значение имеет книга И.В. Сталина «Экономические проблемы социализма в СССР» (1952). В частности, в этой книге прогнозируется отказ от товарного обращения в пользу прямого обмена продуктов труда и, как следствие, отказ от использования рынка и денег (эти идеи мы развиваем в солидарной информационной экономике [4]). Во второй половине ХХ в. большое значение имел проект ОГАС В.М. Глушкова, о котором мы уже говорили, линейное программирование и объективно обусловленные оценки Л.В. Канторовича, система оптимального функционирования экономики СОФЭ, разработанная в Центральном экономико-математическом институте АН СССР. В XXI в. традиции русской экономической школы успешно продолжают С.Ю. Глазьев, В.Ю. Катасонов, С.Г. Фалько, Г.Б. Клейнер и многие другие специалисты.
Шотландские экономисты В. Пол Кокшотт и Аллин Ф. Коттрелл убедительно демонстрируют теоретическую возможность организации производства с целью непосредственного удовлетворения потребностей в масштабах страны или человечества в целом [5, 6]. Для расчетов оптимальных управленческих решений в рамках мирового хозяйства мощностей стандартных современных компьютеров вполне достаточно. Следовательно, в современных условиях несостоятельна критика планового хозяйства Хайеком, который исходил из имевшей место в середине ХХ в. невозможно провести расчет оптимального плана развития страны. В частности, отметим, что Госплан СССР в принципе не мог организовать оптимальное планирование народного хозяйства нашей страны из-за недостатка вычислительных мощностей. Но в настоящее время в принципе это уже возможно.

Итоги
Освободить экономическую теорию от извращений – это значит избавиться от «рыночной экономики» и вернуться к взглядам Аристотеля, которым в сегодняшней ситуации соответствует солидарная информационная экономика (с точки зрения биокосмологии – это функционалистско-органическая информационная экономика, опирающаяся на взгляды Аристотеля).
Солидарная информационная экономика должна стать основой для принятия управленческих решений на всех уровнях – от предприятия до государства.
Преподавание экономической теории должно опираться на взгляды Аристотеля и солидарную информационную экономику.
Основные идеи СИЭ развиты, в частности, в наших статьях, опубликованных в журнале "Биокосмология - нео-Аристотелизм" [4, 7 - 10], а также в других публикациях, из которых укажем монографию по цифровой экономике [11, с.12 - 186] и обзор [12].

Список литературы
1. Орлов А.И. Теория принятия решений. - М. Экзамен, 2006. - 576 с.
2. Орлов А.И. Неформальная информационная экономика будущего. – В сб.: Неформальные институты в современной экономике России: Материалы Третьих Друкеровских чтений. - М.: Доброе слово: ИПУ РАН, 2007. – С.72-87.
3. Кропоткин П.А. Взаимная помощь среди животных и людей как двигатель прогресса. Изд.2, доп. - М.: Книжный дом «ЛИБРОКОМ», 2011. - 280 с.
4. Орлов А.И. Функционалистско-органическая (солидарная) информационная экономика – экономика без рынка и денег / Biocosmology - neo-Aristotelism. 2015. Vol. 5. № 3-4. C. 339-359.
5. Cockshott W. Paul and Cottrell Allin F. Information and Economics: A Critique of Hayek. November 1996. [Электронный ресурс]. URL: http://ricardo.ecn.wfu.edu/~cottrell/so ... itique.pdf (дата обращения 10.07.2021).
6. Кокшотт П. Расчёт в натуральной форме: от Нейрата до Канторовича. Перевод С. Маркова под ред. С. Голикова и Д. Левыкина [Электронный ресурс]. URL: http://left.ru/2009/6/cockshott188.phtml (дата обращения 10.07.2021).
7. Орлов А.И. Аристотель и неформальная информационная экономика будущего / Biocosmology – neo-Aristotelism. 2012. Vol.2. №3. С. 150-164.
8. Orlov A. I. Functionalist-Organic Information Economy – the Organizational-Economic Theory of Innovation Development / Biocosmology – neo-Aristotelism. 2013. Vol.3. №1. P. 52-59.
8. Орлов А.И. Вперед к Аристотелю: функционалистко-органическая (солидарная) информационная экономика взамен рыночной экономики / Biocosmology - neo-Aristotelism. 2017. Vol. 7, № 3-4. С. 411-423.
9. Орлов А.И. Аристотель и цифровая экономика / Biocosmology – neo-Aristotelism. 2019. V. 9, № 1-2. С. 7-20.
10. Орлов А.И. Развивающая идеи Аристотеля солидарная информационная экономика – основа новой парадигмы экономической науки // Biocosmology – neo-Aristotelism. 2020. Vol. 10. № 3-4. С. 406-420.
11. Лойко В.И., Луценко Е.В., Орлов А.И. Современная цифровая экономика. – Краснодар: КубГАУ, 2018. – 508 с.
12. Орлов А.И. О развитии солидарной информационной экономики // Научный журнал КубГАУ. 2016. №121. С. 262–291.


Вернуться наверх
 Профиль  
 
 Заголовок сообщения: Re: Аннотации новых статей А.И. Орлова
СообщениеДобавлено: Сб ноя 27, 2021 3:44 pm 
Не в сети

Зарегистрирован: Вт сен 28, 2004 11:58 am
Сообщений: 11577
1195. Муравьева В.С., Орлов А.И. Организационно-экономические инструменты в контроллинге // Контроллинг. 2021. № 81. С. 72-79.

УДК 005.521:633.1:004.8;
JEL: C00, L00

Муравьева Виктория Сергеевна
доцент, к.э.н., МГТУ им. Н.Э. Баумана
Орлов Александр Иванович,
д.э.н., д.т.н., к.ф.-м.н., профессор,
зав. лаб. экономико-математических методов в контроллинге,
МГТУ им. Н.Э. Баумана

Организационно-экономические инструменты в контроллинге

Аннотация
Организационно-экономическое моделирование (ОЭМ) – научная, практическая и учебная дисциплина, посвященная разработке, изучению и применению математических и статистических методов и моделей в экономике и управлении народным хозяйством, прежде всего промышленными предприятиями и их объединениями. В статье раскрыто содержание авторского курса ОЭМ: классическая модель управления запасами, принятие решений в условиях неопределенности, теория измерений и средние величины, анализ экспертных упорядочений, новая парадигма ОЭМ, солидарная информационная экономика, реконструкция истории методами ОЭМ, обобщенные показатели (рейтинги) и задачи классификации, статистика нечисловых данных, непосредственный анализ статистических данных, актуальные обсуждения на мировых экономических форумах.
Ключевые слова: управление, экономика, математика, моделирование, образование, контроллинг, статистические методы, принятие решений, экспертные оценки.

Muravyeva Victoria Sergeevna
Ph.D (Econ), associate professor, BMSTU
Orlov Alexander Ivanovich,
Dr.Sci.Econ., Dr.Sci.Tech., Cand.Phys-Math.Sci., professor,
head of Laboratory of economic-mathematical methods in controlling, BMSTU

Organizational and economic controlling tools

Abstract
Organizational and economic modeling (OEM) is a scientific, practical and academic discipline devoted to the development, study and application of mathematical and statistical methods and models in economics and management of the national economy, primarily industrial enterprises and their associations. The article discloses the content of the original OEM course: the classical model of inventory management, decision-making under uncertainty, measurement theory and average values, analysis of expert orderings, a new paradigm of OEM, solidary information economy, history reconstruction by OEM methods, generalized indicators (ratings) and classification problems, statistics of non-numerical data, direct analysis of statistical data, topical discussions at world economic forums.
Keywords: management, economics, mathematics, modeling, education, controlling, statistical methods, decision making, expert estimations.

Введение
При решении задач контроллинга применяют различные интеллектуальные организационно-экономические инструменты (см., например, [Орлов А.И., Луценко Е.В., 2015]). Многообразие таких инструментов и составляет основное содержание научной, практической и учебной дисциплины, которая известна под названием "Организационно-экономические моделирование". Сразу приведем введенное нами определение:
Организационно-экономическое моделирование (ОЭМ) – научная, практическая и учебная дисциплина, посвященная разработке, изучению и применению математических и статистических методов и моделей в экономике и управлении народным хозяйством, прежде всего промышленными предприятиями и их объединениями [Куликова С.Ю., Муравьева В.С 2016]. Поиск по Интернету демонстрирует, что это определение является общепризнанным.
На кафедре ИБМ-2 «Экономика и организация производства» научно-учебного комплекса «Инженерный бизнес и менеджмент» МГТУ им. Н.Э.Баумана в конце ХХ – начале XXI вв. создана научная школа в области организационно-экономического моделирования, эконометрики и статистики [Орлов А.И., 2019]. Преподавание соответствующих дисциплин курирует одноименная секция кафедры ИБМ-2, научные исследования ведет, в частности, Лаборатория экономико-математических методов в контроллинге Научно-образовательного центра "Контроллинг и управленческие инновации" МГТУ им. Н.Э. Баумана.
По нашим данным, необходимость в учебной дисциплине "Организационно-экономическое моделирование" появилась при введении учебных специальностей "Менеджмент высоких технологий" и затем "Инноватика". Был разработан авторский курс по новой дисциплине. Он преподается с 2008 г., естественно, с некоторыми ежегодными корректировками.
В издательстве МГТУ им. Н.Э. Баумана выпущена объемная научная монография "Организационно-экономическое моделирование". Она состоит из трех частей - "Нечисловая статистика" [Орлов А.И, 2009], "Экспертные оценки" [Орлов А.И., 2011], "Статистические методы анализа данных" [Орлов А.И., 2012]. Монография допущена Учебно-методическим объединением вузов по университетскому политехническому образованию для использования в качестве учебника, на её основе разработано содержание ряда учебных курсов. Однако этот трехтомник следует рассматривать не столько как учебник, сколько как научное издание. В учебных курсах используется лишь часть включенного в него материала. Можно сказать, что он представляет собой энциклопедию по организационно-экономическому моделированию. Такая оценка трехтомника вполне соответствует концепции "Образование - через науку", принятой в МГТУ им. Н.Э. Баумана. Однако необходимо обсуждать содержание конкретных учебных курсов, как отбор для изучения тех или иных разделов из трехтомника, так и включение новых тем и разделов с целью выхода на передовой край науки. Представляется естественным включение в курс информации о научных событиях последних лет.
Инструментами решения задач контроллинга в экономике, организации производства и управлении предприятием являются соответствующие экономико-математические методы, рассматриваемые с точки зрения применения в указанных областях, а не с точки зрения чистой математики. В последние годы часто используют такие термины, как искусственный интеллект и цифровая экономика. По нашей оценке, речь идет об одном и том же научном направлении, которое мы в настоящей статье называем организационно-экономическим моделированием. Можно сменить терминологию и говорить об инструментах искусственного интеллекта или о научном обеспечении цифровой экономики.
Герой комедии Мольера «Мещанин в дворянстве», при помощи учителей натаскивающий себя на «образованность», удивляется: «Как!? Когда я говорю: Николь, принеси мне туфли и подай ночной колпак, — это проза? Скажите на милость! Сорок слишком лет говорю прозой — и невдомек!» Аналогично можно сказать, что второй из авторов этой статьи более полувека занимается проблемами искусственного интеллекта и цифровой экономики.
В настоящей статье рассматриваем организационно-экономическое моделирование как учебную дисциплину. За основу обсуждения возьмем курс для магистрантов ИБМ второго года обучения (вариант 2020/2021 уч. г.)

Классическая модель управления запасами
Экономико-математические модели - инструменты контроллинга, позволяющие принимать обоснованные решения. В качестве примера выбрана классическая модель управления запасами, известная как модель Вильсона. Она может быть полностью разобрана в учебном курсе, является одной из наиболее применяемых на практике организационно-экономических моделей (по крайней мере в США). Подробно рассмотрена в ряде наших монографий, в частности, в главе 8 учебника [Орлов А.И., 2012]. Обсуждаем эту тему не с позиций логистики, а с позиций организационно-экономического моделирования (ОЭМ).
В теме разбираем три этапа теоретического решения задачи оптимизации, четыре шага алгоритма расчетов. изучаем отклонение издержек в плане Вильсона от издержек в оптимальном плане. Обращаем внимание на полное и строго описание модели. Получаем, что оптимальный план управления запасами нельзя найти на основе формулы квадратного корня [Орлов А.И., 2012, разд.8.4]. Отметим, что во многих публикациях, в том числе учебного характера, ошибочно утверждается, что оптимальный размер поставок дается формулой квадратного корня. Эта ошибка обычно проистекает из отсутствия строгой постановки исходной задачи оптимизации.
Поскольку оптимальное решение зависит от выбора начального и конечного моментов на оси времени, то для ОЭМ важна проблема горизонта планирования. С неопределенностью в выборе конечного момента боремся, выбирая асимптотически оптимальный план. Доказываем теорему о том, что план Вильсона асимптотически оптимален, и строим график превышения средних издержек плана Вильсона над оптимальным планом. Проблема горизонта планирования возникает в экономико-математических моделях различных экономических процессов. Часто выбор конечного момента нельзя однозначно обосновать. Следовательно, надо изучать устойчивость выводов к изменению горизонта планирования [Орлов А.И., 2012, раздел 8.2]. Без такого изучения практические рекомендации оказываются плохо обоснованными.
Изучаем влияние на средние издержки (за целое число периодов) отклонений от оптимального объема партии (точная и приближенная формулы), а также влияние неопределенностей параметров классической модели управления запасами на объем поставки. Принцип уравнивания погрешностей из общей теории устойчивости [Орлов А.И., 2012, раздел 8.2] позволяет на основе оцененной по статистическим данным погрешности параметра спроса выяснить необходимую точность определения других параметров. Как следствие, снимается противоречие между результатами расчетов по различным методикам (конкретно, по методикам Института материально-технического снабжения и Центрального экономико-математического института). Рассматриваем примеры практического применения классической модели управления запасами. Оказывается, что несмотря на неточности исходных данных и различие методик расчетов применение модели Вильсона позволяет снизить затраты, связанные с доставкой и хранением, например, кальцинированной соды, не менее чем в 2 раза.
Очевидно, запасов не должны быть минимальны, как и в настоящее время иногда заявляют. Запасы должны быть оптимальны.
Классическая модель Вильсона входит в систему из 36 моделей. Из них подробнее разбираем модель с дефицитом. Оказывается, введение возможности дефицита оказывается экономически выгодным! Обсуждаем также двухуровневую модель управления запасами.

Принятие решений в условиях неопределенности
На примере задачи выбора одного объекта из двух обсуждаем четыре аналитических подхода (пессимистический, оптимистический, средней выгоды, минимизации максимальной упущенной выгоды) и три подхода практических работников, а также проблемы голосования экспертов [Орлов А.И., 2011, гл.5]. Выявляются и сравниваются организационно-экономические модели, лежащие в основе этих семи подходов, обсуждаются их положительные и отрицательные стороны с точки зрения адекватности отображения реальных ситуаций.
Демонстрируем, что различные аналитические организационно-экономические подходы могут приводит к несовпадающим рекомендациям. Казалось бы, может помочь обращение к экспертным методам, к голосованию, но и тут имеются "подводные камни". Следовательно, за принятие решений отвечает менеджер, и никакие ссылки на те или иные организационно-экономические модели и методы не могут снять с него эту ответственность.

Теория измерений и средние величины
Анализируем сходство и различие трех видов чисел - математических, реальных и компьютерных [Левич Е.М., 2009]. Обсуждаем значение в ОЭМ погрешностей измерений и вычислений. В частности, демонстрируем методологическую несостоятельность Росстата, постоянно завышающего точность своих данных [Орлов А.И, 2009, с.16-17]. Проводим анализ двух равносильных формул для выборочной дисперсии с точки зрения точности вычислений.
Разбираем основные понятия теории измерений (с соответствии с [Орлов А.И, 2009, 2011]). Даем определения, рассматриваем примеры, вводим группы допустимых преобразований для шкал наименований, порядковой, интервалов, отношений, разностей, абсолютной. Базовым в ОЭМ является требование устойчивости выводов относительно допустимых преобразований шкал. Это требование накладывает ограничения на выбор методов анализа данных. Например, из-за невыполнения этого требования недопустимо использовать среднее арифметическое для усреднения данных, измеренных в порядковой шкале.
Вводим различные виды и классы средних величин - средние степенные и структурные средние, средние по Коши и средние по Колмогорову, их частные виды. Обсуждаем различные методы расчета средней заработной платы для условного предприятия, демонстрируя необходимость расчета медианы, а не только среднего арифметического [Орлов А.И, 2011].
На основе синтеза теории измерений и теории средних описываем средние, результат сравнения которых устойчив в порядковой шкале, в шкалах интервалов и отношений.
Обсуждаем следствия необходимости применения статистических методов в соответствии со шкалами, в которых измерены данные. В качестве примеров рассматриваем коэффициент линейной корреляции Пирсона (соответствующий в шкале интервалов) и коэффициент ранговой корреляции Спирмена (предназначенный для анализа данных, измеренных в порядковой шкале.

Анализ экспертных упорядочений
В качестве базовой модели экспертных оценок рассматриваем анализ экспертных упорядочений. Исходные данные - измерения характеристик объектов экспертизы в порядковой шкале, т.е.упорядочения (кластеризованные ранжировки) - частный случай бинарных отношений.
Начинаем с перехода от ответов экспертов в виде упорядочений к таблице рангов. Разбираем метод средних (арифметических) рангов и метод медиан как способы усреднения мнений экспертов (при наличии времени проводим деловую игру с целью упорядочения дней недели по субъективной тяжести на основе экспертных опросов группы учащихся).
Цель согласования кластеризованных ранжировок - выделить в них общее (совпадающие упорядочения пар объектов экспертизы), а различия заключить в кластеры (для упорядочения объектов экспертизы внутри кластеров могут быть проведены дополнительные опросы экспертов). Рассматриваем метод согласования кластеризованных ранжировок на основе выделения противоречивых пар объектов, построения графа противоречий, выделения связных компонент графа и их упорядочивания [Орлов А.И., 2011, гл. 4].
Согласование двух кластеризованных ранжировок, построенных методами средних арифметических рангов и медиан рангов, дает возможность выявить итоговое мнение комиссии экспертов. Альтернативные полходы - путем расчета медианы Кемени [Орлов А.И., 2011, гл. 6] и на основе рейтингов [Орлов А.И., 2011, гл. 11].

Новая парадигма организационно-экономического моделирования и ее значение
Эту тему начинаем с краткой истории статистических методов. Выделяем четыре этапа развития статистики (описательная, параметрическая, непараметрическая, нечисловая). Внутри современной статистической науки выделяем четыре области (по видам данных), три основные задачи (описание данных, оценивание, проверка гипотез), пять точек роста: непараметрика, информационные технологии (бутстреп), устойчивость, статистика интервальных данных, нечисловая статистика.
Разбираем новую парадигму организационно-экономического моделирования. Она соответствует исследованиям конца XX - начала XXI вв., однако была выявлена уже после выпуска трехтомника "Организационно-экономическое моделирование". Новая парадигма противопоставляется старой, середины ХХ в., основанной на широком (и зачастую не обоснованном) применении параметрических семейств распределений вероятностей (нормальных, экспоненциальных, Вейбулла - Гнеденко, гамма-распределений и др.). Проводим развернутое сравнение старой и новой парадигм [Орлов А.И., 2019]. Отметим, что предыдущая парадигма (до начала ХХ в.) соответствует описательному этапу развития статистической науки. Подчеркиваем основополагающую роль методологии при построении организационно-экономических моделей, в том числе используемых в теории и практике принятия решений.

Солидарная информационная экономика
В этой теме рассмотрен современный подход к построению организационно-экономических моделей в цифровой экономике. Он реализуется на основе искусственного интеллекта, математических и инструментальных методов экономики. Этот подход развивается с 2007 г. и не отражен в базовом трехтомнике [Орлов А.И., 2009, 2011, 2012]. Однако начать необходимо с экономических воззрений, отражающих практику древних государств., прежде всего Древней Греции.
Как общепризнанно, Аристотель - основоположник экономической теории. Он различал экономику и хрематистику. Цель экономической деятельности - удовлетворение потребностей, цель хрематистики - выгода (прибыль). Аристотель резко выступал против хрематистики. Конечно, у него были предшественники и последователи, речь идет о научной школе, носящей его имя.
Основное течение (мейнстрим) в современной экономической науке – обоснование несостоятельности рыночной экономики и необходимости перехода к современной научно обоснованной плановой системе управления хозяйством (к цифровой экономике). Развиваются различные научные направления внутри этого мейнстрима (см., например, [Клейнер Г.Б., 2021]). Мы развиваем одно из них - солидарную информационную экономику.
В эпоху цифровой экономики значимо все возрастающее влияние информационно-коммуникационных технологий на хозяйственную деятельность. В соответствии с этим велением времени мы развиваем солидарную информационную экономику (основные положения и информация о предыдущих работах приведены в статье [Орлов А.И., Сажин Ю.Б., 2020]).
Солидарная информационная экономика продолжает проекты кибернетиков ХХ в. -ОГАС В.М. Глушкова и КИБЕРСИН Ст. Бира. Важно, что шотландские экономисты W. Paul Cockshott и Allin F. Cottrell доказали, что к концу ХХ в. вычислительные мощности компьютеров достигли такого уровня развития, что стала реальной возможность глобальной оптимизации экономических процессов в масштабе всего Земного шара. В настоящее время развитие информационно-коммуникационных технологий должно быть направлено на выявление потребностей, в частности, на разработку ориентированных на практику хозяйственной деятельности типовых процедур принятия решений на основе сетей экспертов [Орлов А.И., 2011].

Реконструкция истории на основе применения организационно-экономического моделирования и ее роль при принятии решений в современных условиях
Начинаем с основных понятий теории классификации в составе организационно-экономического моделирования [Орлов А.И., 2009]. Рассматриваем методы построения новой статистической хронологии на основе статистики нечисловых данных, а именно путем введения показателей различия и применения алгоритмов кластер-анализа [Орлов А.И., 2012, раздел 8.5]. Подробно эти методы рассмотрены в монографии [Фоменко А.Т., 1999].
На основе результатов исследований научной школы акад. РАН А.Т. Фоменко (МГУ им. М.В. Ломоносова) обсуждаем основные черты реконструкции истории в соответствии с новой статистической хронологией и её значение для организации современного хозяйства. За подробностями отсылаем к официальному сайту научного направления "Новая хронология" [Фоменко А.Т., Носовский Г.В., 2021].
Как пишет акад. РАН С.Ю. Глазьев: "Новая хронология Фоменко дает хорошую логическую основу для восстановления исторической памяти Русского мира... Сочетание научной теории долгосрочного социально-экономического развития как процесса последовательной смены технологических и мирохозяйственных укладов, воспринимаемых на веру традиционных духовных ценностей и новой хронологии, проясняющей историческую роль Русского мира, может стать надежной опорой для формирования консолидирующей российское общество современной идеологии. Без нее совершить рывок в технологическое будущее крайне проблематично" [Глазьев С.Ю., 2020]. Присоединяемся к словам С.Ю. Глазьева. По нашему мнению, новая хронология всеобщей и российской истории - основа государственно-патриотического мировоззрения
.
Обобщенные показатели (рейтинги) и задачи классификации
Для упорядочения объектов экспертизы часто с помощью экспертов формируют перечень факторов, которые необходимо учитывать при построении обобщенных (или интегральных) показателей, называемых также рейтингами (или рэнкингами). Затем экспертно оцениваем значения факторов для рассматриваемых объектов экспертизы. После чего по этим оценкам рассчитывают значения обобщенного показателя (обычно с помощью линейной функции с коэффициентами весомости (важности, значимости), по величинам которых и упорядочивают объекты экспертизы. Такие рейтинги называем линейными.
Проблемы построения обобщенного критерия (рейтинга) рассматриваем в ходе деловой игры "Таня Смирнова выбирает место работы". Обсуждаем методы экспертные методы расширения и сужения множества факторов, оценки весовых коэффициентов на основе иерархической системы факторов. Рассматриваем различные виды рейтингов. Базовая информация дана в учебнике [Орлов А.И., 2011, гл. 11]. Общая теория развита в монографии [Подиновский В.В., 2019]. Кредитным рискам посвящена монография [Карминский А.М., 2015]. Применение экспертиз для оценок рисков рассмотрено в статье [Жуков М.С., Орлов А.И., 2017].
Во многих случаях важны бинарные рейтинги, в которых обобщенный показатель принимает только два значения, например, 0 и 1. Фактически объекты экспертизы должны быть отнесены к одному из двух классов. В связи с проблемами построения бинарных рейтингов обсуждаем основные черты теории классификации.
В математических методах теории классификации выделяем кластер-анализ (построение классификаций), анализ классификаций (с помощью методов статистики нечисловых данных) и диагностику (использование классификаций) [Орлов А.И., 2009, разд. 2.8]. Непараметрические методы диагностики развиваем на основе непараметрических ядерных оценок плотности распределения в пространствах произвольной природы [Орлов А.И., 2009, разд. 2.5]. Оценки строим по обучающим выборкам.
Параметрический дискриминантный анализ (основан Р. Фишером в 1937 г.) - это диагностика на основе линейных рейтингов. Примеры: диагностика потенциальных заемщиков в банке; скрининг при медицинском обследовании лиц с вредными условиями труда. Обсуждаем выбор показателя качества алгоритма диагностики (дискриминации). Демонстрируем недопустимость использования частоты правильных решений в качестве показателя качества алгоритма диагностики. Вводим понятие прогностической силы. Показываем, что прогностическая сила – наилучший показатель качества алгоритма диагностики. Изучаем свойства прогностической силы - находим асимптотическое распределение, строим доверительные границы, разрабатываем методы проверки статистической гипотезы об обоснованности пересчета на модель линейного дискриминантного анализа [Орлов А.И., 2009, разд. 2.8].

Статистика нечисловых данных
В настоящее время наиболее быстро развивается такая область прикладной статистики, как статистика нечисловых данных. Это направление было выделено как самостоятельная часть прикладной статистики в 1979 г. Первоначально она именовалась статистикой объектов нечисловой природы. Используется также сокращенное наименование - нечисловая статистика. Первая в мире монография по статистике нечисловых данных - это книга [Орлов А.И., 2009].
В курс ОЭМ включен ряд результатов статистики нечисловых данных. Демонстрируем, что практические все распределения реальных данных являются ненормальными [Орлов А.И., 2012, разд. 2.1]. Следовательно, в ОЭМ следует использовать непараметрическую статистику. Одно из ее основных понятий - эмпирическая функция распределения. Примером методов одного из разделов непараметрической статистики - ранговой статистики - являются состоятельные критерии Смирнова и омега-квадрат для проверки абсолютной однородности двух независимых выборок [Орлов А.И., 2012, разд.5.4].
В пространствах произвольной природы вводим эмпирические и теоретические среднее, обсуждаем законы больших чисел для них [Орлов А.И., 2009, разд. 2.1 и 2.2]. В качестве примера проводим обоснование и расчет эмпирического среднего для числовой выборки как интервала между левой и правой медианами.

Непосредственный анализ статистических данных
Целесообразно обсудить в курсе ОЭМ конкретные статистические данные. На основе ОЭМ проводим непосредственный анализ данных официальной экономической статистики относительно динамики выпуска отдельных видов продукции (в натуральных единицах) и макроэкономических показателей в РФ. Рассматриваем временные ряды, приведенные в подготовленных ведущими специалистами монографиях [Кара-Мурза С.Г., Батчиков С.А., 2008] и [Кара-Мурза С.Г., Гражданкин А.И., 2016], и постоянно обновляемые данные о динамике макроэкономических показателей России [Динамика 1991 - 2020].
Подчеркиваем значительное (в среднем в 4 раза) возрастание роли государства в экономике в течение ХХ в. в экономически развитых странах [Орлов А.И., 2006].
Обсуждаем значимость демографических прогнозов в экономике для принятия стратегических решений [Орлов А.И., 2006, 2012].

Актуальные обсуждения на мировых экономических форумах
В курс ОЭМ целесообразно включить краткую информацию об активно ведущихся в настоящее время дискуссиях среди специалистов, в том числе на мировых экономических форумах.
В условиях развертывающейся цифровой революции развитие производственных сил приводит к значительному изменению производственных отношений. В частности, происходит изменение потребительского поведения - переход от владения к аренде [Орлов А.И., Сажин Ю.Б., 2020]. Обсуждаем концепции четвертой промышленной революции [Шваб К., 2016], переход к капитализму участия, опираясь на материалы Римского клуба [Von Weizsacker E.U., Wijkman A., 2018], дискуссий на Давосском экономическом форуме в 2020 и 2021 гг., прежде всего книге о "великой перезагрузке", обоснованной основателем Давосского форума проф. К. Швабом [Schwab K., Malleret T., 2020].

Выводы
К настоящему времени направление исследований "организационно-экономическое моделирование" (ОЭМ) достаточно развито и сформировано как научная, практическая и учебная дисциплина. Об этом свидетельствует, в частности, список литературных источников в настоящей статье.
В ОЭМ разработано многообразие инструментов решения задач контроллинга в экономике, организации производства и управлении предприятием. Достаточно адекватное представление об этом многообразии дает авторский учебный курс "Организационно-экономическое моделирование", разработанный в Лаборатории экономико-математических методов в контроллинге Научно-образовательного центра «Контроллинг и управленческие инновации» и предназначенный для магистрантов факультета "Инженерный бизнес и менеджмент" МГТУ им. Н.Э. Баумана. Содержание этого курса раскрыто в настоящей статье. Очевидно, что конкретные позиции курса ОЭМ будут развиваться и модернизироваться.

Литература:
1. Глазьев С.Ю. Духовность – категория экономическая // Военно-промышленный курьер. 2020. № 35 (848). С. 1, 10.
2. Динамика макроэкономических показателей РФ [Электронный ресурс] URL: viewtopic.php?f=2&t=2580 (дата обращения 23 июля 2021 г.).
3. Жуков М.С., Орлов А.И., Фалько С.Г. Экспертные оценки в рисках / Контроллинг. 2017. №4 (66). С. 24-27.
4. Кара-Мурза С.Г., Батчиков С.А., Глазьев С.Ю. Куда идет Россия. Белая книга реформ. — М.: Алгоритм, 2008. — 448 с.
5. Кара-Мурза С.Г., Гражданкин А.И. Белая книга России. Строительство, перестройка и реформы. 1950-2014. - М.: ООО «ТД Алгоритм», 2016. - 728 с.
6. Карминский А.М. Кредитные рейтинги и их моделирование. — М. : Изд. дом Высшей школы экономики, 2015. — 304 с.
7. Клейнер Г.Б. Системная экономика: шаги развития. Монография. Предисловие В.Л. Макарова. – М.: Издательский дом «Научная библиотека», 2021. – 746 с.
8. Куликова С.Ю., Муравьева В.С., Орлов А.И. Организационно-экономическое моделирование при решении задач контроллинга / Научный журнал КубГАУ. 2016. №118. С. 486–506.
9. Левич Е. М. Математическое моделирование и компьютерная математика. - Иерусалим, 2009. - 450 с.
10. Орлов А.И. Теория принятия решений. — М.: Экзамен, 2006. — 576 с.
11. Орлов А.И. Организационно-экономическое моделирование: учебник : в 3 ч. Часть 1: Нечисловая статистика. – М.: Изд-во МГТУ им. Н.Э. Баумана. – 2009. – 541 с.
12. Орлов А.И. Организационно-экономическое моделирование : учебник : в 3 ч. Ч.2. Экспертные оценки. — М.: Изд-во МГТУ им. Н. Э. Баумана, 2011. — 486 с.
13. Орлов А.И. Организационно-экономическое моделирование : учебник : в 3 ч. Ч.3. Статистические методы анализа данных. - М.: Изд-во МГТУ им. Н.Э. Баумана, 2012. - 624 с.
14. Орлов А.И. Отечественная научная школа в области организационно-экономического моделирования, эконометрики и статистики / Контроллинг. 2019. №73. С. 28-35.
15. Орлов А.И., Луценко Е.В., Лойко В.И. Перспективные математические и инструментальные методы контроллинга. Под научной ред. проф. С.Г.Фалько. Монография (научное издание). – Краснодар, КубГАУ. 2015. – 600 с.
16. Орлов А.И., Сажин Ю.Б. Солидарная информационная экономика как основа новой парадигмы экономической науки // Инновации в менеджменте. 2020. №26. С. 52- 59.
17. Подиновский В.В. Идеи и методы теории важности критериев в многокритериальных задачах принятия решений. – М. : Наука, 2019. – 103 c.
18. Фоменко А.Т. Методы статистического анализа исторических текстов. Приложения к хронологии. - М.: Крафт+Леан, 1999. - Т.1 801 с., Т.2 - 907 с.
19. Фоменко А.Т., Носовский Г.В. Официальный сайт научного направления "Новая хронология". [Электронный ресурс] URL: http://chronologia.org/ (дата обращения 23 июля 2021 г.).
20. Шваб К. Четвертая промышленная революция. — М.: Эксмо, 2016. - 208 с.
21. Schwab K., Malleret T. COVID-19: The great reset. - Switzerland, Cologny/Geneva. World Economic Forum, Forum Publishing. 2020. - 212 pp.
22. Von Weizsacker E.U., Wijkman A. 2018. Come On! Capitalism, Short-termism, Population and the Destruction of the Planet. - N.Y.: Springer Science+Business Media LLC, 2018. - 232 р.

References:
1. Glaz'ev S.YU. Duhovnost' – kategoriya ekonomicheskaya // Voenno-promyshlennyj kur'er. 2020. № 35 (848). S. 1, 10.
2. Dinamika makroekonomicheskih pokazatelej RF [Elektronnyj resurs] URL: viewtopic.php?f=2&t=2580 (data obrashcheniya 23 iyulya 2021 g.).
3. ZHukov M.S., Orlov A.I., Fal'ko S.G. Ekspertnye ocenki v riskah / Kontrolling. 2017. №4 (66). S. 24-27.
4. Kara-Murza S.G., Batchikov S.A., Glaz'ev S.YU. Kuda idet Rossiya. Belaya kniga reform. — M.: Algoritm, 2008. — 448 s.
5. Kara-Murza S.G., Grazhdankin A.I. Belaya kniga Rossii. Stroitel'stvo, perestrojka i reformy. 1950-2014. - M.: OOO «TD Algoritm», 2016. - 728 s.
6. Karminskij A.M. Kreditnye rejtingi i ih modelirovanie. — M. : Izd. dom Vysshej shkoly ekonomiki, 2015. — 304 s.
7. Klejner G.B. Sistemnaya ekonomika: shagi razvitiya. Monografiya. Predislovie V.L. Makarova. – M.: Izdatel'skij dom «Nauchnaya biblioteka», 2021. – 746 s.
8. Kulikova S.YU., Murav'eva V.S., Orlov A.I. Organizacionno-ekonomicheskoe modelirovanie pri reshenii zadach kontrollinga / Nauchnyj zhurnal KubGAU. 2016. №118. S. 486–506.
9. Levich E. M. Matematicheskoe modelirovanie i komp'yuternaya matematika. - Ierusalim, 2009. - 450 s.
10. Orlov A.I. Teoriya prinyatiya reshenij. — M.: Ekzamen, 2006. — 576 s.
11. Orlov A.I. Organizacionno-ekonomicheskoe modelirovanie: uchebnik : v 3 ch. CHast' 1: Nechislovaya statistika. – M.: Izd-vo MGTU im. N.E. Baumana. – 2009. – 541 s.
12. Orlov A.I. Organizacionno-ekonomicheskoe modelirovanie : uchebnik : v 3 ch. CH.2. Ekspertnye ocenki. — M.: Izd-vo MGTU im. N. E. Baumana, 2011. — 486 s.
13. Orlov A.I. Organizacionno-ekonomicheskoe modelirovanie : uchebnik : v 3 ch. CH.3. Statisticheskie metody analiza dannyh. - M.: Izd-vo MGTU im. N.E. Baumana, 2012. - 624 s.
14. Orlov A.I. Otechestvennaya nauchnaya shkola v oblasti organizacionno-ekonomicheskogo modelirovaniya, ekonometriki i statistiki / Kontrolling. 2019. №73. S. 28-35.
15. Orlov A.I., Lucenko E.V., Lojko V.I. Perspektivnye matematicheskie i instrumental'nye metody kontrollinga. Pod nauchnoj red. prof. S.G.Fal'ko. Monografiya (nauchnoe izdanie). – Krasnodar, KubGAU. 2015. – 600 s.
16. Orlov A.I., Sazhin YU.B. Solidarnaya informacionnaya ekonomika kak osnova novoj paradigmy ekonomicheskoj nauki // Innovacii v menedzhmente. 2020. №26. S. 52- 59.
17. Podinovskij V.V. Idei i metody teorii vazhnosti kriteriev v mnogokriterial'nyh zadachah prinyatiya reshenij. – M. : Nauka, 2019. – 103 c.
18. Fomenko A.T. Metody statisticheskogo analiza istoricheskih tekstov. Prilozheniya k hronologii. - M.: Kraft+Lean, 1999. - T.1 801 s., T.2 - 907 s.
19. Fomenko A.T., Nosovskij G.V. Oficial'nyj sajt nauchnogo napravleniya "Novaya hronologiya". [Elektronnyj resurs] URL: http://chronologia.org/ (data obrashcheniya 23 iyulya 2021 g.).
20. SHvab K. CHetvertaya promyshlennaya revolyuciya. — M.: Eksmo, 2016. - 208 s.
21. Schwab K., Malleret T. COVID-19: The great reset. - Switzerland, Cologny/Geneva. World Economic Forum, Forum Publishing. 2020. - 212 pp.
22. Von Weizsacker E.U., Wijkman A. 2018. Come On! Capitalism, Short-termism, Population and the Destruction of the Planet. - N.Y.: Springer Science+Business Media LLC, 2018. - 232 r.


Вернуться наверх
 Профиль  
 
 Заголовок сообщения: Re: Аннотации новых статей А.И. Орлова
СообщениеДобавлено: Сб дек 04, 2021 3:54 pm 
Не в сети

Зарегистрирован: Вт сен 28, 2004 11:58 am
Сообщений: 11577
1197. Орлов А.И. Наукометрия и экспертиза в управлении наукой: развитие и борьба полюсов // Научный журнал КубГАУ. 2021. №173. С. 143–166.
http://ej.kubagro.ru/2021/09/pdf/10.pdf

УДК 303.732.4 : 519.2 UDC 303.732.4 : 519.2

08.00.13 Математические и инструментальные методы экономики (экономические науки) 08.00.13 Mathematical and instrumental methods of Economics (economic sciences)

НАУКОМЕТРИЯ И ЭКСПЕРТИЗА В УПРАВЛЕНИИ НАУКОЙ: РАЗВИТИЕ И БОРЬБА ПОЛЮСОВ SCIENTOMETRICS AND EXPERTISE IN SCIENCE MANAGEMENT: DEVELOPMENT AND FIGHT OF POLES

Орлов Александр Иванович
д.э.н., д.т.н., к.ф.-м.н., профессор
РИНЦ SPIN-код: 4342-4994 Orlov Alexander Ivanovich
Dr.Sci.Econ., Dr.Sci.Tech., Cand.Phys-Math.Sci., professor
Московский государственный технический университет им. Н.Э. Баумана, Россия, 105005, Москва, 2-я Бауманская ул., 5, prof-orlov@mail.ru
Bauman Moscow State Technical University, Moscow, Russia

Настоящая статья посвящена новым результатам в области изучения и управления наукой на основе математических и инструментальных методов экономики. Проблемами изучения и управления наукой мы занимаемся с 1980-х годов. После обсуждения ключевых показателей эффективности в этой области необходимо выявить глубинные противоположности развития науки, их развитие и борьбу. Основное содержание статьи - выделение и обсуждение 23 пар взаимодействующих полюсов в развитии науки: (1) приращение знаний - социальное продвижение научных работников; (2) фундаментальная наука - прикладная наука; (3) необходимость знания области своей области - невозможность освоить имеющую литературу; (4) развитие науки (динамика) - научные кланы (статика); (5) сложившиеся области - возникающее новое; узкая специализация - междисциплинарность.; (6) проведение исследования "с нуля" - предварительный анализ публикаций; обучение путем решения задач - обучение на основе лекций и изучения литературных источников; (8) оригинальность (новое) для мира - оригинальность (новое) для читателя; (9) невозможность сравнения научных работ по значимости - необходимость сравнения результатов деятельности исследователей и организаций; (10) наукометрия - экспертные оценки; (11) наука - журналистика; (12) западные базы данных ВоС и Скопус - отечественные базы данных (РИНЦ); (13) электронные издания - бумажные журналы; (14) монографии - учебники; (15) монографии - статьи; (16) журналы - сборники; (17) журналы - монографии; (18) многообразие научных публикаций - библиометрические базы данных; (19) широта распространения информации - избирательность; (20) научная работа - преподавание; (21) пары полюсов на профессиональном пути исследователя: личная работа - беседы, путешествия; признание заслуг - финансирование; молодость - опыт; (22) западная (мировая) наука - отечественная (национальная) наука; (23) публикации за рубежом (на английском языке) - публикации на русском языке This article is devoted to new results in the study and management of science based on mathematical and instrumental methods of economics. We have been dealing with the problems of studying and managing science since the 1980s. After discussing the key performance indicators in this area, it is necessary to identify the deep opposites of the development of science, their development and struggle. The main content of the article is the selection and discussion of 23 pairs of interacting poles in the development of science: (1) increase of knowledge - social advancement of scientific workers; (2) fundamental science - applied science; (3) the need for knowledge of the area of their field - the impossibility of mastering the existing literature; (4) development of science (dynamics) - scientific clans (statics); (5) established areas - emerging new; narrow specialization - interdisciplinarity; (6) conducting research "from scratch" - preliminary analysis of publications; (7) learning by problem solving - learning through lectures and the study of literature; (8) originality (new) for the world - originality (new) for the reader; (9) the impossibility of comparing scientific works by significance - the need to compare the results of the activities of researchers and organizations; (10) scientometrics - expert estimations; (11) science - journalism; (12) western databases WoS and Scopus - domestic databases (RSCI); (13) electronic publications - paper magazines; (14) monographs - textbooks; (15) monographs - articles; (16) magazines - collections of papers; (17) journals - monographs; (18) variety of scientific publications - bibliometric databases; (19) the breadth of information dissemination - selectivity; (20) scientific work - teaching; (21) pairs of poles on the professional path of a researcher: personal work - conversations, travel; recognition of merit - funding; youth - experience; (22) western (world) science - domestic (national) science; (23) publications abroad (in English) - publications in Russian


Ключевые слова: НАУКА, ЭКОНОМИКА, УПРАВЛЕНИЕ, МАТЕМАТИКА, ПРИНЯТИЕ РЕШЕНИЙ, НАУКОМЕТРИЯ, НАУЧНЫЕ КЛАНЫ, БАЗЫ ДАННЫХ, НАЦИОНАЛЬНАЯ НАУКА

http://dx.doi.org/10.21515/1990-4665-173-010
Keywords: SCIENCE, ECONOMICS, MANAGEMENT, MATHEMATICS, DECISION MAKING, SCIENTOMETRICS, SCIENTIFIC CLANS, DATABASES, NATIONAL SCIENCE



1. Введение
Наукометрия - это применение статистических методов для изучения и управления наукой. Первая в мире монография по наукометрии опубликована в 1969 г. на русском языке с подзаголовком "Изучение развития науки как информационного процесса" [1]. Но лишь в XXI в. появилась возможность достаточно легко анализировать многообразие научных публикаций. Современные информационно-коммуникационные технологии на основе методов больших данных позволяют аккумулировать информацию о публикациях и их цитируемости. Наукометрические данные активно применяются для управления в научной сфере, что значительно повышает прикладную значимость наукометрии и привлекает новых исследователей в эту область науковедения.
Работы отечественных специалистов по-прежнему занимают ведущее место в наукометрии. Базовые публикации - это сборник статей основных исследователей в области наукометрии [2] и монография [3]. В них подведены предварительные итоги развития российской наукометрии.
Проблемами изучения и управления наукой мы занимаемся с 1980-х гг. (см., например, [4 - 6]). Ряд дальнейших работ опубликован в Научном журнале КубГАУ [7 - 12] и в других изданиях [13-15].
Основное внимание уделялось критериям выбора показателей эффективности научной деятельности. Было установлено, что число цитирований в научных публикациях - ключевой показатель эффективности научной деятельности исследователя и организации. По нашему мнению, необходимо двигаться дальше - выявить глубинные противоположности развития науки, их развитие и борьбу. Согласно одному из основных законов диалектики, развитие и борьба противоположностей - двигатель прогресса. Основное содержание настоящей статьи - выделение и обсуждение 23 пар взаимодействующих полюсов в развитии науки. Эти научные результаты являются предварительными и требуют обсуждения и дальнейшего развития.
Иногда под наукометрией понимают только статистические методы анализа объективных данных о научной деятельности, а экспертные методы, основанные на субъективных оценках, выделяют как отдельную научно-практическую область в составе теории принятия решений. Хотя мы в учебниках по эконометрике [16 - 18] рассматриваем обработку объективных и субъективных данных совместно, в рамках одной дисциплины, в настоящей статье целесообразно разделить наукометрию как анализ объективных данных и экспертизу как анализ субъективных данных. При изучении процессов управления наукой эти направления не только разделяются, но и противопоставляются, как это и сделано в названии сборника [2].

2. Кратко о науке
Под наукой часто понимают сферу деятельности людей, функцией которой является выработка и теоретическая систематизация знаний о действительности (Большая советская энциклопедия). С этим определением можно поспорить, поскольку абстрактные системы, с которыми часто имеет дело математика, отнюдь не всегда связаны с реальной действительностью. Относить математику к естественным наукам тем более нелепо, хотя бы потому, что при этом игнорируются математические методы в экономике. Нечеткость определения понятия "наука" не очень мешает обсуждению проблем науки. Более того, именно то, что мы мыслим нечетко, позволяет нам понимать друг друга и не заниматься бесконечным уточнением определений. Это утверждение подробно обосновано в научно-популярной статье [19].
В реальной науке работают миллионы исследователей. Только в Российском индексе научного цитирования (РИНЦ) зарегистрировано более миллиона авторов. Определение численности научных работников затрудняется тем, что Росстат не относит к ним профессорско-преподавательский состав вузов, хотя эта категория трудящихся дает значительное количество публикаций, причем научно-исследовательская работа входит в их служебные обязанности. В России затраты на исследовательские разработки в 2010 году составили 1,13% валового внутреннего продукта (ВВП), а в 2019-м — 1,03% ВВП.
Для принятия обоснованных решений в области управления наукой необходимо изучать свойства научного сообщества. При рассмотрении проблем развития реальной науки и управления ею выделим биполярные структуры, описываемые с помощью двух полюсов и взаимодействий между ними. Продемонстрируем единство и борьбу противоположностей. Каждая из перечисленных биполярных структур заслуживает подробного рассмотрения, но в настоящей работе мы хотим показать многообразие проблем развития науки.

3. Биполярные структуры науки
Перечислим и кратко рассмотрим основные биполярные структуры науки.
3.1. С одной стороны, цель научной деятельности - приращение знаний. С другой стороны - это сфера для социального продвижения работников науки (и тех, кто ими считается) по карьерной лестнице. Одни ученые тратят силы на постижение нового, другие деятели науки - на получение денег, званий, должностей, наград, почета. Эти два полюса взаимодействуют. Герцог Генри Кавендиш (1731 - 1810) мог посвятить себя чистой науке (он даже не считал нужным публиковать свои работы, поэтому в школе мы изучает закон Кулона, хотя значительно раньше его открыл Кавендиш), поскольку был полностью обеспечен, имел все условия для своей научной деятельности. Обычный ученый должен бороться за финансовое обеспечение, должности, ученые звания, поскольку только их наличие дает ему возможность заниматься любимым делом. Но есть и те, кто больше всего ценит в науке ценит возможность социального продвижения, хотя для этого им приходится делать и некоторый вклад в приращение знаний. Два полюса невозможны друг без друга. Бесконечный рыцарь приращения знаний не может обойтись без ресурсов для поддержания своей деятельности, следовательно, без участия в социальной жизни. Господство карьеристов приводит к загниванию науки. Взаимодействие рассматриваемых полюсов необходимо для развития науки.
3.2. Два важных полюса - фундаментальная наука и прикладная наука. Фундаментальные научные исследования нацелены на "бескорыстное" приращение чистого знания, не связанное с решением конкретных прикладных задач. Их можно оценивать по вкладу в информационный процесс развития науки, полученные результаты доступны всем исследователям. Прикладные научные исследования обычно проводят в интересах конкретных заказчиков, по усмотрению которых и используются полученные результаты. На пути широкого распространения научных результатов прикладных исследований обычно стоят те или иные интересы заказчиков, в частности, проводится охрана государственной и коммерческой тайны.
Два полюса тесно взаимодействуют. Продвижения в фундаментальной науке достаточно часто рано или поздно используются в прикладных целях. Наоборот, при решении конкретных прикладных задач постоянно возникают вопросы, требующие фундаментального исследования, которое может и оторваться от исходной задачи (так часто происходило и происходит при развитии математических дисциплин). Поэтому иногда говорят, что вся наука является прикладной. Есть и противоположное мнение, что фундаментальные исследования - это те работы, которые никому не нужны. Выделяют и целый ряд промежуточных областей между фундаментальной и прикладной наукой, но их обсуждение не входит в нашу задачу.
3.3. Знание основных результатов своей научной области - это то, что обычно ожидают от ученого. Этому полюсу противостоит очевидная невозможность достаточно полно освоить имеющиеся статьи и монографии. Действительно, если читать по 1 работе в неделю, то за 100 лет непрерывного чтения удастся около 5 тысяч статей и книг, в то время число работ в достаточно развитой области (например, в статистических методах) измеряется миллионами, Разрыв на три порядка! И он увеличивается - число опубликованных за год работ на много порядков больше числа тех, которые научный работник в состоянии прочесть. Можно констатировать, что основная проблема современности - всеобщее невежество научных работников. Каждый из них знаком лишь с весьма небольшой долей тех публикаций, которые ему следовало бы знать. Причина (относительного) невежества - огромный объем накопленных знаний. Из констатации очевидного утверждения о всеобщем невежестве научных работников вытекает ряд следствий.
Для получения поддержки (в частности, финансовой) весьма полезно запустить в обращение новый термин вместо старого. Например, прикладную статистику назвать интеллектуальным анализом данных. Если в середине ХХ в. весьма популярным был термин "кибернетика", то сейчас примерно те же научные направления включают в "искусственный интеллект" или "цифровую экономику". Другой пример - нейросети, предложенные в середине ХХ в. Речь идет о частном случае методов распознавания образов (дискриминантного анализа на основе обучающих выборок), кластер-анализа и др., т.е. о методах прикладной статистики. Сейчас этот термин стал весьма модным, прежде всего стараниями средств массовой информации.
3.4. Обычно считаем, что наука едина, без внутренних границ. Однако в целях борьбы со всеобщим невежеством возникает клановая структура.
Научный клан обычно состоит из нескольких сотен исследователей, которые достаточно хорошо знают работы друг друга, но имеют смутное представление о том, что делается за пределами клана. Величина клана ограничена возможностью поддержания личного или дистанционного общения, Количество лиц, которых может различать человек, не превышает нескольких сотен, остальные сливаются для него в абстрактную массу.
Клан обычно имеет инфраструктуру - дружественные научно-исследовательские организации и вузы, научные журналы, конференции, диссертационные советы, интернет-ресурсы. Типовым поведением членов клана является поддержка своих и борьба с чужими. Клановая структура консервирует устоявшиеся направления и препятствует развитию нового. Поддерживается статика в ущерб динамическому развитию.
Типовыми клановыми структурами являются, например, секция математики РАН, охватывающее не более чем 5% российских математиков (прежде всего сотрудников трех академических институтов математики в Москве, Санкт-Петербурге, Новосибирске); портал Math-Net.Ru (проект Математического института им. В.А. Стеклова РАН), который вопреки объявленной цели игнорирует основную часть публикаций по математике, в частности, вышедших в разделе "Математические методы исследования" журнала "Заводская лаборатория. Диагностика материалов" (более тысячи работ) и в Научном журнале КубГАУ. Кланами контролируется комитет по Нобелевским премиям. Это видно хотя бы по тому, что в потоке новых научных работ по экономическим дисциплинам весьма редко встречаются ссылки на исследования нобелевских лауреатов. Аналогична ситуация и с другими международными премиями, а также и с отделениями РАН (в рейтингах РАН по числу публикаций в той или иной конкретной области члены РАН отнюдь не превалируют).
3.5. Два полюса - сложившиеся области и возникающее новое. У каждого исследователя - выбор: либо осваивать и развивать сложившуюся область, либо строить новое. Клановая структура нацелена на первый полюс, но для динамического развития науки важнее второй. В современном англоязычном научном сообществе явно господствует первый полюс, поэтому в предвидимом будущем следует ожидать загнивания западной науки, занимающейся в основном полировкой ранее полученных научных результатов. В этой связи можно говорить еще о двух полюсах: узкая специализация - междисциплинарность. Если во времена Аристотеля междисциплинарность была нормой, то в настоящее время наблюдаем уход в узкую специализацию внутри своего научного клана.
3.6. Как начинать исследование? И здесь два полюса: работы с нуля - работы, развивающие прежние. Первый полюс - начинать обдумывать возникшую (выделенную) проблему, не тратя времени на знакомство с литературой (но, очевидно, на базе типового набора знаний, в который входят, например, дифференциальное и интегральное исчисления). Опасность - можно повторить то, что сделано другими. Второй полюс - начать со знакомства с литературой. Задача заведомо невыполнимая из-за огромного количества публикаций, имеющих то или иное отношение к рассматриваемой проблеме. Обычно знакомство с литературой приводит к тому, что исследователь начинает рассматривать частности в работах предшественников. Образно говоря, начинает полировать ножки письменного стола, изготовленного основоположником. Например, в математике тратит силы на переход к требованию непрерывности некоторой функции взамен требования её дифференцируемости.
3.7. Пропаганда пользы исследования "с нуля" взамен ориентации на анализ публикаций приводит к экстремистской системе обучения путем решения последовательности специально подобранных задач (система "всё - в задачах"). Второй полюс - обучение на основе лекций и изучения литературных источников (прежде всего учебников), а также, конечно, решения задач. Система "всё - в задачах", разумеется, развивает умение решать задачи, но не учит использованию опыта, подходов, приемов предшественников. Опасности второго подхода - начетничество, зубрежка без понимания смысла. Автор настоящей статьи еще в 1970-х годах составил систему дифференциальных уравнений, описывающих процесс обучения. В этой системе на основе принципа максимума Понтрягина показано, что на основном этапе обучения на пассивное увеличение знаний (лекции) должна тратиться 1/3 учебного времени, а на решение задач (семинары) - 2/3 [Орлов, 1978, 2014].
3.8. Еще пара полюсов: оригинальность результата для мира (объективно новое) - оригинальность (субъективно новое) для конкретного лица (читателя или самого исследователя). Объективную новизну установить практически невозможно из-за огромного количества имеющихся публикаций. Достижима лишь субъективная новизна. Как следствие, затруднено распространение новых результатов, заметно количество повторных открытий и изобретений. Наблюдаем живучесть ошибок.
3.9. Весьма важны два полюса. Первый - научные исследования принципиально нельзя сравнивать, даже в одной области, поскольку каждая из них - самостоятельный кирпичик в здании науки. Если говорить о цели научной деятельности как приращении знаний, то это так. Если же исходить из того, что наука - сфера для социального продвижения, то сравнивать необходимо для принятии решений о финансировании, назначении на должности и т.п. Требования этого второго полюса необходимо учитывать в реальном мире. Основополагающая проблема в том, как сравнивать.

4. Изучение развития науки как информационного процесса
В этом разделе сохраним единую нумерацию пар полюсов. Т.е. начнем не с 4.1, а с 4.10.
4.10. При сравнении значимости (важности) научной публикации есть два полюса - опора на объективные данные наукометрии и применение субъективных экспертных оценок. Традиционно главенствовал второй способ, хотя постоянно возникал вопрос: "А эксперты кто?". Каковы эксперты - таков и результат. И лишь недавно развитие современных информационно-коммуникационных технологий позволило получить надежную статистическую базу о публикациях и цитировании.
Появился объективный показатель для измерения значимости работ ученого (по "гамбургскому счету"). Полвека назад В.В. Налимов и З.М. Мульченко в первой в мире монографии по наукометрии показали, что вклад ученого в науку измеряется числом цитирований его работ [1]. Речь идет о фундаментальной науке, рассматриваемой как информационный процесс. Раз цитируют - значит, работа нужна.
Вполне естественным является противодействие такому научно обоснованному подходу со стороны тех, чьи индексы цитирования (относительно лидеров по этому показателю) оказались ниже, чем они ожидали. Обычно проигравшие по числу цитирований упирают на экспертные оценки, вполне обоснованно полагая, что социально близкие к ним эксперты дадут более высокие оценки. Эти ожидания зачастую оправдываются, поскольку в реальной научной деятельности подбор экспертов обычно осуществляется внутри того клана, к которому принадлежат отрицающие наукометрию. Отметим, что автор настоящей статьи выпустил наиболее известный в нашей стране учебник "Экспертные оценки" [22], другими словами, знаком как с наукометрией, так и с экспертными оценками как профессионал. Подробнее с нашими работами в области наукометрии, а также по теории принятия решений и экспертным оценкам можно познакомиться с помощью Российского индекса научного цитирования.
4.11. Очевидно, значения наукометрических показателей зависят от того, по какому массиву исходной информации проводятся расчеты. Итоги по массиву научных публикаций одни, а по массиву журналистских материалов - другие. (К журналистике относим публицистику, научно-популярную литературу, различные телевизионные жанры, публикации в Интернете и т.п.). Широко известные в Интернете и СМИ специалисты зачастую сравнительно мало цитируются в научных изданиях (можно привести фамилии, но воздержимся от этого, чтобы не перегружать настоящую статью необязательной информацией, а также чтобы избежать ненужных дискуссий), и наоборот, лидеры научного цитирования обычно мало знакомы широкой публике. Итак, два полюса - наука и журналистика.
4.12. Основа современной наукометрии - базы библиографических данных. По ним рассчитывают различные наукометрические показатели - число (индекс) публикаций, число цитирований в научной литературе (индекс цитирования), индекс Хирша и т.п. Проблема в том, что таких баз много, и формируются они по-разному, зачастую в интересах тех или иных сил.
Индексы цитирования можно рассчитывать на основе тех или иных баз библиографических данных. Основная такая база в нашей стране - Научная электронная библиотека (elibrary.ru), на основе которой действует Российский индекс научного цитирования (РИНЦ). В целом РИНЦ охватывает основную часть массива публикаций российских исследователей. Популярны, особенно среди администраторов от науки и высшего образования, западные базы данных и соответствующие индексы цитирования ВоС и Скопус. Поскольку российские журналы слабо представлены в этих базах, то и их индексы цитирования на основе указанных баз дефектны.
Действующие в настоящее время системы управления российской наукой, исходящие из данных ВоС и Скопус, наносят большой вред нашей стране. Они заставляют российских ученых безвозмездно передать геополитическому противнику результаты исследований, выполненных на деньги российских налогоплательщиков. Мы уже подробно писал и об этом [12, 15]. Отметим, что здесь наблюдаем извращенное взаимодействие двух полюсов - отечественной науки и т.н. мировой науки.
4.13. Выделим еще два полюса - электронные издания и бумажные материалы - и обсудим их взаимодействие. Электронные издания, размещенные в Интернете, гораздо более доступны, чем бумажные. Хотя в настоящее время еще продолжают выходить книги и журналы в бумажном варианте, их ждет вымирание или существенное изменение.
Если кто-либо предпочитает читать тексты на бумаге, он может распечатать электронную книгу или статью. Давняя идея выпускать книги под заказ конкретных читателей-покупателей реализуется не только в издательствах, но и в естественном виде типографии на дому. Бумажные книги продолжат свою жизнь прежде всего как подарки (при общении исследователей между собой) и выставочные экземпляры.
Констатируем, что ранее выпущенные издания уходят в историю, если они не оцифрованы. Хотя объем оцифрованных материалов растет, в прошлое безвозвратно уходят многие статьи, книги, доклады, выпущенные в ХХ в. и ранее.
4.14. Перейдем к обсуждению различных видов книжных научных публикаций. Два полюса: монографии и учебники. Цель монографии - дать сводку полученных научных результатов, цель учебника - представить материал для обучения. Ясно, что этот материал должен быть современным. Весьма важно, что их всего многообразия полученных к настоящему времени научных результатов будущему поколению достанутся прежде всего те результаты, которые вошли в учебники, остальное окажется практически недоступным, погребенным в многомиллионных хранилищах бумажных и электронных изданий. Отсюда рекомендация - готовить монографии так, чтобы их можно было использовать как учебники (в соответствии с принятым в МГТУ им. Н.Э. Баумана принципом "Образование - через науку"). Именно так подготовлены многие наши книги, которые можно использовать и как монографии, и как учебники. Отметим, что при их публикации в издательствах возникает проблема выбора - куда отнести, к учебной литературе или к научным монографиям. Читательская аудитория учебников значительно шире, чем у монографий, поэтому чаще монографию отнесут к учебникам, чем наоборот.
4.15. Еще два полюса: монографии и статьи. С точки зрения развития науки естественно завершить серию статей монографией, подводящей итоги исследований. Однако после этого дальнейшие ссылки пойдут на монографию, а не на статьи. Поток цитирований может уменьшиться (ссылки будут даваться на одну монографию, а не на несколько статей). Особенно может пострадать индекс Хирша автора монографии.
4.16. Современные системы принятия решений при управлении наукой и вслед на ними инструментальные средства наукометрии делают упор на научные журналы. В основном индексируются статьи из журналов. Именно по цитированию в журналах принимают решения администраторы. Между тем ясно, что журналы соответствуют сложившимся направлениям, являются органами тех или иных кланов. Новое знание возникает вне журналов. Обычно создатели новых направлений сначала объединяются вокруг созданного ими научного семинара, затем проводят конференции, выпускают сборники по тематике своих направлений. Именно таковы были начальные десятилетия таких направлений, как "Прикладная статистика" и "Экспертные оценки", среди основоположников которых был и автор настоящей статьи. И только потом в журнальном мире проявляются новые направления. Они либо проникают в ранее созданные журналы, либо создают свои. Так взаимодействуют полюса: журналы и сборники. Впрочем, до сих пор, к сожалению, нет российских журналов "Прикладная статистика" и "Экспертные оценки", хотя соответствующие направления выявились 40 - 50 лет назад. Одна из очевидных причин этого печального обстоятельства в том, что в организацию нового журнала надо вложить значительные ресурсы (временные, административные, финансовые), а создатели нового предпочитают развивать исследования. Создание указанных журналов было бы естественным шагом в развитии Всесоюзной статистической ассоциации, созданной в 1990 г., однако развал СССР и дальнейшие экономические изменения не дали осуществиться этим планам. За подробностями отсылаем к статьям [23, 24].
4.17. Еще два полюса: журналы и монографии. Итоги научных работ обычно подводят в монографиях. Об ученом его коллеги и последователи судят прежде всего по написанным им монографиям. Однако действующие в настоящее время администраторы часто принижают значение монографий по сравнению со статьями в журналах. Кроме того, как уже отмечалось выше, после выхода монографии сокращается число цитирований предыдущих статей - новые статьи опираются на монографию. Таким образом, сложившаяся ошибочная традиция не стимулирует исследователей к написанию монографий.
4.18. Сторонники субъективных экспертных оценок стараются взять реванш, дискриминируя издания по тем или иным признакам. Например, не все журналы индексируются в базе данных. В старейшем журнале "Экономист" (основан в 1024 г., до 1990 г. выходил под названием "Плановое хозяйство") проиндексированы в РИНЦ лишь отдельные статьи. Аналогична ситуация с журналом "Biocosmology - neo-Aristotelism". Некоторые издания учитываются в научной электронной библиотеке НЭБ (elibrary.ru), но не включаются в РИНЦ. Внутри РИНЦ на основе оценок неизвестных нам экспертов выделена привилегированная зона - т.н. "ядро РИНЦ". В западных базах ВоС и Скопус, ориентированных на англоязычных авторов, ситуация гораздо хуже - подавляющее большинство отечественных изданий попросту проигнорировано. Кроме того, в этих базах проводится дискриминация журналов по импакт-фактору (число ссылок за данный год на материалы, размещенные в журнале на протяжении прошедших двух или пяти лет, разделенное на итоговое число размещенных за данное время статей). Используют разделение журналов по квартилям (первый квартиль, второй квартиль, ...), исходя из распределения импакт-фактора по всему многообразию журналов, включенных в соответствующую базу данных. Наблюдаем стремление воздействовать на научную сообщество с целью направить поток публикаций в наиболее модные англоязычные журналы, что наносит вред национальным интересам России. Таким образом, весьма неоднозначно взаимодействие полюсов: "массив научных публикаций" - "библиометрические базы данных".
4.19. Отметим полюса: широта распространения информации - избирательность. Для развития науки требуется свобода распространения информации. Однако журналы зачастую требуют плату за допуск к статьям в течении, например, двух лет после выхода статьи (свободный допуск - у подписчиков). Причина очевидна - для издания журнала нужны средства.
Зачастую вред наносит формальное применение программных систем типа "Антиплагиат", фактически блокирующее публикацию серии статей и обсуждение препринтов статей в Интернете, поскольку любой текст в Интернете рассматривается как публикация, повторение или перефразировка которого в новой статье недопустимо. Особенно страдали диссертанты, которым фактически запрещалось включать в работу свои ранее опубликованные статьи. Недавнее разрешение ВАК проводить защиту по докладу об опубликованных работах частично снимает эту проблему. Автор настоящей статьи в 1992 г. защитил докторскую диссертацию по совокупности опубликованных работ, но в дальнейшем подобная организация защит вышла из употребления вплоть до недавнего времени.
В итоге наблюдаем ограничение свободы распространения информации. В быстро развивающихся областях подобная задержка может привести к потере приоритета. Вместе с тем отметим, что наиболее ценные статьи цитируются десятилетиями, поэтому при оценке значимости журнала по импакт-фактору (т.е. по цитируемости за два или пять лет) возможны грубые ошибки.
4.20. Обсудим полюса: наука - преподавание. Обычно ожидают, что приращение нового знания происходит в результате деятельности научно-исследовательских организаций, в то время как при преподавании происходит передача новому поколению ранее полученных знаний. Однако учить надо и недавно полученным знаниям. Следовательно, надо привлекать ученых к преподаванию. Однако и преподаватель должен знать, что сейчас происходит в науке. Следовательно, он должен заниматься научной работой.
Посмотрим в другой стороны. Результаты полученные исследователем, должны быть переданы новому поколению, иначе они будут забыты. Преподаватель, оторванный от науки, дает студентам устаревшие знания. Видим необходимость объединения ученых и преподавателей, в том числе организационного, в рамках одного университета, с целью реализации принципа "Образование - через науку".
Видимо, всем уже очевидно вырождение институтов бывшей РАН. Достаточно посмотреть на их коридоры, пустые в рабочее время. Было бы целесообразно объединить институты РАН с соответствующими вузами. Тогда студенты получили бы возможность учиться у ведущих ученых, а те получили бы многих молодых сотрудников. Отметим, что периоды бурного развития той или иной отрасли науки перемежаются периодами замедления темпов, в течение которых исследователи могут сосредоточиться на преподавании.
4.21. Выделим полюса, связанные с профессиональным путем исследователя. Разберем ситуацию с теоретиками. Одни ведут личную научную работу за письменным столом. другим для успешного проведения исследований нужны беседы, путешествия, конференции. Одни стремятся к признанию заслуг среди научного сообщества, другие сосредоточены на поиске финансирования и почестей, общаясь с администраторами и другими категориями власть имущих. Два важных полюса - молодость, нацеленная на новые подходы, и опыт, обеспечивающий возможность применять ранее сделанное.
4.22. Два важных полюса: западная (т.н. мировая) наука и отечественная (национальная) наука. Абстрактно говоря, любое новое знание - это очередной кирпич в здание мировой науки, и не важно, в какой стране оно получено. Реальность не соответствует этой схеме.
Национальная наука - один из институтов общества, часть надстройки. Очевидно, она используется для обеспечения обороноспособности, экономического развития, обучения новых поколений. Естественно следить за достижениями других стран, но основное - интересы своей страны. Мировая наука не является самостоятельным институтом, она является объединением национальных наук [25]. Точно также мировое хозяйство - это совокупность национальных хозяйственных систем. Экспорт и импорт - важные компоненты хозяйственной структуры национального государства, которая, тем не менее, прежде всего нацелена на реализацию потребностей национальных государств. По крайней мере это выполнено для суверенных (независимых от внешнего управления) государств. Возможно¸ в будущем будет создано всемирное правительство и национальные границы исчезнут, тогда понадобится пересмотр сказанного выше.
Распространенная в настоящее время идеология глобализма служат интересам англосаксонских стран, теряющих первенство в экономическом развитии. Одним из инструментов глобализма является попытка выдвинуть английский язык как язык современной науки, а ориентированные на англоязычные публикации западные библиометрические базы ВоС и Скопус представить как сокровищницу мировых достижений. Распространение идей глобализма наносит вред научным структурам, выпускающим публикации не на английском, а на национальных языках - китайском, русском, немецком, французском, японском, фарси, хинди и др. Поскольку США уступили Китаю первенство в экономическом развитии (а вскоре уступят и Индии), то можно ожидать, что в перспективе английский перестанет быть языком науки, и аннотации к статьям мы будем писать не по-английски, а по-китайски. Отметим, что уже сейчас в столичном аэропорту Шереметьево все указатели выполнены на трех языках - русском, китайском и английском.
4.23. Сказанное конкретизируем при обсуждении полюсов: публикации за рубежом и публикации на русском. Каждый исследователь (в фундаментальной науке) выбирает место публикации своих результатов. В настоящее время российские администраторы в области науки и образования стимулируют подготовку публикаций на английском языке в журналах 1 и 2 квартилей, индексируемых в базах ВоС и Скопус. При этом специалисты из стран, являющихся геополитическими противниками России, бесплатно и вне очереди получают информацию о результатах последних исследований отечественных ученых, выполненных в основном на деньги российских налогоплательщиков (исключения составляют работы по западным грантам). Очевидно, такие работы менее доступны российским ученым, чем опубликованные на русском языке. Важно, что лица, публикующиеся на английском, достаточно часто обзаводятся связями с западными учеными, а затем и сами уезжают за границу. Наблюдаем неконтролируемый вывоз за границу человеческого капитала, что, очевидно, наносит ущерб интересам России.
Было бы целесообразно стимулировать российских ученых публиковаться на русском языке. Например, эффективность деятельности исследователей и научных организаций следует оценивать по публикациям прежде всего на русском языке. Ориентиром может послужить опыт Китая по директивному требованию публикации не менее 60% работ на китайском языке. "Большинство научных журналов в Китае не издаются на английском языке, что означает, что большая часть текущих научных разработок в Китае недоступна для ученых, не говорящих по-китайски" (https://ru.wikichi.ru/wiki/Academic_publishing_in_China).
Научные результаты должны быть опубликованы в первую очередь на русском языке и доступны российским исследователям, и только после этого можно допустить их публикацию на английском и иных языках (прежде всего обзоров) [26]. Для этого нужны изменения в современной практике управленческих решений в области науки и высшего образования. В частности, во взаимоотношениях полюсов: ВоС и Скопус - отечественные библиометрические базы (в настоящее время прежде всего РИНЦ) следует исправить неоправданный крен в сторону первого полюса.

5. Некоторые итоги
В статье выделены и кратко проанализированы 23 пары полюсов. В каждой из них наблюдаем единство и борьбу противоположностей, приводящих - в идеале - к прогрессу в сфере фундаментальной науки, и опосредованно - к поступательному развитию отечественного (и морового) народного хозяйства.
Необозрима литература в области науковедения, к которой относится и настоящая работа. Здесь отметим только две работы [27, 28], которые произвели большое впечатление на автора статьи.
Необходимо дальнейшее развитие кратко рассмотренной выше науковедческой концепции. Например, каждой паре полюсов можно сопоставить координату многомерного вектора, характеризующего состояние фундаментальной науки. Размерность векторного пространства соответствует количеству рассмотренных пар полюсов. Она равняется 23 (поскольку 23 пары полюсов выделены в настоящей статье) иди более (если будут включены в рассмотрение новые пары. Так, только в одном разделе 4.21 анализируется профессиональный путь исследователя, в то время динамика возрастного состава кадров науки представляет большой интерес для практики управления наукой, следовательно. для адекватного отражения положения в научной сфере может понадобиться не одна, а несколько (и даже много) координат многомерного вектора, характеризующего состояние фундаментальной науки.
Целесообразно разрабатывать математические модели динамики науки, исходя из анализа траекторий многомерных векторов, описывающих состояние науки (с разделением по областям науки и странам). Подобные работы проводились и ранее [29]. На следующем этапе возникает возможность сопоставить развитие (во времени) фундаментальной науки с динамикой народного хозяйства и, шире, с потребностями российского общества и человечества в целом.

Литература
1. Налимов В.В., Мульченко З.М. Наукометрия. Изучение развития науки как информационного процесса. - М.: Наука, 1969. - 192 с.
2. Наукометрия и экспертиза в управлении наукой: сборник статей / Под ред. Д.А. Новикова, А.И. Орлова, П.Ю. Чеботарева. - М.: Институт проблем управления РАН, 2013. - 572 с.
3. Лойко В.И., Луценко Е.В., Орлов А.И. Современные подходы в наукометрии: монография / Под науч. ред. проф. С.Г. Фалько. – Краснодар: КубГАУ. 2017. – 532 с.
4. Орлов А.И. Первый Всемирный конгресс Общества математической статистики и теории вероятностей им. Бернулли // Заводская лаборатория. 1987. Т.53. №3. С. 90-91.
5. Орлов А.И. Создана единая статистическая ассоциация // Вестник Академии наук СССР. 1991. №7. С. 152-153.
6. Орлов А.И. Социологический прогноз развития российской науки на 1993-1995 гг. / Международная газета «Наука и технология в России». Июнь 1993 г. №1. С. 29-29.
7. Орлов А.И. Наука как объект управления // Научный журнал КубГАУ. 2014. № 101. С. 1243 – 1273.
8. Орлов А.И. О ключевых показателях эффективности научной деятельности // Научный журнал КубГАУ. 2015. № 111. С. 81 - 112.
9. Луценко Е.В., Орлов А.И. Количественная оценка степени манипулирования индексом Хирша и его модификация, устойчивая к манипулированию // Научный журнал КубГАУ. 2016. № 121. С. 202–234.
10. Луценко Е.В., Орлов А.И., Глухов В.А. Наукометрическая интеллектуальная измерительная система по данным РИНЦ на основе АСК-анализа и системы "Эйдос" // Научный журнал КубГАУ. 2016. № 122. С. 157–212.
11. Орлов А.И. Число цитирований - ключевой показатель эффективности научной деятельности исследователя и организации // Научный журнал КубГАУ. 2016. № 124. С. 984–1009.
12. Орлов А.И. Статистические и экспертные методы в задачах экономики и управления наукой // Научный журнал КубГАУ. 2021. №166. С. 1–35.
13. Орлов А.И. Критерии выбора показателей эффективности научной деятельности / Контроллинг. 2013. №3(49). С.72-78.
14. Орлов А.И. Статистические и экспертные методы наукометрии при управлении научной деятельностью. Biocosmology – neo-Aristotelism. 2019. V.9, № 3-4. С. 308-329.
15. Орлов А.И. Вред ориентации на базы данных SCOPUS и WEB OF SCIENCE. Россия: Тенденции и перспективы развития. Ежегодник. Вып. 16: Материалы XX Национальной научной конференции с международным участием «Модернизация России: приоритеты, проблемы, решения». Ч. 1. // Отв. ред. В.И. Герасимов. – М.: РАН. ИНИОН. Отд. науч. сотрудничества, 2021. –– С. 835-840.
16. Орлов А.И. Эконометрика. Учебник для вузов. — М.: Экзамен, 2002 (1-е изд.), 2003 (2-е изд.), 2004 (3-е изд.). — 576 с.
17. Орлов А.И. Эконометрика. Изд. 4-е, доп. и перераб. Учебник для вузов. — Ростов-на-Дону: Феникс, 2009. — 572 с.
18. Агаларов З.С., Орлов А.И. Эконометрика. Учебник. - М.: Издательско-торговая корпорация «Дашков и К°», 2021. — 380 с.
19. Орлов А.И. Математика нечеткости // Наука и жизнь. 1982. №7. С. 60-67.
20. Орлов А.И. Математические модели отдельных сторон обучения математике. Сб. научно-методических статей по математике. (Проблемы преподавания математики в вузах.) Вып.7. - М.: Высшая школа. 1978. - С. 28-34.
21. Орлов А.И. Методология моделирования процессов управления в социально-экономических системах. Научный журнал КубГАУ. 2014. №101. С. 166–196.
22. Орлов А.И. Организационно-экономическое моделирование : учебник : в 3 ч. Ч.2. Экспертные оценки. — М.: Изд-во МГТУ им. Н. Э. Баумана. 2011. — 486 с.
23. Орлов А.И. Организационно-экономическое моделирование и искусственный интеллект в цифровой экономике (на примере управления качеством) // Научный журнал КубГАУ. 2021. №169. С.216–242.
24. Орлов А.И. Организационно-экономическое моделирование и искусственный интеллект в организации производства в эпоху цифровой экономики // Инновации в менеджменте. 2021. № 2(28). С. 36-45.
25. Гринченко С.Н. Является ли мировая наука “организмом”? Biocosmology – neo-Aristotelism. 2014. Vol.4, Nos.1 & 2, С.115-122.
26. Милек О.В., Шмерлинг Д.С. [2013] О продвижении университета на международном академическом «Рынке». Управление большими системами: сборник трудов, вып.44. Наукометрия и экспертиза в управлении наукой: сборник статей / Под ред. Д.А. Новикова, А.И. Орлова, П.Ю. Чеботарева. - М.: Институт проблем управления РАН, 2013. - С.139 - 143.
27. Хромов Г.С. Наука, которую мы теряем. - М.: Космоинформ, 1995. - 104 с.
28. Новиков Д.А. Кибернетика: Навигатор. История кибернетики, современное состояние, перспективы развития. - М.: ЛЕНАНД, 2016. - 160 с.
29. Яблонский А.И. Математические модели в исследовании науки. - М.: Наука, 1986. - 352 с.

References
1. Nalimov V.V., Mul'chenko Z.M. Naukometriya. Izuchenie razvitiya nauki kak informacionnogo processa. - M.: Nauka, 1969. - 192 s.
2. Naukometriya i ekspertiza v upravlenii naukoj: sbornik statej / Pod red. D.A. Novikova, A.I. Orlova, P.YU. CHebotareva. - M.: Institut problem upravleniya RAN, 2013. - 572 s.
3. Lojko V.I., Lucenko E.V., Orlov A.I. Sovremennye podhody v naukometrii: monografiya / Pod nauch. red. prof. S.G. Fal'ko. – Krasnodar: KubGAU. 2017. – 532 s.
4. Orlov A.I. Pervyj Vsemirnyj kongress Obshchestva matematicheskoj statistiki i teorii veroyatnostej im. Bernulli // Zavodskaya laboratoriya. 1987. T.53. №3. S. 90-91.
5. Orlov A.I. Sozdana edinaya statisticheskaya associaciya // Vestnik Akademii nauk SSSR. 1991. №7. S. 152-153.
6. Orlov A.I. Sociologicheskij prognoz razvitiya rossijskoj nauki na 1993-1995 gg. / Mezhdunarodnaya gazeta «Nauka i tekhnologiya v Rossii». Iyun' 1993 g. №1. S. 29-29.
7. Orlov A.I. Nauka kak ob"ekt upravleniya // Nauchnyj zhurnal KubGAU. 2014. № 101. S. 1243 – 1273.
8. Orlov A.I. O klyuchevyh pokazatelyah effektivnosti nauchnoj deyatel'nosti // Nauchnyj zhurnal KubGAU. 2015. № 111. S. 81 - 112.
9. Lucenko E.V., Orlov A.I. Kolichestvennaya ocenka stepeni manipulirovaniya indeksom Hirsha i ego modifikaciya, ustojchivaya k manipulirovaniyu // Nauchnyj zhurnal KubGAU. 2016. № 121. S. 202–234.
10. Lucenko E.V., Orlov A.I., Gluhov V.A. Naukometricheskaya intellektual'naya izmeritel'naya sistema po dannym RINC na osnove ASK-analiza i sistemy "Ejdos" // Nauchnyj zhurnal KubGAU. 2016. № 122. S. 157–212.
11. Orlov A.I. CHislo citirovanij - klyuchevoj pokazatel' effektivnosti nauchnoj deyatel'nosti issledovatelya i organizacii // Nauchnyj zhurnal KubGAU. 2016. № 124. S. 984–1009.
12. Orlov A.I. Statisticheskie i ekspertnye metody v zadachah ekonomiki i upravleniya naukoj // Nauchnyj zhurnal KubGAU. 2021. №166. S. 1–35.
13. Orlov A.I. Kriterii vybora pokazatelej effektivnosti nauchnoj deyatel'nosti / Kontrolling. 2013. №3(49). S.72-78.
14. Orlov A.I. Statisticheskie i ekspertnye metody naukometrii pri upravlenii nauchnoj deyatel'nost'yu. Biocosmology – neo-Aristotelism. 2019. V.9, № 3-4. S. 308-329.
15. Orlov A.I. Vred orientacii na bazy dannyh SCOPUS i WEB OF SCIENCE. Rossiya: Tendencii i perspektivy razvitiya. Ezhegodnik. Vyp. 16: Materialy XX Nacional'noj nauchnoj konferencii s mezhdunarodnym uchastiem «Modernizaciya Rossii: prioritety, problemy, resheniya». CH. 1. // Otv. red. V.I. Gerasimov. – M.: RAN. INION. Otd. nauch. sotrudnichestva, 2021. –– S. 835-840.
16. Orlov A.I. Ekonometrika. Uchebnik dlya vuzov. — M.: Ekzamen, 2002 (1-e izd.), 2003 (2-e izd.), 2004 (3-e izd.). — 576 s.
17. Orlov A.I. Ekonometrika. Izd. 4-e, dop. i pererab. Uchebnik dlya vuzov. — Rostov-na-Donu: Feniks, 2009. — 572 s.
18. Agalarov Z.S., Orlov A.I. Ekonometrika. Uchebnik. - M.: Izdatel'sko-torgovaya korporaciya «Dashkov i K°», 2021. — 380 s.
19. Orlov A.I. Matematika nechetkosti // Nauka i zhizn'. 1982. №7. S. 60-67.
20. Orlov A.I. Matematicheskie modeli otdel'nyh storon obucheniya matematike. Sb. nauchno-metodicheskih statej po matematike. (Problemy prepodavaniya matematiki v vuzah.) Vyp.7. - M.: Vysshaya shkola. 1978. - S. 28-34.
21. Orlov A.I. Metodologiya modelirovaniya processov upravleniya v social'no-ekonomicheskih sistemah. Nauchnyj zhurnal KubGAU. 2014. №101. S. 166–196.
22. Orlov A.I. Organizacionno-ekonomicheskoe modelirovanie : uchebnik : v 3 ch. CH.2. Ekspertnye ocenki. — M.: Izd-vo MGTU im. N. E. Baumana. 2011. — 486 s.
23. Orlov A.I. Organizacionno-ekonomicheskoe modelirovanie i iskusstvennyj intellekt v cifrovoj ekonomike (na primere upravleniya kachestvom) // Nauchnyj zhurnal KubGAU. 2021. №169. S.216–242.
24. Orlov A.I. Organizacionno-ekonomicheskoe modelirovanie i iskusstvennyj intellekt v organizacii proizvodstva v epohu cifrovoj ekonomiki // Innovacii v menedzhmente. 2021. № 2(28). S. 36-45.
25. Grinchenko S.N. YAvlyaetsya li mirovaya nauka “organizmom”? Biocosmology – neo-Aristotelism. 2014. Vol.4, Nos.1 & 2, S.115-122.
26. Milek O.V., SHmerling D.S. [2013] O prodvizhenii universiteta na mezhdunarodnom akademicheskom «Rynke». Upravlenie bol'shimi sistemami: sbornik trudov, vyp.44. Naukometriya i ekspertiza v upravlenii naukoj: sbornik statej / Pod red. D.A. Novikova, A.I. Orlova, P.YU. CHebotareva. - M.: Institut problem upravleniya RAN, 2013. - S.139 - 143.
27. Hromov G.S. Nauka, kotoruyu my teryaem. - M.: Kosmoinform, 1995. - 104 s.
28. Novikov D.A. Kibernetika: Navigator. Istoriya kibernetiki, sovremennoe sostoyanie, perspektivy razvitiya. - M.: LENAND, 2016. - 160 s.
29. YAblonskij A.I. Matematicheskie modeli v issledovanii nauki. - M.: Nauka, 1986. - 352 s.


Вернуться наверх
 Профиль  
 
 Заголовок сообщения: Re: Аннотации новых статей А.И. Орлова
СообщениеДобавлено: Вс дек 12, 2021 9:52 am 
Не в сети

Зарегистрирован: Вт сен 28, 2004 11:58 am
Сообщений: 11577
1196. Муравьева В.С., Орлов А.И. Основные составляющие организационно-экономического моделирования // Научный журнал КубГАУ. 2021. №172. С. 182–207.
http://ej.kubagro.ru/2021/08/pdf/11.pdf


УДК 519.2:005.521:633.1:004.8 UDC 519.2:005.521:633.1:004.8

08.00.13 Математические и инструментальные методы экономики (экономические науки) 08.00.13 Mathematical and instrumental methods of Economics

ОСНОВНЫЕ СОСТАВЛЯЮЩИЕ ОРГАНИЗАЦИОННО-ЭКОНОМИЧЕСКОГО МОДЕЛИРОВАНИЯ MAIN COMPONENTS OF ORGANIZATIONAL AND ECONOMIC MODELING

Муравьева Виктория Сергеевна
к.э.н., доцент Muravyeva Victoria Sergeevna
Cand.Econ.Sci., associate professor

Орлов Александр Иванович
д.э.н., д.т.н., к.ф.-м.н., профессор
РИНЦ SPIN-код: 4342-4994 Orlov Alexander Ivanovich
Dr.Sci.Econ., Dr.Sci.Tech., Cand.Phys-Math.Sci., professor
Московский государственный технический университет им. Н.Э. Баумана, Россия, 105005, Москва, 2-я Бауманская ул., 5, prof-orlov@mail.ru
Bauman Moscow State Technical University, Moscow, Russia

Организационно-экономическое моделирование (ОЭМ) – научная, практическая и учебная дисциплина, посвященная разработке, изучению и применению математических и статистических методов и моделей в экономике и управлении народным хозяйством, прежде всего промышленными предприятиями и их объединениями. В рамках ОЭМ выполнены, по нашей оценке, миллионы научных работ. В частности, в нее можно включить прикладную статистику и другие статистические методы, эконометрику, теорию и практику экспертных оценок, многие разделы математических и инструментальных методов экономики. Следующие поколения исследователей, преподавателей и практических работникам овладевают накопленным багажом прежде всего при получении образования, т.е. с помощью учебных курсов, учебников и другой учебно-методической литературы. Поэтому целесообразно выделение основного набора составляющих организационно-экономического моделирования, включаемых в учебные курсы и учебники. В статье представлено наше видение набора составляющих курса ОЭМ на основе опыта его реализации. Раскрыто содержание авторского курса ОЭМ. На примере классической модели управления запасами рассматриваем основные проблемы разработки и применения экономико-математических моделей (необходимость строгой формулировки задачи оптимизации, значение асимптотически оптимальных планов, влияние неопределенностей значений параметров). Проанализировано принятие решений в условиях неопределенности. Теория измерений применяется для выбора средних величин. Рассмотрен анализ экспертных упорядочений. Дано представление о новой парадигме ОЭМ, солидарной информационной экономике, реконструкции истории методами ОЭМ. Обобщенные показатели (рейтинги) и задачи классификации изучаются в рамках статистики нечисловых данных. На основе текущей информации проводится непосредственный анализ статистических данных. Дано представление об актуальных обсуждениях на мировых экономических форумах. Подробности раскрыты в публикациях, включенных в обширный список литературных источников, основная часть которого - статьи в "Научном журнале КубГАУ". В ОЭМ входят современные модели и методы системной нечеткой интервальной математики и статистики нечисловых данных - основы математики XXI века Organizational and economic modeling (OEM) is a scientific, practical and academic discipline devoted to the development, study and application of mathematical and statistical methods and models in economics and management of the national economy, primarily industrial enterprises and their associations. In the framework of OEM, millions of scientific works have been completed, according to our estimates. In particular, it can include applied statistics and other statistical methods, econometrics, theory and practice of expert estimations, many sections of mathematical and instrumental methods of economics. The next generations of researchers, teachers, and practitioners are taking possession of the accumulated baggage, first of all, when acquiring education, i.e. with the help of training courses, textbooks and other educational and methodological literature. Therefore, it is advisable to single out the main set of components of organizational and economic modeling included in training courses and textbooks. The article presents our vision of the set of components of the OEM course based on the experience of its implementation. The content of the original OEM course is disclosed. Using the example of the classical model of inventory management, we consider the main problems of the development and application of economic and mathematical models (the need for a strict formulation of the optimization problem, the value of asymptotically optimal plans, the influence of uncertainties in parameter values). Decision making under conditions of uncertainty is analyzed. Measurement theory is used to select average values. The work also considers the analysis of expert orderings and gives the idea of a new paradigm of OEM, solidary information economy and reconstruction of history by the methods of OEM. Generalized indicators (ratings) and classification tasks are studied in the framework of statistics of non-numerical data. Based on current information, we have carried out a direct analysis of statistical data and given an idea of the current discussions at world economic forums. Details are disclosed in publications included in an extensive list of literary sources, the main part of which is articles in the "Scientific journal of KubSAU". The OEM includes modern models and methods of system fuzzy interval mathematics and statistics of non-numerical data - the foundations of mathematics of the XXI century

Ключевые слова: УПРАВЛЕНИЕ, ЭКОНОМИКА. МАТЕМАТИКА, МОДЕЛИРОВАНИЕ, ОБРАЗОВАНИЕ, СТАТИСТИЧЕСКИЕ МЕТОДЫ, ПРИНЯТИЕ РЕШЕНИЙ, ЭКСПЕРТНЫЕ ОЦЕНКИ

DOI: http://dx.doi.org/10.21515/1990-4665-172-011
Keywords: MANAGEMENT, ECONOMICS, MATHEMATICS, MODELING, EDUCATION, STATISTICAL METHODS, DECISION MAKING, EXPERT ESTIMATION


СОДЕРЖАНИЕ
1. Введение. Организационно-экономическое моделирование как научная, практическая и учебная дисциплина
2. Классическая модель управления запасами
3. Принятие решений в условиях неопределенности
4. Теория измерений и средние величины
5. Анализ экспертных упорядочений
6. Новая парадигма организационно-экономического моделирования и ее значение
7. Солидарная информационная экономика
8. Реконструкция истории на основе применения организационно-экономического моделирования и ее роль при принятии решений в современных условиях
9. Обобщенные показатели (рейтинги) и задачи классификации
10. Элементы статистики нечисловых данных
11. Непосредственный анализ статистических данных
12. Актуальные обсуждения на мировых экономических форумах
13. Выводы
Литература
___________________________________________________________

1. Введение
При решении задач управления в социально-экономических системах применяют различные интеллектуальные организационно-экономические инструменты (см., например, [1, 2]). Многообразие таких инструментов и составляет основное содержание научной, практической и учебной дисциплины, которая известна под названием "Организационно-экономические моделирование". Приведем её определение.
Организационно-экономическое моделирование (ОЭМ) – научная, практическая и учебная дисциплина, посвященная разработке, изучению и применению математических и статистических методов и моделей в экономике и управлении народным хозяйством, прежде всего промышленными предприятиями и их объединениями [3]. Поиск по Интернету демонстрирует, что это определение является общепризнанным.
Теоретические и прикладные исследования по организационно-экономическому моделированию мы ведем уже около полувека. Отметим, что использовались другие обобщающие термины, например, экономическая кибернетика, экономико-математические методы и модели. В рамках рассматриваемой дисциплины многими исследователями выполнены, по нашей оценке, миллионы работ. В частности, в нее можно включить прикладную статистику и другие статистические методы, эконометрику, теорию и практику экспертных оценок, многие разделы математических и инструментальных методов экономики.
Следующие поколения исследователей, преподавателей и практических работникам овладевают накопленным багажом прежде всего при получении образования, т.е. с помощью учебных курсов, учебников и другой учебно-методической литературы [4]. Поэтому целесообразно выделение основного набора составляющих организационно-экономического моделирования, включаемых в учебные курсы и учебники. Рассмотрим наше видение таково набора и опыт его реализации.
Базовой организацией является кафедра ИБМ-2 «Экономика и организация производства» научно-учебного комплекса «Инженерный бизнес и менеджмент» МГТУ им. Н.Э. Баумана. На этой кафедре в конце ХХ – начале XXI вв. создана научная школа в области организационно-экономического моделирования, эконометрики и статистики [5, 6]. Преподавание соответствующих дисциплин курирует одноименная секция кафедры ИБМ-2, научные исследования ведет, в частности, Лаборатория экономико-математических методов в контроллинге Научно-образовательного центра "Контроллинг и управленческие инновации" МГТУ им. Н.Э. Баумана.
По нашим данным, необходимость в учебной дисциплине "Организационно-экономическое моделирование" появилась при введении учебных специальностей "Менеджмент высоких технологий" и затем "Инноватика". Нами был разработан авторский курс по новой дисциплине. Он преподается с 2008 г., естественно, с некоторыми ежегодными корректировками.
В издательстве МГТУ им. Н.Э. Баумана выпущена объемная научная монография "Организационно-экономическое моделирование". Она состоит из трех частей - "Нечисловая статистика" [7], "Экспертные оценки" [8], "Статистические методы анализа данных" [9] (отметим также учебник [9]). Монография допущена Учебно-методическим объединением вузов по университетскому политехническому образованию для использования в качестве учебника, на её основе разработано содержание ряда учебных курсов. Однако этот трехтомник следует рассматривать не столько как учебник, сколько как научное издание. В учебных курсах используется лишь часть включенного в него материала. Можно сказать, что он представляет собой энциклопедию по организационно-экономическому моделированию. Такая оценка трехтомника вполне соответствует концепции "Образование - через науку", принятой в МГТУ им. Н.Э. Баумана. Однако необходимо обсуждать содержание конкретных учебных курсов, как отбор для изучения тех или иных разделов из трехтомника, так и включение новых тем и разделов с целью выхода на передовой край науки. Представляется естественным включение в курс информации о научных событиях последних лет.
Инструментами решения задач контроллинга в экономике, организации производства и управлении предприятием являются соответствующие экономико-математические методы, рассматриваемые с точки зрения применения в указанных областях, а не с точки зрения чистой математики. В последние годы часто используют такие термины, как искусственный интеллект и цифровая экономика. По нашей оценке, речь идет об одном и том же научном направлении, которое мы называем здесь организационно-экономическим моделированием. Можно сменить терминологию и говорить об инструментах искусственного интеллекта или о научном обеспечении цифровой экономики.
Герой комедии Мольера «Мещанин в дворянстве», при помощи учителей натаскивающий себя на «образованность», удивляется: «Как!? Когда я говорю: Николь, принеси мне туфли и подай ночной колпак, — это проза? Скажите на милость! Сорок слишком лет говорю прозой — и невдомек!» Аналогично можно сказать, что второй из авторов этой статьи более полувека занимается проблемами искусственного интеллекта и цифровой экономики.
В настоящей статье рассматриваем организационно-экономическое моделирование как учебную дисциплину. За основу обсуждения возьмем курс для магистрантов факультета "Инженерный бизнес и менеджмент" МГТУ им. Н.Э. Баумана (второй год обучения). Рассмотрим последовательно изучаемые темы курса.

2. Классическая модель управления запасами
Экономико-математические модели - инструменты управленца и экономиста, в том числе контроллера [11, 12], позволяющие принимать обоснованные решения. Для начала курса организационно-экономического моделирования в качестве примера выбрана классическая модель управления запасами, известная как модель Вильсона. Она может быть полностью разобрана в учебном курсе, является одной из наиболее применяемых на практике организационно-экономических моделей. Эта модель подробно рассмотрена в ряде наших монографий, в частности, в главе 8 учебника [9]. Обсуждаем эту тему не с позиций логистики, а с позиций организационно-экономического моделирования (ОЭМ) с целью продемонстрировать ряд проблем, постоянно возникающих при разработке, изучении и применении экономико-математических моделей.
В теме разбираем три этапа теоретического решения задачи оптимизации, четыре шага алгоритма расчетов. изучаем отклонение издержек в плане Вильсона от издержек в оптимальном плане. Обращаем внимание на полное и строгое описание модели. Получаем, что оптимальный план управления запасами нельзя найти на основе формулы квадратного корня [13]. Отметим, что во многих публикациях, в том числе учебного характера, ошибочно утверждается, что оптимальный размер поставок дается формулой квадратного корня. Эта ошибка обычно проистекает из отсутствия строгой постановки исходной задачи оптимизации.
Поскольку оптимальное решение зависит от выбора начального и конечного моментов на оси времени, то для ОЭМ важна проблема горизонта планирования. С неопределенностью в выборе конечного момента боремся, выбирая асимптотически оптимальный план. Доказываем теорему о том, что план Вильсона асимптотически оптимален, и строим график превышения средних издержек плана Вильсона над оптимальным планом. Проблема горизонта планирования возникает в экономико-математических моделях различных экономических процессов. Часто выбор конечного момента нельзя однозначно обосновать. Следовательно, надо изучать устойчивость выводов к изменению горизонта планирования [14, 15]. Без такого исследования практические рекомендации оказываются плохо обоснованными.
Изучаем влияние на средние издержки (за целое число периодов) отклонений от оптимального объема партии (точная и приближенная формулы), а также влияние неопределенностей параметров классической модели управления запасами на объем поставки. Принцип уравнивания погрешностей из общей теории устойчивости [16, 17] позволяет на основе оцененной по статистическим данным погрешности параметра спроса выяснить необходимую точность определения других параметров. Как следствие, снимается противоречие между результатами расчетов по различным методикам (конкретно, по методикам Института материально-технического снабжения и Центрального экономико-математического института).
Рассматриваем примеры практического применения классической модели управления запасами. Оказывается, что несмотря на неточности исходных данных и различие методик расчетов применение модели Вильсона позволяет снизить затраты, связанные с доставкой и хранением, например, кальцинированной соды, не менее чем в 2 раза.
Очевидно, запасов не должны быть минимальны, как и в настоящее время иногда заявляют. Запасы должны быть оптимальны.
Классическая модель Вильсона входит в систему из 36 моделей. Из них подробнее разбираем модель с дефицитом. Оказывается, введение возможности дефицита оказывается экономически выгодным! Обсуждаем также двухуровневую модель управления запасами [18].

3. Принятие решений в условиях неопределенности
Эта тема - вводная при рассмотрении теории принятия решений [10, 19 - 21]. На примере задачи выбора одного объекта из двух обсуждаем четыре аналитических подхода (пессимистический, оптимистический, средней выгоды, минимизации максимальной упущенной выгоды) и три подхода практических работников, а также проблемы голосования экспертов [8, гл.5]. Выявляются и сравниваются организационно-экономические модели, лежащие в основе этих семи подходов, обсуждаются их положительные и отрицательные стороны с точки зрения адекватности отображения реальных ситуаций и накопленного опыта практического применения.
Демонстрируем, что различные аналитические организационно-экономические подходы могут приводит к несовпадающим рекомендациям. Казалось бы, может помочь обращение к экспертным методам, к голосованию, но и тут имеются "подводные камни". Следовательно, за принятие решений отвечает менеджер, и никакие ссылки на те или иные организационно-экономические модели и методы не могут снять с него эту ответственность.

4. Теория измерений и средние величины
Эта тема связана с прикладной статистикой и эконометрикой [22 - 25]. Анализируем сходство и различие трех видов чисел - математических, реальных и компьютерных [26, 27]. Обсуждаем необходимость рассмотрения в ОЭМ погрешностей измерений и вычислений. В частности, демонстрируем методологическую несостоятельность Росстата, постоянно завышающего точность своих данных [28]. Проводим анализ двух равносильных формул для выборочной дисперсии с точки зрения точности вычислений.
Разбираем основные понятия теории измерений (с соответствии с [7, 8, 25]). Даем определения, рассматриваем примеры, вводим группы допустимых преобразований для шкал наименований, порядковой, интервалов, отношений, разностей, абсолютной. Базовым в ОЭМ является требование устойчивости выводов относительно допустимых преобразований шкал. Это требование накладывает ограничения на выбор методов анализа данных. Например, из-за невыполнения этого требования недопустимо использовать среднее арифметическое для усреднения данных, измеренных в порядковой шкале.
Вводим различные виды и классы средних величин - средние степенные и структурные средние, средние по Коши и средние по Колмогорову, их частные виды. Обсуждаем различные методы расчета средней заработной платы для условного предприятия, демонстрируя необходимость расчета медианы, а не только среднего арифметического [8, 25].
На основе синтеза теории измерений и теории средних описываем средние, результат сравнения которых устойчив в порядковой шкале, в шкалах интервалов и отношений [29].
Обсуждаем следствия необходимости применения статистических методов в соответствии со шкалами, в которых измерены данные. В качестве примеров рассматриваем коэффициент линейной корреляции Пирсона (соответствующий в шкале интервалов) и коэффициент ранговой корреляции Спирмена (предназначенный для анализа данных, измеренных в порядковой шкале.



5. Анализ экспертных упорядочений
В качестве базовой модели экспертных оценок рассматриваем анализ экспертных упорядочений [8, гл. 4]. Исходные данные - измерения характеристик объектов экспертизы в порядковой шкале, т.е. упорядочения (кластеризованные ранжировки) - частный случай бинарных отношений.
Начинаем с перехода от ответов экспертов в виде упорядочений к таблице рангов. Разбираем метод средних (арифметических) рангов и метод медиан как способы усреднения мнений экспертов (при наличии времени проводим деловую игру, например, с целью упорядочения дней недели по субъективной тяжести на основе экспертных опросов группы учащихся).
Цель согласования кластеризованных ранжировок - выделить в них общее (совпадающие упорядочения пар объектов экспертизы), а различия заключить в кластеры (для упорядочения объектов экспертизы внутри кластеров могут быть проведены дополнительные опросы экспертов). Рассматриваем метод согласования кластеризованных ранжировок на основе выделения противоречивых пар объектов, построения графа противоречий, выделения связных компонент графа и их упорядочивания [30].
Согласование двух кластеризованных ранжировок, построенных методами средних арифметических рангов и медиан рангов, дает возможность выявить итоговое мнение комиссии экспертов. Альтернативные подходы - нахождение коллективного мнения путем расчета медианы Кемени [8, гл. 6] и на основе рейтингов (см., например, [8, гл. 11], [21], [25], [31], [32]).


6. Новая парадигма организационно-экономического моделирования и ее значение
Эту тему начинаем с краткой истории статистических методов [22, 28]. Выделяем четыре этапа развития статистики (описательная, параметрическая, непараметрическая, нечисловая). Внутри современной статистической науки выделяем четыре области (по видам данных), три основные задачи (описание данных, оценивание, проверка гипотез), пять точек роста: непараметрика, информационные технологии (бутстреп), устойчивость, статистика интервальных данных, нечисловая статистика.
Разбираем новую парадигму организационно-экономического моделирования [33 - 35]. Она соответствует исследованиям конца XX - начала XXI вв., однако была выявлена уже после выпуска трехтомника "Организационно-экономическое моделирование". Новая парадигма противопоставляется старой, середины ХХ в., основанной на широком (и зачастую не обоснованном) применении параметрических семейств распределений вероятностей (нормальных, экспоненциальных, Вейбулла - Гнеденко, гамма-распределений и др.). Проводим развернутое сравнение старой и новой парадигм [5, 6]. Отметим, что предыдущая парадигма (до начала ХХ в.) соответствует описательному этапу развития статистической науки [22, 28]. Подчеркиваем основополагающую роль методологии при построении организационно-экономических моделей, в том числе используемых в теории и практике принятия решений [36 - 38].

7. Солидарная информационная экономика
В этой теме рассматриваем современный подход к построению организационно-экономических моделей в цифровой экономике. Он реализуется на основе искусственного интеллекта, математических и инструментальных методов экономики. Этот подход развивается с 2007 г. и не отражен в базовом трехтомнике [6 - 8]. Однако начать необходимо с экономических воззрений, отражающих практику древних государств., прежде всего Древней Греции.
Как общепризнанно, Аристотель - основоположник экономической теории. Он различал экономику и хрематистику. Цель экономической деятельности - удовлетворение потребностей, цель хрематистики - выгода (прибыль). Аристотель резко выступал против хрематистики. Конечно, у него были предшественники и последователи, речь идет о научной школе, носящей его имя.
Основное течение (мейнстрим) в современной экономической науке – обоснование несостоятельности рыночной экономики и необходимости перехода к современной научно обоснованной плановой системе управления хозяйством (к цифровой экономике). Развиваются различные научные направления внутри этого мейнстрима (см., например, яркую монографию Г.Б. Клейнера [39]). Мы развиваем одно из них - солидарную информационную экономику.
В эпоху цифровой экономики значимо все возрастающее влияние информационно-коммуникационных технологий на хозяйственную деятельность. В соответствии с этим велением времени мы развиваем солидарную информационную экономику (основные положения и информация о предыдущих работах приведены в [40 - 45]).
Солидарная информационная экономика продолжает проекты кибернетиков ХХ в. - ОГАС В.М. Глушкова и КИБЕРСИН Ст. Бира. Важно, что шотландские экономисты W. Paul Cockshott и Allin F. Cottrell доказали, что к концу ХХ в. вычислительные мощности компьютеров достигли такого уровня развития, что стала реальной возможность глобальной оптимизации экономических процессов в масштабе всего Земного шара. В настоящее время развитие информационно-коммуникационных технологий должно быть направлено на выявление потребностей, в частности, на разработку ориентированных на практику хозяйственной деятельности типовых процедур принятия решений на основе сетей экспертов [8].
Соотношения организационно-экономического моделирования, цифровой экономики и искусственного интеллекта раскрыты в [46 - 48].

8. Реконструкция истории на основе применения организационно-экономического моделирования и ее роль при принятии решений в современных условиях
Начинаем тему с основных понятий и результатов теории классификации в составе организационно-экономического моделирования [7, 49, 50]. Рассматриваем методы построения новой статистической хронологии на основе статистики нечисловых данных, а именно путем введения показателей различия и применения алгоритмов кластер-анализа (см. [9, разд. 8.5], [51]). Подробно эти методы рассмотрены в монографии [52].
На основе результатов исследований научной школы акад. РАН А.Т. Фоменко (МГУ им. М.В. Ломоносова) обсуждаем основные черты реконструкции истории в соответствии с новой статистической хронологией и её значение для организации современного хозяйства. За подробностями отсылаем к официальному сайту научного направления "Новая хронология" [53].
Как пишет акад. РАН С.Ю. Глазьев: "Новая хронология Фоменко дает хорошую логическую основу для восстановления исторической памяти Русского мира... Сочетание научной теории долгосрочного социально-экономического развития как процесса последовательной смены технологических и мирохозяйственных укладов, воспринимаемых на веру традиционных духовных ценностей и новой хронологии, проясняющей историческую роль Русского мира, может стать надежной опорой для формирования консолидирующей российское общество современной идеологии. Без нее совершить рывок в технологическое будущее крайне проблематично" [54 Глазьев С.Ю., 2020]. Присоединяемся к словам С.Ю. Глазьева. По нашему мнению, новая хронология всеобщей и российской истории - основа государственно-патриотического мировоззрения [55].

9. Обобщенные показатели (рейтинги) и задачи классификации
Для упорядочения объектов экспертизы часто с помощью экспертов формируют перечень факторов, которые необходимо учитывать при построении обобщенных (или интегральных) показателей, называемых также рейтингами (или рэнкингами). Затем экспертно оценивают значения факторов для рассматриваемых объектов экспертизы. После чего по этим оценкам рассчитывают значения обобщенного показателя (обычно с помощью линейной функции с коэффициентами весомости (важности, значимости), по величинам которых и упорядочивают объекты экспертизы. Такие рейтинги называем линейными.
Проблемы построения обобщенного критерия (рейтинга) рассматриваем в ходе деловой игры "Таня Смирнова выбирает место работы". Обсуждаем методы экспертные методы расширения и сужения множества факторов, оценки весовых коэффициентов на основе иерархической системы факторов. Рассматриваем различные виды рейтингов. Базовая информация дана в учебнике [8, гл. 11] (см. также [32]). Общая теория развита в монографии В.В. Подиновского [31]. Кредитным рискам посвящена монография А.М. Карминского [56]. Применение экспертиз для оценок рисков рассмотрено в статье [57].
Во многих случаях важны бинарные рейтинги, в которых обобщенный показатель принимает только два значения, например, 0 и 1. Фактически объекты экспертизы должны быть отнесены к одному из двух классов. В связи с проблемами построения бинарных рейтингов обсуждаем основные черты теории классификации.
В математических методах теории классификации выделяем кластер-анализ (построение классификаций), анализ классификаций (с помощью методов статистики нечисловых данных) и диагностику (использование классификаций) [7, разд. 2.8]. Непараметрические методы диагностики развиваем на основе непараметрических ядерных оценок плотности распределения в пространствах произвольной природы [7, разд. 2.5]. Оценки строим по обучающим выборкам.
Параметрический дискриминантный анализ (основан Р. Фишером в 1937 г.) - это диагностика на основе линейных рейтингов. Примеры: диагностика потенциальных заемщиков в банке; скрининг при медицинском обследовании лиц с вредными условиями труда. Обсуждаем выбор показателя качества алгоритма диагностики (дискриминации). Демонстрируем недопустимость использования частоты правильных решений в качестве показателя качества алгоритма диагностики. Вводим понятие прогностической силы. Показываем, что прогностическая сила – наилучший показатель качества алгоритма диагностики [58]. Изучаем свойства прогностической силы - находим асимптотическое распределение, строим доверительные границы, разрабатываем методы проверки статистической гипотезы об обоснованности пересчета на модель линейного дискриминантного анализа [7, разд. 2.8].

10. Элементы статистики нечисловых данных
В настоящее время быстро развивается такая область прикладной статистики, как статистика нечисловых данных. Это направление было выделено как самостоятельная часть прикладной статистики в 1979 г. Первоначально она именовалась статистикой объектов нечисловой природы. Используется также сокращенное наименование - нечисловая статистика. Первая в мире монография по статистике нечисловых данных - это книга [7], выпущенная в 2009 г. К настоящему времени статистика нечисловых данных - центральная часть современной прикладной статистики [59]. В курс ОЭМ включен ряд результатов статистики нечисловых данных.
На основе экспериментальных, прикладных и теоретических исследований констатируем, что практические все распределения реальных данных являются ненормальными (см., например, [9, разд. 2.1]. Следовательно, в ОЭМ следует использовать непараметрическую статистику, преодолевшую нереалистическое предположение о том, что распределение элементов выборки входит в одно из параметрических семейств распределений (все они - частные случаи четырехпараметрического семейства распределений, введенного К. Пирсоном в начале ХХ в.). Одно из ее основных понятий - эмпирическая функция распределения. Примером методов одного из разделов непараметрической статистики - ранговой статистики - являются состоятельные критерии Смирнова и омега-квадрат для проверки абсолютной однородности двух независимых выборок (см., например, [9, разд.5.4], [60]). Типовое задание обучающимся - по выборке построить эмпирическую функцию распределения.
Центральной (наиболее общей) частью статистики нечисловых данных является статистика в пространствах произвольной природы. Для выборок, состоящих из элементов таких пространств, вводим эмпирические и теоретические среднее, обсуждаем законы больших чисел для них [7, разд. 2.1 и 2.2]. В качестве примера проводим обоснование и расчет эмпирического среднего для числовой выборки как интервала между левой и правой медианами [61].
К статистике нечисловых данных относятся также темы курса ОЭМ "Теория измерений и средние величины", "Анализ экспертных упорядочений". В рассматриваемый курс включены лишь отдельные примеры моделей и методов статистики нечисловых данных, напоминающие о соответствующих разделах ранее изученных дисциплин "Прикладная статистика" и "Эконометрика".

11. Непосредственный анализ статистических данных
Мы считаем, что нельзя ограничиваться только теоретическими результатами. Необходимо обсудить и текущую статистическую информацию о развитии социально-экономических процессов. Отметим, что эта тема требует постоянного обновления при каждой реализации курса, в то время как теоретическая часть курса стабильна, как стабильны "Элементы" Евклида или дифференциальное и интегральное исчисление Ньютона и Лейбница.
Целесообразно обсудить в курсе ОЭМ некоторые конкретные статистические данные. Так, на основе ОЭМ проводим непосредственный анализ данных официальной экономической статистики относительно динамики выпуска отдельных видов продукции (в натуральных единицах) и макроэкономических показателей в РФ. Рассматриваем временные ряды, приведенные в подготовленных ведущими специалистами монографиях [62, 64], и постоянно обновляемые нами данные о динамике макроэкономических показателей России [65].
Подчеркиваем значительное (в среднем в 4 раза) возрастание роли государства в экономике в течение ХХ в. в экономически развитых странах [20]. Роль государства в экономике оценивалась как доля расходной части бюджета страны в ее валовом внутреннем продукте.
Один из важнейших экономических ресурсов - кадровый. Рынок труда и потребительский рынок зависят от численности различных групп населения. В курсе ОЭМ кратко обсуждаем значимость демографических прогнозов в экономике для принятия стратегических решений [9, 20].

12. Актуальные обсуждения на мировых экономических форумах
В курс ОЭМ целесообразно включить краткую информацию об активно ведущихся в настоящее время дискуссиях среди специалистов, в том числе на мировых экономических форумах. Очевидно, эта информация должна постоянно обновляться.
В условиях развертывающейся цифровой революции развитие производственных сил приводит к значительному изменению производственных отношений. В частности, происходит изменение потребительского поведения - переход от владения к аренде [45], влекущий значительные изменения в народном хозяйства.
Кратко обсуждаем концепцию четвертой промышленной революции [66], переход к капитализму участия (опираясь на материалы Римского клуба [67]), дискуссии на Давосском экономическом форуме в 2020 и 2021 гг., прежде всего в соответствии с книгой о "великой перезагрузке", обоснованной основателем Давосского форума проф. К. Швабом [68].

13. Выводы
К настоящему времени направление исследований "организационно-экономическое моделирование" (ОЭМ) достаточно развито и сформировано как научная, практическая и учебная дисциплина. Об этом свидетельствует, в частности, список литературных источников в настоящей статье, включающий лишь небольшую часть публикаций по этой тематике.
В ОЭМ включают различные модели и методы, предназначенные для решения задач управления в социально-экономической области. В частности, в ОЭМ разработано многообразие инструментов решения задач контроллинга в экономике, организации производства и управлении предприятием [1, 2, 3, 11, 12]. Математические методы исследования в различных сферах деятельности опираются на ОЭМ, например, в технических и технологических исследованиях, химии, медицине, экологии, социологии и др. Отметим, что ОЭМ включает самые современные модели и методы математики и статистики - системной нечеткой математики [27] и статистики нечисловых данных [7, 59]. Мы полагаем, что системная нечеткая интервальная математика - основа математики XXI века [69].
Достаточно адекватное представление о многообразии моделей и методов ОЭМ дает авторский учебный курс "Организационно-экономическое моделирование", разработанный в Лаборатории экономико-математических методов в контроллинге Научно-образовательного центра «Контроллинг и управленческие инновации» и предназначенный для магистрантов факультета "Инженерный бизнес и менеджмент" МГТУ им. Н.Э. Баумана. Содержание этого курса кратко раскрыто в настоящей статье. За подробностями приходится отсылать к статьям и книгам, приведенным в обширном списке литературных источников. Очевидно, что конкретные позиции курса ОЭМ будут развиваться и модернизироваться. Заключительные темы курса ОЭМ предполагают ежегодное обновление информации (см. разделы 11 и 12 настоящей статьи).

Литература
1. Орлов А.И., Луценко Е.В., Лойко В.И. Перспективные математические и инструментальные методы контроллинга / под научной ред. проф. С.Г. Фалько. Монография (научное издание). – Краснодар, КубГАУ. 2015. – 600 с.
2. Орлов А.И., Луценко Е.В., Лойко В.И. Организационно-экономическое, математическое и программное обеспечение контроллинга, инноваций и менеджмента: монография / под общ. ред. С.Г. Фалько. – Краснодар : КубГАУ, 2016. – 600 с.
3. Куликова С.Ю., Муравьева В.С., Орлов А.И. Организационно-экономическое моделирование при решении задач контроллинга // Научный журнал КубГАУ. 2016. №118. С. 486–506.
4. Лойко В. И., Луценко Е. В., Орлов А. И. Современные подходы в наукометрии: монография / Под науч. ред. проф. С. Г. Фалько. – Краснодар: КубГАУ, 2017. – 532 с.
5. Орлов А.И. Отечественная научная школа в области эконометрики // Научный журнал КубГАУ. 2016. № 121. С. 235–261.
6. Орлов А.И. Отечественная научная школа в области организационно-экономического моделирования, эконометрики и статистики // Контроллинг. 2019. №73. С. 28-35.
7. . Орлов А.И. Организационно-экономическое моделирование: учебник : в 3 ч. Часть 1: Нечисловая статистика. – М.: Изд-во МГТУ им. Н.Э. Баумана. – 2009. – 541 с.
8. Орлов А.И. Организационно-экономическое моделирование : учебник : в 3 ч. Ч.2. Экспертные оценки. — М.: Изд-во МГТУ им. Н. Э. Баумана, 2011. — 486 с.
9. Орлов А.И. Организационно-экономическое моделирование : учебник : в 3 ч. Ч.3. Статистические методы анализа данных. - М.: Изд-во МГТУ им. Н.Э. Баумана, 2012. - 624 с.
10. Орлов А.И. Организационно-экономическое моделирование: теория принятия решений : учебник. — М. : КноРус, 2020. — 568 с.
11. Карминский A.M., Фалько С.Г. Контроллинг. Учебник / А.М. Карминский, С.Г. Фалько, А.А. Жевага, Н.Ю. Иванова; / под ред. A.M. Карминского, С.Г. Фалько. - М.: Финансы и статистика, 2006. - 336 с.
12. Фалько С.Г. Контроллинг для руководителей и специалистов. - М.: Финансы и статистика, 2008. - 270 с.
13. Орлов А.И. Оптимальный план управления запасами нельзя найти на основе формулы квадратного корня // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета. 2015. № 106. С. 270–300.
14. Орлов А.И. Характеризация моделей с дисконтированием // Научный журнал КубГАУ. 2019. №153. С. 202–218.
15. Орлов А.И. Существование асимптотически оптимальных планов в дискретных задачах динамического программирования // Научный журнал КубГАУ. 2020. №155. С. 147–163.
16. Орлов А.И. Новый подход к изучению устойчивости выводов в математических моделях // Научный журнал КубГАУ. 2014. № 100. С. 146-176.
17. Орлов А.И. Свойства общей схемы устойчивости // Научный журнал КубГАУ. 2020. №161. С. 121–149.
18. Орлов А.И. Асимптотика квантования, выбор числа градаций в социологических анкетах и двухуровневая модель управления запасами // Научный журнал КубГАУ. 2016. № 123. С. 660 – 687.
19. Орлов А.И. Принятие решений. Теория и методы разработки управленческих решений. Учебное пособие. — М.: ИКЦ «МарТ»; Ростов н/Д: Издательский центр «МарТ», 2005. — 496 с.
20. Орлов А.И. Теория принятия решений. Учебник для вузов. — М.: Экзамен, 2006. — 576 с.
21. Орлов А.И. Методы принятия управленческих решений: учебник. - М.: КНОРУС, 2018. - 286 с.
22. Орлов А.И. Прикладная статистика. Учебник для вузов. — М.: Экзамен, 2006. — 672 с.
23. Орлов А.И. Эконометрика. Учебник для вузов. — М.: Экзамен, 2002 (1-е изд.), 2003 (2-е изд.), 2004 (3-е изд.). — 576 с.
24. Орлов А.И. Эконометрика. Изд. 4-е, доп. и перераб. Учебник для вузов. Гриф УМО. — Ростов-на-Дону: Феникс, 2009. — 572 с.
25. Агаларов З.С., Орлов А.И. Эконометрика. Учебник. - М.: Издательско-торговая корпорация «Дашков и К°», 2021. — 380 с.
26. Левич Е. М. Математическое моделирование и компьютерная математика. - Иерусалим, 2009. - 450 с.
27. Орлов А.И., Луценко Е.В. Системная нечеткая интервальная математика. Монография (научное издание). – Краснодар, КубГАУ. 2014. – 600 с.
28. Лойко В.И., Луценко Е.В., Орлов А.И. Высокие статистические технологии и системно-когнитивное моделирование в экологии : монография. – Краснодар : КубГАУ, 2019. – 258 с.
29. Орлов А.И. Характеризация средних величин шкалами измерения // Научный журнал КубГАУ. 2017. №134. С. 877 – 907.
30. Орлов А.И. Анализ экспертных упорядочений // Научный журнал КубГАУ. 2015. № 112. С. 21–51.
31. Подиновский В.В. Идеи и методы теории важности критериев в многокритериальных задачах принятия решений. – М. : Наука, 2019. – 103 c.
32. Лындина М.И., Орлов А.И. Математическая теория рейтингов // Научный журнал КубГАУ. 2015. № 114. С. 1 – 26.
33. Орлов А.И. Основные черты новой парадигмы математической статистики // Научный журнал КубГАУ. 2013. № 90. С. 45-71.
34. Орлов А.И. Новая парадигма анализа статистических и экспертных данных в задачах экономики и управления // Научный журнал КубГАУ. 2014. № 98. С. 1254-1260.
35. Орлов А.И. О новой парадигме математических методов исследования // Научный журнал КубГАУ. 2016. №122. С. 807–832.
36. Орлов А.И. Методология моделирования процессов управления в социально-экономических системах // Научный журнал КубГАУ. 2014. № 101. С. 166–196.
37. Орлов А.И. О методологии статистических методов // Научный журнал КубГАУ. 2014. № 104. С. 53 – 80.
38. Орлов А.И. О влиянии методологии на последствия принятия решений // Научный журнал КубГАУ. 2017. № 125. С. 319 – 345.
39. Клейнер Г.Б. Системная экономика: шаги развития. Монография. Предисловие В.Л. Макарова. – М.: Издательский дом «Научная библиотека», 2021. – 746 с.
40. Орлов А.И. Солидарная информационная экономика как экономическая составляющая государственной идеологии России // Научный журнал КубГАУ. 2014. № 98. С. 1149-1160.
41. Орлов А.И. Основные идеи солидарной информационной экономики - базовой организационно-экономической теории // Научный журнал КубГАУ. 2015. № 112. С. 52 – 77.
42. Орлов А.И. Солидарная информационная экономика - экономика без рынка и денег // Научный журнал КубГАУ. 2015. № 113. С. 388 – 418.
43. Орлов А.И. О развитии солидарной информационной экономики // Научный журнал КубГАУ. 2016. №121. С. 262–291.
44. Орлов А.И. Организационно-экономическое обеспечение управления организациями и территориями с точки зрения солидарной информационной экономики // Научный журнал КубГАУ. 2016. №124. С. 926–953.
45. Орлов А.И., Сажин Ю.Б. Солидарная информационная экономика как основа новой парадигмы экономической науки // Инновации в менеджменте. 2020. №26. С. 52- 59.
46. Лойко В.И., Луценко Е.В., Орлов А.И. Современная цифровая экономика. – Краснодар: КубГАУ, 2018. – 508 с.
47. Орлов А.И. Организационно-экономическое моделирование и искусственный интеллект в цифровой экономике (на примере управления качеством) // Научный журнал КубГАУ. 2021. №169. С.216–242.
48. Орлов А.И. Организационно-экономическое моделирование и искусственный интеллект в организации производства в эпоху цифровой экономики // Инновации в менеджменте. 2021. № 2(28). С. 36-45.
49. Орлов А.И. Математические методы теории классификации // Научный журнал КубГАУ. 2014. № 95. С. 23 – 45.
50. Орлов А.И. Базовые результаты математической теории классификации // Научный журнал КубГАУ. 2015. № 110. С. 219–239.
51. Орлов А.И. Статистические методы в истории // Научный журнал КубГАУ. 2016. № 115. С. 227 – 262.
52. Фоменко А.Т. Методы статистического анализа исторических текстов. Приложения к хронологии. - М.: Крафт+Леан, 1999. - Т.1 801 с., Т.2 - 907 с.
53. Фоменко А.Т., Носовский Г.В. Официальный сайт научного направления "Новая хронология". [Электронный ресурс] URL: http://chronologia.org/ (дата обращения 19 сентября 2021 г.).
54. Глазьев С.Ю. Духовность – категория экономическая // Военно-промышленный курьер. 2020. № 35 (848). С. 1, 10.
55. Орлов А.И. Новая хронология всеобщей и российской истории - основа государственно-патриотического мировоззрения // Научный журнал КубГАУ. 2016. № 120. С. 60 – 85.
56. Карминский А.М. Кредитные рейтинги и их моделирование. — М. : Изд. дом Высшей школы экономики, 2015. — 304 с.
57. Жуков М.С., Орлов А.И., Фалько С.Г. Экспертные оценки в рисках // Контроллинг. 2017. №4 (66). С. 24-27.
58. Орлов А.И. Прогностическая сила – наилучший показатель качества алгоритма диагностики // Научный журнал КубГАУ. 2014. № 99. С. 33-–49.
59. Орлов А.И. Статистика нечисловых данных - центральная часть современной прикладной статистики // Научный журнал КубГАУ. 2020. № 156. С. 111–142.
60. Орлов А.И. Система моделей и методов проверки однородности двух независимых выборок // Научный журнал КубГАУ. 2020. №157. С. 145–169.
61. Орлов А.И. Средние величины и законы больших чисел в пространствах произвольной природы // Научный журнал КубГАУ. 2013. № 89. С. 556–586.
62. Кара-Мурза С.Г., Батчиков С.А., Глазьев С.Ю. Куда идет Россия. Белая книга реформ. — М.: Алгоритм, 2008. — 448 с.
63. Лившиц В.Н., Лившиц С.В. Системный анализ нестационарной экономики России (1992—2009): рыночные реформы, кризис, инвестиционная политика. — М.: Поли Принт Сервис, 2010. - 444 с.
64. Кара-Мурза С.Г., Гражданкин А.И. Белая книга России. Строительство, перестройка и реформы. 1950-2014. - М.: ООО «ТД Алгоритм», 2016. - 728 с.
65. Динамика макроэкономических показателей РФ [Электронный ресурс] URL: viewtopic.php?f=2&t=2580 (дата обращения 20 сентября 2021 г.).
66. Шваб К. Четвертая промышленная революция. — М.: Эксмо, 2016. - 208 с.
67. Von Weizsacker E.U., Wijkman A. 2018. Come On! Capitalism, Short-termism, Population and the Destruction of the Planet. - N.Y.: Springer Science+Business Media LLC, 2018. - 232 р.
68. Schwab K., Malleret T. COVID-19: The great reset. - Switzerland, Cologny/Geneva. World Economic Forum, Forum Publishing. 2020. - 212 pp.
69. Орлов А.И. Системная нечеткая интервальная математика - основа математики XXI века // Научный журнал КубГАУ. 2021. №165. С. 111–130.

References
1. Orlov A.I., Lucenko E.V., Lojko V.I. Perspektivnye matematicheskie i instrumental'nye metody kontrollinga / pod nauchnoj red. prof. S.G. Fal'ko. Monografiya (nauchnoe izdanie). – Krasnodar, KubGAU. 2015. – 600 s.
2. Orlov A.I., Lucenko E.V., Lojko V.I. Organizacionno-ekonomicheskoe, matematicheskoe i programmnoe obespechenie kontrollinga, innovacij i menedzhmenta: monografiya / pod obshch. red. S.G. Fal'ko. – Krasnodar : KubGAU, 2016. – 600 s.
3. Kulikova S.YU., Murav'eva V.S., Orlov A.I. Organizacionno-ekonomicheskoe modelirovanie pri reshenii zadach kontrollinga // Nauchnyj zhurnal KubGAU. 2016. №118. S. 486–506.
4. Lojko V. I., Lucenko E. V., Orlov A. I. Sovremennye podhody v naukometrii: monografiya / Pod nauch. red. prof. S. G. Fal'ko. – Krasnodar: KubGAU, 2017. – 532 s.
5. Orlov A.I. Otechestvennaya nauchnaya shkola v oblasti ekonometriki // Nauchnyj zhurnal KubGAU. 2016. № 121. S. 235–261.
6. Orlov A.I. Otechestvennaya nauchnaya shkola v oblasti organizacionno-ekonomicheskogo modelirovaniya, ekonometriki i statistiki // Kontrolling. 2019. №73. S. 28-35.
7. . Orlov A.I. Organizacionno-ekonomicheskoe modelirovanie: uchebnik : v 3 ch. CHast' 1: Nechislovaya statistika. – M.: Izd-vo MGTU im. N.E. Baumana. – 2009. – 541 s.
8. Orlov A.I. Organizacionno-ekonomicheskoe modelirovanie : uchebnik : v 3 ch. CH.2. Ekspertnye ocenki. — M.: Izd-vo MGTU im. N. E. Baumana, 2011. — 486 s.
9. Orlov A.I. Organizacionno-ekonomicheskoe modelirovanie : uchebnik : v 3 ch. CH.3. Statisticheskie metody analiza dannyh. - M.: Izd-vo MGTU im. N.E. Baumana, 2012. - 624 s.
10. Orlov A.I. Organizacionno-ekonomicheskoe modelirovanie: teoriya prinyatiya reshenij : uchebnik. — M. : KnoRus, 2020. — 568 s.
11. Karminskij A.M., Fal'ko S.G. Kontrolling. Uchebnik / A.M. Karminskij, S.G. Fal'ko, A.A. ZHevaga, N.YU. Ivanova; / pod red. A.M. Karminskogo, S.G. Fal'ko. - M.: Finansy i statistika, 2006. - 336 s.
12. Fal'ko S.G. Kontrolling dlya rukovoditelej i specialistov. - M.: Finansy i statistika, 2008. - 270 s.
13. Orlov A.I. Optimal'nyj plan upravleniya zapasami nel'zya najti na osnove formuly kvadratnogo kornya // Politematicheskij setevoj elektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta. 2015. № 106. S. 270–300.
14. Orlov A.I. Harakterizaciya modelej s diskontirovaniem // Nauchnyj zhurnal KubGAU. 2019. №153. S. 202–218.
15. Orlov A.I. Sushchestvovanie asimptoticheski optimal'nyh planov v diskretnyh zadachah dinamicheskogo programmirovaniya // Nauchnyj zhurnal KubGAU. 2020. №155. S. 147–163.
16. Orlov A.I. Novyj podhod k izucheniyu ustojchivosti vyvodov v matematicheskih modelyah // Nauchnyj zhurnal KubGAU. 2014. № 100. S. 146-176.
17. Orlov A.I. Svojstva obshchej skhemy ustojchivosti // Nauchnyj zhurnal KubGAU. 2020. №161. S. 121–149.
18. Orlov A.I. Asimptotika kvantovaniya, vybor chisla gradacij v sociologicheskih anketah i dvuhurovnevaya model' upravleniya zapasami // Nauchnyj zhurnal KubGAU. 2016. № 123. S. 660 – 687.
19. Orlov A.I. Prinyatie reshenij. Teoriya i metody razrabotki upravlencheskih reshenij. Uchebnoe posobie. — M.: IKC «MarT»; Rostov n/D: Izdatel'skij centr «MarT», 2005. — 496 s.
20. Orlov A.I. Teoriya prinyatiya reshenij. Uchebnik dlya vuzov. — M.: Ekzamen, 2006. — 576 s.
21. Orlov A.I. Metody prinyatiya upravlencheskih reshenij: uchebnik. - M.: KNORUS, 2018. - 286 s.
22. Orlov A.I. Prikladnaya statistika. Uchebnik dlya vuzov. — M.: Ekzamen, 2006. — 672 s.
23. Orlov A.I. Ekonometrika. Uchebnik dlya vuzov. — M.: Ekzamen, 2002 (1-e izd.), 2003 (2-e izd.), 2004 (3-e izd.). — 576 s.
24. Orlov A.I. Ekonometrika. Izd. 4-e, dop. i pererab. Uchebnik dlya vuzov. Grif UMO. — Rostov-na-Donu: Feniks, 2009. — 572 s.
25. Agalarov Z.S., Orlov A.I. Ekonometrika. Uchebnik. - M.: Izdatel'sko-torgovaya korporaciya «Dashkov i K°», 2021. — 380 s.
26. Levich E. M. Matematicheskoe modelirovanie i komp'yuternaya matematika. - Ierusalim, 2009. - 450 s.
27. Orlov A.I., Lucenko E.V. Sistemnaya nechetkaya interval'naya matematika. Monografiya (nauchnoe izdanie). – Krasnodar, KubGAU. 2014. – 600 s.
28. Lojko V.I., Lucenko E.V., Orlov A.I. Vysokie statisticheskie tekhnologii i sistemno-kognitivnoe modelirovanie v ekologii : monografiya. – Krasnodar : KubGAU, 2019. – 258 s.
29. Orlov A.I. Harakterizaciya srednih velichin shkalami izmereniya // Nauchnyj zhurnal KubGAU. 2017. №134. S. 877 – 907.
30. Orlov A.I. Analiz ekspertnyh uporyadochenij // Nauchnyj zhurnal KubGAU. 2015. № 112. S. 21–51.
31. Podinovskij V.V. Idei i metody teorii vazhnosti kriteriev v mnogokriterial'nyh zadachah prinyatiya reshenij. – M. : Nauka, 2019. – 103 c.
32. Lyndina M.I., Orlov A.I. Matematicheskaya teoriya rejtingov // Nauchnyj zhurnal KubGAU. 2015. № 114. S. 1 – 26.
33. Orlov A.I. Osnovnye cherty novoj paradigmy matematicheskoj statistiki // Nauchnyj zhurnal KubGAU. 2013. № 90. S. 45-71.
34. Orlov A.I. Novaya paradigma analiza statisticheskih i ekspertnyh dannyh v zadachah ekonomiki i upravleniya // Nauchnyj zhurnal KubGAU. 2014. № 98. S. 1254-1260.
35. Orlov A.I. O novoj paradigme matematicheskih metodov issledovaniya // Nauchnyj zhurnal KubGAU. 2016. №122. S. 807–832.
36. Orlov A.I. Metodologiya modelirovaniya processov upravleniya v social'no-ekonomicheskih sistemah // Nauchnyj zhurnal KubGAU. 2014. № 101. S. 166–196.
37. Orlov A.I. O metodologii statisticheskih metodov // Nauchnyj zhurnal KubGAU. 2014. № 104. S. 53 – 80.
38. Orlov A.I. O vliyanii metodologii na posledstviya prinyatiya reshenij // Nauchnyj zhurnal KubGAU. 2017. № 125. S. 319 – 345.
39. Klejner G.B. Sistemnaya ekonomika: shagi razvitiya. Monografiya. Predislovie V.L. Makarova. – M.: Izdatel'skij dom «Nauchnaya biblioteka», 2021. – 746 s.
40. Orlov A.I. Solidarnaya informacionnaya ekonomika kak ekonomicheskaya sostavlyayushchaya gosudarstvennoj ideologii Rossii // Nauchnyj zhurnal KubGAU. 2014. № 98. S. 1149-1160.
41. Orlov A.I. Osnovnye idei solidarnoj informacionnoj ekonomiki - bazovoj organizacionno-ekonomicheskoj teorii // Nauchnyj zhurnal KubGAU. 2015. № 112. S. 52 – 77.
42. Orlov A.I. Solidarnaya informacionnaya ekonomika - ekonomika bez rynka i deneg // Nauchnyj zhurnal KubGAU. 2015. № 113. S. 388 – 418.
43. Orlov A.I. O razvitii solidarnoj informacionnoj ekonomiki // Nauchnyj zhurnal KubGAU. 2016. №121. S. 262–291.
44. Orlov A.I. Organizacionno-ekonomicheskoe obespechenie upravleniya organizaciyami i territoriyami s tochki zreniya solidarnoj informacionnoj ekonomiki // Nauchnyj zhurnal KubGAU. 2016. №124. S. 926–953.
45. Orlov A.I., Sazhin YU.B. Solidarnaya informacionnaya ekonomika kak osnova novoj paradigmy ekonomicheskoj nauki // Innovacii v menedzhmente. 2020. №26. S. 52- 59.
46. Lojko V.I., Lucenko E.V., Orlov A.I. Sovremennaya cifrovaya ekonomika. – Krasnodar: KubGAU, 2018. – 508 s.
47. Orlov A.I. Organizacionno-ekonomicheskoe modelirovanie i iskusstvennyj intellekt v cifrovoj ekonomike (na primere upravleniya kachestvom) // Nauchnyj zhurnal KubGAU. 2021. №169. S.216–242.
48. Orlov A.I. Organizacionno-ekonomicheskoe modelirovanie i iskusstvennyj intellekt v organizacii proizvodstva v epohu cifrovoj ekonomiki // Innovacii v menedzhmente. 2021. № 2(28). S. 36-45.
49. Orlov A.I. Matematicheskie metody teorii klassifikacii // Nauchnyj zhurnal KubGAU. 2014. № 95. S. 23 – 45.
50. Orlov A.I. Bazovye rezul'taty matematicheskoj teorii klassifikacii // Nauchnyj zhurnal KubGAU. 2015. № 110. S. 219–239.
51. Orlov A.I. Statisticheskie metody v istorii // Nauchnyj zhurnal KubGAU. 2016. № 115. S. 227 – 262.
52. Fomenko A.T. Metody statisticheskogo analiza istoricheskih tekstov. Prilozheniya k hronologii. - M.: Kraft+Lean, 1999. - T.1 801 s., T.2 - 907 s.
53. Fomenko A.T., Nosovskij G.V. Oficial'nyj sajt nauchnogo napravleniya "Novaya hronologiya". [Elektronnyj resurs] URL: http://chronologia.org/ (data obrashcheniya 19 sentyabrya 2021 g.).
54. Glaz'ev S.YU. Duhovnost' – kategoriya ekonomicheskaya // Voenno-promyshlennyj kur'er. 2020. № 35 (848). S. 1, 10.
55. Orlov A.I. Novaya hronologiya vseobshchej i rossijskoj istorii - osnova gosudarstvenno-patrioticheskogo mirovozzreniya // Nauchnyj zhurnal KubGAU. 2016. № 120. S. 60 – 85.
56. Karminskij A.M. Kreditnye rejtingi i ih modelirovanie. — M. : Izd. dom Vysshej shkoly ekonomiki, 2015. — 304 s.
57. ZHukov M.S., Orlov A.I., Fal'ko S.G. Ekspertnye ocenki v riskah // Kontrolling. 2017. №4 (66). S. 24-27.
58. Orlov A.I. Prognosticheskaya sila – nailuchshij pokazatel' kachestva algoritma diagnostiki // Nauchnyj zhurnal KubGAU. 2014. № 99. S. 33-–49.
59. Orlov A.I. Statistika nechislovyh dannyh - central'naya chast' sovremennoj prikladnoj statistiki // Nauchnyj zhurnal KubGAU. 2020. № 156. S. 111–142.
60. Orlov A.I. Sistema modelej i metodov proverki odnorodnosti dvuh nezavisimyh vyborok // Nauchnyj zhurnal KubGAU. 2020. №157. S. 145–169.
61. Orlov A.I. Srednie velichiny i zakony bol'shih chisel v prostranstvah proizvol'noj prirody // Nauchnyj zhurnal KubGAU. 2013. № 89. S. 556–586.
62. Kara-Murza S.G., Batchikov S.A., Glaz'ev S.YU. Kuda idet Rossiya. Belaya kniga reform. — M.: Algoritm, 2008. — 448 s.
63. Livshic V.N., Livshic S.V. Sistemnyj analiz nestacionarnoj ekonomiki Rossii (1992—2009): rynochnye reformy, krizis, investicionnaya politika. — M.: Poli Print Servis, 2010. - 444 s.
64. Kara-Murza S.G., Grazhdankin A.I. Belaya kniga Rossii. Stroitel'stvo, perestrojka i reformy. 1950-2014. - M.: OOO «TD Algoritm», 2016. - 728 s.
65. Dinamika makroekonomicheskih pokazatelej RF [Elektronnyj resurs] URL: viewtopic.php?f=2&t=2580 (data obrashcheniya 20 sentyabrya 2021 g.).
66. SHvab K. CHetvertaya promyshlennaya revolyuciya. — M.: Eksmo, 2016. - 208 s.
67. Von Weizsacker E.U., Wijkman A. 2018. Come On! Capitalism, Short-termism, Population and the Destruction of the Planet. - N.Y.: Springer Science+Business Media LLC, 2018. - 232 r.
68. Schwab K., Malleret T. COVID-19: The great reset. - Switzerland, Cologny/Geneva. World Economic Forum, Forum Publishing. 2020. - 212 pp.
69. Orlov A.I. Sistemnaya nechetkaya interval'naya matematika - osnova matematiki XXI veka // Nauchnyj zhurnal KubGAU. 2021. №165. S. 111–130.


Вернуться наверх
 Профиль  
 
 Заголовок сообщения: Re: Аннотации новых статей А.И. Орлова
СообщениеДобавлено: Сб дек 18, 2021 2:15 pm 
Не в сети

Зарегистрирован: Вт сен 28, 2004 11:58 am
Сообщений: 11577
Вышли 11 книг А.И. Орлова (№№ 1198 - 1207 в "Общем списке трудов"). Помещаем информацию от издателя.

Об издательском холдинге
Группа компаний IPR MEDIA, представленная тремя крупными российскими издательствами «Ай Пи Ар Медиа» («IPR MEDIA»), «Вузовское образование», «Профобразование» более 15 лет занимается изданием актуальной учебной и научной литературы (на русском и иностранных языках) для обеспечения образовательного процесса в учебных заведениях России и зарубежных стран по всем направлениям высшего образования, специальностям и профессиям среднего профессионального образования, дополнительного образования, а также профессиональной литературы для практикующих специалистов.
На сегодняшний день издательствами выпущено более 6000 наименований (учебников, учебных пособий, монографий) в печатном и электронном виде, по которым учатся студенты и работают преподаватели более 1000 учебных заведений страны.
Компании являются также разработчиками крупнейших электронных образовательных ресурсов для учебных заведений - электронно-библиотечной системы IPR SMART (https://ipr-smart.ru/), занимающей лидирующие позиции среди российских полнотекстовых баз данных, Электронного ресурса цифровой образовательной среды СПО PROFобразование (https://profspo.ru), платформы «Русский как иностранный» (https://ros-edu.ru), адаптивных технологий для обучения людей с ограниченными возможностями зрения (программа невизуального доступа к информации WV-Reader, версии сайта для слабовидящих, получившие одобрение Всероссийского общества слепых) и других сертифицированных программных продуктов и разработок в сфере информационных, библиотечных, образовательных технологий.

Книги профессора Орлова Александра Ивановича, размещенные в нашей основной электронно-библиотечной системе IPR SMART (https://ipr-smart.ru/):

1. Искусственный интеллект: нечисловая статистика : учебник / А. И. Орлов. — Москва : Ай Пи Ар Медиа, 2022. — 446 c. — ISBN 978-5-4497-1435-0. — Текст : электронный // IPR SMART : [сайт]. — URL: https://ipr-smart.ru/117028.html
2. Искусственный интеллект: cтатистические методы анализа данных : учебник / А. И. Орлов. — Москва : Ай Пи Ар Медиа, 2022. — 843 c. — ISBN 978-5-4497-1470-1. — Текст : электронный // IPR SMART : [сайт]. — URL: https://ipr-smart.ru/117029.html
3. Искусственный интеллект: экспертные оценки : учебник / А. И. Орлов. — Москва : Ай Пи Ар Медиа, 2022. — 436 c. — ISBN 978-5-4497-1469-5. — Текст : электронный // IPR SMART : [сайт]. — URL: https://ipr-smart.ru/117030.html
4. Основы теории принятия решений : учебное пособие / А. И. Орлов. — Москва : Ай Пи Ар Медиа, 2022. — 66 c. — ISBN 978-5-4497-1423-7. — Текст : электронный // IPR SMART : [сайт]. — URL: https://ipr-smart.ru/117037.html
5. Прикладной статистический анализ : учебник / А. И. Орлов. — Москва : Ай Пи Ар Медиа, 2022. — 812 c. — ISBN 978-5-4497-1480-0. — Текст : электронный // IPR SMART : [сайт]. — URL: https://ipr-smart.ru/117038.html
6. - Проблемы управления экологической безопасностью : учебное пособие / А. И. Орлов. — Москва : Ай Пи Ар Медиа, 2022. — 224 c. — ISBN 978-5-4497-1424-4. — Текст : электронный // IPR SMART : [сайт]. — URL: https://ipr-smart.ru/117039.html
7. Теория принятия решений : учебник / А. И. Орлов. — Москва : Ай Пи Ар Медиа, 2022. — 826 c. — ISBN 978-5-4497-1467-1. — Текст : электронный // IPR SMART : [сайт]. — URL: https://ipr-smart.ru/117047.html
8. Устойчивые экономико-математические методы и модели : монография / А. И. Орлов. — Москва : Ай Пи Ар Медиа, 2022. — 337 c. — ISBN 978-5-4497-1459-6. — Текст : электронный // IPR SMART : [сайт]. — URL: https://ipr-smart.ru/117049.html
9. Экспертные оценки : учебное пособие / А. И. Орлов. — Москва : Ай Пи Ар Медиа, 2022. — 57 c. — ISBN 978-5-4497-1420-6. — Текст : электронный // IPR SMART : [сайт]. — URL: https://ipr-smart.ru/117053.html
10. Эконометрика : учебник / Агаларов З.С., Орлов А.И.. — Москва : Дашков и К, 2021. — 380 c. — ISBN 978-5-394-04075-7. — Текст : электронный // IPR SMART : [сайт]. — URL: https://ipr-smart.ru/107834.html
11. Эконометрика : учебное пособие / Орлов А.И.. — Москва, Саратов : Интернет-Университет Информационных Технологий (ИНТУИТ), Ай Пи Ар Медиа, 2020. — 676 c. — ISBN 978-5-4497-0362-0. — Текст : электронный // IPR SMART : [сайт]. — URL: https://ipr-smart.ru/89481.html

Издания доступны для просмотра только авторизованным пользователям. Если ВУЗ подписан на нашу ЭБС для авторизации необходимо обратиться в библиотеку для получения логина и пароля.

Кроме того в настоящее время компания IPR MEDIA при поддержке Агентства стратегических инициатив, Университета Иннополис и Российской государственной библиотеки реализует масштабную Всероссийскую инициативу по развитию университетских и научных знаний IPR TRANSFER, целью которой является создание Библиотеки цифрового университета с образовательным контентом по информационным и сквозным цифровым технологиям для обеспечения актуализированных и новых образовательных модулей и дисциплин, предусматривающих формирование цифровых компетенций.

Книги профессора Орлова Александра Ивановича, которые планируются к размещению на платформе Библиотеки цифрового университета (https://datalib.ru ):
- Искусственный интеллект: нечисловая статистика : учебник / А. И. Орлов. — Москва : Ай Пи Ар Медиа, 2022. — 446 c. — ISBN 978-5-4497-1435-0. — Текст : электронный // IPR SMART : [сайт]. — URL: https://ipr-smart.ru/117028.html

- Искусственный интеллект: cтатистические методы анализа данных : учебник / А. И. Орлов. — Москва : Ай Пи Ар Медиа, 2022. — 843 c. — ISBN 978-5-4497-1470-1. — Текст : электронный // IPR SMART : [сайт]. — URL: https://ipr-smart.ru/117029.html

- Искусственный интеллект: экспертные оценки : учебник / А. И. Орлов. — Москва : Ай Пи Ар Медиа, 2022. — 436 c. — ISBN 978-5-4497-1469-5. — Текст : электронный // IPR SMART : [сайт]. — URL: https://ipr-smart.ru/117030.html


Вернуться наверх
 Профиль  
 
 Заголовок сообщения: Re: Аннотации новых статей А.И. Орлова
СообщениеДобавлено: Сб дек 25, 2021 1:26 pm 
Не в сети

Зарегистрирован: Вт сен 28, 2004 11:58 am
Сообщений: 11577
1194. Орлов А.И. Математические методы исследования рисков (обобщающая статья) // Заводская лаборатория. Диагностика материалов. 2021. Т.87. № 11. С. 70-80.


УДК 519.2

МАТЕМАТИЧЕСКИЕ МЕТОДЫ ИССЛЕДОВАНИЯ РИСКОВ
(Обобщающая статья)

© Александр Иванович Орлов
Московский государственный технический университет им. Н.Э. Баумана, Россия, 105005, Москва, Бауманская 2-я, д. 5; e-mail: prof-orlov@mail.ru

Определяем риск как нежелательную возможность. Делим теорию риска на три области - анализ риска, оценка риска, управление риском. Безопасность и риск непосредственно связаны между собой, являясь как бы «зеркальным отражением» друг друга. Считаем необходимым развивать как общую теорию риска, так и частные теории риска в конкретных областях. Общая теория риска позволяет единообразно подходить к анализу, оценке и управлению рисками в конкретных ситуациях. В настоящее время используют три основных подхода к учету неопределенности и описанию рисков - вероятностно-статистический, с помощью нечетких множеств, на основе интервальной математики. Рассмотрены методы оценки рисков, прежде всего основанные на вероятностно-статистических моделях. Математический аппарат оценки и управления рисками основан на непараметрических постановках и предельных соотношениях, широко используется многокритериальная оптимизация. Асимптотические непараметрические точечные оценки и доверительные границы для вероятности рискового события построены на основе биномиального распределения и распределения Пуассона. Предложены правила проверки статистических гипотез о равенстве (или различии) двух вероятностей рисковых событий. Широкое распространение получила аддитивно-мультипликативная модель оценки рисков на основе иерархической системы рисков, основанная на трехуровневой системе рисков: частные риски - групповые риски - итоговый риск. Для этой модели выявлена роль экспертных оценок. Показана перспективность использования (в будущем) теории нечетких множеств. Рассказано об основных составляющих математического аппарата теории рисков, в частности, о математическом обеспечении частных теорий рисков, относящихся к управлению качеством, инновациями и инвестициями. Простейшая оценка риска в вероятностно-статистической модели - это произведение вероятности рискового события и математического ожидания случайного ущерба. Обсуждаются математические и инструментальные методы исследования глобальных экономических и экологических рисков.

Ключевые слова: риск, математические методы, вероятность, прикладная статистика, аддитивно-мультипликативная модель, экспертные оценки.


Вернуться наверх
 Профиль  
 
 Заголовок сообщения: Re: Аннотации новых статей А.И. Орлова
СообщениеДобавлено: Сб янв 01, 2022 5:09 pm 
Не в сети

Зарегистрирован: Вт сен 28, 2004 11:58 am
Сообщений: 11577
1210. Куликова С.Ю., Муравьева В.С., Орлов А.И. Структура современной эконометрики в ее преподавании // Актуальные вопросы экономики, менеджмента и инноваций: материалы Международной научно-практической конференции. – Нижегород. гос. техн. ун-т им. Р.Е. Алексеева. – Нижний Новгород, 2021. – С. 304-316.

СТРУКТУРА СОВРЕМЕННОЙ ЭКОНОМЕТРИКИ В ЕЕ ПРЕПОДАВАНИИ

Куликова Светлана Юрьевна
МГТУ им. Н.Э. Баумана
coolsvet@mail.ru
Муравьева Виктория Сергеевна
МГТУ им. Н.Э. Баумана
murvicky@mail.ru
Орлов Александр Иванович,
МГТУ им. Н.Э. Баумана
prof-orlov@mail.ru

THE STRUCTURE OF MODERN ECONOMETRICS IN ITS TEACHING

Kulikova Svetlana Yurievna
Bauman Moscow State Technical University
coolsvet@mail.ru
Muravyeva Victoria Sergeevna
Bauman Moscow State Technical University
murvicky@mail.ru
Orlov Alexander Ivanovich,
Bauman Moscow State Technical University
prof-orlov@mail.ru

В современных условиях эконометрика как научная, практическая и учебная дисциплина становится всё более востребованной. Современная эконометрика - неотъемлемая составляющая научного обеспечения искусственного интеллекта и цифровой экономики. Методы эконометрики составляют значительную часть инструментов контроллинга. При ее преподавании весьма важно преодолеть оковы устаревших взглядов ХХ в., излагая современную эконометрику. Полезным является опыт двадцатилетней реализации авторской программы по эконометрике на факультете "Инженерный бизнес и менеджмент" МГТУ им. Н.Э. Баумана. Основные составляющие современной эконометрики представлены в разработанном нами учебном курсе, которому и посвящена настоящая статья.
In modern conditions, econometrics as a scientific, practical and academic discipline is becoming more and more in demand. Modern econometrics is an integral part of the scientific support of artificial intelligence and the digital economy. Econometrics methods are a significant part of controlling tools. When teaching it, it is very important to overcome the rigidity of outdated views of the twentieth century, setting out modern econometrics. The twenty year implementation experience of the author program in econometrics at the Faculty of Engineering Business and Management of the Bauman Moscow State Technical University is useful. The main components of modern econometrics are presented in our training course described by this paper.

Ключевые слова: управление; экономика; эконометрика; моделирование; образование; контроллинг; статистические методы; экспертные оценки.
Keywords: management; economics; econometrics; modeling; education; controlling; statistical methods; expert estimations.

Введение
Важным видом инноваций в высшем образовании являются авторские курсы учебных дисциплин, новизна которых состоит во введении в преподавание современных научных результатов. Главный принцип обучения специалистов в МГТУ им. Н.Э. Баумана «образование через науку» реализуется, в частности, путем разработки содержания подобных курсов. В настоящей работе представлена информация об инновационном курсе эконометрики.
Эконометрика - это статистические методы в экономике и управлении. В наших учебниках мы исходим из этого определения [1, 6, 7]. Оно принято отечественной научной школой в области организационно-экономического моделирования, эконометрики и статистики [11], а также соответствует более развернутому определению:
"Эконометрика — наука, изучающая количественные и качественные экономические взаимосвязи с помощью математических и статистических методов и моделей". Такое определение предмета эконометрики было выработано в уставе Эконометрического общества (основано в 1930 г.)" [16].
По данным РИНЦ, в нашей стране выпущено около 400 учебников и учебных пособий по эконометрике. В тройку наиболее цитируемых, наряду с нашими, входят учебники, подготовленные под руководством член-корр. РАН И.И. Елисеевой (см., например, [16]) и многочисленные издания книги Я.Р. Магнуса, П.К. Катышева и А.А. Пересецкого (см., например, [4]). Отметим, что в [16, с.15] описываются наши научные результаты, однако без упоминания фамилии и ссылок на источники.
Анализ содержания распространенных учебников показывает, что из многообразия статистических методов в экономике и управлении в них рассматриваются лишь небольшая часть - в основном линейные регрессионные модели (метод наименьших квадратов, проверка гипотез, гетероскедастичность, автокорреляция ошибок, спецификация модели). Все остальные статистические методы в экономике и управлении игнорируются. По нашему мнению, подобное сужение сферы эконометрики связано как со слепым копированием устаревших западных учебников, так и с недостаточным знакомством авторов с практикой применения эконометрики при решении задач экономики и управления. Отметим однако, что системы эконометрических уравнений активно использовались во второй трети ХХ в. в макроэкономике.
Констатируем, что большинство распространенных учебников соответствует устаревшей парадигме эконометрики, выработанной в ХХ в., в то время как отечественная научная школа в области организационно-экономического моделирования, эконометрики и статистики развивается в соответствии с новой парадигмой XXI в. [11]. Важно, что мы нацелены на использование эконометрики специалистами по экономике предприятия и организации производства, т.е. на микроэкономическом уровне, а не при изучении макроэкономических соотношений.
Эконометрика - базовая научная, практическая и учебная дисциплина. Методы эконометрики составляют значительную часть инструментов контроллинга [5, 14, 15]. При ее преподавании весьма важно преодолеть оковы устаревших взглядов ХХ в., излагая современную эконометрику. Полезным окажется опыт двадцатилетней реализации на факультете ИБМ МГТУ им. Н.Э. Баумана авторской программы по эконометрике, которой и посвящена настоящая статья. Для определенности рассмотрим содержание курса "Эконометрика" (2021 г., два семестра, 34 часа лекций и 34 часа семинарских занятий). Изложение опирается на ранее изученные дисциплины "Теория вероятностей и математическая статистика", "Прикладная статистика" и в свою очередь служит основой дисциплины "Организационно-экономическое моделирование" (для магистрантов). В авторском курсе представлены начальные сведения по основным разделам современной эконометрики.
Настоящая статья посвящена основным составляющим современной эконометрики и их отражению в одноименной дисциплине, преподаваемой сотрудниками кафедры "Экономика и организация производства" МГТУ им. Н.Э. Баумана.

Выборочные исследования
В первом семестре после определения эконометрики обосновываем необходимость выборочных исследований. В качестве примера - построение выборочной функции ожидаемого спроса и расчет оптимальной розничной цены при заданной оптовой цене (издержках) [12].
Вводим гипергеометрическую и биномиальную модели выборки значений альтернативных (дихотомических, бинарных) признаков, демонстрируем близость соответствующих им распределений в случае большого объема генеральной совокупности по сравнению с выборочной.
На основе теоремы Муавра-Лапласа теории вероятностей находим при безграничном росте объема выборки асимптотически нормальное распределение выборочной доли (в случае ответов типа «да» - «нет»). На его основе строим асимптотические доверительные границы для вероятности определенного ответа, т.е. разрабатываем метод интервального оценивания вероятности по выборочной доле и объему выборки.
Проверять однородность двух биномиальных выборок приходится, например, при сегментировании потребительского рынка. Для решения этой задачи разработан метод проверки гипотезы о равенстве вероятностей, основанный на аналоге теоремы Муавра-Лапласа для двух выборок (любопытно, что этой теоремы нет в стандартных курсах теории вероятностей).

Метод наименьших квадратов
Восстанавливать зависимость можно разными методами - графическим, наименьших модулей, минимаксным, наименьших квадратов. Из них наиболее используемым при решении задач экономики и управления является метод наименьших квадратов (сотни тысяч публикаций).
Начинаем с рассмотрения метода наименьших квадратов (МНК) для линейной прогностической функции (одна независимая и одна зависимая переменная). Минимизируя сумму квадратов отклонений, получаем точечные оценки параметров. Вводим восстановленные значения. Критерий правильности расчетов основан на равенстве сумм исходных значений зависимой переменной и восстановленных значений.
Поскольку распределения социально-экономических данных, как правило, не являются нормальными [6, разд.4.1], принимаем непараметрическую вероятностно-статистическую модель порождения данных. Выводим формулы для оценок параметров. С помощью остаточной суммы квадратов оцениваем дисперсию погрешностей (остатков) в линейной прогностической модели. На основе точечного прогноза строим интервальный прогноз, указываем доверительные интервалы для зависимости (тренда) и индивидуальных значений. Отметим, что Центральная предельная теорема теории вероятностей – основа построения интервального прогноза.
Кратко рассматриваем обобщения базовой модели: МНК для сгруппированных данных, МНК для модели, линейной по параметрам. Обсуждаем оценивание коэффициентов многочлена и преобразования переменных с целью перехода к линейной модели. В случае нескольких независимых переменных (регрессоров) даем, в частности, подход к оцениванию параметров функции Кобба-Дугласа и аналогичных ей.

Эконометрический анализ инфляция
Под инфляцией понимаем рост цен. Начинаем с краткой истории инфляции в СССР и России. Обсуждаем разброс цен (в зависимости от места совершения акта купли - продажи) и возможную точность определения «рыночной цены». Для измерения инфляции нужны инструменты экономиста и управленца - потребительские корзины. Даем определение индекса инфляции как отношение стоимостей потребительской корзины в два момента времени.
Изучаем свойства индекса инфляции. Начинаем с теоремы умножения, позволяющей рассчитывать индекс инфляции за два периода (один из них продолжает второй) как произведение индексов инфляции за периоды. Выясняем связь индекса инфляции "в разах" и индекса инфляции в процентах. Вводим средний индекс (темп) инфляции как среднее геометрическое индексов инфляции по отдельным периодам. Обсуждаем распространенные ошибки, связанные с индексом инфляции. Доказываем теорему сложения для индекса инфляции, позволяющую по групповым индексам инфляции рассчитывать индекс инфляции по объединенной корзине (вплоть до получения дефлятора ВВП).
Обсуждаем различные применения индексов инфляции, основанные на приведении экономических величин к сопоставимым ценам. Рассчитываем реальные проценты по вкладам в банки и кредитам в условиях инфляции. Рассматриваем метод Оршански для оценки прожиточного минимума на основе опыта проведения нами бюджетных обследований. Изучаем курс доллара в РФ в сопоставимых ценах. Проводим международные сопоставления на основе паритета покупательной способности.

Экспертные оценки
Обсуждаем эконометрические методы сбора и анализа субъективной информации, полученной от экспертов. Приводим примеры процедур экспертного оценивания. Выделяем основные стадии проведения экспертного исследования с целью организовать работу управленцев, применяющих экспертные оценки.
Даем предварительную классификацию экспертиз. Описываем многообразные варианты организации экспертного исследования, различающиеся по цели (сбор информации или подготовка проекта решения для ЛПР - лица, принимающего решение), числу туров, порядку вовлечения экспертов, способу учета мнений (с весами или без весов), организации общения экспертов (анонимное, заочное, дистанционное, очное в соответствии с регламентом, дискуссия без ограничений). Рассматриваем положительные и отрицательные стороны рассматриваемых вариантов организации экспертного исследования.
Пример экспертного исследования - анализ экспертных упорядочений. Демонстрируем три метода нахождения итогового мнения комиссии экспертов: методы средних арифметических и медиан рангов, построение согласующей ранжировки [8].

Теория измерений и средние величины
Вводим основные понятия общенаучной теории измерений. Обсуждаем определения, примеры, группы допустимых преобразований для шкал наименований, порядковой, интервалов, отношений, разностей, абсолютной.
Базовым является требование устойчивости статистических выводов относительно допустимых преобразований шкал. Демонстрируем недопустимость использования среднего арифметического для усреднения данных, измеренных в порядковой шкале.
Перечисляем различные виды средних величин: среднее арифметическое, среднее геометрическое, среднее квадратическое, среднее гармоническое, их обобщение - средние степенные, а также структурные средние (медиана и другие члены вариационного ряда). Обсуждаем свойства средних величин. На примере расчета средней заработной платы работников условного предприятия демонстрируем целесообразность использования, кроме среднего арифметического, медианы и моды зарплат. Обсуждаем логарифмически нормальное приближение к распределению различных видов доходов, в соответствии с которым среднее арифметическое всегда больше медианы, а та, в свою очередь, всегда больше моды.
Вводим самый общий вид средних - средние по Коши. Даем описание средних по Коши, результат сравнения которых устойчив в порядковой шкале. Это - только члены вариационного ряда, из которых выделяется медиана (при нечетном объеме выборки), левая и правая медианы (при четном объеме выборки).
Вводим средние по Колмогорову (их частный случай - средние степенные). Даем характеризацию средних по Колмогорову, результат сравнения которых устойчив в шкалах интервалов (это только среднее арифметическое) и отношений (средние степенные и среднее геометрическое) [10].
Обсуждаем требование устойчивости выводов при применении статистических методов. Так, коэффициент линейной парной корреляции Пирсона предназначен для анализа данных, измеренных в шкале интервалов, а непараметрический коэффициент ранговой корреляции Спирмена - для анализа данных, измеренных в порядковых шкалах.

Теория риска
Под риском понимаем нежелательную возможность. Обсуждаем многообразие рисков (личные риски, производственные риски, коммерческие риски, финансовые риски, глобальные риски).
Вводим характеристики рисков (вероятность рискового события, математическое ожидание, медиана, квантили, показатели разброса ущерба). Обсуждаем подходы к учету неопределенности и описанию рисков - вероятностно-статистический, с помощью нечетких множеств, на основе интервальной математики. Согласно этим подходам оценка рисков может проводиться с помощью вероятностно-статистических, нечетких, интервальных моделей и методов. Обсуждаем постановки многокритериальных задач управления рисков, связанных с минимизацией математического ожидания и дисперсии случайного ущерба. Сведение двухкритериальных задач оптимизации к однокритериальным позволяет корректно решать задачи управления рисками.
Строим иерархические системы рисков (частные риски - групповые риски - итоговый риск), в частности, групповые риски "Человек - Машина - Среда" в авиационной отрасли. Для оценки вероятности рискового события применяем аддитивно-мультипликативную модель (АММ) оценки риска. Рассматриваем общую формулировку и частные случаи, использование АММ для управления риском.

Основы статистики нечисловых данных
В качестве примера нечисловых данных рассматриваем бинарные отношения на конечном множестве – подмножества множества пар элементов этого множества. Используем их описание матрицами из 0 и 1. Обсуждаем базовые свойства бинарных отношений (рефлексивность, симметричность, транзитивность). Выделяем наиболее важные виды бинарных отношений (толерантности, разбиения (отношения эквивалентности), кластеризованные ранжировки. Вводим расстояние Кемени между бинарными отношениями и медиану Кемени, позволяющую найти среднее бинарное отношение для совокупности наблюдаемых бинарных отношений, полученных, например, при опросе экспертов.
Развиваем оптимизационный подход к определению средних величин в пространствах произвольной природы. Используя расстояния (показатели различия) в таких пространствах, вводим понятие эмпирического среднего. Для случайной величины со значениями в пространстве произвольной природы определяем теоретическое среднее. Рассматриваем примеры эмпирических и теоретических средних. Обсуждаем использование правила большинства при построении эмпирических средних в пространстве всех бинарных отношений и в пространстве подмножеств конечного множества.
Для выборки объектов нечисловой природы, состоявшей из независимых одинаково распределенных случайных величин со значениями в рассматриваемом пространстве, формулируем законы больших чисел в пространствах произвольной природы. Доказываем эти законы в частных случаях. Обсуждаем принципиальное значение законов больших чисел при анализе экспертных оценок, в частности, асимптотическое поведение эмпирических средних в случае монотонного распределения элементов выборки.

Непосредственный анализ статистических данных
При преподавании эконометрики полезно провести непосредственный анализ данных официальной экономической статистики. Обсуждаем динамику выпуска отдельных видов продукции (в натуральных единицах) и макроэкономических показателей РФ.
Роль государства в экономике оцениваем по доле расходной части бюджета в валовом внутреннем продукте. На основе данных Всемирного банка демонстрируем монотонное возрастание в течение ХХ в. роли государства в экономике в 11 экономически развитых странах в сравнении с ситуацией в России.
Даем представление об эконометрическом анализе демографических процессов. Обсуждаем демографические прогнозы в экономике и их значение для экономики и управления.

Контрольные работы и домашние задания первого семестра
Для контроля знаний предусмотрено 6 самостоятельно выполняемых контрольных работ:
1. Интервальное оценивание вероятностей (с доверительной вероятностью 0,95) и проверка гипотезы о равенстве вероятностей (на уровне значимости 0,05).
2. Метод наименьших квадратов.
3. Индекс инфляции.
4. Анализ экспертных упорядочений.
5. Аддитивно-мультипликативная модель оценки рисков.
6. Вычисление медианы Кемени.
Домашнее задание 1. Соберите информацию о максимально возможной цене (в руб.), которую потребители готовы заплатить за определенный товар или услугу (выбор товара или услуги осуществляется обучающимся самостоятельно или из списка, предлагаемого преподавателем). Опросите не менее 50 человек (не считая отказавшихся от ответа). Постройте выборочную функцию спроса. Найдите розничные цены, максимизирующие прибыль, для пяти различных значений оптовой цены.
Домашнее задание 2. Методом наименьших квадратов восстановите (теоретическую) функцию спроса, используя линейную аппроксимацию. Рассчитайте доверительные границы для функции спроса. Постройте на одном графике восстановленную и выборочную функции спроса. На основе восстановленных зависимостей найдите розничные цены, максимизирующие прибыль, для пяти различных значений оптовой цены, и сопоставьте с результатами оптимизации на основе таблицы выборочной функции спроса (домашнее задание 1). Проделайте аналогичные расчеты, используя степенную аппроксимацию. Ответ на вопрос: "Какая из двух аппроксимаций позволяет более точно приблизить функцию спроса?" - дается на основе сравнения остаточных сумм квадратов.

Статистический контроль
Второй семестр начинаем с эконометрических методов управления качеством. Обсуждаем статистический приемочный контроль - выборочный контроль, основанный на теории вероятностей и математической статистике, его необходимость и эффективность. Вводим планы контроля по альтернативному признаку. Внимание уделяем, прежде всего, планам одноступенчатого контроля. Анализ плана контроля основан на оперативной характеристике - вероятности приемки партии в зависимости от входного уровня дефектности. Риски поставщика и потребителя и соответствующие им приемочный и браковочный уровни дефектности задают две выделенные точки на кривой оперативной характеристики. Расчеты для плана (n,0) упрощаются при применении разложения в ряд.
Рассматриваем методы синтеза планов. Контроль с разбраковкой - процедура контроля, согласно которой забракованная партия проходит сплошной контроль. Находим средний выходной уровень дефектности (СВУД) как функцию входного уровня дефектности. Максимум СВУД достигается и называется его пределом (ПСВУД). Проводим расчет ПСВУД для плана (n,0) путем решения задачи оптимизации. Выбор плана контроля на основе ПСВУД осуществляется на основе простой формулы, вытекающей из применения второго замечательного предела математического анализа.
Синтез одноступенчатого плана контроля по заданным приемочным и браковочным уровням дефектности проводим на основе асимптотических соотношений, вытекающих из теоремы Муавра-Лапласа.

Эконометрический анализ связанных выборок
На основе письма главного инженера химического комбината формулируем проблему обнаружения эффекта (проверки однородности) в связанных выборках. Рассматриваем три варианта обнаружения эффекта путем проверки соответствующих статистических гипотез. Проверку гипотезы о том, что медиана разностей результатов измерений для двух приборов равна 0, проводим с помощью критерия знаков. Асимптотический метод проверки гипотезы строим на основе теоремы Муавра-Лапласа.
Проверку равенства 0 математического ожидания разностей результатов измерений для двух приборов проводим с помощью непараметрического критерия на основе отношения выборочного среднего к выборочному среднему квадратическому отклонению. Его асимптотическое распределение находим с помощью Центральной предельной теоремы теории вероятностей.
Гипотеза абсолютной однородности (отсутствия эффекта) эквивалентна гипотезе симметрии распределения относительно 0. Для её проверки применяем критерий типа омега-квадрат для проверки симметрии распределения. Правило принятия решения строится на основе асимптотического распределения статистики типа омега-квадрат. Предлагаем табличный алгоритм для расчета значения рассматриваемой статистики.

Основы теории нечетких множеств
Обсуждаем невозможность устранения погрешностей измерений и вычислений, сходство и различие математических, реальных и компьютерных чисел.
Парадокс Зенона "Куча" демонстрирует, что невозможность описания расплывчатых величин с помощью однозначно заданных чисел была выявлена еще в Древней Греции. Французский математики Эмиль Борель предложил использовать для описания размытых величин функцию принадлежности (1956). В 1965 г. Л.А. Заде ввел операции над функциями принадлежности и тем самым заложил основы теории нечетких множеств (fuzzy sets - переводят как нечеткие, размытые, расплывчатые, туманные, пушистые множества).
Рассматриваем описание неопределенностей с помощью теории нечетких множеств. Доказываем формулы алгебры нечетких множеств, выявляем сходство и различие с обычной алгеброй множеств. Доказываем законы де Моргана в алгебре нечетких множеств. Рассматриваем треугольные нечеткие числа. Обсуждаем "удвоение математики" путем замены обычных множеств и чисел на нечеткие.
Вводим понятие случайного множества как случайной величины в пространстве подмножеств (конечного) множества. Вводим распределения случайных множеств и вероятности накрытия. Подробно рассматриваем случай подмножеств конечного множества из трех элементов.
Описываем сведение теории нечетких множеств к теории случайных множеств. Для нечеткого множества с носителем из трех элементов строим случайное множество, для которого вероятности накрытия совпадают со значениями функции принадлежности исходного нечеткого множества.

Статистика интервальных данных
Погрешности измерения описываем как интервальные данные. Вводим операции над интервальными числами.
Изучаем основную модель статистики интервальных данных. Вводим базовое понятие нотны - максимально возможного отклонения значения функции, вызванного интервальностью статистических данных. Выводим правила расчета асимптотической нотны (для малой абсолютной погрешности и малой относительной погрешности).
Формулируем основные результаты статистики интервальных данных, в том числе базовое понятие рационального объема выборки.
Рассчитываем асимптотическую нотну, рациональный объем выборки и доверительные интервалы при оценивании математического ожидания с помощью среднего арифметического и при оценивании дисперсии с помощью выборочной дисперсии.
Для управления инвестиционными проектами необходимо сравнение потоков платежей. Для этого используется чистая текущая стоимость NPV как характеристика финансового потока. Необходимо изучать устойчивость (чувствительность) выводов по отношению к отклонениям коэффициентов дисконтирования и величин платежей. Обсуждаем влияние интервальности дисконт-факторов на величину NPV. Разрабатываем и применяем алгоритм расчета погрешности NPV.

Теория классификации
Рассматриваем основные математические методы классификации. Исходим из триады: построение классификаций (кластер-анализ, распознавание образов без учителя и другие синонимы) - анализ классификаций (в рамках статистики нечисловых данных) - использование классификаций (дискриминантный анализ, диагностика, распознавание образов с учителем).
Лемма Неймана-Пирсона дает оптимальный способ диагностики в случае двух классов, основанный на отношении плотностей распределения вероятностей, соответствующих этим классам. Описываем непараметрический дискриминантный анализ на основе непараметрических оценок плотности в пространствах произвольной природы. В качестве инструментов диагностики предлагаем различные варианты непараметрических оценок плотности в пространствах произвольной природы, прежде всего ядерные оценки.
Рассматриваем линейный дискриминантный анализ, в котором диагностика на два класса проводится с помощью «индексов» - линейных функций от координат. Обсуждаем характеристики качества алгоритмов диагностики. Демонстрируем невозможность использования такой характеристики, как «вероятность правильной классификации». Рекомендуем применять в качестве такой характеристики «прогностическую силу». Указываем асимптотическое распределение и доверительные интервалы для прогностической силы. Даем способ статистической проверки возможности использования прогностической силы на основе проверки гипотезы о совпадении ее значений для двух критических порогов алгоритма диагностики.
Обсуждаем, чем схожи и чем различаются задачи группировки и кластер-анализа. Вводим агломеративные иерархические алгоритмы ближнего соседа, дальнего соседа и средней связи. Построение дендрограмм для таких алгоритмов. На примере метода k-средних обсуждается проблема остановки алгоритма.

Элементы теории рейтингов
При обсуждении элементов теории и применений рейтингов рассматриваем рейтинги, интегральные показатели, обобщенные показатели (используем эти термины как синонимы).
Бинарные рейтинги сводятся к задаче диагностики на два класса, для оценки различающей возможности рейтингов используем прогностическую силу.
Рассматриваем построение интегрального показателя в задачах принятия решений. На примере деловой игры "Таня Смирнова выбирает место работы" обсуждаем экспертные методы построения системы факторов (в том числе иерархической – единичные, групповые и обобщенный показатели), системы весов факторов, оценки объектов экспертизы по факторам.

Эконометрика как научная дисциплина
В конце курса естественно обсудить эконометрику в целом, в то время как ранее рассматривались лишь отдельные вопросы этой науки.
Кратко рассказываем об истории эконометрики (от переписи военнообязанных во времена Моисея до настоящего времени).
Обсуждаем структуру статистической науки (математическая статистика – прикладная статистика – статистические методы в предметных областях). Эконометрика - это статистические методы в конкретной предметной области - в экономике и управлении. Выделяем специфические черты эконометрики по сравнению с другими предметными областями (неотрицательность рассматриваемых величин, которая дает еще один довод в пользу использования непараметрических методов; большое значение методов сбора и анализа субъективных экспертных методов и др.).
Выделяем четыре этапа развития теории статистики (описательная, параметрическая, непараметрическая, нечисловая), указываем характерные для того или иного этапа методы анализа данных и временные промежутки. По видам данных статистика делится на четыре области (статистика чисел, многомерный статистический анализ, временные ряды, статистика нечисловых данных). В статистике выделяют три основные задачи (описание данных, оценивание, проверка гипотез). В настоящее время наблюдаем пять точек роста статистической науки: непараметрика, информационные технологии (бутстреп), устойчивость, статистика интервальных данных, нечисловая статистика.
Отечественная научная школа в области организационно-экономического моделирования, эконометрики и статистики [11] основана на новой парадигме математических методов исследования [9], другими словами, на современной парадигме эконометрики XXI в., в отличие от учебников [4, 16], подготовленных в духе старой парадигмы середины ХХ в.

Контрольные работы и домашние задания второго семестра
Для контроля знаний предусмотрено 6 самостоятельно выполняемых контрольных работ:
1. Статистический приемочный контроль - анализ и синтез планов.
2. Проверка однородности для связанных выборок.
3. Нечеткость и интервальность.
4. Расчет погрешности чистой текущей стоимости NPV.
5. Кластер-анализ с помощью агломеративного иерархического алгоритма ближнего соседа.
6. Построение интегрального показателя.
Домашние задания проводится по теме «Индекс инфляции и метод наименьших квадратов».
Домашнее задание 1 состоит в сборе данных о ценах на продуктовые товары, входящие в потребительскую корзину Института высоких статистических технологий и эконометрики МГТУ им. Н.Э. Баумана [1]. Для этого необходимо выбрать и зафиксировать места сбора информации о ценах, конкретные объекты наблюдения (марки тех конкретных товаров, мониторинг цен на которые проводится). Затем проводится сбор данных по ценам за пять моментов времени, попадающие в заданные интервалы (примерно 1 раз в 2 недели).
Домашнее задание 2 посвящено анализу собранных данных. Вначале необходимо провести расчет пяти наборов индексов инфляции по 10 товарным группам, выделенным в используемой потребительской корзине. Затем следует рассчитать пять общих индексов инфляции (по всей корзине) двумя способами: на основе теоремы сложения и как отношение стоимостей потребительской корзины, сравнить полученные результаты.
После получения набора индексов инфляции необходимо по первым четырем индексам инфляции спрогнозировать значение пятого индекса методом наименьших квадратов. Скажем подробнее. По первым четырем наборам индексов инфляции по 10 товарным группам и четырем общим индексам инфляции методом наименьших квадратов необходимо рассчитать точечные и интервальные прогнозы (т.е. доверительные границы) для зависимости индекса инфляции от времени (т.е. для тренда) и для индивидуальных значений на пятый момент времени, предварительно выбрав модель динамики цен (обычно используют линейную модель тренда).
Рассчитав индексы инфляции по товарным группам и общие для различных начальных моментов времени, можно проверить выполнение теоремы умножения.
Подводя итоги, следует сравнить прогнозы с реальными индексами инфляции (по товарным группам и общим), сделать выводы о динамике индексов инфляции и о возможности их прогнозирования.

Заключительные замечания
Как показано выше, основные составляющие современной эконометрики представлены в разработанном нами учебном курсе. Целесообразно именно его преподавать во многих университетах и вузах другого профиля, оставив в прошлом устаревшие учебники [4, 16] и им аналогичные. В таких учебниках из всех базовых тем современной эконометрики рассматривается лишь одна - метод наименьших квадратов (конечно, гораздо подробнее, чем в нашем курсе и чем необходимо специалистам в области экономики и управления).
Как показано в [13], современная эконометрика - неотъемлемая составляющая научного обеспечения искусственного интеллекта и цифровой экономики. Разнообразные применения эконометрических методов при решении практических задач экономики и управления рассмотрены в сотнях тысяч исследований, из которых в качестве примеров укажем на [2, 3].
В современных условиях эконометрика как научная, практическая и учебная дисциплина становится всё более востребованной.

Литература
1. Агаларов З.С,, Орлов А.И. Эконометрика. Учебник. - М.: Издательско-торговая корпорация «Дашков и К°», 2021. — 380 с.
2. Емельянова Е.А., Орлов А.И. Методы прогнозирования продаж на предприятиях оптовой торговли // Контроллинг. 2018. №1 (67). С. 68-76.
3. Загонова Н.С. Разработка организационной системы информационной поддержки управления продуктовыми инновациями на промышленных предприятиях на основе эконометрических методов : 08. 00. 05 : дис. кэн / Загонова Н. С. ; МГТУ им. Н. Э. Баумана. - М. : Изд-во МГТУ им. Н. Э. Баумана, 2004. - 160 с.
4. Магнус Я.Р., Катышев П.К., Пересецкий А.А. Эконометрика. Начальный курс: Учеб. — 6-е изд., перераб. и доп. - М.: Дело, 2004. - 576 с.
5. Орлов А.И. Эконометрическая поддержка контроллинга // Контроллинг. 2002. №1. С. 42-53.
6. Орлов А.И. Эконометрика. Изд. 3-е, перераб. и доп. Учебник для вузов. – М.: Экзамен, 2004. – 576 с.
7. Орлов А.И. Эконометрика. Изд. 4-е, доп. и перераб. Учебник для вузов.– Ростов-на-Дону: Феникс, 2009. - 572 с.
8. Орлов А.И. Анализ экспертных упорядочений // Научный журнал КубГАУ. 2015. №112. С. 21–51.
9. Орлов А.И. О новой парадигме математических методов исследования // Научный журнал КубГАУ. 2016. №122. С. 807–832.
10. Орлов А.И. Характеризация средних величин шкалами измерения // Научный журнал КубГАУ. 2017. №134. С. 877–907.
11. Орлов А.И. Отечественная научная школа в области организационно-экономического моделирования, эконометрики и статистики // Контроллинг. 2019. №73. С. 28-35.
12. Орлов А.И. Метод ценообразования на основе оценивания функции спроса // Научный журнал КубГАУ. 2020. №158. С. 250 – 267.
13. Орлов А.И. Организационно-экономическое моделирование и искусственный интеллект в организации производства в эпоху цифровой экономики // Инновации в менеджменте. 2021. № 2(28). С. 36-45.
14. Орлов А.И., Орлова Л.А. Применение эконометрических методов при решении задач контроллинга // Контроллинг. 2003. №4(8). С. 50-54.
15. Орлов А.И., Орлова Л.А. Эконометрика в обучении контроллеров // Контроллинг. 2004. №3 (11). С. 68-73.
16. Эконометрика : учебник для вузов / И.И. Елисеева [и др.] ; под редакцией И.И. Елисеевой. - М.: Издательство Юрайт, 2020. - 449 с.


Вернуться наверх
 Профиль  
 
 Заголовок сообщения: Re: Аннотации новых статей А.И. Орлова
СообщениеДобавлено: Сб янв 08, 2022 4:44 pm 
Не в сети

Зарегистрирован: Вт сен 28, 2004 11:58 am
Сообщений: 11577
1209. Орлов А.И. Аристотель и ракетно-космическая отрасль: к 60-летию полета в космос Юрия Алексеевича Гагарина (расширенные тезисы) // Biocosmology – neo-Aristotelism, Vol.11. Nos.3&4 (Summer/Autumn 2021). Pp. 336-342. https://biocosmology.org/?page_id=2341


АРИСТОТЕЛЬ И РАКЕТНО-КОСМИЧЕСКАЯ ОТРАСЛЬ:
К 60-ЛЕТИЮ ПОЛЕТА В КОСМОС ЮРИЯ АЛЕКСЕЕВИЧА ГАГАРИНА

Орлов Александр Иванович
доктор экономических наук, доктор технических наук,
кандидат физико-математических наук, профессор,
Заведующий лабораторией экономико-математических методов в контроллинге
Научно-образовательного центра «Контроллинг и управленческие инновации»,
профессор Московского государственного технический университета им. Н.Э. Баумана,
г. Москва, Россия, prof-orlov@mail.ru

Аннотация. Аристотель - основоположник экономической науки. В XVIII - XIX вв. господствовала рыночная экономика, пришедшая на смену теории Аристотеля. С развитием цифровой экономики в XXI в. идеи Аристотеля об управлении хозяйством с целью удовлетворения потребностей становятся все более актуальными. Проекты ОГАС В.М. Глушкова и "Киберсин" Ст. Бира являются примерами разработок в духе Аристотеля. Солидарная информационная экономика, развивающая идеи Аристотеля, является основой новой парадигмы экономической науки.
Ключевые слова. Аристотель, экономическая наука, управление хозяйством, цифровая экономика, солидарная информационная экономика.


Ракеты и полеты в космос - символы современности. Ракетно-космическая отрасль - одна из ведущих в народном хозяйстве наиболее развитых в экономическом отношении стран современного мира - Китая, США, Индии, России. Примерно 20% активности ведущего технического вуза нашей страны - Московского государственного технического университета им. Н.Э. Баумана - реализуется в ракетно-космической отрасли. Значительная часть профессиональной деятельности докладчика посвящена задачам управления и экономики в этой области.
Опыт работы в ракетно-космической отрасли привел к выводы, что адекватное решение проблем этой высокотехнологичной инновационной сферы народного хозяйства невозможно при использовании устаревшего научного инструментария т.н. "рыночной экономики". Нужна новая парадигма экономической науки.
Чтобы проанализировать причины широкого распространения устаревших воззрений и выявить направления дальнейшего развития экономической науки, целесообразно начать с ее зарождения.
Общепризнанной является констатация того, что основоположником экономической науки, как и науки в целом, является Аристотель (и его научная школа). Он полагал, что экономика - это наука о том, как управлять хозяйством с целью удовлетворения потребностей людей. Аристотель рассматривал хозяйственные структуры различного масштаба - домохозяйства, предприятия (как в городе, так и на селе), муниципальные образования (полисы), регионы (сатрапии), государство в целом (хозяйство империи). Организаторами хозяйственной деятельности являлись органы власти, проще говоря, государство. Весьма важно резко отрицательное отношение Аристотеля к т.н. хрематистике - доктрине, согласно которой цель хозяйственной деятельности - получение выгоды (прибыли).
Итак, с точки зрения Аристотеля:
 Экономика – наука о разумном ведении хозяйства, о деятельности, направленной на удовлетворение потребностей людей, т.е. на производство и приобретение благ для дома и государства.
 Хозяйствующий субъект – предприятие (сельскохозяйственное, производство в городе), город (полис), регион (сатрапия), государство (империя).
 Противоестественна хрематистика (деятельность, направленная на приобретение выгоды, извлечение прибыли, на накопление богатства).
Следовательно, Необходимо освободить экономическую теорию от извращений хрематистики, развивать и излагать ее в соответствии с Аристотелем как науку о деятельности, направленной на удовлетворение потребностей людей.
Экономическая практика и ее осмысление - экономическая теория - следовали взглядам Аристотеля вплоть до эпохи буржуазных революций (XVIII в.). Новое экономические отношения породили новую экономическую теорию, которую мы сейчас называем "рыночной экономикой". Государство было отодвинуто от руководства экономикой, ему стали отводить роль "ночного сторожа". Основной лозунг - государство должно уйти из экономики. Самое главное - обеспечение свободной конкуренции. На первое место вышли хрематистики с их основополагающим правилом: цель экономической деятельности - получение выгоды (прибыли), в том числе деятельности в области финансовых спекуляций. Изменилось даже понимание термина "экономика": с точки зрения рыночников Аристотель говорил об управлении (менеджменте). Из центра экономической науки менеджмент был перемещен на задворки и объявлен лишь одной из экономических наук. Так произошло отрицание экономики Аристотеля.
Но вскоре началось отрицание отрицания. Приходит плановая экономика Необходимость активного вмешательства государства в экономическую жизнь была осознана уже к концу XIX в. В ХХ в. государство активно управляло экономикой в основных странах - в США (особенно при Рузвельте в период великой депрессии), в СССР, в Германии, а в послевоенное время в самых разных странах - в Китае, Индии, Японии, Сингапуре, Франции и др. Даже в наиболее "рыночной" стране - в США - доля государства в экономике за ХХ в. выросла в 4 раза и достигла примерно одной трети. (Под долей государства в экономике понимаем отношение расходной части бюджета страны к ее валовому внутреннему продукту). Теоретическое обоснование главенствующей роли государства дал английский экономист Дж. Кейнс. Характерно, что вместо термина "рыночная экономика" стал употребляться термин "смешанная экономика".
Ракетно-космическая отрасль в силу сложности и объемности решаемых технических задач развивается во всех странах на основе государственных ресурсов и государственного управления. Вкрапления рыночных отношений зачастую являются камуфляжем: формально независимые коммерческие организации выполняют заказы государства.
В России после развала СССР в качестве экономической теории была принята устаревшая рыночная экономика американского образца. Именно господство устаревших воззрений в массовом сознании и в сознании управленцев привели к стагнации экономики России. Валовой внутренний продукт России в 2020 г. лишь незначительно превосходит ВВП РСФСР в 1990 г. (в сопоставимых ценах), объемы промышленного производства и инвестиций в основные фонды за 30 лет сократились. Если бы в качестве базовой экономической теории была принята, например, немецкая социальная экономика, то столь плачевного результата не было бы. Оптимизм внушает опыт Китая, чей валовой внутренний продукт за те же 30 лет вырос в 7 раз. Если бы Россия в начале 1990-х годов пошла по пути Китая, результаты были бы впечатляющими.
Рыночная экономика осталась в XIX веке. По оценке П. Друкера (США), 1873 г. – «конец эры либерализма – конец целого столетия, на протяжении которого политическим кредо была политика невмешательства в экономику». Основное течение (мейнстрим) современной экономической науки – обоснование несостоятельности рыночной экономики и необходимости перехода к плановой системе управления хозяйством. В условиях России это означает, в частности, переход государства к непосредственному управлению экономикой, воссоздание Госплана и отраслевых министерств.
Выделим два полюса в экономической жизни - централизованная систем, нацеленная на удовлетворение потребностей всех членов общества, и конкурентная среда, позволяющая реализовать замыслы отдельных лиц (предпринимателей), действующих независимо друг от друга с целью максимизации прибыли. Сначала (во времена Аристотеля) преимущество было у первого полюса, затем, во времена классической рыночной экономики, на первое место вышел второй полюс, а в течение последних 150 лет два полюса органически взаимодействуют. Хотя роль первого полюса возрастает, второй полюс необходим для обеспечения возможности реализации идей отдельных лиц, для развития инновационных стартапов, идущих от первоначальных идей до их промышленного воплощения.
Итак, в течение последних 150 лет на место рыночной экономики приходит плановая экономика. В рамках мейнстрима плановой экономики имеются различные системы взглядов. Мы развиваем одну из таких теоретических систем - солидарную информационную экономику.
В последнее время много говорят о четвертой промышленной революции, основанной на внедрении цифровой экономики и искусственного интеллекта. Большое впечатление произвели дискуссии на Давосском экономическом форуме в 2020 и 2021 гг., лозунг "великой перезагрузки", обоснованный основателем Давосского форума проф. К. Швабом. По мнению участников обсуждений этих новых идей, мы вступаем в принципиально новый период развития производственный отношений, которые резко меняются вслед за бурным развитием цифровых производительных сил.
Мы уже давно пришли к подобным выводам. С 2007 г. мы развиваем новую экономическую концепцию - солидарную информационную экономику, согласно которой экономическая деятельность должна быть основана на интенсивной применении современных информационно-коммуникационных технологий. В качестве примеров такого применения указываем на проект ОГАС В.М. Глушкова и систему КИБЕРСИН Ст. Бира. Мы считаем, что развивающая идеи Аристотеля солидарная информационная экономика должна стать основой новой парадигмы экономической науки.
Солидарная информационная экономика (СИЭ) – разрабатываемая нами базовая организационно-экономическая теория, предназначенная для замены «рыночной экономики». СИЭ - функционалистско-органическая (в терминах биокосмологии) информационная экономика, опирающаяся на взгляды Аристотеля.
На 21.06.2021 основной Интернет-ресурс по СИЭ (НИЭБ) на форуме нашего сайта «Высокие статистические технологии» просмотрен 314,3 тыс. раз. На ту же дату по солидарной информационной экономике нами опубликовано 65 статей и тезисов докладов (см. http://forum.orlovs.pp.ru/viewtopic.php?f=2&t=951).
Настоящая работа посвящена обсуждению основных идей солидарной информационной экономики, прежде всего применительно к проблемам развития ракетно-космической отрасли.
Новые идеи распространяются медленно. К тому же иногда сознательно искажается история. Так, менеджмент как наука создан в МГТУ им. Н.Э. Баумана. В западных учебниках со «Школы научного управления» начинается изложение менеджмента. Однако «Школа научного управления» основана на «русской системе обучения ремеслам», разработанной в Императорском Московском Техническом Училище (ныне МГТУ им. Н.Э. Баумана). По нашему мнению, следует констатировать заимствование интеллектуальной собственности без ссылки на первоисточник.
Место и время рождения современного менеджмента – Москва, 60-70-е годы XIX в. Вполне естественно, что современная базовая организационно-экономическая теория – СИЭ – также создана в МГТУ им. Н.Э. Баумана как результат развития отечественной научной школы в области экономики.
Мы полагаем, что экономика – часть менеджмента. Общепризнано, что управленческие решения необходимо принимать на основе всей совокупности социальных, технологических, экономических, экологических, политических факторов. Итак, экономика – часть менеджмента как науки об управлении людьми.
Согласно СИЭ информационные технологии и теория принятия решений позволяют построить информационно-коммуникационную систему, предназначенную для выявления потребностей и организации производства с целью их удовлетворения. Для реализации этой возможности необходима лишь воля руководства хозяйственной единицей, нацеленная на преобразование ее системы управления. В частности, как и происходит в большинстве развитых и развивающихся стран, российское государство должно стать основным действующим лицом в экономике.
Общая схема принятия решений в солидарной информационной экономике состоит в последовательном выполнении следующих этапов: Целеполагание - Планирование - Выполнение планов - Анализ результатов - Целеполагание (уже на новом витке спирали развития). В рамках плановой системы можно смоделировать любые рыночные отношения, а потому плановое хозяйство заведомо не менее эффективно, чем рыночное.
Предшественники СИЭ - Аристотель, В.М. Глушков, Ст. Бир. Многие исследователи высказывали схожие мысли. Например, Ф. Бекон, Г.Форд, К. Поланьи. В настоящее время весьма важны теоретические разработки и практические результаты, достигнутые в Китайской народной республике, с 2014 г. наиболее мощной в экономическом плане державе современности (с наибольшим в мире объемом валового внутреннего продукта, измеренного в сопоставимых ценах при использовании паритета покупательной способности).
Подробнее рассмотрим идеи СИЭ, развивавшиеся в русской экономической школе в ХХ в.. Взаимную помощь (солидарность) как фактор эволюции (1902) рассматривал П.А. Кропоткин, создатель идеологии анархо-коммунизма и один из самых влиятельных теоретиков анархизма. В "Заветных мыслях" (1905) Д.И. Менделеев видел будущее русской промышленности в развитии общинного и артельного духа. По его мнению «богатство и капитал – равно труду, опыту, бережливости, равно началу нравственному, а не чисто экономическому»; что по сути выводит его на чистый Аристотелизм. В работе "Империализм, как высшая стадия капитализма" В.И. Ленин проанализировал переход капитализма в конце XIX — начале XX века от стадии первоначального накопления капитала (классической "рыночной экономики") к стадии монополистического капитализма, или империализма, соответствующей господству транснациональных корпораций. Следующий шаг - переход к организации всемирного хозяйства, о чем через 100 с лишним лет говорит К. Шваб. Важный шаг в развитии менеджмента - развертывание тектологии, или «всеобщей организационной науки» — научной дисциплины, разработанной А.А. Богдановым в 20-х годах XX века. В 20-20-е годы развернулись работы по научной организации труда под руководством А.К. Гастева, который считал, что главную роль в работе предприятия играет человек; эффективность организации начинается с личной эффективности каждого человека на рабочем месте — в частности, с эффективного использования времени. Принципиально важное значение имеет книга И.В. Сталина «Экономические проблемы социализма в СССР» (1952). В частности, в этой книге прогнозируется отказ от товарного обращения в пользу прямого обмена продуктов труда и, как следствие, отказ от использования рынка и денег (эти идеи мы развиваем в солидарной информационной экономике). Во второй половине ХХ в. большое значение имел проект ОГАС В.М. Глушкова, в о котором мы уже говорили, линейное программирование и объективно обусловленные оценки Л.В. Канторовича, система оптимального функционирования экономики СОФЭ, разработанная в Центральном экономико-математическом институте АН СССР. В XXI в. традиции русской экономической школы успешно продолжают С.Ю. Глазьев, В.Ю. Катасонов, С.Г. Фалько, Г.Б. Клейнер и многие другие.
Шотландские экономисты В. Пол Кокшотт и Аллин Ф. Коттрелл убедительно демонстрируют теоретическую возможность организации производства с целью непосредственного удовлетворения потребностей в масштабах страны или человечества в целом. Для расчетов управленческих решений мощностей стандартных современных компьютеров вполне достаточно. Следовательно, в современных условиях несостоятельна критика планового хозяйства Хайеком, который исходил из имевшей место в середине ХХ в. невозможно провести расчет оптимального плана развития страны.
Подведем итоги:
 Освободить экономическую теорию от извращений – это значит избавиться от «рыночной экономики» и вернуться к взглядам Аристотеля, которым в сегодняшней ситуации соответствует солидарная информационная экономика (с точки зрения биокосмологии – это функционалистско-органическая информационная экономика, опирающаяся на взгляды Аристотеля).
 Солидарная информационная экономика должна стать основой для принятия управленческих решений на всех уровнях – от предприятия до государства.
 Преподавание экономической теории должно опираться на взгляды Аристотеля и солидарную информационную экономику.

Основные идеи СИЭ развиты, в частности, в наших статьях, опубликованных в журнале "Биокосмология - нео-Аристотелизм":
1. Орлов А.И. Аристотель и неформальная информационная экономика будущего / Biocosmology – neo-Aristotelism. 2012. Vol.2. №3. С. 150-164.
2. Orlov A. I. Functionalist-Organic Information Economy – the Organizational-Economic Theory of Innovation Development / Biocosmology – neo-Aristotelism. 2013. Vol.3. №1. P. 52-59.
3. Орлов А.И. Функционалистско-органическая (солидарная) информационная экономика – экономика без рынка и денег / Biocosmology - neo-Aristotelism. 2015. Vol. 5. № 3-4. C. 339-359.
4. Орлов А.И. Вперед к Аристотелю: функционалистко-органическая (солидарная) информационная экономика взамен рыночной экономики / Biocosmology - neo-Aristotelism. 2017. Vol. 7, № 3-4. С. 411-423.
5. Орлов А.И. Аристотель и цифровая экономика / Biocosmology – neo-Aristotelism. 2019. V. 9, № 1-2. С. 7-20.
6. Орлов А.И. Развивающая идеи Аристотеля солидарная информационная экономика – основа новой парадигмы экономической науки // Biocosmology – neo-Aristotelism. 2020. Vol. 10. № 3-4. С. 406-420.


Вернуться наверх
 Профиль  
 
 Заголовок сообщения: Re: Аннотации новых статей А.И. Орлова
СообщениеДобавлено: Сб янв 15, 2022 4:31 pm 
Не в сети

Зарегистрирован: Вт сен 28, 2004 11:58 am
Сообщений: 11577
1208. Орлов А.И. Науковедение в свете биокосмологической инициативы // Biocosmology – neo-Aristotelism, Vol.11. Nos.3&4 (Summer/Autumn 2021). Pp. 188-206. https://biocosmology.org/?page_id=2341


Науковедение в свете Биокосмологической инициативы

Александр Иванович ОРЛОВ

Science studies in the light of the Biocosmological Initiative
Alexander Ivanovich ORLOV


Резюме. Статья посвящена новым результатам в области изучения и управления наукой, стимулированным идеями Биокосмологической Инициативы, которая в работе подвергается анализу. В новом подходе вопросы Биполярных структур выделяются в более свободном и широком значении, но это производится в цели искомого усиления существующих наукометрических возможностей, и в плане разрешения возникших современных проблем развития и управления реальной наукой. Так, выделяются и анализируются Биполярные структуры как различающие противоположные типы рациональности («Большие полюса») : на примере западной (Трансценденталистской) науки, которая является полярной по отношению к отечественной (Органицистской) науке. Одновременно, выделяются и изучаются как дихотомия диаметрально противоположных сфер и направлений научной деятельности, так и вопросы взаимодействий между ними; и которые являются одинаково присущими каждому из «Больших полюсов». Примером последнему служит изучение процесса приращения знаний – социального продвижения научных работников и их достижений, в дихотомиях: фундаментальная наука – прикладная наука; наукометрия – экспертные оценки; и др. (всего 23 структуры). Также в статье обсуждается развитие науки как информационного процесса в свете реализации Биокосмологической Инициативы.
Ключевые слова: науковедение, Биокосмологическая инициатива, Биполярные структуры, научные кланы, наукометрия, экспертные оценки, базы данных WoS и Scopus, национальная наука.


Содержание
Введение
1. Кратко о науке
2. Биокосмологическая инициатива – ориентир науковедения
3. Биполярные структуры науки
4. Изучение развития науки как информационного процесса
Некоторые итоги

Abstract. The article is devoted to new results in the studies and management of science, stimulated by the ideas of the Biocosmological Initiative. In the new approach, the issues of Bipolar structures are highlighted in a looser and broader context, but this is done in order to enhance the existing scientometric possibilities, and in terms of resolving the contemporary problems in the development and management of real science. Thus, Bipolar structures are highlighted and analyzed as distinguishing opposing types of rationality (“Major poles”): on the example of Western (Transcendentalist) science – science, which is polar opposite to home-grown (Russian) Organicist science. At the same time, both the dichotomy of diametrically opposite spheres and directions of scientific activity, as well as the issues of interactions between them – are singled out and studied; and which are equally inherent in each of the “Major poles”. An example of the latter is exploring the process of the growth of knowledge – the social advancement of scientific workers and their achievements, in the dichotomies: fundamental science – applied science; scientometrics – expert assessments; and others (23 structures in total). The article also discusses the development of science as an information process in the light of realizing the Biocosmological Initiative.
Keywords: Science of Science, Biocosmology Initiative, Bipolar structures, scientific clans, scientometrics, expert estimation, databases of the WoS and Scopus, national science.

Table of contents
Introduction
1. A brief introduction to science
2. The Biocosmology Initiative – a reference point for the studies of science
3) Bipolar structures of science
4) Exploring the development of science as an information process
Some conclusions

SYNOPSIS
We have been involved in the study and management of science since the 1980s. The present article focuses on new findings in the area of science studies and science management, stimulated by the impetus of the Biocosmology Initiative. The latter, first of all, reveals the (Bi)polar types of scientific knowledge; but also, in a new light – it activates the issues of studying the poles in a broader sense, in all their existing diversity, for the subsequent achievement of their scientometric analysis and evaluation. It is the highlighting of the full range of existing poles (in their Bipolarity) in the development of science and their new consideration in the light of the Biocosmological Initiative – all this constitutes the main task of the study. After a brief introduction to science, we present the provisions of the Biocosmological Initiative – a landmark in the science of science.

The main content of the article is to highlight and discuss 23 pairs of interacting poles in the development of science:

1. Increase of knowledge – social advancement of scientific workers.
2. Fundamental science – applied science.
3. The need to increase knowledge in a particular scientific field – inability to master the available literature.
4. Development of science (dynamics) – scientific clans (statics).
5. Established fields of science – emerging new; narrow specialization – interdisciplinarity.
6. Conducting research “from scratch” – preliminary analysis of publications.
7. Learning by problem solving – learning through lectures and the study of literature.
8. Originality (new) for the world – originality (new) for the reader.
9. The impossibility of comparing scientific works by significance – the need to compare the results of the activities of researchers and organizations.
10. Scientometrics – expert estimations.
11. Science – journalism.
12. Western databases WoS and Scopus – home-grown databases (RSCI; and new challenged databases capable of accepting and supporting the Biocosmology Initiative).
13. Electronic publications – paper journals.
14. Monographs – textbooks.
15. Monographs – articles.
16. Journals – collections of papers.
17. Journals – monographs.
18. Variety of scientific publications – bibliometric databases.
19. The breadth of information dissemination – selectivity.
20. Scientific work – teaching.
21. Pairs of poles on the professional path of a researcher: personal work – conversations, travel; recognition of merit – funding; youth is experience.
22. Western (world) science – home-grown (national) science.
23. Publications abroad (in English) – publications in Russian.

Biocosmology (which uses Aristotelism as a referential framework) – is a new interdisciplinary direction, which has yet to “conquer a place under the sun of science”. It is very important that there is a journal around which to rally for realizing the Biocosmological Initiative. One of the priority tasks is the generation of a true bibliographic database (for Biocosmology, thus – of the Organicist and Integralist Types of scholarly knowledge), as an indispensable repository of relevant rational (scientific, philosophical) information. The issue becomes very urgent because the RSCI, and even more so WoS and Scopus, as shown above – they factually are incapable for supporting the Biocosmology Initiative realization. A new sought-for knowledge database can be organized, for example, on the basis of Cyberleninka, a well-known and successful Internet resource.


РЕФЕРАТ
Проблемами изучения и управления наукой мы занимаемся с 1980-х годов. Настоящая статья посвящена новым результатам в области изучения и управления наукой, ориентированным на достижение установками Биокосмологической Инициативы. Последняя прежде всего выявляет полярные Типы научного знания; но также, в новом свете – активизирует вопросы изучения полюсов в более широком значении, во всем существующем их разнообразии, для последующей реализации их наукометрического анализа и оценки. Именно выделение всего спектра существующих полюсов в развитии науки и их новое рассмотрение в свете Биокосмологической инициативы составляет главную задачу данного исследования.

Основное содержание статьи – выделение и обсуждение 23 пар взаимодействующих полюсов в развитии науки:

1. Приращение знаний – социальное продвижение научных работников.
2. Фундаментальная наука – прикладная наука.
3. Необходимость увеличения знания в своей области науки – невозможность освоить имеющую литературу.
4. Развитие науки (динамика) – научные кланы (статика).
5. Сложившиеся области науки – возникающее новое знание; узкая специализация – междисциплинарность.
6. Проведение исследования «с нуля» – предварительный анализ публикаций.
7. Обучение путем решения задач – обучение на основе лекций и изучения литературных источников.
8. Оригинальность (новое) для мира – оригинальность (новое) для читателя.
9. Невозможность сравнения научных работ по значимости – необходимость сравнения результатов деятельности исследователей и организаций.
10. Наукометрия – экспертные оценки.
11. Наука – журналистика.
12. Западные базы данных WoS and Scopus – отечественные базы данных (РИНЦ; и новые перспективные базы данных, способные воспринять и поддержать Биокосмологическую Инициативу).
13. Электронные издания – бумажные журналы.
14. Монографии – учебники.
15. Монографии – статьи.
16. Журналы – сборники.
17. Журналы – монографии.
18. Многообразие научных публикаций – библиометрические базы данных.
19. Широта распространения информации – избирательность.
20. Научная работа – преподавание.
21. Пары полюсов на профессиональном пути исследователя: личная работа – беседы, путешествия; признание заслуг – финансирование; молодость – опыт.
22. Западная (мировая) наука – отечественная (национальная) наука.
23. Публикации за рубежом (на английском языке) – публикации на русском языке.

Биокосмология (которая использует Аристотелизм как референциальную основу) – это новое междисциплинарное направление, которому еще предстоит «завоевать место под солнцем науки». Весьма важно, что есть журнал, вокруг которого можно сплотиться для реализации Биокосмологической Инициативы. Одной из первоочередных задач является создание настоящей библиографической базы данных (для Биокосмологии; а, значит – всех источников Органицистского и Интегралистского Типов научного знания), как незаменимого хранилища необходимой рациональной (научной, философской) информации. Вопрос становится очень актуальным, поскольку РИНЦ, а тем более WoS и Scopus, как показано выше – они фактически неспособны поддержать реализацию Биокосмологической Инициативы. Новую базу знаний можно организовать, например, на базе Киберленинки – известного и успешного Интернет-ресурса.
ОСНОВНОЕ СОДЕРЖАНИЕ СТАТЬИ

Введение
Проблемами изучения и управления наукой мы занимаемся с 1980-х годов. Предварительные итоги подведены в монографии [Лойко и др., 2017] и статьях последних лет [Орлов, 2019, 2021a, 2021b]. Принятое на 22-м Международном симпозиуме по Биокосмологии (в рамках 7-й Международной конференции по Глобалистике, Москва, МГУ, 15–18 июня 2021 г.) «Обращение к научному сообществу – выдвижение Биокосмологической Инициативы» [2021] дает новый импульс исследованиям в науковедении. Настоящая статья посвящена новым результатам в области изучения и управления наукой, стимулированным идеями Биокосмологической Инициативы.

1. Кратко о науке
Под наукой часто понимают сферу деятельности людей, функцией которой является выработка и теоретическая систематизация знаний о действительности (Большая советская энциклопедия). С этим определением можно поспорить, поскольку абстрактные системы, с которыми часто имеет дело математика, отнюдь не всегда связаны с действительностью. Относить математику к естественным наукам тем более нелепо, хотя бы потому, что при этом игнорируются математические методы в экономике. Нечеткость определения понятия "наука" не очень мешает обсуждению проблем науки. Более того, именно то, что мы мыслим нечетко, позволяет нам понимать друг друга и не заниматься бесконечным уточнением определений.
В реальной науке работают миллионы исследователей. Только в Российском индексе научного цитирования (РИНЦ) зарегистрировано более миллиона авторов. Определение численности научных работников затрудняется тем, что Росстат не относит к ним профессорско-преподавательский состав вузов, хотя эта категория трудящихся дает значительное количество публикаций. В России затраты на исследовательские разработки в 2010 году составили 1,13% валового внутреннего продукта (ВВП), а в 2019-м – 1,03% ВВП. Для принятия обоснованных решений в области управления наукой необходимо изучать свойства научного сообщества.
Биокосмологическая инициатива – ориентир науковедения. На ее основе при рассмотрении проблем развития реальной науки и управления ею выделим биполярные структуры, описываемые с помощью двух полюсов и взаимодействий между ними. Продемонстрируем единство и борьбу противоположностей. Каждая из перечисленных биполярных структур заслуживает подробного рассмотрения, но в настоящей работе мы хотим показать многообразие проблем развития науки.

2. Биокосмологическая инициатива – ориентир науковедения
Рассмотрим нужные нам в настоящей статье положения Биокосмологической Инициативы. В соответствии с Биокосмологическим подходом реальную науку рассматриваем как единую, естественную и динамически развивающуюся субъект. Под субъектом подразумевается одно целое (целостная организация), главным свойством которого является присущее ему целе-организованное жизненное Само-развитие, и которое реализуется на основании Само-поддержания и Само-управления, на гомеостатическом уровне, всех своих витальных функций.

Не менее важна Биполярность – неизменное существование в реальной жизни (соответственно – науке) двух (и именно Двух) противоположных центров (полюсов) целостной жизненной организации, причем при рассмотрении науки с разных сторон целесообразно анализировать ряд пар противоположных полюсов. Согласно следующему принципу Триадичности : полюса объединяются в целостную жизненную организацию реальной науки, рассматриваемой как центр, имеющий способности и возможности к взаимодействию одновременно с обоими полюсами. Для анализа процесса развития науки и управления им важно рассматривать круговоротную Цикличность – динамическое естественное поочередное доминирование (полюсов и центра) в организации целостной жизни субъекта. Важна Четырехстороннесть – существенная (и необходимая) одновременная активность как обоих полюсов; так и, под влиянием их доминирующей организации – двух циклов в круговоротной жизненной активности реальной науки (можно сопоставить с циркадианными циклами «сна» и «бодрствования»). Подчеркнем и Пятивалентность – неотъемлемое значение центра (т.е. реальной науки) – в существовании полюсов субъекта и круговоротной реализации всех его жизненных циклов. Полезны понятия онтогенетической конечности (жизненного пути науки и ее конкретных составляющих), функционалистской гетерогенности и иерархичности в существующих системах целостной жизненной организации реальной науки.;

Научное знание о науке естественным образом является Биполярным : т.е. научное знание всегда содержит в себе два полярных (и несовместимых друг с другом напрямую) – противоположных научных подхода, которые в равной мере необходимы для Интегрального (целостного Триединого) истинного рационального (научного и философского) знания. В то же время, как становится ясным с позиции Биокосмологии (и что имеет значение краеугольного камня) : оба полярных научных подхода (Дуалистский и Органицистский) являются в равной мере необходимыми для целостного успешного развития рационального знания (т.е. науки и философии). Однако, последнее становится возможным исключительно на основе применения в науковедении самостоятельного Третьего (но Первого, по значению) Интегралистского Типа научного знания, изучающего предметы в полном (целостном) охвате. Любое научное Интегралистское знание являются способным к осуществлению познания и объяснения реальной науки исключительно через необходимое объединение оснований и средств из обоих полярных Типов знания (как, например, осуществление системного знания является невозможным без признания целеполагания составляющих систему элементов-органов).

Как подчеркнуто в Биокосмологической Инициативе, необходима переориентация главного вектора научной деятельности на полюс Органицизма (Динамического Энтелехистского натурализма, АнтропоКосмизма, Ноосферной целостной организации мировых процессов). Таким образом, в основании выдвинутой Биокосмологической инициативы находится признание очевидной естественной Биполярности и динамической Триадичности реального субъектного (автономного – целевого Саморазвивающегося) мира реальной науки. При условии, что научное знание рассматривается в его целостном единстве – Триединстве (соответственно, Триадологии) – суть Инициативы состоит в том, чтобы продвигать (безотлагательно) Биокосмологический подход как новую форму Интегралистского знания, которая предпринимает поворот в сторону полюса и оснований Органицистского Типа рациональных (т.е. научных и философских) знаний.

Таким образом, суть Обращения к академическому (научному и философскому) сообществу и выдвигаемой Биокосмологической Инициативы заключается в призыве к рассмотрению и признанию необходимого возвращения (восстановления, в естественном круговоротном циклическом эволюционном развитии) истинной Триадологической (Трех Типов, но возможных только в Триединстве) сущности действительного научного знания.

В реализации этой грандиозной задачи первоочередное значение имеет признание натуралистской Биполярности и динамической Триадичности научного знания, а в структуре последнего – полюса Органицистского, целедвижимого интегрирующего знания (равного по значению Дуалистскому-англосаксонскому аналитическому знанию, и основания которого были утверждены в XVII веке); и что в этой связи необходим решительный разворот, на основаниях современного (XXI века) Интегрализма – от Трансценденталистского (Южного, Антропоцентризма) Дуалистского полюса – к Северному (АнтропоКосмизма и Ноосферности) полюсу Органицистского Типа рационального (научного и философского) знания; предпочтительно в русле Биокосмологического (Интегралистского – Север-Восточного) развития (цитируется по основополагающему документу «Обращение к научному сообществу – выдвижение Биокосмологической Инициативы» [2021]).

3. Биполярные структуры науки
1. С одной стороны, цель научной деятельности – приращение знаний. С другой стороны – это сфера для социального продвижения по карьерной лестнице. Одни ученые тратят силы на постижение нового, другие «ученые» – на получение денег, званий, должностей, наград, почета. Эти два полюса взаимодействуют. Герцог Кавендиш мог посвятить себя чистой науке (он даже не считал нужным публиковать свои работы, поэтому в школе мы изучает закон Кулона, хотя значительно раньше его открыл Кавендиш), поскольку был полностью обеспечен, и имел все условия для своей научной деятельности. Обычный ученый должен бороться за финансовое обеспечение, должности, ученые звания, поскольку только их наличие дает ему возможность заниматься любимым делом. Но есть и те, кто больше всего ценит в науке ценит возможность социального продвижения, хотя для этого им приходится делать некоторый вклад в приращение знаний.

2. Два важных полюса – фундаментальная наука и прикладная наука. Фундаментальные научные исследования нацелены на бескорыстное приращение чистого знания, их можно оценивать по вкладу в информационный процесс развития науки, полученные результаты доступны всем исследователям. Прикладные научные исследования обычно проводятся в интересах конкретных заказчиков, по усмотрению которых используются полученные результаты. На пути широкого их распространения стоят интересы заказчиков, проводится охрана государственной и коммерческой тайны. Два полюса тесно взаимодействуют. Продвижения в фундаментальной науке используются в прикладных целях. Наоборот, при решении конкретных прикладных задач постоянно возникают вопросы, требующие фундаментального исследования. Поэтому иногда говорят, что вся наука является прикладной. Есть и мнение, что фундаментальные исследования – это те работы, которые никому не нужны. Выделяют и промежуточные области между фундаментальной и прикладной наукой, но их обсуждение не входит в нашу задачу.

3. Знание основных результатов своей научной области – это то, что обычно ожидают от ученого. Этому полюсу противостоит очевидная невозможность достаточно полно освоить имеющиеся статьи и монографии. Действительно, если читать по 1 работе в неделю, то за 100 лет удастся изучить 5200 статей и книг, в то время число работ в достаточно развитой области (например, в статистических методах) измеряется миллионами, Разрыв на три порядка! Можно констатировать, что основная проблема современности – всеобщее невежество научных работников. Каждый из них знаком лишь с весьма небольшой долей тех публикаций, которые ему следовало бы знать. Причина (относительного) невежества – огромный объем накопленных знаний. Из констатации очевидного утверждения о всеобщем невежестве научных работников вытекает ряд следствий.

4. Обычно считаем, что наука едина, без внутренних границ. Однако в целях борьбы со всеобщим невежеством возникает клановая структура. Научный клан обычно состоит из нескольких сотен исследователей, которые достаточно хорошо знают работы друг друга, но имеют смутное представление о том, что делается за пределами клана. Клан обычно имеет инфраструктуру – дружественные научно-исследовательские организации и вузы, научные журналы, конференции, диссертационные советы. Типовым поведением членов клана является поддержка своих и борьба с чужими. Клановая структура консервирует устоявшиеся направления и препятствует развитию нового. Поддерживается статика в ущерб динамическому развитию.

5. Два полюса – сложившиеся области и возникающее новое. У каждого исследователя – выбор: либо осваивать и развивать сложившуюся область, либо строить новое. Клановая структура нацелена на первый полюс, но для динамического развития науки важнее второй. В современном англоязычном научном сообществе явно господствует первый полюс, поэтому следует ожидать загнивания западной науки, занимающейся в основном полировкой ранее полученных научных результатов. В этой связи можно говорить еще о двух полюсах: узкая специализация – междисциплинарность. Если во времена Аристотеля междисциплинарность была нормой, то в настоящее время наблюдаем уход в узкую специализацию внутри своего научного клана.

6. Как начинать исследование? И здесь два полюса: работы с нуля – работы, развивающие прежние. Первый полюс – начинать обдумывать возникшую (выделенную) проблему, не тратя времени на знакомство с литературой (но, очевидно, на базе типового набора знаний, в который входят, например, дифференциальное и интегральное исчисления). Опасность – можно повторить то, что сделано другими. Второй полюс – начать со знакомства с литературой. Задача заведомо невыполнимая из-за огромного количества публикаций, имеющих то или иное отношение к рассматриваемой проблеме. Обычно знакомство с литературой приводит к тому, что исследователь начинает рассматривать частности в работах предшественников. Образно говоря, начинает полировать ножки письменного стола, изготовленного основоположником. Например, в математике тратит силы на переход к требованию непрерывности некоторой функции взамен требования её дифференцируемости.

7. Пропаганда пользы исследования «с нуля» взамен ориентации на анализ публикаций приводит к экстремистской системе обучения путем решения последовательности специально подобранных задач (система «всё – в задачах»). Второй полюс – обучение на основе лекций и изучения литературных источников (прежде всего учебников). Система «всё – в задачах», разумеется, развивает умение решать задачи, но не учит использованию опыта, подходов, приемов предшественников. Опасности второго подхода – начетничество, зубрежка без понимания смысла. Автор настоящей статьи еще в 1970-х годах составил систему уравнений, описывающих процесс обучения. В этой системе на основе принципа максимума Понтрягина показано, что на основном этапе обучения на пассивное увеличение знаний (лекции) должна тратиться 1/3 учебного времени, а на решение задач (семинары) – 2/3 [Орлов, 1978, 2014].

8. Еще пара полюсов: оригинальность результата для мира (объективно новое) – оригинальность (субъективно новое) для конкретного лица (читателя или самого исследователя). Объективную новизну установить практически невозможно из-за огромного количества имеющихся публикаций. Достижима лишь субъективная новизна. Как следствие, затруднено распространение новых результатов, заметно количество повторных открытий и изобретений. Наблюдаем живучесть ошибок.

9. Весьма важны два полюса. Первый – научные исследования принципиально нельзя сравнивать, даже в одной области, поскольку каждая из них – самостоятельный кирпичик в здании науки. Если говорить о цели научной деятельности как приращении знаний, то это так. Если же исходить из того, что наука – сфера для социального продвижения, то сравнивать необходимо – для принятия решений о финансировании, назначении на должности, и т.п. Требования этого второго полюса необходимо учитывать в реальном мире. Основополагающая проблема в том, как сравнивать.

4. Изучение развития науки как информационного процесса
10. При сравнении есть два полюса – опора на объективные данные наукометрии и применение субъективных экспертных оценок. Традиционно главенствовал второй способ, хотя постоянно возникал вопрос: «А эксперты кто?». Каковы эксперты – таков и результат. И лишь недавно развитие современных информационно-коммуникационных технологий позволило получить надежную статистическую базу о публикациях и цитировании. Появился объективный показатель для измерения значимости работ ученого (по «гамбургскому счету»). Полвека назад В.В. Налимов и З.М. Мульченко [1969] в первой в мире монографии по наукометрии показали, что вклад ученого в науку измеряется числом цитирований его работ. Речь идет о фундаментальной науке, рассматриваемой как информационный процесс. Раз цитируют – значит, работы нужны. Вполне естественным является противодействие тех, чьи индексы цитирования (относительно лидеров по этому показателю) оказались ниже, чем они ожидали. Обычно проигравшие по числу цитирований упирают на экспертные оценки, очевидно, полагая, что социально близкие к ним эксперты дадут более высокие оценки. Эти ожидания зачастую оправдываются, поскольку подбор экспертов обычно осуществляется внутри того клана, к которому принадлежат отрицающие наукометрию. Отметим, что автор настоящей статьи выпустил наиболее известный в нашей стране учебник «Экспертные оценки» [Орлов, 2011], другими словами, знаком как с наукометрией, так и с экспертными оценками как профессионал.

11. Очевидно, наукометрические показатели зависят от того, по какому массиву исходной информации проводятся расчеты. Итоги по массиву научных публикаций одни, а по массиву журналистских материалов – другие. Широко известные в Интернете специалисты зачастую сравнительно мало цитируются в научных изданиях (можно привести фамилии), и наоборот, лидеры научного цитирования обычно мало знакомы широкой публике. Итак, два полюса – наука и журналистика.

12. Индексы цитирования можно рассчитывать на основе тех или иных баз библиографических данных. Основная такая база в нашей стране – Научная электронная библиотека (elibrary.ru), на основе которой действует Российский индекс научного цитирования (РИНЦ). В целом РИНЦ охватывает основную часть массива публикаций российских исследователей. Популярны, особенно среди администраторов от науки и высшего образования, западные базы данных и соответствующие индексы цитирования WoS и Scopus. Поскольку российские журналы слабо представлены в этих базах, то и индексы цитирования на их основе дефектны. Системы управления российской наукой, исходящие из данных WoS и Scopus, наносят большой вред нашей стране. Они заставляют российских ученых безвозмездно передать геополитическому противнику результаты исследований, выполненных на деньги российских налогоплательщиков. Мы уже подробно писал и об этом [Орлов, 2021a, 2021b]. Отметим, что здесь наблюдаем извращенное взаимодействие двух полюсов – отечественной науки и т.н. мировой науки.

13. Укажем на взаимодействие двух полюсов – электронные издания и бумажные материалы. Электронные издания гораздо более доступны, чем бумажные. Хотя в настоящее время еще продолжают выходить книги и журналы в бумажном варианте, их ждет вымирание. Если кто-либо предпочитает читать тексты на бумаге, он может распечатать электронную книгу или статью. Давняя идея выпускать книги под заказ конкретных читателей-покупателей реализуется в естественном виде типографии на дому. Бумажные книги продолжат свою жизнь как подарки и выставочные экземпляры. С другой стороны, ранее выпущенные издания уходят в историю, если они не оцифрованы. Хотя объем оцифрованных материалов растет, в прошлое безвозвратно уходят многие статьи, книги, доклады, выпущенные в ХХ в. и ранее.

14. Перейдем к обсуждению различных видов научных публикаций. Два полюса: монографии и учебники. Цель монографии – дать сводку полученных научных результатов, цель учебника – представить материал для обучения. Ясно, что этот материал должен быть современным. Весьма важно, что их всего многообразия полученных к настоящему времени научных результатов будущему поколению достанется лишь то, что вошло в учебники, остальное окажется практически недоступным. Отсюда рекомендация – готовить монографии так, чтобы их можно было использовать как учебники (в соответствии с принципом «Образование – через науку»). Именно так подготовлены многие наши книги, которые можно использовать и как монографии, и как учебники.

15. Еще два полюса: монографии и статьи. С точки зрения развития науки естественно завершить серию статей монографией. Однако после этого дальнейшие ссылки пойдут на монографию, а не на статьи. Поток цитирований может уменьшиться (ссылки даются на одну монографию, а не на несколько статей). Особенно может пострадать индекс Хирша.

16. Современные инструментальные средства наукометрии делают упор на научные журналы. В основном индексируются статьи из журналов. Именно по цитированию в журналах принимают решения администраторы. Между тем ясно, что журналы соответствуют сложившимся направлениям, являются органами тех или иных кланов. Новое возникает вне журналов. Создатели новых направлений сначала объединяются вокруг созданного ими семинара, затем проводят конференции, выпускают сборники по тематике своих направлений. Именно таковы были начальные десятилетия таких направлений, как «Прикладная статистика» и «Экспертные оценки», среди основоположников которых был и автор настоящей статьи. И только потом в журнальном мире проявляются новые направления. Они либо проникают в ранее созданные журналы, либо создают свои. Так взаимодействуют полюса: журналы и сборники. Впрочем, до сих пор нет российских журналов «Прикладная статистика» и «Экспертные оценки», хотя соответствующие направления выявились 40–50 лет назад.

17. Еще два полюса: журналы и монографии. Итоги работ обычно подводят в монографиях. Об ученом судят прежде всего по написанным им монографиям. Однако администраторы часто принижают значение монографий по сравнению со статьями в журналах. Кроме того, после выхода монографии сокращается число цитирований предыдущих статей – новые статьи опираются на монографию. Таким образом, сложившаяся ошибочная традиция не стимулирует исследователей к написанию монографий.

18. Сторонники субъективных экспертных оценок стараются взять реванш, дискриминируя издания по тем или иным признакам. Например, не все журналы индексируются в базе данных. В старейшем журнале «Экономист» (до 1990 г. – «плановое хозяйство») проиндексированы в РИНЦ лишь отдельные статьи. Аналогична ситуация с журналом «Biocosmology – neo-Aristotelism». Некоторые издания учитываются в научно электронной библиотеке НЭБ (elibrary.ru), но не включаются в РИНЦ. Внутри РИНЦ на основе оценок неизвестных нам экспертов выделена привилегированная зона – т.н. «ядро РИНЦ". В западных базах WoS и Scopus, ориентированных на англоязычных авторов, ситуация гораздо хуже – подавляющее большинство отечественных изданий попросту проигнорировано. Кроме того, в этих базах проводится дискриминация журналов по импакт-фактору (число ссылок за данный год на материалы, размещенные в журнале на протяжении прошедших двух или пяти лет, разделенное на итоговое число размещенных за данное время статей). Используют разделение журналов по квартилям (1-й квартиль, второй квартиль, ...), исходя из распределения импакт-фактора по всему многообразию журналов, включенных в соответствующую базу данных. Наблюдаем стремление воздействовать на научную сообщество с целью направить поток публикаций в наиболее модные англоязычные журналы, что наносит вред национальным интересам России. Таким образом, весьма неоднозначно взаимодействие полюсов: «массив научных публикаций» – «библиометрические базы данных».

19. Отметим полюса: широта распространения информации – избирательность. Для развития науки требуется свобода распространения информации. Однако журналы зачастую требуют плату за допуск к статьям в течении (свободный допуск – у подписчиков), например, двух лет после выхода статьи (свободный допуск – у подписчиков). Причина очевидна – для издания журнала нужны средства. Однако в итоге наблюдаем ограничение свободы распространения информации. В быстро развивающихся областях подобная задержка может привести к потере приоритета. Вместе с тем отметим, что наиболее ценные статьи цитируются десятилетиями, поэтому при оценке значимости журнала по импакт-фактору (т.е. по цитируемости за два или пять лет) возможны грубые ошибки.

20. Обсудим полюса: наука – преподавание. Ожидают, что приращение нового знания происходит в результате деятельности научно-исследовательских организаций, в то время как при преподавании происходит передача новому поколению ранее полученных знаний. Однако учить надо и недавно полученным знаниям. Следовательно, надо привлекать ученых к преподаванию. Однако и преподаватель должен знать, что сейчас происходит в науке. Следовательно, он должен заниматься научной работой.
Посмотрим в другой стороны. Результаты, полученные исследователем – должны быть переданы новому поколению, иначе они будут забыты. Преподаватель, оторванный от науки, дает студентам устаревшие знания. Видим необходимость объединения ученых и преподавателей, в том числе организационного, в рамках одного университета, с целью реализации принципа «Образование – через науку». Видимо, всем уже очевидно состоявшееся вырождение институтов бывшей РАН. Достаточно посмотреть на их коридоры, пустые в рабочее время. Было бы целесообразно объединить институты РАН с соответствующими вузами. Тогда студенты получили бы возможность учиться у ведущих ученых, а те получили бы многих молодых сотрудников. Отметим, что периоды бурного развития той или иной отрасли науки перемежаются периодами замедления темпов, в течение которых исследователи могут сосредоточиться на преподавании.

21. Выделим полюса, связанные с профессиональным путем исследователя. Одни ведут личную научную работу за письменным столом; другим для проведения исследований нужны беседы, путешествия, конференции. Одни стремятся к признанию заслуг среди научного сообщества, другие сосредоточены на поиске финансирования и почестей, общаясь с администраторами и другими категориями власть имущих. Два важных полюса – молодость, нацеленная на новые подходы; и опыт, обеспечивающий возможность применять ранее сделанное.

22. Два важных полюса: западная (т.н. мировая) наука и отечественная (национальная) наука. Абстрактно говоря, любое новое знание – это очередной кирпич в здание мировой науки; и не важно, в какой стране оно получено. Реальность не соответствует этой схеме. Национальная наука – один из институтов общества, часть надстройки. Очевидно, она используется для обеспечения обороноспособности, экономического развития, обучения новых поколений. Естественно следить за достижениями других стран, но основное – интересы своей страны. Мировая наука не является самостоятельным институтом, она является объединением национальных наук [Гринченко, 2014]. Точно также мировое хозяйство – это совокупность национальных хозяйственных систем. Экспорт и импорт – важные компоненты хозяйственной структуры национального государства; которая, тем не менее, прежде всего нацелена на реализацию интересов национальных государств. По крайней мере это выполнено для суверенных (независимых от внешнего управления) государств. Возможно¸ в будущем будет создано всемирное правительство и национальные границы исчезнут, тогда понадобится пересмотр сказанного выше.
Распространенная в настоящее время идеология глобализма служат интересам англосаксонских стран, теряющих первенство в экономическом развитии. Одним из инструментов глобализма является попытка выдвинуть английский язык как язык современной науки, а ориентированные на англоязычные публикации западные библиометрические базы WoS и Scopus представить как сокровищницу мировых достижений. Распространение идей глобализма наносит вред научным структурам, выпускающим публикации не на английском, а на национальных языках – китайском, русском, немецком, французском, японском, фарси, хинди и др. Поскольку США уступили Китаю первенство в экономическом развитии (а вскоре уступят и Индии), то можно ожидать, что в перспективе английский перестанет быть языком науки, и аннотации к статьям мы будем писать не по-английски, а по-китайски. Отметим, что уже сейчас в столичном аэропорту Шереметьево все указатели выполнены на трех языках – русском, китайском и английском.

23. Сказанное конкретизируется при обсуждении полюсов: публикации за рубежом и публикации на русском. Каждый исследователь выбирает место публикации своих результатов. В настоящее время российские администраторы в области науки и образования стимулируют подготовку публикаций на английском языке в журналах 1 и 2 квартилей, индексируемых в базах WoS и Scopus. При этом специалисты из стран, являющихся геополитическими противниками России, бесплатно и вне очереди получают информацию о результатах последних исследований отечественных ученых, выполненных в основном на деньги российских налогоплательщиков (исключения составляют работы по западным грантам). Очевидно, такие работы менее доступны российским ученым, чем опубликованные на русском языке. Важно, что лица, публикующиеся на английском, достаточно часто обзаводятся связями с западными учеными, а затем и сами уезжают за границу. Наблюдаем неконтролируемый вывоз за границу человеческого капитала, что, очевидно, наносит ущерб интересам России.

Было бы целесообразно стимулировать российских ученых публиковаться на русском языке. Например, эффективность деятельности исследователей и научных организаций следует оценивать по публикациям на русском языке. Ориентиром может послужить опыт Китая по директивному требованию публикации не менее 60% работ на китайском языке. «Большинство научных журналов в Китае не издаются на английском языке, что означает, что большая часть текущих научных разработок в Китае недоступна для ученых, не говорящих по-китайски» (https://ru.wikichi.ru/wiki/Academic_publishing_in_China). Научные результаты должны быть прежде всего опубликованы на русском языке и доступны российским исследователям, и только после этого можно допустить их публикацию на английском (прежде всего обзоров) [Милек, Шмерлинг, 2013]. Во взаимоотношениях полюсов: WoS и Scopus – отечественные библиометрические базы (в настоящее время прежде всего РИНЦ) следует исправить неоправданный крен в сторону первого полюса.

Некоторые итоги
Приведем слова разработчика Биокосмологической Инициативы К.С. Хруцкого: Поскольку мы вступили в Интегралистскую эпоху в мировом развитии, то, как это и отмечено в Обращении – наиболее актуальная задача заключается в том, чтобы неотложно вернуть в научную реальность значение Органицистского полюса; т.е. совершить решительный Разворот – повернуть вектор Интегралистского знания: от Трансценденталистского (Западного) к Органицистскому (Русскому, Вернадского-Данилевского-Сорокина и других ученых) полюсу естественного успешного мирового развития. Все три методологии – разные по основаниям; но в остальном – все три Типа научной деятельности абсолютно идентичны, т.е. в равной мере нуждаются в эмпирически достоверных объективных данных, их обоснованной логико-математической обработке, с выдвижением состоятельных концептуальных предложений; и с заключительной обязательной верификацией концепций через полученные результаты. Интегрализм не обладает собственной концептуальной базой; которой, напротив, обладают полярные космологии (всеохватывающие системы рационального знания); т.е. обладающие основополагающими принципами, объясняющими мироустройство; а также и предлагающие доступные к использованию несущие концептуальные основания и базовые концептуальные конструкты – все это делает научный процесс обоснованным, состоятельным и эффективным. В свою очередь, как это раскрыл Питирим Сорокин – Интегральные основания являются абсолютно необходимыми; т.к. без них невозможно взаимодействие (и само существование) полюсов мировой действительности и научного (о ней) знания [Khroutski & Tasić, 2021].

Биокосмология (которая использует Аристотелизм как референциальную основу) – это новое междисциплинарное направление, которому еще предстоит «завоевать место под солнцем науки». Весьма важно, что есть журнал, вокруг которого можно сплотиться для реализации Биокосмологической Инициативы. Одной из первоочередных задач является создание настоящей библиографической базы данных (для Биокосмологии; а, значит – и всех источников Органицистского и Интегралистского Типов научного знания), как незаменимого хранилища необходимой рациональной (научной, философской) информации. Вопрос становится очень актуальным, поскольку РИНЦ, а тем более WoS и Scopus, как показано выше – они фактически неспособны поддержать реализацию Биокосмологической Инициативы. Новую базу знаний можно организовать, например, на базе Киберленинки – известного и успешного Интернет-ресурса.

Литература

Гринченко С.Н. [2014] “Является ли мировая наука «организмом»?” Biocosmology – neo-Aristotelism. Vol.4, Nos.1 & 2, С.115-122.
Лойко В.И., Луценко Е.В., Орлов А.И. [2017] Современные подходы в наукометрии: монография / Под науч. ред. проф. С. Г. Фалько. – Краснодар: КубГАУ. – 532 с.
Милек О.В., Шмерлинг Д.С. [2013] О продвижении университета на международном академическом «Рынке». Управление большими системами: сборник трудов, вып.44. Наукометрия и экспертиза в управлении наукой: сборник статей / Под ред. Д.А. Новикова, А.И. Орлова, П.Ю. Чеботарева. – М.: Институт проблем управления РАН, 2013. – С.139–143.
Налимов В.В., Мульченко З.М. [1969]. Наукометрия. Изучение развития науки как информационного процесса. – М.: Наука, – 192 с.
Обращение к научному сообществу – выдвижение Биокосмологической Инициативы [2021]. Biocosmology – neo-Aristotelism. V.11, № 3-4 (в настоящем выпуске).
Орлов А.И. [1978] Математические модели отдельных сторон обучения математике. Сб. научно-методических статей по математике. (Проблемы преподавания математики в вузах.) Вып.7. – М.: Высшая школа. – С. 28–34.
Орлов А.И. [2011] Организационно-экономическое моделирование : учебник : в 3 ч. Ч.2. Экспертные оценки. – М.: Изд-во МГТУ им. Н. Э. Баумана. – 486 с.
Орлов А.И. [2014] Методология моделирования процессов управления в социально-экономических системах. Научный журнал КубГАУ. №101. С. 166–196.
Орлов А.И. [2019] “Статистические и экспертные методы наукометрии при управлении научной деятельностью.” Biocosmology – neo-Aristotelism. V.9, № 3-4. С. 308–329.
Орлов А.И. [2021a] Статистические и экспертные методы в задачах экономики и управления наукой. Научный журнал КубГАУ. №166. С. 1–35.
Орлов А.И. [2021b] Вред ориентации на базы данных SCOPUS и WEB OF SCIENCE. Россия: Тенденции и перспективы развития. Ежегодник. Вып. 16: Материалы XX Национальной научной конференции с международным участием «Модернизация России: приоритеты, проблемы, решения» / РАН. ИНИОН. Отд. науч. сотрудничества; Отв. ред. В.И. Герасимов. – М. – Ч. 1. – С. 835–840.
Khroutski K.S., Tasić M. [2021] “New Integralist Time : New (True – Organicist) interpreting, understanding and applying of Aristotle’s OrganonKosmology – to bringing successes to the contemporary world science.” Biocosmology – neo-Aristotelism. V.11. Nos. 1&2. P. 27–72.


Вернуться наверх
 Профиль  
 
 Заголовок сообщения: Re: Аннотации новых статей А.И. Орлова
СообщениеДобавлено: Сб янв 22, 2022 4:12 pm 
Не в сети

Зарегистрирован: Вт сен 28, 2004 11:58 am
Сообщений: 11577
1211. Муравьева В.С., Орлов А.И. Статистический анализ таблиц четырех полей / В.С. Муравьева, А.И. Орлов // Научный журнал КубГАУ. 2021. №174. С. 285 – 314. http://ej.kubagro.ru/2021/10/pdf/22.pdf


СТАТИСТИЧЕСКИЙ АНАЛИЗ ТАБЛИЦ ЧЕТЫРЕХ ПОЛЕЙ

Муравьева Виктория Сергеевна
Орлов Александр Иванович

Таблицу четырех полей строят для описания совместного распределения двух альтернативных признаков. Статья посвящена рассмотрению методов статистического анализа данных таблицы четырех полей в соответствии с традициями отечественной школы теории вероятностей и математической статистики. Такой анализ должен начинаться с выбора модели порождения данных. Применяют мультиномиальную модель и модель двух выборок. Проверяемые гипотезы и правила принятия решений меняются при переходе от одной модели к другой. Нельзя обоснованно судить о наличии связи между признаками только по величине тех или иных коэффициентов. Необходимо применять теорию проверки статистических гипотез. В мультиномиальной модели проверяют гипотезу независимости, а в модели двух выборок - гипотезу однородности долей. Только при отклонении нулевой гипотезы можно говорить о наличии связи между признаками, соответственно, о наличии эффекта при переходе от одной выборки к другой. Применяем метод вычисления асимптотических распределений функций от чисел в клетках таблицы четырех полей, основанный на многомерной центральной предельной теореме и методе линеаризации функций. Проверка статистических гипотез основана на использовании дисперсий коэффициентов ассоциации, коллигации и контингенции в мультиномиальной модели и разности выборочных долей в модели двух выборок. В применении дисперсий проявляется преимущество нашего подхода по сравнению с распространенной традицией. Некорректна встречающаяся в публикациях фраза: "Считается, что если коэффициент ассоциации превосходит 0,5 и коэффициент контингенции больше 0,3, то это свидетельствует о существенной связи между признаками". Говорить о "существенной связи между признаками" можно говорить лишь тогда, когда отклонена гипотеза независимости. Полученные рекомендации основаны на асимптотической нормальности рассматриваемых коэффициентов. Если в клетках таблицы четырех полей стоят сравнительно небольшие числа, то вместо предельных соотношений целесообразно пользоваться таблицами для конечных объемов выборок или соответствующими компьютерными программами


Вернуться наверх
 Профиль  
 
 Заголовок сообщения: Re: Аннотации новых статей А.И. Орлова
СообщениеДобавлено: Сб янв 29, 2022 1:04 pm 
Не в сети

Зарегистрирован: Вт сен 28, 2004 11:58 am
Сообщений: 11577
1212. Орлов А.И. Контроллинг и статистические методы // Контроллинг в экономике, организации производства и управлении: сборник научных трудов X международного конгресса по контроллингу, (Ярославль, 22 октября 2021 г.) / Под научной редакцией д.э.н., профессора С.Г. Фалько / НП «Объединение контроллеров». – М.: НП «Объединение контроллеров», 2021. – С. 65 - 74.
http://controlling.ru/files/185.pdf


УДК 005.521:633.1:004.8; JEL: C00, L00

КОНТРОЛЛИНГ И СТАТИСТИЧЕСКИЕ МЕТОДЫ

Александр Орлов
профессор, д.э.н., д.т.н., к.ф.-м.н., МГТУ им. Н.Э. Баумана

Аннотация: Контроллинг статистических методов предполагает разработку процедур управления соответствием используемых и вновь создаваемых (внедряемых) статистических методов поставленным задачам. Обсуждаем смену парадигм прикладной статистики. Показываем, что вероятностно-статистические модели данных являются основой статистических методов. Обосновываем необходимость разработки системы требований к статистическим моделям и методам при их создании, применении и преподавании, в том числе при их описании в публикациях.
Ключевые слова: менеджмент, контроллинг, модель, метод, прикладная статистика.

CONTROLLING AND STATISTICAL METHODS

Alexander Orlov
Full professor, DSc(Econ), DSc(Tech), PhD(Math), BMSTU

Abstract: Controlling statistical methods involves the development of procedures for managing the compliance of used and newly created (introduced) statistical methods to the set tasks. Discussing the paradigm shift in applied statistics. We show that probabilistic-statistical data models are the basis of statistical methods. We substantiate the need to develop a system of requirements for statistical models and methods in their creation, application and teaching, including when describing them in publications.
Keywords: management, controlling, model, method, applied statistics.

1. ВВЕДЕНИЕ
В современном контроллинге много различных направлений. В статье [1] мы начали развитие контроллинга организационно-экономических методов. Контроллинг в этой области – это разработка процедур управления соответствием используемых и вновь создаваемых (внедряемых) организационно-экономических методов поставленным задачам. Статистические методы и, прежде всего, прикладная статистика - важнейшая часть организационно-экономических методов. Настоящая работа посвящена проблемам контроллинга статистических методов.
2. СМЕНА ПАРАДИГМ В ПРИКЛАДНОЙ СТАТИСТИКЕ
Статистические методы анализа данных широко применяются исследователями в различных областях науки. Обсудим смену парадигм прикладной статистики - изменения основ общепринятой модели действий в этой области математических методов исследования. Рассмотрим три парадигмы - примитивную, устаревшую, современную.
Поясним на примере. Исходя из примитивной парадигмы, применяют расчетные формулы критерия Стьюдента для проверки равенства 0 математического ожидания без какого-либо обоснования. Согласно устаревшей парадигме констатируют (без строгого обоснования), что результаты измерений имеют нормальное распределение, затем применяют критерий Стьюдента. В современной парадигме используют непараметрические методы (в рассматриваемой постановке - основанные на центральной предельной теореме [2]).
Очевидно, обоснованность статистических выводов возрастает при переходе от примитивной парадигмы к устаревшей и далее к современной. В настоящее время в практике научной работы областях используются все три парадигмы. Обсудим, как это влияет на качество результатов исследовательской деятельности.
Примитивная парадигма - это парадигма поваренной книги, следования составленным кем-то рецептам. Программные продукты часто провоцируют такие расчеты. Приходится констатировать, что довольно часто итоговые выводы оказываются полезными с позиций прикладной области. Но иногда они могут быть и грубо ошибочными. Об опасности бездумного применения программных продуктов предупреждал [2] проф. В.В. Налимов, выдающийся исследователь в области статистических методов.
Устаревшая парадигма - это парадигма середины ХХ в. В ней элементы выборки рассматриваются как независимые случайные величины, распределения которых входят в то или иное параметрическое семейство распределений - нормальных, логистических, экспоненциальных, Вейбулла - Гнеденко, Коши, Лапласа, гамма-распределений, и др. Все эти семейства выделены из четырехпараметрического семейства распределений, введенного основателем математической статистики К. Пирсоном в начале ХХ в. Он принял гипотезу, что распределения реальных данных всегда совпадают с каким-то элементом его четырехпараметрического семейства. Затем началось развитие теории параметрической математической статистики, в которой задачи оценивания и проверки гипотез решались для выборок из тех или иных параметрических семейств. Был получен ряд замечательных математических моделей и результатов, например, связанных с методом максимального правдоподобия, критериями Пирсона (хи-квадрат), Пирсона, неравенством Рао - Крамера и др. Многомерное нормальное распределение оказалось весьма полезным для развития регрессионного и дискриминантного анализа.
Параметрической математической статистике посвящено основное содержание распространенных вузовских учебников по математической статистике. В отличие от примитивной парадигмы, имеется строгая математическая теория, позволяющая получать расчетные алгоритмы и на их основе - полезные практические рекомендации. Есть только один недостаток - распределения реальных данных, как правило, не являются нормальными и вообще не входят в четырехпараметрическое семейство Пирсона. Делают попытки проверить нормальность или, например, экспоненциальность реальных данных. Зачастую отклонить гипотезу нормальности не удается. Но это нельзя рассматривать как подтверждение нормальности распределения рассматриваемых данных, поскольку для тех же данных не удается отклонить гипотезу о том, что распределение данных соответствует другому популярному распределению. Причина очевидна - малый объем выборки. Например, для того, чтобы выяснить, какому распределению соответствуют анализируемые данные - нормальному или логистическому, необходимо не менее 2500 наблюдений. Реальные объемы выборок обычно значительно меньше.
Развитие теории параметрической математической статистики продолжается и в настоящее время. В частности, сравнительно недавно выяснено, что вместо оценок максимального правдоподобия целесообразно использовать одношаговые оценки, разработаны методы доверительного оценивания для гамма-распределения и др. С помощью параметрической математической статистики решено много прикладных задач в конкретных областях исследования. Но в ряде случаев получены ошибочные выводы, хотя доля таких случаев заметно меньше, чем опоре на примитивную парадигму.
Современная парадигма [3] основана на непараметрической и нечисловой статистике. В отличие от параметрической статистики, элементы выборки с числовыми значениями предполагаются имеющими произвольную непрерывную функцию распределения. Центральной областью прикладной статистики стала статистика нечисловых данных [4], позволяющая единообразно подходить к анализу статистических данных произвольной природы.
Современную парадигму называем новой, хотя ее основы сформировались еще в 1980-х годах, когда во время подготовки к созданию Всесоюзной статистической ассоциации (учредительный съезд прошел в 1990 г.) понадобилось проанализировать состояние и перспективы прикладной статистики.
К настоящему времени непараметрическими методами можно решать практически тот же круг задач анализа данных, что и параметрическими. Преимущество непараметрики в том, что нет необходимости принимать необоснованные предположения о виде функции распределения. Недостатком является то, что реальные данные часто содержат совпадения. Если функция распределения элементов выборки непрерывна, то вероятность их совпадения равна 0. Противоречие возникает из-за того, что свойства прагматических чисел, используемых для записи результатов измерений (наблюдений, испытаний, опытов, анализов, обследований), отличаются от свойств математических чисел (например, прагматические числа записываются с помощью конечного числа цифр, а почти все действительные числа требуют - в теории - бесконечного ряда цифр). Разработаны подходы [5] к анализу совпадений при применении непараметрических статистик, позволяющие снять рассматриваемое противоречие.
В некоторых случаях параметрические методы позволяют обнаружить и предварительно изучить важные эффекты непараметрической статистики. Так, хорошо известно, что распределения реальных данных, как правило, не являются нормальными. Однако математический аппарат в случае нормальности зачастую является более простым. Согласно устаревшей парадигме в математической статистике широко используются многомерные нормальные распределения. Именно для таких распределений найдены явные формулы для различных характеристик в многомерном статистическом анализе, прежде всего в регрессионных постановках. Это связано с тем, что глубоко развита теория квадратичных форм в евклидовом пространстве (квадратичные формы стоят в степени экспоненты, описывающей плотность многомерного нормального распределения). Используя развитый математический аппарат, основанный на многомерной нормальности, удается разработать и изучить методы оценивания размерности вероятностно-статистической модели [6] с целью переноса полученных результатов на непараметрические постановки.
К настоящему времени теоретические исследования по прикладной статистике проводятся в основном в соответствии с современной парадигмой. Так, статистике нечисловых данных посвящено 63% работ по прикладной статистике, опубликованных в разделе "Математические методы исследования" журнала "Заводская лаборатория. Диагностика материалов" в 2006 - 2015 гг. [7]. Однако значительная доля прикладных работ осуществляется в традициях устаревшей или даже примитивной парадигм. Такие работы нецелесообразно огульно отрицать. Они могут приносить пользу в конкретных областях. Однако бесспорно, что переход на современную парадигму прикладной статистики повысит научный уровень исследований, а также позволит получить важные результаты в конкретных областях. Приходится констатировать, что исследователи, связанных с анализом данных, недостаточно знакомы с непараметрической и нечисловой статистикой. Необходимо шире распространять информацию о современной парадигме прикладной статистики.
3. ВЕРОЯТНОСТНО-СТАТИСТИЧЕСКИЕ МОДЕЛИ ДАННЫХ - ОСНОВА МЕТОДОВ ПРИКЛАДНОЙ СТАТИСТИКИ
При обсуждении процедур анализа статистических данных обычно сосредотачивают внимание на расчетных формулах. Причина очевидна - не зная формул, нельзя провести расчеты. Однако начинать надо с вероятностно-статистических моделей порождения изучаемых данных.
Например, в прикладной статистике наиболее распространенная модель выборки - это конечная последовательность независимых одинаково распределенных случайных величин [1], моделирующих результаты измерений (наблюдений, испытаний, опытов, анализов, обследований). Если общая функция распределения этих случайных величин является произвольной, то обращаемся к методам непараметрической статистики. Для корректности математических рассуждений обычно принимают, что функция распределения результатов измерений является непрерывной, следовательно, вероятность совпадения каких-либо двух результатов наблюдений (элементов выборки) равна 0. Как известно, для реальных данных совпадения результатов встречаются достаточно часто. Следовательно, в таких случаях наблюдается отклонения от непараметрической модели. Как уже отмечалось выше, модель анализа совпадений при расчете непараметрических ранговых статистик предложена в работе [5]. Статистика интервальных данных была создана для обработки округленных данных и данных с совпадениями [1].
До сих пор распространены реликтовые представления о том, что функция распределения результатов измерений относится к одному из популярных семейств распределений - нормальных, экспоненциальных, Вейбулла-Гнеденко, гамма-распределений и др. Для выборок из таких семейств в прошлом тысячелетии были разработаны и изучены методы оценивания параметров и проверки статистических гипотез. Эта совокупность методов прочно заняла место в учебниках по теории вероятностей и математической статистике.
Отметим устойчивость предрассудков. Например, до сих пор пропагандируется использование метода максимального правдоподобия, хотя одношаговые оценки имеют столь же хорошие свойства, что и оценки максимального правдоподобия. Однако во многих случаях система уравнений максимального правдоподобия не имеет явного решения, и соответствующие оценки рекомендуется находить итерационными методами, сходимость которых не изучают, хотя есть примеры, в которых отсутствие сходимости продемонстрировано. Между тем одношаговые оценки вычисляются по конечным формулам, без всяких итераций [1]..
Особенно заметна любовь теоретиков к многомерным нормальным распределениям. Именно для таких распределений найдены явные формулы для различных характеристик в многомерном статистическом анализе, прежде всего в регрессионном. Причина в том, что удается использовать хорошо развитую в линейной алгебре теорию квадратичных форм.
Распределения почти всех реальных данных ненормальны. Это утверждение хорошо обосновано экспериментально, путем анализа результатов измерений [8]. Теоретические аргументы в пользу нормального распределения также не выдерживают критики. Например, говорят, что зависимость значения случайной величины от многих факторов влечет нормальность. Иногда добавляют, что факторы являются независимыми и сравнимыми по величине. Однако нормальность распределения можно ожидать лишь в случае аддитивной модели, когда факторы складываются (в силу Центральной предельной теоремы). Если же случайная величина формируется путем перемножения (мультипликативная модель), то ее распределение является (в асимптотике) логарифмически нормальным. Если справедлива модель "самого слабого" звена (или "самого сильного"), т.е. значение случайной величины равно крайнему члену вариационного ряда значений факторов (соответственно минимуму или максимуму), то имеем в пределе распределение Вейбулла - Гнеденко.
Модель на основе семейства нормальных распределений или распределений из иного параметрического семейства можно сравнить с моделью поиска под фонарем потерянных в темных кустах ключей. Очевидно, под фонарем искать легче. Можно продемонстрировать активность. Однако надеяться на благоприятный исход поисков нельзя.
Из проведенного анализа вытекает необходимость использования непараметрических моделей распределений результатов измерений. Отметим, что интервалы их возможных значений, как правило, ограничены, т.е распределения являются финитными. Следовательно, все моменты рассматриваемых случайных величин существуют, и их выборочные аналоги могут использоваться в вычислениях.
Рассмотрим роль вероятностно-статистических моделей в многомерном статистическом анализе. Используют четыре основные класса регрессионных моделей.
Начнем с моделей метода наименьших квадратов с детерминированной независимой переменной и параметрической зависимостью (линейной, квадратической и т.п.). Распределение отклонений произвольно (т.е. модель является непараметрической), для получения предельных распределений оценок параметров и регрессионной зависимости предполагаем выполнение условий центральной предельной теоремы.
Второй тип моделей основан на выборке случайных векторов. Зависимость является параметрической, распределение двумерного вектора - произвольным. Об оценке дисперсии независимой переменной можно говорить только в модели на основе выборки случайных векторов, равно как и о коэффициенте детерминации как критерии качества модели [9].
Третий тип моделей регрессионного анализа, основанный на выборке случайных векторов - непараметрическая регрессия, в которой как зависимость, так и отклонения от нее являются непараметрическими. Зависимость (как условное среднее) оценивается с помощью непараметрических оценок плотности.
Промежуточный вариант - модель, в которой тренд линеен, а периодическая и случайная составляющие являются непараметрическими.
В моделях четвертого типа малые погрешности имеются как в значениях зависимой переменной, так и в значениях независимой переменной. В прошлом этот раздел прикладной статистики назывался конфлюэнтным анализом, сейчас он входит в статистику интервальных данных.
К регрессионному анализу примыкают задачи сглаживания временных рядов и статистики случайных процессов, в которых отклонения от функции времени зависимы.
Анализ многообразия моделей регрессионного анализа приводит к выводу, что не существует единой "стандартной модели" [10]. Другими словами, при решении задачи восстановления зависимости необходимо начинать с выбора и обоснования вероятностно-статистической модели.
Необходимо исходить из теории измерений, согласно которой первый шаг при анализе данных - выявление шкал, в которых они измерены. Известно, что для данных, измеренных в порядковой шкале, в качестве средних величин можно использовать только члены вариационного ряда, прежде всего медиану, а применение среднего арифметического или среднего геометрического недопустимо. Как следствие, поскольку ранги или баллы, как правило, измерены в порядковой шкале, складывать их нельзя. В частности, нельзя оценивать успеваемость учащихся по среднему баллу экзаменационных оценок.
Статистические выводы должны быть инвариантны относительно допустимых преобразований шкал измерения данных. Значит, для каждой шкалы можно выяснить, какими алгоритмами анализа данных из рассматриваемого семейства можно пользоваться в этой шкале. Выше описаны выводы относительно семейства средних по Коши. Обратная задача - для определенного алгоритма анализа данных выяснить, в какой шкале можно им пользоваться. Коэффициент линейной парной корреляции Пирсона соответствует шкале интервалов, а непараметрические ранговые коэффициенты корреляции Спирмена и Кендалла позволяют изучать взаимосвязи порядковых переменных.
С позиций теории измерений обсудим метод анализа иерархий. Исходные данные - результаты парных сравнений, измеренные в порядковых шкалах. А результаты расчетов выражены в шкале интервалов. С точки зрения теории измерений такое недопустимо. Следовательно, методом анализа иерархий пользоваться не следует. Рекомендуем применять адекватные метода анализа экспертных оценок, в частности, методы средних арифметических рангов, медиан рангов, согласования кластеризованных ранжировок [6].
ВЫВОДЫ
Как следует из сказанного выше, необходима разработка системы требований к статистическим моделям и методам при их создании, применении и преподавании, в том числе при их описании в публикациях.
Прежде всего, должна быть представлена и обоснована вероятностно-статистическая модель порождения данных. Иерархия понятия "модель" и потенциальные источники ошибок проанализированы в [12].
Приведем примеры требования к статистическим методам. Поскольку практически все распределения реальных данных ненормальны, предпочтения следует отдавать непараметрическим постановкам. В соответствии с теорией проверки статистических гипотез должны быть указаны не только нулевая гипотеза, но и альтернативная, только тогда можно обсуждать мощность критерия. Необходимо изучение устойчивости выводов, получаемых на основе организационно-экономической модели, относительно допустимых изменений исходных данных и предпосылок модели. В частности, статистические выводы должны быть инвариантны относительно допустимых преобразований шкал.
Обоснованию требований к статистическим методам анализа данных на примере задач классификации посвящена работа [13]. Рассматриваемой проблеме будет посвящен ряд дальнейших публикаций автора.

ЛИТЕРАТУРА
1. Орлов А.И. Контроллинг организационно-экономических методов // Контроллинг. 2008. №4 (28). С. 12-18. №676
2. Орлов А. И. Прикладная статистика. М.: Экзамен, 2006. 671 с.
2. Налимов В. В. Теория эксперимента. М.: Наука, 1971. 208 с.
3. Орлов А. И. Новая парадигма прикладной статистики // Заводская лаборатория. Диагностика материалов. 2012. Т.78. №1, С. 87-93.
4. Орлов А.И. Статистика нечисловых данных за сорок лет (обзор) // Заводская лаборатория. Диагностика материалов. 2019. Т. 85. №7. С. 69-84.
5. Орлов А. И. Модель анализа совпадений при расчете непараметрических ранговых статистик // Заводская лаборатория. Диагностика материалов. 2017. Т.83. №11. С. 66-72.
6. Орлов А. И. Оценивание размерности вероятностно-статистической модели // Научный журнал КубГАУ. 2020. №162. С. 1–36.
7. Орлов А. И. Развитие математических методов исследования (2006 – 2015 гг.) // Заводская лаборатория. Диагностика материалов. 2017. Т.83. №1. Ч.1. С. 78-86.
8. Орлов А.И. Распределения реальных статистических данных не являются нормальными // Научный журнал КубГАУ. 2016. № 117. С. 71–90.
9. Орлов А.И. Ошибки при использовании коэффициентов корреляции и детерминации // Заводская лаборатория. Диагностика материалов. 2018. Т.84. № 3. С. 68-72.
10. Орлов А.И. Многообразие моделей регрессионного анализа (обобщающая статья) // Заводская лаборатория. Диагностика материалов. 2018. Т.84. №5. С. 63-73.
11. Орлов А.И. Организационно-экономическое моделирование : учебник : в 3 ч. Ч.2. Экспертные оценки. М.: Изд-во МГТУ им. Н. Э. Баумана, 2011. 486 с.
12. Савельев О.Ю. Модель: иерархия понятия и потенциальный источник ошибок // Инновации в менеджменте. 2021 №28. С. 54-58.
13. Орлов А.И. Основные требования к методам анализа данных (на примере задач классификации) // Научный журнал КубГАУ. 2020. №159. С. 239–267.

CONTACTS
Александр Иванович Орлов, профессор, д.э.н., д.т.н., к.ф.-м.н.
Заведующий Лабораторией экономико-математических методов в контроллинге
Научно-образовательного центра «Контроллинг и управленческие инновации»,
профессор кафедры «Экономика и организация производства»,
МГТУ им. Н.Э. Баумана, г. Москва
prof-orlov@mail.ru


Вернуться наверх
 Профиль  
 
 Заголовок сообщения: Re: Аннотации новых статей А.И. Орлова
СообщениеДобавлено: Сб фев 05, 2022 3:06 pm 
Не в сети

Зарегистрирован: Вт сен 28, 2004 11:58 am
Сообщений: 11577
1138. Высшая школа: традиции и инновации. Актуальные вопросы и задачи системы образования РФ / Ляпунцова Е.В., Белозерова Ю.М., Крылова Е.В., Борковская В.Г., Дроздова И.И., Беляев А.В., Прытков Р.М., Бобрешова И.П., Быкасова Л.В., Подберезный В.В., Петрушенко С.А., Вылкова Е.С., Горшкова О.О., Ефремова Н.П., Зюзин Б.Ф., Миронова В.А., Ким К.К., Нагоев А.Б., Шурдумова Э.Г., Гергова З.Х., Орлов А.И., Челышева И.В., Щепотьев А.В., Минаев Д.В., Фадеев Г.Н., Двуличанская Н.Н., Фадеева С.А., Николаев А.Н., Богданова Е.Л., Аминов И.И., Попова Е.И., Бырдина О.Г., Кипина О.А., Герасимова Е.А., Таптыгина Е.В., Денисов Д.Г., Халуторных О.Н., Пономарева А.Е., Миронов А.Г., Шустова О.Б., Сидорова Д.Г., Ермолаева Н.В., Чертов Н.В., Мосалёв А.И., Локтионова Ю.Н., Янина О.Н., Воротилин М.С., Соловьев А.Э., Прохорцов А.В., Гребенкина Л.К., Копылова Н.А., Кисляков П.А., Шмелева Е.А., Силаева О.А., Ярусова С.Б., Буравлев И.Ю., Иваненко Н.В. / Под редакцией Е.В. Ляпунцовой, Ю.М. Белозеровой, И.И. Дроздовой - М.: Издательство: ООО "Русайнс", 2019. - 296 с.(д.э.н., д.т.н., к.ф-м.н, профессор Орлов А.И. (МГТУ им. Н.Э. Баумана) Высокие статистические технологии - из науки в преподавание - глава 1.6). https://elibrary.ru/item.asp?id=41169369



ВЫСОКИЕ СТАТИСТИЧЕСКИЕ ТЕХНОЛОГИИ
- ИЗ НАУКИ В ПРЕПОДАВАНИЕ

Проф., д.э.н., д.т.н., к.ф.-м.н. А.И. Орлов
Москва, МГТУ им. Н.Э. Баумана, e-mail: orlov@professor.ru

Высокие статистические технологии - наиболее наукоемкая инновационная часть современных методов анализа данных. За последние 40 лет научные исследования и прикладные проекты в области анализа данных привели к разработке ряда новых разделов теории и существенному развитию ранее сформированных областей статистических методов. Так, создана статистика нечисловых данных и статистика интервальных данных. Существенное развитие получила непараметрическая статистика.
Однако преподавание статистических методов в вузах зачастую заметно отстает от фронта научных исследований. Входящий в курс математики раздел «Теория вероятностей и математическая статистика» обычно заканчивается методами, разработанными в первой половине ХХ в. Специальные курсы часто используют подходы столь же далеких времен. Поэтому при создании Всесоюзной статистической ассоциации (учредительный съезд состоялся в октябре 1990 г.), а затем Российской ассоциации статистических методов и Российской академии статистических методов одной из наиболее актуальных задач было признано внедрение современных научных достижений в практику преподавания.
Эконометрика, т.е. статистический анализ конкретных статистических данных, преподается в российских вузах с 1997 г. На факультете «Инженерный бизнес и менеджмент» МГТУ им. Н.Э. Баумана высокие статистические технологии внедрены в практику преподавания курсов "Эконометрика", "Статистика", "Методы принятия управленческих решений", "Организационно-экономическое моделирование" и др. Это внедрение опирается на вновь разработанные учебные программы и учебники. Тем самым в рассматриваемых областях удалось преодолеть разрыв между наукой и преподаванием.
Высокие статистические технологии, прежде всего ориентированные на экспертные и маркетинговые исследования, весьма эффективны, в частности, в инновационном менеджменте при осуществлении организационно-экономической и маркетинговой поддержки конкретных инновационных проектов в области наукоемких технологий, а также при прогнозировании спроса на научно-техническую продукцию высокотехнологичных отраслей промышленности.
Статистические исследования (с целью информационно-аналитической поддержки процесса принятия управленческих решений) проводятся с давних времен. Например, для принятия решений в военной области необходима информация о числе военнообязанных. О переписи военнообязанных рассказано в Ветхом Завете в Четвертой книге Моисеевой "Числа" [1]. Поэтому вполне естественно, что в программы высшего образования включают статистические дисциплины.
Если в высшей школе США число преподавателей и кафедр в области статистики вполне сопоставимо с числом преподавателей и кафедр в области математики, то в нашей стране - совсем другая ситуация. Официально признаны лишь две составляющие статистики: математическая статистика и ведомственная наука Росстата. Первая составляющая относится к математике, к научной специальности 01.01.05 "теория вероятностей и математическая статистика". Вторая составляющая относится к экономическим наукам, к научной специальности 08.00.12 "Бухгалтерский учет, статистика". Все остальные составляющие статистики, например, статистические методы в технике, медицине, химии, истории, социологии, психологии и т.п., проигнорированы. Впрочем, некоторые из этих "забытых" составляющих укрепились и получили собственные имена. Например, эконометрика - статистические методы в экономике и управлении (менеджменте). В нашей стране создана отечественная научная школа в области эконометрики [2].
В начале 1980-х годов мы выделили научную дисциплину "Прикладная статистика". Наш базовый учебник по этой дисциплине начинается словами: "Прикладная статистика - это наука о том, как обрабатывать данные" [3]. Методы прикладной статистики могут применяться в любой области науки, в любой отрасли научного хозяйства.
В 1980-х годах была создана попытка объединить статистиков различных научных направлений и ведомственной принадлежности. В 1990 г. был проведен Учредительный съезд Всесоюзной статистической ассоциации. Ассоциация состояла из четырех секций - специалистов по статистических методов, специалистов по прикладным статистическим исследованиям (в нее входили в основном работников оборонных отраслей промышленности), преподавателей статистики в экономических вузах, работников официальной статистики. Автор настоящей статьи был избран вице-президентом (по секции статистических методов).
При подготовке к созданию Всесоюзной статистической ассоциации был проведен анализ ситуации в области статистики. В частности, было установлено [4], что в учебниках по "Общей теории статистики" обычно излагаются (с теми или иными математическими ошибками) основы прикладной статистики, к которым добавляется небольшая по объему информация о деятельности органов официальной статистики.
Наши работы исторического порядка, посвященные развитию статистических методов в нашей стране, суммированы в главе 2 (с.13 - 61) монографии [5]. Отметим, что подготовка адекватной история отечественной статистики - дело будущего. Имеющиеся сочинения - удручающе односторонние. Так, в "учебном пособии" [6] даже не упомянут великий статистик ХХ в. член-корреспондент АН СССР Николай Васильевич Смирнов. Но и из имеющейся информации было ясно, что перестройка статистики назрела. Одним из наших предложений [7, 8] было создание Всесоюзной статистической ассоциации. Другим - организация Всесоюзного центра статистических методов и информатики, миссия которого - разработка и внедрение программных продуктов по статистическим методам.
Всесоюзная статистическая ассоциация - аналог Королевского статистического общества (1834) и Американской статистической ассоциации (1839). Однако вследствие развала СССР Всесоюзная статистическая ассоциация прекратила работу, как и другие союзные организации. С юридической точки зрения это незаконно, поскольку в ее Уставе была норма - ликвидация ассоциации возможна лишь по решению съезда. Такого съезда не было. Был лишь один съезд - Учредительный (1990). Поэтому юридически Всесоюзная статистическая ассоциация существует. На постсоветском пространстве наиболее активным является сообщество узбекских статистиков. В Ташкенте регулярно проводятся многочисленные международные конференции "Статистика и ее применения".
За 1990-е годы число участников статистических конференций и семинаров сократилось на порядок, поэтому мы сочли необходимым перейти к составлению учебников и монографий.
В ходе организации Всесоюзной статистической ассоциации было проанализировано состояние и перспективы развития рассматриваемой области научно-прикладных исследований и осознаны основы уже сложившейся к концу 1980-х гг. новой парадигмы статистики. В течение следующих лет новая парадигма развивалась и к настоящему времени оформлена в виде серии монографий и учебников для вузов, состоящей более чем из 10 книг. Проведем сравнение старой и новой парадигм математических методов исследования.
Типовые исходные данные в новой парадигме – объекты нечисловой природы (элементы нелинейных пространств, которые нельзя складывать и умножать на число, например, множества, бинарные отношения), а в старой – числа, конечномерные векторы, функции. Ранее (в старой парадигме) для расчетов использовались разнообразные суммы, однако объекты нечисловой природы нельзя складывать, поэтому в новой парадигме применяется другой математический аппарат, основанный на расстояниях между объектами нечисловой природы и решении задач оптимизации.
Изменились постановки задач анализа данных и экономико-математического моделирования. Так, старая парадигма математической статистики исходит из идей начала ХХ в., когда К. Пирсон предложил четырехпараметрическое семейство распределений для описания распределений реальных данных. В это семейство как частные случаи входят, в частности, подсемейства нормальных, экспоненциальных, Вейбулла-Гнеденко, гамма-распределений. Сразу было ясно, что распределения реальных данных, как правило, не входят в семейство распределений Пирсона (об этом говорил, например, академик С.Н. Бернштейн в 1927 г. в докладе на Всероссийском съезде математиков [9]; см. также [10]). Однако математическая теория параметрических семейств распределений (методы оценивание параметров и проверки гипотез) оказалась достаточно интересной с теоретической точки зрения (в ее рамках был доказан ряд трудных теорем), и именно на ней до сих пор основано преподавание во многих вузах. Итак, в старой парадигме основной подход к описанию данных - распределения из параметрических семейств, а оцениваемые величины – их параметры, в новой парадигме рассматривают произвольные распределения, а оценивают - характеристики и плотности распределений, зависимости, правила диагностики и др. Центральная часть теории – уже не статистика числовых случайных величин, а статистика в пространствах произвольной природы, т.е. нечисловая статистика [11, 12].
В старой парадигме источники постановок новых задач - традиции, сформировавшиеся к середине ХХ века, а в новой - современные потребности математического моделирования и анализа данных (XXI век), т.е. запросы практики. Конкретизируем это общее различие. В старой парадигме типовые результаты - предельные теоремы, в новой - рекомендации для конкретных значений параметров, в частности, объемов выборок. Изменилась роль информационных технологий – ранее они использовались в основном для расчета таблиц (в частности, информатика находилась вне математической статистики), теперь же они - инструменты получения выводов (имитационное моделирование, датчики псевдослучайных чисел, методы размножение выборок, в т.ч. бутстреп, и др.). Вид постановок задач приблизился к потребностям практики – при анализе данных от отдельных задач оценивания и проверки гипотез перешли к статистическим технологиям (технологическим процессам анализа данных). Выявилась важность проблемы «стыковки алгоритмов» - влияния выполнения предыдущих алгоритмов в технологической цепочке на условия применимости последующих алгоритмов. В старой парадигме эта проблема не рассматривалась, для новой – весьма важна.
Если в старой парадигме вопросы методологии моделирования практически не обсуждались, достаточными признавались схемы начала ХХ в., то в новой парадигме роль методологии (учения об организации деятельности) [13] является основополагающей. Резко повысилась роль моделирования – от отдельных систем аксиом произошел переход к системам моделей. Сама возможность применения вероятностного подхода теперь – не «наличие повторяющегося комплекса условий» (реликт физического определения вероятности, использовавшегося до аксиоматизации теории вероятностей А.Н. Колмогоровым в 1930-х гг.), а наличие обоснованной вероятностно-статистической модели. Если раньше данные считались полностью известными, то для новой парадигмы характерен учет свойств данных, в частности, интервальных и нечетких [14]. Изменилось отношение к вопросам устойчивости выводов – в старой парадигме практически отсутствовал интерес к этой тематике, в новой разработана развитая теория устойчивости (робастности) выводов по отношению к допустимым отклонениям исходных данных и предпосылок моделей [15, 16].
Как уже отмечалось, на рубеже тысячелетий нами было принято решение сосредоточить усилия на подготовке учебной литературы, соответствующей новой парадигме.
Первым был выпущенный в 2002 г. учебник по эконометрике [17], переизданный в 2003 г. и в 2004 г. Четвертое издание «Эконометрики» [18] существенно переработано. Оно соответствует первому семестру курса, в отличие от первых трех изданий, содержащих материалы для годового курса. В четвертое издание включены новые разделы, полностью обновлена глава про индекс инфляции, добавлено методическое обеспечение.
В нашем фундаментальном курсе 2006 г. по прикладной статистике [19] в рамках новой парадигмы рассмотрены как нечисловая статистика, так и классические разделы прикладной статистики, посвященные методам обработки элементов линейных пространств - чисел, векторов и функций (временных рядов).
В том же 2006-м году в рамках новой парадигмы был выпущен курс теории принятия решений [20]. Его сокращенный (в 1,5 раза) вариант вышел годом раньше [21]. А в 2018 г. появился учебник "Методы принятия управленческих решений" [22].
Магистранты научно-учебного комплекса «Инженерный бизнес и менеджмент» МГТУ им. Н.Э. Баумана изучают дисциплину «Организационно-экономическое моделирование». Одноименный учебник выпущен в трех частях (томах). Первая из них [11] посвящена сердцевине новой парадигмы – нечисловой статистике. Ее прикладное «зеркало» - вторая часть [23], современный учебник по экспертным оценкам. В третьей части [24] наряду с основными постановками задач анализа данных (чисел, векторов, временных рядов) и конкретными статистическими методами анализа данных классических видов (чисел, векторов, временных рядов) рассмотрены вероятностно-статистические модели в технических и экономических исследованиях, медицине, социологии, истории, демографии, а также метод когнитивных карт (статистические модели динамики).
В названиях еще двух наших учебников есть термин «организационно-экономическое моделирование». Это вводная книга по менеджменту [25] и современный учебник по теории принятия решений [26], в которых содержание соответствует новой парадигме, в частности, подходам трехтомника по организационно-экономическому моделированию. В нем значительно большее внимание по сравнению с более ранними нашими книгами теории принятия решений уделено теории и практике экспертных оценок, в то время как общие проблемы менеджмента выделены для обсуждения в отдельное издание, указанное выше.
К рассмотренному выше корпусу учебников примыкают справочник по минимально необходимым для восприятия рассматриваемых курсов понятиям теории вероятностей и прикладной математической статистики [27].
На основе сказанного выше можно констатировать, что к настоящему моменту рекомендация Учредительного съезда Всесоюзной статистической ассоциации (1990) по созданию комплекта учебной литературы на основе новой парадигмы математических методов исследования выполнена. Предстоит большая работа по внедрению новой парадигмы организационно-экономического моделирования, эконометрики и статистики в научные исследования (теоретические и прикладные) и преподавание.

Литература

1. Орлов А.И. Основные этапы становления статистических методов // Научный журнал КубГАУ. 2014. № 97. С. 73-85.
2. Орлов А.И. Отечественная научная школа в области эконометрики // Научный журнал КубГАУ. 2016. № 121. С. 235–261.
3. Орлов А.И. Прикладная статистика. - М.: Экзамен, 2006. - 671 с.
4. Орлов А.И. Что дает прикладная статистика народному хозяйству? // Вестник статистики. 1986. № 8. С. 52–56.
5. Орлов А.И., Луценко Е.В., Лойко В.И. Организационно-экономическое, математическое и программное обеспечение контроллинга, инноваций и менеджмента: монография / под общ. ред. С. Г. Фалько. – Краснодар : КубГАУ, 2016. – 600 с.
6. Плошко Б.Г., Елисеева И.И. История статистики. - М.: Финансы и статистика, 1990. - 295 с.
7. Орлов А.И. О перестройке статистической науки и её применений // Вестник статистики. 1990. № 1. С. 65–71.
8. Орлов А.И. Необходимость перестройки в статистике // Статистика и перестройка. Ученые записки по статистике, т.55. - М.: Наука, 1991. - С. 153-159.
9. Бернштейн С.Н. Современное состояние теории вероятностей и ее приложений // Труды Всероссийского съезда математиков в Москве 27 апреля – 4 мая 1927 г. – М.-Л.: ГИЗ, 1928. – С. 50 – 63.
10. Орлов А.И. Распределения реальных статистических данных не являются нормальными // Научный журнал КубГАУ. 2016. № 117. С. 71–90.
11. Орлов А.И. Организационно-экономическое моделирование. Ч.1. Нечисловая статистика. - М.: Изд-во МГТУ им. Н.Э. Баумана, 2009. - 541 с.
12. Орлов А.И. О развитии статистики объектов нечисловой природы // Научный журнал КубГАУ. 2013. № 93. С. 41-50.
13. Новиков А.М., Новиков Д.А. Методология. – М.: СИНТЕГ, 2007. – 668 с.
14. Орлов А.И., Луценко Е.В. Системная нечеткая интервальная математика. Монография (научное издание). – Краснодар, КубГАУ. 2014. – 600 с.
15. Орлов А.И. Устойчивые экономико-математические методы и модели. Разработка и развитие устойчивых экономико-математических методов и моделей для модернизации управления предприятиями. – Saarbrucken: Lambert Academic Publishing, 2011. – 436 с.
16. Орлов А.И. Новый подход к изучению устойчивости выводов в математических моделях // Научный журнал КубГАУ. 2014. № 100. С. 146-176.
17. Орлов А.И. Эконометрика. - М.: Экзамен, 2002 (1-е изд.), 2003 (2-е изд.), 2004 (3-е изд.). - 576 с.
18. Орлов А.И. Эконометрика. Изд. 4-е, доп. и перераб. – Ростов-на-Дону: Феникс, 2009. – 572 с.
19. Орлов А.И. Прикладная статистика. - М.: Экзамен, 2006. - 671 с.
20. Орлов А.И. Теория принятия решений. — М.: Экзамен, 2006. — 574 с.
21. Орлов А.И. Принятие решений. Теория и методы разработки управленческих решений. М.: – ИКЦ «МарТ»; Ростов н/Д: Издательский центр «МарТ», 2005. – 496 с.
22. Орлов А.И. Методы принятия управленческих решений: учебник. - М.: КНОРУС, 2018. - 286 с.
23. Орлов А.И. Организационно-экономическое моделирование. Ч.2. Экспертные оценки. – М.: Изд-во МГТУ им. Н.Э. Баумана, 2011. – 486 с.
24. Орлов А.И. Организационно-экономическое моделирование. Ч.3. Статистические методы анализа данных. — М.: Изд-во МГТУ им. Н.Э. Баумана, 2012. — 624 с.
25. Орлов А.И. Менеджмент: организационно-экономическое моделирование. — Ростов-на-Дону: Феникс, 2009. — 475 с.
26. Орлов А.И. Организационно-экономическое моделирование: теория принятия решений. — М. : КноРус, 2011. — 568 с.
27. Орлов А.И. Вероятность и прикладная статистика: основные факты: справочник. – М.: КноРус, 2010. – 192 с.


Вернуться наверх
 Профиль  
 
 Заголовок сообщения: Re: Аннотации новых статей А.И. Орлова
СообщениеДобавлено: Сб фев 12, 2022 2:58 pm 
Не в сети

Зарегистрирован: Вт сен 28, 2004 11:58 am
Сообщений: 11577
1139. Орлов А.И. Статистика нечисловых данных как часть современной математической статистики / Труды республиканской научно-практической конференции "Статистика и ее применения – 2019". Под редакцией профессора А.А. Абдушукурова. – Ташкент: Филиал МГУ, 2019. - С. 43-53.
http://forum.orlovs.pp.ru/viewtopic.php?f=1&t=3058

СТАТИСТИКА НЕЧИСЛОВЫХ ДАННЫХ
КАК ЧАСТЬ СОВРЕМЕННОЙ МАТЕМАТИЧЕСКОЙ СТАТИСТИКИ

А.И. Орлов

История, современное состояние и перспективы развития математической статистики как научной, практической и учебной дисциплины заслуживают обсуждения. В книге [1] выделено четыре этапа развития этой дисциплины: до 1900 г. - описательная статистика, с 1900 по 1933 гг. - параметрическая статистика, с 1933 по 1979 гг. - непараметрическая статистика, с 1979 г. по настоящее время - статистика нечисловых данных. Названия этапам даны по наиболее ярким новым явлениям в развитии математической статистики. Согласно [2] публикации по статистике нечисловых данных составляют 63% от всех публикаций по математической статистике (в разделе "Математические методы исследования" журнала "Заводская лаборатория. Диагностика материалов"). Вместе с тем распространенные учебники по математической статистике основное внимание продолжают уделять параметрической статистике, т.е. отстают от передовых научных исследований на столетие. Этот естественный консерватизм делает необходимым обсуждение статистики нечисловых данных как части современной математической статистики.

Сорок лет развития статистики нечисловых данных
В настоящее время статистика нечисловых данных - одна из четырех основных областей математической статистики, выделенных по виду данных (наряду со статистикой чисел, многомерным статистическим анализом, статистикой временных рядов и случайных процессов). Статистика нечисловых данных делится на статистику в пространствах общей природы и разделы, посвященные конкретным типам нечисловых данных (статистика интервальных данных, статистика нечетких множеств, статистика бинарных отношений и др.). Научные результаты, полученные в рамках статистики в пространствах общей природы, могут быть использованы для конкретных видов данных (например, непараметрические оценки плотности). Следовательно, статистика в пространствах общей природы - центральная часть математической статистики, а включающая ее статистика нечисловых данных - основная область математической статистики.
Первоначально использовался термин "статистика объектов нечисловой природы". Он впервые появился в 1979 г. в нашей монографии [3] для обозначения совокупности некоторых полученных в ней научных результатов. В том же году в статье [4] нами была развернута программа построения этой новой области статистических методов, приведены первоначальные формулировки ряда основных теорем. К тридцатилетию новой области вышел и первый учебник по нечисловой статистике [5]. Здесь использован термин "нечисловая статистика". Он представляется слишком кратким, в то время как исходный термин "статистика объектов нечисловой природы" - слишком тяжеловесным. В настоящей статье будем называть рассматриваемую область прикладной статистики "статистикой нечисловых данных". Такое название в наилучшей степени отражает ее содержание. Все три термина (статистика объектов нечисловой природы, статистика нечисловых данных, нечисловая статистика) - синонимы.

Новая парадигма математических методов исследования
Появление и развитие статистики нечисловых данных знаменует переход к новой парадигме математической статистики [6].
Парадигма научная (от греч. paradeigma — пример, образец) — совокупность научных достижений, признаваемых всем научным сообществом в тот или иной период времени и служащих основой и образцом новых научных исследований. Понятие парадигмы получило широкое распространение после выхода в свет книги американского историка науки Т. Куна «Структура научных революций» (1962).
Математические методы исследования используются для решения практических задач с давних времен. В Ветхом Завете рассказано о весьма квалифицированно проведенной переписи военнообязанных (Четвертая книга Моисеева "Числа"). В первой половине ХХ в. была разработана классическая парадигма методов обработки данных, полученных в результате измерений (наблюдений, испытаний, анализов, опытов). Математические методы исследования, соответствующие классической парадигме, широко используются. Со стороны может показаться, что в этой области основное давно сделано, современные работы направлены на мелкие усовершенствования. Однако это совсем не так. Новая парадигма математических методов исследования принципиально меняет прежние представления. Она зародилась в 1980-х гг., но была развита в серии наших монографий и учебников уже в XXI в.
Типовые исходные данные в новой парадигме – объекты нечисловой природы (элементы нелинейных пространств, которые нельзя складывать и умножать на число, например, множества, бинарные отношения), а в старой – числа, конечномерные векторы, функции [6]. Ранее (в классической старой парадигме) для расчетов использовались разнообразные суммы, однако объекты нечисловой природы нельзя складывать, поэтому в новой парадигме применяется другой математический аппарат, основанный на расстояниях между объектами нечисловой природы и решении задач оптимизации.
Изменились постановки задач анализа данных. Старая парадигма исходит из идей начала ХХ в., когда К. Пирсон предложил использовать четырехпараметрическое семейство распределений для описания распределений реальных данных. В это семейство как частные случаи входят, в частности, подсемейства нормальных, экспоненциальных, Вейбулла-Гнеденко, гамма-распределений. Сразу было ясно, что распределения реальных данных, как правило, не входят в семейство распределений Пирсона (об этом говорил, например, академик С.Н. Бернштейн в 1927 г. в докладе на Всероссийском съезде математиков). Однако математическая теория параметрических семейств распределений (методы оценивание параметров и проверки гипотез) оказалась достаточно интересной, и именно на ней до сих пор основано преподавание во многих вузах. Итак, в старой парадигме основной подход к описанию данных - распределения из параметрических семейств, а оцениваемые величины – их параметры, в новой парадигме рассматривают произвольные распределения, а оценивают - характеристики и плотности распределений, зависимости, правила диагностики и др. Центральная часть теории – уже не статистика числовых случайных величин, а статистика в пространствах произвольной природы.
В старой парадигме источники постановок новых задач - традиции, сформировавшиеся к середине ХХ века, а в новой - современные потребности математического моделирования и анализа данных (XXI век), т.е. запросы практики. Конкретизируем это общее различие. В старой парадигме типовые результаты - предельные теоремы, в новой - рекомендации для конкретных значений параметров, в частности, объемов выборок (см., например, [7]). Изменилась роль информационных технологий – ранее они использовались в основном для расчета таблиц (в частности, информатика находилась вне математической статистики), теперь же они - инструменты получения выводов (имитационное моделирование, датчики псевдослучайных чисел, методы размножение выборок, в т.ч. бутстреп, и др.). Вид постановок задач приблизился к потребностям практики – при анализе данных от отдельных задач оценивания и проверки гипотез перешли к статистическим технологиям (технологическим процессам анализа данных). Выявилась важность проблемы «стыковки алгоритмов» - влияния выполнения предыдущих алгоритмов в технологической цепочке на условия применимости последующих алгоритмов. В старой парадигме эта проблема не рассматривалась, для новой – весьма важна.
Если в старой парадигме вопросы методологии моделирования практически не обсуждались, достаточными признавались схемы начала ХХ в., то в новой парадигме роль методологии (учения об организации деятельности) является основополагающей. Резко повысилась роль моделирования – от отдельных систем аксиом произошел переход к системам моделей. Сама возможность применения вероятностного подхода теперь – не «наличие повторяющегося комплекса условий» (реликт физического определения вероятности, использовавшегося до аксиоматизации теории вероятностей А.Н. Колмогоровым в 1930-х гг.), а наличие обоснованной вероятностно-статистической модели. Если раньше данные считались полностью известными, то для новой парадигмы характерен учет свойств данных, в частности, интервальных и нечетких. Изменилось отношение к вопросам устойчивости выводов – в старой парадигме практически отсутствовал интерес к этой тематике, в новой разработана развитая теория устойчивости (робастности) выводов по отношению к допустимым отклонениям исходных данных и предпосылок моделей.
Статистика нечисловых данных развивается в соответствии с новой парадигмой математических методов исследования.

Различные виды нечисловых данных
Типичный исходный объект в прикладной статистике - это выборка, т.е. совокупность независимых одинаково распределенных случайных элементов. Какова природа этих элементов? В классической математической статистике элементы выборки - это числа. В многомерном статистическом анализе - вектора. А в статистике нечисловых данных элементы выборки - это объекты нечисловой природы, которые нельзя складывать и умножать на числа. Другими словами, объекты нечисловой природы лежат в пространствах, не имеющих векторной (линейной) структуры.
Примерами объектов нечисловой природы являются:
- значения качественных признаков, в том числе результаты кодировки объектов с помощью заданного перечня категорий (градаций);
- упорядочения (ранжировки) экспертами объектов экспертизы - образцов продукции (при оценке её технического уровня, качества и конкурентоспособности)), ее характеристик, заявок на проведение научных работ (при проведении конкурсов на выделение грантов) и т.п.;
- классификации, т.е. разбиения объектов на группы сходных между собой (кластеры);
- толерантности, т.е. бинарные отношения, описывающие сходство объектов между собой, например, сходства тематики научных работ, оцениваемого экспертами с целью рационального формирования экспертных советов внутри определенной области науки;
- результаты парных сравнений или контроля качества продукции по альтернативному признаку («годен» - «брак»), т.е. последовательности из 0 и 1;
- множества (обычные или нечеткие), например, зоны, пораженные коррозией, или перечни возможных причин аварии, составленные экспертами независимо друг от друга;
- слова, предложения, тексты;
- графы;
- вектора, координаты которых - совокупность значений разнотипных признаков, например, результат составления статистического отчета о научно-технической деятельности организации или анкета эксперта, в которой ответы на часть вопросов носят качественный характер, а на часть - количественный;
- ответы на вопросы экспертной, медицинской, маркетинговой или социологической анкеты, часть из которых носит количественный характер (возможно, интервальный), часть сводится к выбору одной из нескольких подсказок, а часть представляет собой тексты; и т.д.
Все средства измерения имеют погрешности. Однако до недавнего времени это очевидное обстоятельство никак не учитывалось в статистических процедурах. Только с конца 1970-х годов начала развиваться статистика интервальных данных, в которой предполагается, что исходные данные - это не числа, а интервалы. Статистику интервальных данных можно рассматривать как часть интервальной математики. Выводы в ней часто принципиально отличны от классических.
Интервальные данные можно рассматривать как частный случай нечетких множеств. Если характеристическая функция нечеткого множества равна 1 на некотором интервале и равна 0 вне этого интервала, то задание такого нечеткого множества эквивалентно заданию интервала. С методологической точки зрения важно, что теория нечетких множеств в определенном смысле сводится к теории случайных множеств. Цикл соответствующих теорем приведен, например, в монографии [5].

Исторический путь статистической науки
Развитие статистических методов проанализировано в [1, 2]. Дадим здесь краткую сводку, позволяющую выявить роль статистики нечисловых данных.
К 60-м годам ХХ в. в нашей стране сформировалась научно-практическая дисциплина, которую называем классической математической статистикой. Новое поколение училось теории по фундаментальной монографии шведского математика Г. Крамера, написанной в военные годы и впервые изданной на русском языке в 1948 г. Затем внимание многих специалистов сосредоточилось на изучении математических конструкций, используемых в статистике. Как реакция на уход в математику выделилась новая научная дисциплина - прикладная статистика. В базовом учебнике по прикладной статистике [8] в качестве рубежа, когда это стало очевидным, указан 1981 г. С этого времени линии развития математической статистики и прикладной статистики разошлись. Первая из этих дисциплин полностью ушла в математику, перестав интересоваться практическими делами. Вторая [8] позиционировала себя в качестве науки об обработке данных – результатов наблюдений, измерений, испытаний, анализов, опытов, обследований.
Вполне естественно, что в прикладной статистике стали развиваться новые математические методы и модели. Необходимость их развития вытекает из потребностей конкретных прикладных исследований. Это математизированное ядро прикладной статистики назовем теоретической статистикой. Тогда под собственно прикладной статистикой следует понимать обширную промежуточную область между теоретической статистикой и применением статистических методов в конкретных областях. В нее входят, в частности, вопросы формирования вероятностно-статистических моделей и выбора конкретных методов анализа данных (т.е. методология прикладной статистики и других статистических методов), проблемы разработки и применения информационных статистических технологий, организации сбора и анализа данных, т.е. разработки статистических технологий.
Таким образом, общая схема современной статистической науки выглядит следующим образом (от абстрактного к конкретному):
1. Математическая статистика – часть математики, изучающая статистические структуры. Сама по себе не дает рецептов анализа статистических данных, однако разрабатывает методы, полезные для использования в теоретической статистике.
2. Теоретическая статистика – наука, посвященная моделям и методам анализа конкретных статистических данных.
3. Прикладная статистика (в узком смысле) посвящена статистическим технологиям сбора и обработки данных. Она включает в себя методологию статистических методов, вопросы организации выборочных исследований, разработки статистических технологий, создания и использования статистических программных продуктов.
4. Применение статистических методов в конкретных областях (в экономике и менеджменте – эконометрика, в биологии – биометрика, в химии – хемометрия, в технических исследованиях – технометрика, в геологии, демографии, социологии, медицине, истории, и т.д.).
Часто позиции 2 и 3 вместе называют прикладной статистикой. Иногда позицию 1 именуют теоретической статистикой. Эти терминологические расхождения связаны с тем, что описанное выше развитие рассматриваемой научно-прикладной области не сразу, не полностью и не всегда адекватно отражается в сознании специалистов. Так, до сих пор выпускают учебники, соответствующие старой парадигме - уровню представлений середины ХХ века.
Отметим, что математическая статистика, как и теоретическая с прикладной, заметно отличается от ведомственной науки органов официальной государственной статистики. ЦСУ, Госкомстат, Росстат применяли и применяют лишь проверенные временем приемы XIX века. Возможно, следовало бы от этого ведомства полностью отмежеваться и сменить название научной дисциплины, например, на «Анализ данных». В настоящее время компромиссным самоназванием является термин «статистические методы».
Во второй половине 80-х годов развернулось общественное движение, имеющее целью создание профессионального объединения статистиков. Аналогами являются британское Королевское статистическое общество (основано в 1834 г.) и Американская статистическая ассоциация (создана в 1839 г.). К сожалению, деятельность учрежденной в 1990 г. Всесоюзной статистической ассоциации оказалась парализованной в результате развала СССР. Среди стран СНГ наибольшую активность в настоящее время проявляют узбекские исследователи, регулярно проводящие представительные конференции по статистике и ее применениям.

Статистика в пространствах произвольного вида
В чем принципиальная новизна статистики нечисловых данных? Для классической математической статистики характерна операция сложения. При расчете выборочных характеристик распределения (выборочное среднее арифметическое, выборочная дисперсия и др.), в регрессионном анализе и других областях этой научной дисциплины постоянно используются суммы. Математический аппарат - законы больших чисел, Центральная предельная теорема и другие теоремы - нацелены на изучение сумм. Принципиально важно, что в статистике нечисловых данных нельзя использовать операцию сложения, поскольку элементы выборки лежат в пространствах, где нет операции сложения. Методы обработки нечисловых данных основаны на принципиально ином математическом аппарате - на применении различных расстояний в пространствах объектов нечисловой природы.
Следует отметить, что в статистике нечисловых данных одна и та же математическая схема может с успехом применяться во многих прикладных областях, для анализа данных различных типов, а потому ее лучше всего формулировать и изучать в наиболее общем виде, для объектов произвольной природы.
Кратко рассмотрим несколько идей, развиваемых в статистике нечисловых данных для элементов выборок, лежащих в пространствах произвольного вида. Они нацелены на решение классических задач описания данных, оценивания, проверки гипотез - но для неклассических данных, а потому неклассическими методами.
Первой обсудим проблему определения средних величин [9]. В рамках теории измерений удается указать вид средних величин, соответствующих тем или иным шкалам измерения. Теория измерений [5], в середине ХХ в. рассматривавшаяся как часть математического обеспечения психологии, к настоящему времени признана общенаучной дисциплиной.
В классической математической статистике средние величины вводят с помощью операций сложения (выборочное среднее арифметическое, математическое ожидание) или упорядочения (выборочная и теоретическая медианы). В пространствах произвольной природы средние значения нельзя определить с помощью операций сложения или упорядочения. Теоретические и эмпирические средние приходится вводить как решения экстремальных задач. Теоретическое среднее определяется как решение задачи минимизации математического ожидания (в классическом смысле) расстояния от случайного элемента со значениями в рассматриваемом пространстве до фиксированной точки этого пространства (минимизируется указанная функция от этой точки). Для получения эмпирического среднего математическое ожидание берется по эмпирическому распределению, т.е. берется сумма расстояний от некоторой точки до элементов выборки и затем минимизируется по этой точке (примером является медиана Кемени [5, 9]). При этом как эмпирическое, так и теоретическое средние как решения экстремальных задач могут быть не единственными элементами рассматриваемого пространства, а являться некоторыми множествами таких элементов. Они могут оказаться и пустыми. Тем не менее удалось сформулировать и доказать законы больших чисел для средних величин, определенных указанным образом, т.е. установить сходимость (в специально определенном смысле) эмпирических средних к теоретическим [5, 9].
Оказалось, что методы доказательства законов больших чисел допускают существенно более широкую область применения, чем та, для которой они были разработаны. А именно, удалось изучить [5] асимптотику решений экстремальных статистических задач, к которым, как известно, сводится большинство постановок прикладной статистики. В частности, кроме законов больших чисел установлена и состоятельность оценок минимального контраста, в том числе оценок максимального правдоподобия и робастных оценок. К настоящему времени подобные оценки изучены также и в статистике интервальных данных.
В статистике в пространствах произвольного вида большую роль играют непараметрические оценки плотности распределения вероятностей, используемые, в частности, в различных алгоритмах регрессионного, дискриминантного, кластерного анализов. В статистике нечисловых данных предложен и изучен ряд типов непараметрических оценок плотности в пространствах произвольной природы, в том числе в дискретных пространствах [5]. В частности, доказана их состоятельность, изучена скорость сходимости и установлен (для ядерных оценок плотности) примечательный факт совпадения наилучшей скорости сходимости в произвольном пространстве с той, которая имеет быть в классической теории для числовых случайных величин.
Дискриминантный, кластерный, регрессионный анализы в пространствах произвольной природы основаны либо на параметрической теории - и тогда применяется подход, связанный с асимптотикой решения экстремальных статистических задач - либо на непараметрической теории - и тогда используются алгоритмы на основе непараметрических оценок плотности.
Для анализа нечисловых, в частности, экспертных данных весьма важны методы классификации [5]. Интересно движение мысли в обратном направлении - наиболее естественно ставить и решать задачи классификации, основанные на использовании расстояний или показателей различия, именно в рамках статистики объектов нечисловой природы (а не, скажем, многомерного статистического анализа). Это касается как распознавания образов с учителем (другими словами, дискриминантного анализа), так и распознавания образов без учителя (т.е. кластерного анализа). Аналогичным образом задачи многомерного шкалирования, т.е. визуализации данных, также естественно отнести к статистике объектов нечисловой природы. Важны методы оценки истинной размерности признакового пространства.
Отметим несколько конкретных научных результатов математической теории классификации. В задачах диагностики (дискриминантного анализа), как следует из леммы Неймана-Пирсона, целесообразно строить алгоритмы на основе отношения непараметрических оценок плотностей распределения вероятностей, соответствующих классам. Установлено, что наилучшим показателем качества алгоритма диагностики является прогностическая сила [5]. Устойчивость классификации относительно выбора метода кластер-анализа обосновывает вывод о реальности кластеров [5].
Для проверки гипотез в пространствах нечисловой природы могут быть использованы статистики интегрального типа, в частности, типа омега-квадрат. Отметим, что предельная теория таких статистик, построенная первоначально в классической постановке, приобрела естественный (завершенный, изящный) вид именно для пространств произвольного вида [5], поскольку при этом удалось провести рассуждения, опираясь на базовые математические соотношения, а не на те частные (с общей точки зрения), что были связаны с конечномерным пространством.

Литература
1. Лойко В.И., Луценко Е.В., Орлов А.И. Высокие статистические технологии и системно-когнитивное моделирование в экологии. – Краснодар: КубГАУ, 2019. – 258 с.
2. Орлов А.И. Развитие прикладной статистики и математических методов исследования в России (2006 - 2015) // Материалы республиканской научно-практической конференции "Статистика и ее применения - 2017". Под ред. проф. А.А. Абдушукурова. - Ташкент: НУУз, 2017. - С. 13-32.
3. Орлов А.И. Устойчивость в социально-экономических моделях. – М. : Наука, 1979. – 296 с.
4. Орлов А.И. Статистика объектов нечисловой природы и экспертные оценки / Экспертные оценки. Вопросы кибернетики. Вып.58. - М.: Научный Совет АН СССР по комплексной проблеме «Кибернетика», 1979. С. 17-33.
5. Орлов А.И. Организационно-экономическое моделирование. Часть 1. Нечисловая статистика. – М.: Изд-во МГТУ им. Н.Э. Баумана, 2009. – 544 с.
6. Орлов А.И. Новая парадигма математической статистики // Материалы республиканской научно-практической конференции «Статистика и её применения – 2012». Под редакцией профессора А.А. Абдушукурова. – Ташкент: НУУз, 2012. – С.21-36.
7. Орлов А.И. О развитии асимптотических методов статистического контроля // Материалы республиканской научно-практической конференции "Статистика и ее применения - 2015". Под редакцией профессора А.А. Абдушукурова. - Ташкент: НУУз, 2015. - С. 30-40.
8. Орлов А.И. Прикладная статистика. - М.: Экзамен, 2006. - 671 с.
9. Орлов А.И. Средние величины и законы больших чисел в топологических пространствах с показателями различия // Статистика и её применения. Материалы республиканской научно-практической конференции (Ташкент, 17-18 октября 2013 г.). – Ташкент: Изд-во «Университет», 2013. – С.30-37.


Вернуться наверх
 Профиль  
 
 Заголовок сообщения: Re: Аннотации новых статей А.И. Орлова
СообщениеДобавлено: Сб фев 19, 2022 11:53 am 
Не в сети

Зарегистрирован: Вт сен 28, 2004 11:58 am
Сообщений: 11577
1140. Орлов А.И. Отечественная научная школа в области организационно-экономического моделирования, эконометрики и статистики / Контроллинг. 2019. №73. С. 28-35.

Орлов
Александр Иванович
профессор, доктор экон. наук, доктор техн. наук, канд. физ.-мат. наук, зав. лаб. экон.-мат. методов в контроллинге НОЦ «Контроллинг и управленческие инновации» МГТУ им. Н.Э. Баумана

ОТЕЧЕСТВЕННАЯ НАУЧНАЯ ШКОЛА В ОБЛАСТИ ОРГАНИЗАЦИОННО-ЭКОНОМИЧЕСКОГО МОДЕЛИРОВАНИЯ, ЭКОНОМЕТРИКИ И СТАТИСТИКИ

В преподавании на факультете "Инженерный бизнес и менеджмент" МГТУ им. Н.Э. Баумана выстроена триада дисциплин: "Прикладная статистика (вариант - статистика)" - "Эконометрика" - "Организационно-экономическое моделирование". Проведено сравнение старой и новой парадигм математических методов исследования. Рассказано о комплекте учебной литературы (около 20 монографий), разработанном нами на основе новой парадигмы. Отечественная научная школа в области организационно-экономического моделирования, эконометрики и статистики отличается от зарубежных аналогов опорой на отечественную вероятностно-статистическую научную школу и на высокие статистические технологии.

Ключевые слова: отечественная научная школа, организационно-экономическое моделирование, эконометрика, статистика, контроллинг, наука, преподавание, высокие статистические технологии
________________________________________

Orlov Alexander Ivanovich, professor, doctor of econ. sciences, doctor of techn. sciences, cand. of physical and mathematical sciences, head of Laboratory of economic and mathematical methods in controlling of research and education center "Controlling and managerial innovations", BMSTU

RUSSIAN SCIENTIFIC SCHOOL IN THE FIELD OF ORGANIZATIONAL AND ECONOMIC MODELING, ECONOMETRICS AND STATISTICS

In teaching at the faculty of "Engineering Business and Management" BMSTU built a triad of disciplines: "Applied statistics (option - statistics)" - "Econometrics" - "Organizational and economic modeling". A comparison is made of the old and the new paradigms of mathematical research methods. It is told about a set of textbooks (about 20 monographs), developed by us on the basis of a new paradigm. The Russian scientific school in the field of organizational and economic modeling, econometrics and statistics differs from foreign analogues by reliance on the Russian probabilistic-statistical scientific school and on high statistical technologies.

Keywords: Russian scientific school, organizational and economic modeling, econometrics, statistics, controlling, science, teaching, high statistical technologies.

Введение
В 1929 г. в МВТУ-МГТУ создана кафедра «Экономика и организация производства». За 90 лет она прошла долгий и славный путь. В XXI веке, как сказано на официальном сайте кафедры, " ... на кафедре, наряду с традиционными школами организации производства, формируются новые школы в области эконометрики, под руководством профессора Орлова А.И., и в сфере контроллинга, под руководством профессора Фалько С.Г." (http://ibm2.ru/department/1.htm). Про научную школу в сфере контроллинга читателям журнала "Контроллинг" хорошо известно. В то же время о научной школе в области эконометрики распространена информация лишь об отдельных ее составляющих, поскольку обобщающих работ на эту тему не было. Цель этой статьи - дать целостное представление об отечественной научной школе в области эконометрики, как говорят, "с птичьего полета".

Основные термины
Под эконометрикой понимаем научную дисциплину, посвященную разработке, изучению и применению статистических методов в экономике и управлении. Термин составлен из двух слов: "эконо-" от "экономика" и "метрика" от "измерение". Экономику надо понимать по Аристотелю: наука о том, как управлять хозяйством.
Статистические методы основаны на теории вероятностей и математической статистике. Центральная часть статистических методов - прикладная статистика.
Организационно-экономическое моделирование (ОЭМ) – научная, практическая и учебная дисциплина, посвященная разработке, изучению и применению математических и статистических методов и моделей в экономике и управлении народным хозяйством, прежде всего промышленными предприятиями и их объединениями. Термин «экономико-математические методы и модели» (ЭММиМ) имеет близкое содержание. Отличаются эти термины акцентами. ОЭМ нацелено на решение задач организации (управления, менеджмента) и экономики с помощью моделирования. В ЭММиМ сильна математическая составляющая, не связанная непосредственно с проблемами реального мира. Содержание термина "теория принятия решений" близко к содержанию термина "организационно-экономическое моделирование".
В преподавании на факультете "Инженерный бизнес и менеджмент" МГТУ им. Н.Э. Баумана выстроена триада тесно связанных между собой дисциплин: "Прикладная статистика (вариант - статистика)" - "Эконометрика" - "Организационно-экономическое моделирование". Этой триадой занимается секция кафедры ИБМ-2 «Организационно-экономическое моделирование, эконометрика и статистика» (http://ibm2.ru/department/3.html)

Высокие статистические технологии - из науки в преподавание
Высокие статистические технологии - наиболее наукоемкая инновационная часть современных методов анализа данных. За последние 40 лет научные исследования и прикладные проекты в области анализа данных привели к разработке ряда новых разделов теории и существенному развитию ранее сформированных областей статистических методов. Так, создана статистика нечисловых данных и статистика интервальных данных. Существенное развитие получила непараметрическая статистика.
Однако преподавание статистических методов в вузах зачастую заметно отстает от фронта научных исследований. Входящий в курс математики раздел «Теория вероятностей и математическая статистика» обычно заканчивается методами, разработанными в первой половине ХХ в. Специальные курсы часто используют подходы столь же далеких времен. Поэтому при создании Всесоюзной статистической ассоциации (учредительный съезд состоялся в октябре 1990 г.), а затем Российской ассоциации статистических методов и Российской академии статистических методов одной из наиболее актуальных задач было признано внедрение современных научных достижений в практику преподавания.
Эконометрика, т.е. статистический анализ конкретных статистических данных, преподается в российских вузах с 1997 г. На факультете «Инженерный бизнес и менеджмент» МГТУ им. Н.Э. Баумана высокие статистические технологии внедрены в практику преподавания курсов "Эконометрика", "Статистика", "Прикладная статистика", "Методы принятия управленческих решений", "Организационно-экономическое моделирование" и др. Это внедрение опирается на вновь разработанные учебные программы и учебники. Тем самым в рассматриваемых областях удалось преодолеть разрыв между наукой и преподаванием.
Высокие статистические технологии, прежде всего ориентированные на экспертные и маркетинговые исследования, весьма эффективны, в частности, в инновационном менеджменте при осуществлении организационно-экономической и маркетинговой поддержки конкретных инновационных проектов в области наукоемких технологий, а также при прогнозировании спроса на научно-техническую продукцию высокотехнологичных отраслей промышленности.
Статистические исследования (с целью информационно-аналитической поддержки процесса принятия управленческих решений) проводятся с давних времен. Например, для принятия решений в военной области необходима информация о числе военнообязанных. О переписи военнообязанных рассказано в Ветхом Завете в Четвертой книге Моисеевой "Числа". Поэтому вполне естественно, что в программы высшего образования включают статистические дисциплины.
Если в высшей школе США число преподавателей и кафедр в области статистики вполне сопоставимо с числом преподавателей и кафедр в области математики, то в нашей стране - совсем другая ситуация. Официально признаны лишь две составляющие статистики: математическая статистика и ведомственная наука Росстата. Первая составляющая относится к математике, к научной специальности 01.01.05 "теория вероятностей и математическая статистика". Вторая составляющая относится к экономическим наукам, к научной специальности 08.00.12 "Бухгалтерский учет, статистика". Все остальные составляющие статистики, например, статистические методы в технике, медицине, химии, истории, социологии, психологии и т.п., проигнорированы. Впрочем, некоторые из этих "забытых" составляющих укрепились и получили собственные имена. Например, эконометрика - статистические методы в экономике и управлении (менеджменте).
В начале 1980-х годов мы выделили научную дисциплину "Прикладная статистика". Наш базовый учебник по этой дисциплине начинается словами: "Прикладная статистика - это наука о том, как обрабатывать данные" [11]. Методы прикладной статистики могут применяться в любой области науки, в любой отрасли научного хозяйства.
В 1980-х годах была создана попытка объединить статистиков различных научных направлений и ведомственной принадлежности. В 1990 г. был проведен Учредительный съезд Всесоюзной статистической ассоциации. Ассоциация состояла из четырех секций - специалистов по статистическим методам, специалистов по прикладным статистическим исследованиям (в нее входили в основном работников оборонных отраслей промышленности), преподавателей статистики в экономических вузах, работников официальной статистики. Автор настоящей статьи был избран вице-президентом (по секции статистических методов).
При подготовке к созданию Всесоюзной статистической ассоциации был проведен анализ ситуации в области статистики. В частности, было установлено [15], что в учебниках по "Общей теории статистики" обычно излагаются (с теми или иными математическими ошибками) основы прикладной статистики, к которым добавляется небольшая по объему информация о деятельности органов официальной статистики.
Наши работы, посвященные развитию статистических методов в нашей стране, суммированы в главе 2 (с.13 - 61) монографии [19]. Отметим, что подготовка адекватной истории отечественной статистики - дело будущего. Имеющиеся сочинения - удручающе односторонние. Так, в "учебном пособии" [20] даже не упомянут великий статистик ХХ в. член-корреспондент АН СССР Николай Васильевич Смирнов. Но и из имеющейся информации было ясно, что перестройка статистики назрела. Одним из наших предложений [4, 6] было создание Всесоюзной статистической ассоциации. Другим - организация Всесоюзного центра статистических методов и информатики, миссия которого - разработка и внедрение программных продуктов по статистическим методам.
Всесоюзная статистическая ассоциация - аналог Королевского статистического общества (1834) и Американской статистической ассоциации (1839). Однако вследствие развала СССР Всесоюзная статистическая ассоциация прекратила работу, как и другие союзные организации. С юридической точки зрения это незаконно, поскольку в ее Уставе была норма - ликвидация ассоциации возможна лишь по решению съезда. Такого съезда не было. Был лишь один съезд - Учредительный (1990). Поэтому юридически Всесоюзная статистическая ассоциация существует. На постсоветском пространстве наиболее активным является сообщество узбекских статистиков. В Ташкенте регулярно проводятся многочисленные международные конференции "Статистика и ее применения".
За 1990-е годы число участников статистических конференций и семинаров сократилось на порядок, поэтому мы сочли необходимым перейти к составлению учебников и монографий.

Новая парадигма математических методов исследования
В ходе организации Всесоюзной статистической ассоциации было проанализировано состояние и перспективы развития рассматриваемой области научно-прикладных исследований и осознаны основы уже сложившейся к концу 1980-х гг. новой парадигмы математических методов исследования, в более узкой терминологии - новой парадигмы статистики. В течение следующих лет новая парадигма развивалась и к настоящему времени оформлена в виде серии монографий и учебников для вузов, состоящей более чем из 10 книг. Проведем сравнение старой и новой парадигм математических методов исследования.
Типовые исходные данные в новой парадигме – объекты нечисловой природы (элементы нелинейных пространств, которые нельзя складывать и умножать на число, например, множества, бинарные отношения), а в старой – числа, конечномерные векторы, функции. Ранее (в старой парадигме) для расчетов использовались разнообразные суммы, однако объекты нечисловой природы нельзя складывать, поэтому в новой парадигме применяется другой математический аппарат, основанный на расстояниях между объектами нечисловой природы и решении задач оптимизации.
Изменились постановки задач анализа данных и экономико-математического моделирования. Так, старая парадигма математической статистики исходит из идей начала ХХ в., когда К. Пирсон предложил четырехпараметрическое семейство распределений для описания распределений реальных данных. В это семейство как частные случаи входят, в частности, подсемейства нормальных, экспоненциальных, Вейбулла-Гнеденко, гамма-распределений. Сразу было ясно, что распределения реальных данных, как правило, не входят в семейство распределений Пирсона (об этом говорил, например, академик С.Н. Бернштейн в 1927 г. в докладе на Всероссийском съезде математиков; подробнее см. [13]). Однако математическая теория параметрических семейств распределений (методы оценивание параметров и проверки гипотез) оказалась достаточно интересной с теоретической точки зрения (в ее рамках был доказан ряд трудных теорем), и именно на ней до сих пор основано преподавание во многих вузах. Итак, в старой парадигме основной подход к описанию данных - распределения из параметрических семейств, а оцениваемые величины – их параметры, в новой парадигме рассматривают произвольные распределения, а оценивают - характеристики и плотности распределений, зависимости, правила диагностики и др. Центральная часть теории – уже не статистика числовых случайных величин, а статистика в пространствах произвольной природы, т.е. нечисловая статистика [7], называемая также статистикой нечисловых данных.
В старой парадигме источники постановок новых задач - традиции, сформировавшиеся к середине ХХ века, а в новой - современные потребности математического моделирования и анализа данных (XXI век), т.е. запросы практики. Конкретизируем это общее различие. В старой парадигме типовые результаты - предельные теоремы, в новой - рекомендации для конкретных значений параметров, в частности, объемов выборок. Изменилась роль информационных технологий – ранее они использовались в основном для расчета таблиц (в частности, информатика находилась вне математической статистики), теперь же они - инструменты получения выводов (имитационное моделирование, датчики псевдослучайных чисел, методы размножение выборок, в т.ч. бутстреп, и др.). Вид постановок задач приблизился к потребностям практики – при анализе данных от отдельных задач оценивания и проверки гипотез перешли к статистическим технологиям (технологическим процессам анализа данных). Выявилась важность проблемы «стыковки алгоритмов» - влияния выполнения предыдущих алгоритмов в технологической цепочке на условия применимости последующих алгоритмов. В старой парадигме эта проблема не рассматривалась, для новой – весьма важна.
Если в старой парадигме вопросы методологии моделирования практически не обсуждались, достаточными признавались схемы начала ХХ в., то в новой парадигме роль методологии (учения об организации деятельности) является основополагающей. Резко повысилась роль моделирования – от отдельных систем аксиом произошел переход к системам моделей. Сама возможность применения вероятностного подхода теперь – не «наличие повторяющегося комплекса условий» (реликт физического определения вероятности, использовавшегося до аксиоматизации теории вероятностей А.Н. Колмогоровым в 1930-х гг.), а наличие обоснованной вероятностно-статистической модели. Если раньше данные считались полностью известными, то для новой парадигмы характерен учет свойств данных, в частности, интервальных и нечетких [18]. Изменилось отношение к вопросам устойчивости выводов – в старой парадигме практически отсутствовал интерес к этой тематике, в новой разработана развитая теория устойчивости (робастности) выводов по отношению к допустимым отклонениям исходных данных и предпосылок моделей [5].
Результаты сравнения парадигм удобно представить в виде табл. 1.

Таблица 1. Сравнение основных характеристик старой и новой парадигм
№ Характеристика Старая парадигма Новая парадигма
1 Типовые исходные данные Числа, конечномерные вектора, функции Объекты нечисловой природы
2 Основной подход к моделированию данных Распределения из параметрических семейств Произвольные функции распределения
3 Основной математический аппарат Суммы и функции от сумм Расстояния и алгоритмы оптимизации
4 Источники постановок новых задач Традиции, сформировавшиеся к середине ХХ века Современные прикладные потребности анализа данных (XXI век)
5 Отношение к вопросам устойчивости выводов Практически отсутствует интерес к устойчивости выводов Развитая теория устойчивости (робастности) выводов
6 Оцениваемые величины Параметры распределений Характеристики, функции и плотности распределений, зависимости, правила диагностики и др.
7 Возможность применения Наличие повторяющегося комплекса условий Наличие обоснованной вероятностно-статистической модели
8 Центральная часть теории Статистика числовых случайных величин Нечисловая статистика
9 Роль информационных технологий Только для расчета таблиц (информатика находится вне статистики) Инструменты получения выводов (датчики псевдослучайных чисел, размножение выборок, в т.ч. бутстреп, и др.)
10 Точность данных Данные полностью известны Учет неопределенности данных, в частности, интервальности и нечеткости
11 Типовые результаты Предельные теоремы (при росте объемов выборок) Рекомендации для конкретных объемов выборок
12 Вид постановок задач Отдельные задачи оценивания параметров и проверки гипотез Высокие статистические технологии (технологические процессы анализа данных)
13 Стыковка алгоритмов Не рассматривается Весьма важна при разработке процессов анализа данных
14 Роль моделирования Мала (отдельные системы аксиом) Системы моделей – основа анализа данных
15 Анализ экспертных оценок Отдельные алгоритмы Прикладное «зеркало» общей теории
16 Роль методологии Практически отсутствует Основополагающая

Учебная литература, соответствующая новой парадигме
Как уже отмечалось, на рубеже тысячелетий нами было принято решение сосредоточить усилия на подготовке учебной литературы, соответствующей новой парадигме.
Первым был выпущенный в 2002 г. учебник по эконометрике [16], переизданный в 2003 г. и в 2004 г. Четвертое издание «Эконометрики» [17] существенно переработано. Оно соответствует первому семестру курса, в отличие от первых трех изданий, содержащих материалы для годового курса. В четвертое издание включены новые разделы, полностью обновлена глава про индекс инфляции, добавлено методическое обеспечение.
В нашем фундаментальном курсе 2006 г. по прикладной статистике [11] в рамках новой парадигмы рассмотрены как нечисловая статистика, так и классические разделы прикладной статистики, посвященные методам обработки элементов линейных пространств - чисел, векторов и функций (временных рядов).
В том же 2006-м году в рамках новой парадигмы был выпущен курс теории принятия решений [14]. Его сокращенный (в 1,5 раза) вариант вышел годом раньше [12]. А в 2018 г. появился учебник "Методы принятия управленческих решений" [3].
Магистранты научно-учебного комплекса «Инженерный бизнес и менеджмент» МГТУ им. Н.Э. Баумана изучают дисциплину «Организационно-экономическое моделирование». Одноименный учебник выпущен в трех частях (томах). Первая из них [7] посвящена сердцевине новой парадигмы – нечисловой статистике. Ее прикладное «зеркало» - вторая часть [8] - современный учебник по экспертным оценкам. В третьей части [9] наряду с основными постановками задач анализа данных (чисел, векторов, временных рядов) и конкретными статистическими методами анализа данных классических видов (чисел, векторов, временных рядов) рассмотрены вероятностно-статистические модели в технических и экономических исследованиях, медицине, социологии, истории, демографии, а также метод когнитивных карт (статистические модели динамики).
В названиях еще двух наших учебников есть термин «организационно-экономическое моделирование». Это вводная книга по менеджменту [2] и современный учебник по теории принятия решений [10], в которых содержание соответствует новой парадигме, в частности, подходам трехтомника по организационно-экономическому моделированию. В нем значительно большее внимание по сравнению с более ранними нашими книгами теории принятия решений уделено теории и практике экспертных оценок, в то время как общие проблемы менеджмента выделены для обсуждения в отдельное издание [2].
К рассмотренному выше корпусу учебников примыкают справочник по минимально необходимым для восприятия рассматриваемых курсов понятиям теории вероятностей и прикладной математической статистики [1].
На основе сказанного выше можно констатировать, что к настоящему моменту рекомендация Учредительного съезда Всесоюзной статистической ассоциации (1990) по созданию комплекта учебной литературы на основе новой парадигмы математических методов исследования выполнена. Предстоит большая работа по внедрению новой парадигмы организационно-экономического моделирования, эконометрики и статистики в научные исследования (теоретические и прикладные) и преподавание.

Предварительные итоги
Отечественная научная школа в области организационно-экономического моделирования, эконометрики и статистики создана на кафедре "Экономика и организация производства" МГТУ им. Н.Э. Баумана. От зарубежных аналогов она отличается опорой на отечественную вероятностно-статистическую научную школу, созданную А.Н. Колмогоровым, Б.В. Гнеденко, В.В. Налимовым и их сподвижниками, и на высокие статистические технологии XXI в., отраженные в перечисленных выше монографиях и учебных курсах.
Отечественная научная школа оказалась востребованной не только преподавателями, но и научными работниками. Так, в Российском индексе научного цитирования на состоянию на 21.07.2019 указано 806 цитирований "Прикладной статистики", 686 - "Эконометрики", 622 - "Теории принятия решений", а в поисковой системе "Академия Google" (Google Scholar) (https://scholar.google.ru/citations?hl= ... qLP2cAAAAJ) - соответственно 948, 761, 969 цитирований. Востребованность этих работ в науке свидетельствует о том, что их можно воспринимать не только как учебники, но и как научные монографии, включающие недавние научные результаты.
Отметим большую роль информационно-коммуникационных технологий в распространении научных результатов отечественной научной школы в области организационно-экономического моделирования, эконометрики и статистики. В Российском индексе научного цитирования указано, что значительная часть авторов получила информацию с сайта "Высокие статистические технологии" (http://orlovs.pp.ru/). А именно, к этому каналу распространения информации относятся 400 цитирований "Прикладной статистики" (49,6% всех цитирований) и 328 цитирований "Теории принятия решений" (52,7% всех цитирований).
Ожидаем, что подходы и результаты отечественной научной школы в области организационно-экономического моделирования, эконометрики и статистики окажутся востребованными и в дальнейшем.

Литература

1. Орлов А.И. Вероятность и прикладная статистика: основные факты: справочник. – М.: КноРус, 2010. – 192 с.
2. Орлов А.И. Менеджмент: организационно-экономическое моделирование. — Ростов-на-Дону: Феникс, 2009. — 475 с.
3. Орлов А.И. Методы принятия управленческих решений. - М.: КНОРУС, 2018. - 286 с.
4. Орлов А.И. Необходимость перестройки в статистике // Статистика и перестройка. Ученые записки по статистике, т.55. - М.: Наука, 1991. - С. 153-159.
5. Орлов А.И. Новый подход к изучению устойчивости выводов в математических моделях // Научный журнал КубГАУ. 2014. № 100. С. 146-176.
6. Орлов А.И. О перестройке статистической науки и её применений // Вестник статистики. 1990. № 1. С. 65–71.
7. Орлов А.И. Организационно-экономическое моделирование. Ч.1. Нечисловая статистика. - М.: Изд-во МГТУ им. Н.Э. Баумана, 2009. - 541 с.
8. Орлов А.И. Организационно-экономическое моделирование. Ч.2. Экспертные оценки. – М.: Изд-во МГТУ им. Н.Э. Баумана, 2011. – 486 с.
9. Орлов А.И. Организационно-экономическое моделирование. Ч.3. Статистические методы анализа данных. — М.: Изд-во МГТУ им. Н.Э. Баумана, 2012. — 624 с.
10. Орлов А.И. Организационно-экономическое моделирование: теория принятия решений. — М. : КноРус, 2011. — 568 с.
11. Орлов А.И. Прикладная статистика. - М.: Экзамен, 2006. - 671 с.
12. Орлов А.И. Принятие решений. Теория и методы разработки управленческих решений. – М.: ИКЦ «МарТ»; Ростов н/Д: Издательский центр «МарТ», 2005. – 496 с.
13. Орлов А.И. Распределения реальных статистических данных не являются нормальными // Научный журнал КубГАУ. 2016. № 117. С. 71–90.
14. Орлов А.И. Теория принятия решений. — М.: Экзамен, 2006. — 574 с.
15. Орлов А.И. Что дает прикладная статистика народному хозяйству? // Вестник статистики. 1986. № 8. С. 52–56.
16. Орлов А.И. Эконометрика. - М.: Экзамен, 2002 (1-е изд.), 2003 (2-е изд.), 2004 (3-е изд.). - 576 с.
17. Орлов А.И. Эконометрика. Изд. 4-е, доп. и перераб. – Ростов-на-Дону: Феникс, 2009. – 572 с.
18. Орлов А.И., Луценко Е.В. Системная нечеткая интервальная математика. Монография (научное издание). – Краснодар, КубГАУ. 2014. – 600 с.
19. Орлов А.И., Луценко Е.В., Лойко В.И. Организационно-экономическое, математическое и программное обеспечение контроллинга, инноваций и менеджмента: монография / под общ. ред. С. Г. Фалько. – Краснодар : КубГАУ, 2016. – 600 с.
20. Плошко Б.Г., Елисеева И.И. История статистики. - М.: Финансы и статистика, 1990. - 295 с.

References:

1. Orlov A.I. Veroyatnost' i prikladnaya statistika: osnovnye fakty: spravochnik. – M.: KnoRus, 2010. – 192 s.
2. Orlov A.I. Menedzhment: organizacionno-ekonomicheskoe modelirovanie. — Rostov-na-Donu: Feniks, 2009. — 475 s.
3. Orlov A.I. Metody prinyatiya upravlencheskih reshenij. - M.: KNORUS, 2018. - 286 s.
4. Orlov A.I. Neobhodimost' perestrojki v statistike // Statistika i perestrojka. Uchenye zapiski po statistike, t.55. - M.: Nauka, 1991. - S. 153-159.
5. Orlov A.I. Novyj podhod k izucheniyu ustojchivosti vyvodov v matematicheskih modelyah // Nauchnyj zhurnal KubGAU. 2014. № 100. S. 146-176.
6. Orlov A.I. O perestrojke statisticheskoj nauki i eyo primenenij // Vestnik statistiki. 1990. № 1. S. 65–71.
7. Orlov A.I. Organizacionno-ekonomicheskoe modelirovanie. CH.1. Nechislovaya statistika. - M.: Izd-vo MGTU im. N.E. Baumana, 2009. - 541 s.
8. Orlov A.I. Organizacionno-ekonomicheskoe modelirovanie. CH.2. Ekspertnye ocenki. – M.: Izd-vo MGTU im. N.E. Baumana, 2011. – 486 s.
9. Orlov A.I. Organizacionno-ekonomicheskoe modelirovanie. CH.3. Statisticheskie metody analiza dannyh. — M.: Izd-vo MGTU im. N.E. Baumana, 2012. — 624 s.
10. Orlov A.I. Organizacionno-ekonomicheskoe modelirovanie: teoriya prinyatiya reshenij. — M. : KnoRus, 2011. — 568 s.
11. Orlov A.I. Prikladnaya statistika. - M.: Ekzamen, 2006. - 671 s.
12. Orlov A.I. Prinyatie reshenij. Teoriya i metody razrabotki upravlencheskih reshenij. – M.: IKC «MarT»; Rostov n/D: Izdatel'skij centr «MarT», 2005. – 496 s.
13. Orlov A.I. Raspredeleniya real'nyh statisticheskih dannyh ne yavlyayutsya normal'nymi // Nauchnyj zhurnal KubGAU. 2016. № 117. S. 71–90.
14. Orlov A.I. Teoriya prinyatiya reshenij. — M.: Ekzamen, 2006. — 574 s.
15. Orlov A.I. CHto daet prikladnaya statistika narodnomu hozyajstvu? // Vestnik statistiki. 1986. № 8. S. 52–56.
16. Orlov A.I. Ekonometrika. - M.: Ekzamen, 2002 (1-e izd.), 2003 (2-e izd.), 2004 (3-e izd.). - 576 s.
17. Orlov A.I. Ekonometrika. Izd. 4-e, dop. i pererab. – Rostov-na-Donu: Feniks, 2009. – 572 s.
18. Orlov A.I., Lucenko E.V. Sistemnaya nechetkaya interval'naya matematika. Monografiya (nauchnoe izdanie). – Krasnodar, KubGAU. 2014. – 600 s.
19. Orlov A.I., Lucenko E.V., Lojko V.I. Organizacionno-ekonomicheskoe, matematicheskoe i programmnoe obespechenie kontrollinga, innovacij i menedzhmenta: monografiya / pod obshch. red. S. G. Fal'ko. – Krasnodar : KubGAU, 2016. – 600 s.
20. Ploshko B.G., Eliseeva I.I. Istoriya statistiki. - M.: Finansy i statistika, 1990. - 295 s.


Вернуться наверх
 Профиль  
 
 Заголовок сообщения: Re: Аннотации новых статей А.И. Орлова
СообщениеДобавлено: Сб фев 26, 2022 12:57 pm 
Не в сети

Зарегистрирован: Вт сен 28, 2004 11:58 am
Сообщений: 11577
1213. Орлов А.И. Организационно-экономические составляющие науки об орга-низации производства // Одиннадцатые Чарновские чтения. Сборник трудов XI Всероссийской научной конференции по организации производства. Форум "Современное предприятие и будущее России". Москва, 3 декабря 2021 г. – М.: НОЦ «Контроллинг и управленческие инновации» МГТУ им. Н. Э. Баумана, НП «Объединение контроллеров», 2022. – С. 98-106.
https://drive.google.com/file/d/1Fa5Dao ... pfAW0/view


УДК 658.5; JEL Classification: А10, В40, С15

ОРГАНИЗАЦИОННО-ЭКОНОМИЧЕСКИЕ СОСТАВЛЯЮЩИЕ
НАУКИ ОБ ОРГАНИЗАЦИИ ПРОИЗВОДСТВА

А.И. Орлов
профессор, д.э.н., д.т.н., к.ф.-м.н., профессор кафедры «Экономика и организация производства",
МГТУ им. Н.Э.Баумана, г. Москва
prof-orlov@mail.ru

Аннотация: Дан обзор исследований автора по четырем составляющим применения организационно-экономического моделирования в организации производства - по статистическим методам управления качеством продукции; экологическому менеджменту на предприятии; анализу, оценке и управлению рисками; управлению запасами, включенным ВАК в паспорт научной специальности 05.02.22 "Организация производства". Они - часть исследований по цифровой экономике и искусственному интеллекту. Большое внимание уделяется нерешенным задачам.
Ключевые слова: организация производства, производственная система, предприятие, производство, организационно-экономическое моделирование.

ORGANIZATIONAL AND ECONOMIC COMPONENTS OF THE SCIENCE ON THE ORGANIZATION OF PRODUCTION

Alexander Orlov
Professor of department «Economics and organization of production»,
Doctor of Econ. Sc., Doctor of Techn. Sc., Cand. of math., Professor;
Bauman University, Moscow
prof-orlov@mail.ru

Abstract: An overview of the author's research on the four components of the application of organizational and economic modeling in the organization of production is given - on the statistical quality management methods; environmental management enterprise systems; analysis, estimation and risk management; inventory management - included in the passport of the scientific specialty "Organization of production". They are parts of digital economy and artificial intelligence. Much attention is paid to unsolved problems.
Keywords: organization of production, production system, enterprise, production, organizational and economic modeling.

Введение
В литературных источниках встречаются различные определения термина "организация производства". Будем следовать определению, данному Высшей аттестационной комиссией (ВАК) в паспорте научной специальности 05.02.22: "Организация производства (по отраслям) – область науки и техники, изучающая проблемы становления, эффективного функционирования и совершенствования производственных процессов, научно-организационные и практические методы и средства решения таких проблем на всех уровнях. Специальность включает в себя разработку и совершенствование научных, методологических и системотехнических принципов организации производства, создание и применение методов и средств мониторинга, исследование и анализ различных организационных, технологических и технических решений на всех уровнях организации процессов создания конкурентоспособной продукции и производственных услуг на основе широкого использования новых информационных технологий. Решение указанных проблем качественно повышает уровень организации производственной деятельности предприятий различных отраслей и способствует ускорению их научно-технического прогресса" [1].
Вслед за [2] принимаем, что: "Организационно-экономическое моделирование (ОЭМ) – научная, практическая и учебная дисциплина, посвященная разработке, изучению и применению математических и статистических методов и моделей в экономике и управлении народным хозяйством, прежде всего промышленными предприятиями и их объединениями".
Модели и методы ОЭМ широко применяются при решении задач организации производства. Нам наиболее интересны четыре направления исследований по применению ОЭМ в области организации производства: по которым выполнены научные работы и выпущен ряд публикаций:
- статистические методы управления качеством продукции;
- экологический менеджмент на предприятии;
- анализ, оценка и управление рисками;
- управление запасами (материально-техническими ресурсами).
Все эти области исследований включены ВАК в паспорт научной специальности 05.02.22 "Организация производства (по отраслям)" [1]. По указанным направлениям нами получен ряд новых научных результатов и выпущен ряд публикаций, основные из которых перечислены в [3].
Настоящая работа посвящена обсуждению некоторых проблем, в том числе нерешенных, в указанных направлениях исследований по применению ОЭМ в области организации производства. Она является непосредственным продолжением недавних публикаций [4 - 6].

Статистические методы управления качеством
Как установлено в [7], первая (в мире) научная работа по статистическим методам управления качеством была выполнена в России. Её автор - выдающийся российский математик и механик, академик Санкт-Петербургской академии наук М.В. Остроградский (1801 - 1861). В работе 1846 г. он писал:
«В сосуде имеются белые и черные шары, общее количество которых нам известно, но мы не знаем, сколько из них какого цвета. Мы извлекаем некоторое количество шаров. Подсчитав, сколько из них белых и сколько черных, снова кладем в сосуд. Требуется определить вероятность того, что общее число белых не выходит из наперед заданных пределов. Или, лучше сказать, мы ищем зависимость между этой вероятностью и пределами, о которых идет речь.
Чтобы понять важность этого вопроса, представим себя на месте того, кто должен получить большое число предметов, причем должны выполняться некоторые условия, и кто, чтобы проверить эти условия, должен на каждый предмет потратить некоторое время. Перед армейскими поставщиками часто стоят такого рода задачи. Для них шары, содержащиеся в сосуде, представляют получаемые предметы, белые, например – предметы приемлемые, как удовлетворяющие определенным условиям, а черные – неприемлемые. (...)
Таким образом, если бы вопрос, который мы перед собой поставили, был решен, поставщик мог бы воспользоваться этим, чтобы свести приблизительно к двадцатой доле часто очень утомительную работу, как, например, проверку большого количества мешков муки или штук сукна» [8, с.215].
Из приведенной цитаты ясно, что М.В. Остроградский исходит из необходимости решения практических задач контроля качества (на примере больших партий мешков муки или штук сукна). Он предлагает решение на основе математического изучения вероятностно-статистической модели. В рассматриваемой работе М.В. Остроградский заложил основы статистического приемочного контроля - одного из основных разделов статистических методов управления качеством.
За прошедшие с пионерской работы М.В. Остроградского 175 лет в рассматриваемом направлении получена масса научных результатов. Однако его история развития еще не написана. Одна из проблем состоит в том, что многие советские разработки остаются закрытыми, в результате мы гораздо лучше знаем зарубежные исследования, чем отечественные.
Получил распространение примитивный набор так называемых "семи простых японских методов управления качеством". Этот набор полезен для первоначального знакомства со статистическими методами управления качеством. Однако им нельзя ограничиваться. Например, для статистического контроля процессов в нем есть только контрольные карты Шухарта, предназначенные для обнаружения мгновенных изменений характеристик контролируемого процесса. В случае постепенной разладки целесообразно применять контрольные карты кумулятивных сумм. При построении и изучении контрольных карт часто принимают гипотезу о нормальном распределении контролируемого параметра. Однако хорошо известно, что распределения реальных данных, как правило, не являются нормальными. Поэтому актуальна разработка непараметрических методов контроля качества. Такие исследования проводятся (см., например, [9]) и заслуживают дальнейшего развития. Отметим, что алгоритмы обнаружения разладки (в частности, карты Шухарта и кумулятивных сумм) используют не только при статистическом регулировании технологических процессов, но и, например, при мониторинге уровня безопасности полетов с целью обеспечения авиационной безопасности [10].
Ряд рекомендаций по проведению статистического контроля получен на основе предельных теорем [7]. Например, включенный в наши учебники по эконометрике алгоритм синтеза плана контроля с заданными приемочным и браковочным уровнями дефектности.
Теоретически установлено, что выходной контроль качества продукции у поставщика не является обязательным [11]. В ряде случаев экономически выгодным является переход к другой технико-экономической политике - к пополнению отпускаемой партии с целью обеспечения гарантированной поставки заданного объема продукции или к организации системы оперативной замены дефектных единиц. Необходима проверка возможности применения таких рекомендаций на практике.
На первый взгляд представляется естественной стандартизация лучших практик в области статистических методов управления качеством. Однако стандартизация может нанести значительный ущерб, если в стандартах имеются ошибки. Так, в СССР в 1970-1980-х годах была разработана обширная система государственной стандартов в этой области. Однако из-за низкого профессионального уровня разработчиков в стандарты были включены ошибочные рекомендации, что привело к необходимости отмены этих стандартов. Анализ этой ситуации дан в [12]. Организационная проблема обеспечения адекватного научного уровня нормативно-технической документации остается нерешенной.
Есть и другие распространенные заблуждения, например, о возможности реализации бездефектного производства. На самом деле входной уровень дефектности всегда положителен. Наименьший уровень дефектности, используемый в системе управления качеством "Шесть сигма" - это 3 дефектных единицы продукции на 1000000 возможностей. Реально же уровень дефектности редко ниже 0,1%.

Экологический менеджмент на предприятии
Проблемам управления экологической безопасностью посвящены наши работы [13 - 15]. Одна из основных идей - применение инструментов статистического контроля при решении задач экологического мониторинга. Необходима проработка технологий практического применения этих инструментов службами экологического менеджмента на предприятиях.
Отметим, что методы анализа экспертных упорядочений [16] первоначально были разработаны для выбора технологии уничтожения химического оружия. Необходимо дальнейшее их сопоставление с другими методами экспертных оценок.
Разработаны различные технологии экспертного оценивания [17]. Однако рекомендации по выбору тех или иных методов экспертных оценок для решения конкретных задач организации производства требуют дальнейшей проработки. Так, в Федеральном законе от 23.11.1995 г. № 174-ФЗ "Об экологической экспертизе" дана правовая база для проведения таких экспертиз, но конкретные методы экспертных оценок не указаны.

Анализ, оценка и управление рисками
В литературе встречаются различные определения понятия "риск". По нашему мнению, под риском следует понимать нежелательную возможность. Тогда естественным является деление посвященной рискам научно-прикладной области на три части: анализ рисков - оценка рисков - управление рисками. Первая из них развивается в рамках прикладной области, во второй экономико-математические методы применяются для оценки рисков, в третьей на основе такой оценки и возможностей прикладной области находят способы уменьшения оценки риска.
В настоящее время в теории рисков применяют математические модели и методы трех типов - вероятностно-статистические (включая статистику нечисловых данных), нечеткие и интервальные. Отсюда ясно, что в определение риска нецелесообразно включать упоминание о вероятности, поскольку при этом априори выбирается один из трех типов математического инструментария, а также игнорируется различие между анализом риска и оценкой риска.
Специалисты в конкретных областях зачастую ограничиваются рисками внутри своей области, например, рисками дефектности или кредитными рисками. Предварительному описанию многообразия различных видов рисков посвящена статья [18]. Дальнейшая классификация видов рисков - предмет дальнейших исследований.
При вероятностно-статистическом подходе оценка риска в простейшем случае - это произведение оценки вероятности рискового события на оценку математического ожидания случайного ущерба. Оценивание проводят методами прикладной статистики. Остается неясным, как оценивать ущерб в случае смерти человека или причинения тяжкого вреда здоровья, и даже можно ли это сделать в принципе.
Для оценивания вероятности рискового события является полезной аддитивно-мультипликативная модель, основанную на трехуровневой иерархической системе рисков (частные риски - групповые риски - общий риск). С помощью экспертных технологий оценивают значимость и распространенность частных рисков [19]. Эти величины могут описываться как нечеткие числа или интервалы, соответствующая работа готовится к печати.
Математическим методам исследования рисков посвящена обобщающая статья [20]. В рамках контроллинга выделено новое направление - контроллинг рисков [21].

Управление запасами (материально-техническими ресурсами)
В настоящее время популярна концепция "бережливого производства" (сопоставим с советским лозунгом "Экономика должна быть экономной" 1980-х годов). Она предусматривает сокращение запасов. Подобная формулировка является некорректной. Запасы не должны быть минимальны, запасы должны быть оптимальны. На практике завышение издержек (в разы) может быть связано с тем, что реальные запасы меньше оптимальных.
Оптимизация всегда основана на той или иной экономико-математической модели. Наиболее часто используемой (по крайней мере в США) является классическая модель Вильсона, предназначенная для оптимизации работы склада. В 1970-х годах мы в ЦЭМИ АН СССР экономико-математическую модель, наиболее подходящую для преподавания основ оптимизационного подхода к анализу и управлению экономическими процессами. Выбор пал именно на модель Вильсона. Ближайшим конкурентом было линейное программирование, однако от его преподавания отказались, поскольку решение реальных задач возможно лишь с использованием компьютеров, в то время как полный анализ экономической ситуации на основе модели Вильсона может быть проведен даже школьниками средних классов [22, тема 22]. Модель Вильсона используется для решения практических задач и в нашей стране [23].
На примере модели Вильсона можно продемонстрировать ряд общих методологических проблем применения организационно-экономических моделей и методов, например, проблему горизонта планирования. Так, оптимальный план управления запасами нельзя найти на основе формулы квадратного корня [24], вопреки тексту некоторых учебников. Вычисления по этой формуле - лишь первый этап (из четырех) алгоритма оптимизации плана поставок. При анализе модели Вильсона необходимо использовать теорию устойчивости выводов в экономико-математических моделях и методов [25]. На ее примере можно разъяснить определения и свойства асимптотически оптимальных планов [26].
В системе 36 моделей на основе модели Вильсона [27, с. 261 - 264] достаточно подробно изучена одна - классическая модель Вильсона. Для модели с дефицитом разработан алгоритм нахождения оптимального плана. Для остальных получена лишь формула квадратного корня.
Алгоритм оптимизации двухуровневого контроля [28] разработан на основе предельных теорем о сумме случайного числа случайных слагаемых. Необходимо изучить скорость сходимости и найти условия, при которых мало различаются выводы для предельной и допредельной моделей.
Модель оптимизации моментов выпуска новых моделей продукции на рынок [29] с точки зрения математического аппарата напоминает классическую модель Вильсона управления запасами. Необходима апробация модели [29] для конкретного предприятия.

Искусственный интеллект, организация производства и ОЭМ
Целесообразно обсудить место рассмотренных выше моделей и методов в современных условиях цифровой экономики.
Под цифровой экономикой понимаем применение информационно-коммуникационных технологий при решении задач экономики и управления в современных условиях бурного развития компьютерной техники и сетей [30].
В литературе имеется много определений понятия "искусственный интеллект". Считаем необходимым исходить из определения, данного в Указе Президента РФ от 10 октября 2019 г. №490 "О развитии искусственного интеллекта в Российской Федерации”:
"... искусственный интеллект - комплекс технологических решений, позволяющий имитировать когнитивные функции человека (включая самообучение и поиск решений без заранее заданного алгоритма) и получать при выполнении конкретных задач результаты, сопоставимые, как минимум, с результатами интеллектуальной деятельности человека. Комплекс технологических решений включает в себя информационно-коммуникационную инфраструктуру, программное обеспечение (в том числе в котором используются методы машинного обучения), процессы и сервисы по обработке данных и поиску решений" (см., например, [31]).
В этом определении ничего не говорится про научную основу "комплекса технологических решений". По нашему мнению [3, 32], в социально-экономической области в качестве такой основы можно и нужно использовать организационно-экономическое моделирование, в том числе рассмотренные выше организационно-экономические составляющие науки об организации производства.
Иногда неправомерно сопоставляют искусственный интеллект и интеллект человека. Против такого сопоставления были направлены наши статьи [33, 34]. В некоторых областях современный искусственный интеллект (в смысле [31) превосходит человека. Например, компьютер с помощью соответствующей шахматной программы обыгрывает чемпиона мира. В других областях, связанных, например с эмоциональной сферой, сопоставление искусственного интеллекта не имеет смысла. Академик А.Н. Колмогоров говорил (в моем присутствии), что искусственный интеллект (робот, андроид) только тогда можно будет сравнивать с человеком, когда он пройдет весь путь развития человека от рождения и до совершеннолетия. Такой искусственный интеллект называют "сильным" (а "комплекс технологических решений" согласно [31] - слабым). Сильный искусственный интеллект вряд ли будет создан в ближайшие десятилетия.
Исходя из сказанного выше, можно констатировать, что проблемами искусственного интеллекта автор занимается уже полвека (первая (научно-популярная) статья была напечатана в 1972 г. [35]). Термины меняются, суть остается. Бурное развитие рассматриваемой научно-практической сферы началось с публикации в 1948 г. известной книги "Кибернетика" Н. Винера. Для обозначения потока работ использовались различные термины - кибернетика, информатика, системный анализ, проблемы управления, принятие решений, исследование операций, автоматизированные системы управления, машинная диагностика, математическое моделирование... Мода на термины менялась, но суть оставалась прежней.
Так, сейчас модны нейросетевые методы, основные идеи которых были разработаны в середине ХХ в. (Согласно распространенным определениям, нейросеть - это математическая модель (и ее компьютерное воплощение), построенная по аналогии с сетями нервных клеток живых организмов.) С нашей точки зрения нейросетевые методы - это частные случаи методов прикладной статистики [36], основанные на использовании обучающих выборок, в частности, для распознавания образов. Близкий смысл вкладывается в термины математической теории классификации, в частности, в термины диагностика, дискриминация, кластер-анализ).
Мода на термины меняется. В середине ХХ в. много говорили о кибернетике. К настоящему времени забыли это слово. Зато появились новые слова: "Искусственный интеллект", "Цифровая экономика". Если же прочитать книги Н. Винера, основоположника кибернетики, то увидим, что он говорит про актуальные ныне проблемы искусственного интеллекта и цифровой экономики.
Термин "кибернетика" употребляется сейчас редко, хотя научные и прикладные работы по кибернетике появляются в огромном количестве. Любопытно, что сборник статей [37], с которого мы отсчитываем развертывание в нашей стране научной области под названием "прикладная статистика", назывался "Современные проблемы кибернетики (прикладная статистика)" .
Герой комедии Мольера «Мещанин в дворянстве», при помощи учителей натаскивающий себя на «образованность», удивляется: «Как!? Когда я говорю: Николь, принеси мне туфли и подай ночной колпак, — это проза? Скажите на милость! Сорок слишком лет говорю прозой — и невдомек!» Аналогично можно сказать, что автор этой работы более полувека занимается проблемами искусственного интеллекта и цифровой экономики.
.Констатируем, что организационно-экономическое моделирование, в том числе теория принятия решений (включая экспертные процедуры), является научной основой технологий искусственного интеллекта. Это научное направление является все более востребованным в ходе бурного развития цифровой экономики.

Выводы
В настоящей работе дан краткий обзор наших исследований по четырем составляющим применения организационно-экономического моделирования в области организации производства. Это - статистические методы управления качеством продукции; экологический менеджмент на предприятии; анализ, оценка и управление рисками; управление запасами (материально-техническими ресурсами). Все эти области исследований включены ВАК в паспорт научной специальности 05.02.22 "Организация производства (по отраслям)". Их можно рассматривать в русле мощного потока работ в области цифровой экономики и искусственного интеллекта.
Большое внимание уделяется нерешенным задачам. Показано, что таковых для каждой составляющей имеется весьма много. Есть чем заняться будущим исследователям. Можно ожидать дальнейшего успешного развития работ в рассмотренных в настоящей работе областях исследований.

ЛИТЕРАТУРА
1. Паспорт научной специальности 05.02.22 Организация производства (по отраслям). URL: http://arhvak.minobrnauki.gov.ru/316 (дата обращения 17.11.2021).
2. Муравьева В.С., Орлов А.И. Организационно-экономическое моделирование - система инструментов контроллинга // Контроллинг в экономике, организации производства и управлении: сборник научных трудов международного форума по контроллингу (Москва, 20 мая 2021 г.) / под научной редакцией д.э.н., профессора С.Г. Фалько. Москва: НП «Объединение контроллеров», 2021. С. 147-155. URL: http://controlling.ru/files/176.pdf (дата обращения 17.11.2021).
3. Орлов А.И. Организационно-экономическое моделирование и искусственный интеллект в цифровой экономике (на примере управления качеством) // Научный журнал КубГАУ. 2021. №169. С.216–242.
4. Орлов А.И. Организационно-экономическое моделирование в организации производства в эпоху цифровой экономики / Девятые Чарновские чтения. Сборник трудов IX Всероссийской научной конференции по организации производства (Москва, 6 - 7 декабря 2019 г.) - М.: НОЦ "Контроллинг и управленческие инновации" МГТУ им. Н.Э. Баумана, НП "Объединение контроллеров", 2019. - С. 116-123.
5. Orlov A. Organizational and economic modeling in the organization of production in the epoch of digital economy / IX Czarnowski Readings – Annual International Scientific and Practical Conference on the Organization of Production and Industrial Policy. MATEC Web Conf. Volume 311, 2020.
6. Orlov A.I. Organization and economic modelling in industries for digital economy // Advances in the astronautical sciences. 2nd. Сер. "2nd IAA/AAS Conference on Space Flight Mechanics and Space Structures and Materials, SciTech Forum 2019" 2021. P. 563-568.
7. Орлов А.И. Предельные теоремы в статистическом контроле // Научный журнал КубГАУ. 2016. №116. С. 462 – 483.
8. Остроградский М.В. Об одном вопросе, касающемся вероятностей / Полное собрание трудов. Т.3. – Киев: Издательство Академии наук УССР, 1961. – С.215 – 237.
9. Бучаала Зинеддин. Разработка и исследование непараметрических алгоритмов обнаружения разладки временных рядов: автореф. дисс. канд. техн. наук. М.: МЭИ, 2021. 21 с.
10. Орлов А.И., Шаров В.Д. Выявление отклонений в контроллинге (на примере мониторинга уровня безопасности полетов) // Научный журнал КубГАУ. 2014. № 95. С. 460-469.
11. Орлов А.И. Всегда ли нужен контроль качества продукции у поставщика? // Научный журнал КубГАУ. 2014. № 96. С. 709-724.
12. Орлов А.И. Сертификация и статистические методы (обобщающая статья) // Заводская лаборатория. Диагностика материалов. 1997. Т.63. № 3. С. 55-62.
13. Орлов А.И. Проблемы управления экологической безопасностью. Итоги двадцати лет научных исследований и преподавания. Saarbrücken: Palmarium Academic Publishing. 2012. 344 с.
14. Лойко В.И., Луценко Е.В., Орлов А.И. Высокие статистические технологии и системно-когнитивное моделирование в экологии : монография. Краснодар : КубГАУ, 2019. 258 с.
15. Гаврилова В.Д., Орлов А.И. Экологическая безопасность: подземные безоболочечные резервуары в многолетнемерзлых грунтах для захоронения отходов бурения // Научный журнал КубГАУ. 2016. № 117. С. 50–70.
16. Орлов А.И. Анализ экспертных упорядочений // Научный журнал КубГАУ. 2015. № 112. С. 21–51.
17. Орлов А.И. Организационно-экономическое моделирование : учебник : в 3 ч. Ч.2. Экспертные оценки. М.: Изд-во МГТУ им. Н. Э. Баумана, 2011. 486 с.
18. Орлов А.И. Многообразие рисков // Научный журнал КубГАУ. 2015. № 111. С. 53-80.
19. Орлов А.И. Аддитивно-мультипликативная модель оценки рисков при создании ракетно-космической техники // Научный журнал КубГАУ. 2014. № 102. С. 78–111.
20. Орлов А.И. Математические методы исследования рисков (обобщающая статья) // Заводская лаборатория. Диагностика материалов. 2021. Т.87. № 11. С. 70-80.
21. Орлов А.И. Современное состояние контроллинга рисков // Научный журнал КубГАУ. 2014. № 98. С. 933-942.
22. Гусев В.А., Орлов А.И., Розенталь А.Л. Внеклассная работа по математике в 6-8 классах. М.: Просвещение, 1977. 288 с.
23. Смольников Р.В. Практическое применение математических моделей управления запасами // Заводская лаборатория. Диагностика материалов. 2008. Т.74. №6. С. 64 - 69.
24. Орлов А.И. Оптимальный план управления запасами нельзя найти на основе формулы квадратного корня // Научный журнал КубГАУ. 2015. № 106. С. 270–300.
25. Орлов А.И. Устойчивые экономико-математические методы и модели. Разработка и развитие устойчивых экономико-математических методов и моделей для модернизации управления предприятиями. Saarbrücken (Germany), LAP (Lambert Academic Publishing), 2011. 436 с.
26. Орлов А.И. Существование асимптотически оптимальных планов в дискретных задачах динамического программирования // Научный журнал КубГАУ. 2020. №155. С. 147–163.
27. Орлов А.И. Методы принятия управленческих решений: учебник. М.: КНОРУС, 2018. 286 с.
28. Орлов А.И. Асимптотика квантования, выбор числа градаций в социологических анкетах и двухуровневая модель управления запасами // Научный журнал КубГАУ. 2016. № 123. С. 660 – 687.
29. Орлов А.И. Модель оптимизации моментов выпуска новых моделей продукции на рынок // Научный журнал КубГАУ. 2014. № 102. С. 64– 77.
30. Лойко В.И., Луценко Е.В., Орлов А.И. Современная цифровая экономика. Краснодар: КубГАУ, 2018. 508 с.
31. Указ Президента РФ от 10 октября 2019 г. № 490 "О развитии искусственного интеллекта в Российской Федерации". URL: https://www.garant.ru/products/ipo/prime/doc/72738946/ (дата обращения 21.11.2021).
32. Орлов А.И. Организационно-экономическое моделирование и искусственный интеллект в организации производства в эпоху цифровой экономики // Инновации в менеджменте. 2021. № 2(28). С. 36-45.
33. Орлов А.И. Миф ХХ века: искусственный интеллект / Подводная лодка, 2003. №11. С. 102-103.
34. Орлов А.И. Искусственный интеллект или мощный калькулятор? / Магия ПК. 2003. №3(59). С. 42-45.
35. Орлов А.И., Розенталь А.Л. ЭВМ и Неизвестные. Тринадцатилетний дедушка // Пионер. 1972. №9. С. 55-57.
36. Орлов А.И. Прикладная статистика. Учебник для вузов. М.: Экзамен, 2006. 672 с.
37. Современные проблемы кибернетики (прикладная статистика). - М.: Знание, 1981. - 64

КОНТАКТЫ
Орлов Александр Иванович, профессор, д.э.н., д.т.н., к.ф.-м.н.
Профессор кафедры ИБМ-2 "Экономика и организация производства",
зав. лабораторией "Экономико-математические методы в контроллинге"
Московского государственного технического университета им. Н.Э. Баумана
prof-orlov@mail.ru


Вернуться наверх
 Профиль  
 
 Заголовок сообщения: Re: Аннотации новых статей А.И. Орлова
СообщениеДобавлено: Сб мар 05, 2022 1:38 pm 
Не в сети

Зарегистрирован: Вт сен 28, 2004 11:58 am
Сообщений: 11577
1141. Орлов А.И. Развитие аддитивно-мультипликативной модели оценки рисков выполнения проектов / Управление научно-техническими проектами : материалы Третьей Международной научно-технической конференции (Москва, 5 апреля 2019 г.). — М.: Издательство МГТУ им. Н.Э. Баумана, 2019. — С. 305-310.
https://www.elibrary.ru/item.asp?id=41339529

УДК 629.7: 330.4:519.2

Развитие аддитивно-мультипликативной модели оценки рисков выполнения проектов

© Орлов Александр Иванович

Московский государственный технический университет им. Н.Э. Баумана
prof-orlov@mail.ru

В трехуровневой аддитивно-мультипликативной модели оценки рисков выполнения научно-исследовательских проектов на нижнем уровне оценки рисков объединяются аддитивно, на верхнем – мультипликативно. Оценки частных рисков предложено проводить с помощью нечетких чисел.
Ключевые слова: оценка риска; проекты; вероятность; экспертные процедуры, нечеткие числа.

Настоящая работа развивает идеи доклада 2018 г. [1]. Опишем основные составляющие аддитивно-мультипликативной модели оценки рисков выполнения проектов. Развитие по сравнению с [1] состоит в использовании нечетких чисел для оценки выраженности частных рисков.
Предложено большое число различных определений основных понятий теории риска [2]. Не вдаваясь в их обсуждение, выделим два базовых основных понятия – «рисковое событие» и «ущерб от осуществления рискового события». Под «рисковым событием» будем понимать возможное нежелательное событие, приводящее к отрицательным последствиям. Оно связано с определенным видом риска, может произойти или не произойти. «Ущерб от осуществления рискового события» может выражаться как в натуральных показателях (число погибших, получивших непоправимый ущерб здоровью и т.п.), так и в финансовых (оценка потерь в денежных единицах). Используют также понятие «ущерб от риска», который определен всегда, он равен 0, если «рисковое событие» не состоялось, положителен в противном случае. Тогда «ущерб от осуществления рискового события» - это «ущерб от риска» при условии, что «рисковое событие» состоялось.
Выделяют три этапа исследования риска – анализ, оценку и управление рисками. Анализ риска проводится средствами предметной области. Для оценки и управления может использоваться различный математический аппарат, основанный на одной из трех базовых теорий - теории вероятностей и математической статистике, теории нечетких множеств, интервальной математике.
Наиболее распространенный подход к исследованию риска основан на теории вероятностей и математической статистике в ситуации, когда ущерб от осуществлении рискового события выражен в денежных единицах. Тогда «рисковое событие» моделируется случайным событием с некоторой вероятностью p, а «ущерб от осуществления рискового события» – случайной величиной X (в смысле теории вероятностей).
Простейшая единая характеристика риска – это средний ущерб рМ(Х), т.е. математическое ожидание ущерба от риска (оценка риска). Под управлением риском часто понимают выбор управляющих воздействий с целью минимизации среднего ущерба. Известен ряд более сложных постановок.
Из сказанного ясна необходимость разработки методов оценки вероятности p рискового события. Оценка этой вероятности может быть как шагом к оценке среднего ущерба рМ(Х), так и представлять самостоятельную ценность для разработки практических рекомендаций по управлению риском. Для оценки вероятности p рискового события, в том числе при реализации проектов создания ракетно-космической техники, предлагаем использовать аддитивно-мультипликативную модель оценки рисков, рассматриваемую ниже. Она является достаточно общей для применений в различных предметных областях, но при этом достаточно простой и приспособленной для практических применений и расчетов.
Аддитивно-мультипликативная модель оценки рисков основана на трехуровневой иерархической схеме декомпозиции риска (общий риск - групповой риск - частный риск). При этом на нижнем уровне агрегированные оценки групповых рисков строятся аддитивно (поскольку вероятности конкретных видов нежелательных событий – частные риски нижнего уровня - малы), а на верхнем уровне итоговая оценка риска рассчитывается по групповым рискам по мультипликативной схеме.
В общем случае аддитивно-мультипликативная модель оценки риска исходит из следующих предпосылок 1 - 6.
1. Цель разработки модели – оценка риска R наступления нежелательного события. Для расчета этого риска применяем вероятностную модель, согласно которой наступление нежелательного события B является случайным событием – подмножеством множества всех возможных элементарных событий. Риск (нежелательное событие) будем обозначать R, его числовую вероятностную оценку Q. Пусть Q – вероятность наступления нежелательного события R, тогда P = 1 – Q есть вероятность того, что нежелательного события удастся избежать. Для простоты описания пусть Q – вероятность неудачи, тогда P = 1 – Q есть вероятность успеха, например, вероятность успешного выполнения инновационно-инвестиционного проекта по созданию изделия ракетно-космической техники (или его определенного этапа). В дальнейшем изложении используется двойственность Q и P (с прикладной точки зрения важна оценка риска Q, в то время как модель описывается с помощью вероятностей P).
2. Примем, что для осуществления случайного события В необходимо одновременное выполнение m независимых условий (должны одновременно осуществиться случайные события В1, В2, ..., Вт). Предполагаем, что случайные события В1, В2, ..., Вт независимы в совокупности (в терминах теории вероятностей). Тогда вероятность успеха, т.е. вероятность Р осуществления случайного события В, равна произведению вероятностей Р1, Р2, ..., Рт осуществления случайных событий В1, В2, ..., Вт, т.е. P = P1P2...Pт. Следовательно, оценка Q риска R, т.е. вероятность наступления нежелательного события, равна Q = 1 – P = 1 – P1P2...Pт.
3. Принимаем, что для осуществления i-го условия должны одновременно осуществиться случайные события Вi1, Вi2, ..., Вik(i), имеющие вероятности Pi1, Pi2, ..., Pik(i) соответственно. Здесь k(i) – число событий второго (нижнего) уровня декомпозиции, соответствующих i-му событию на первом (верхнем) уровне декомпозиции. Оценки частных рисков второго порядка Ri равны Qij = 1 – Pij , j = 1, 2, …, k(i). При моделировании предполагаем, что оценки частных рисков Qij малы, а частные вероятности успеха Pij достаточно близка к 1.
Как выразить вероятность события Bi первого уровня через вероятности событий Вi1, Вi2, ..., Вik(i) второго уровня? Рассмотрим два варианта: (А) события Вi1, Вi2, ..., Вik(i) второго уровня независимы в совокупности (и дополнительные к ним, соответствующие реализациям частных рисков, также независимы); (Б) нежелательные события (т.е. соответствующие частным рискам) несовместны.
Как показано в [1], в обоих случаях с точностью до бесконечно малых более высокого порядка
Pi = 1 – Q i = 1 – Q i1 – Q i2 – … – Q ik(i). (1)
Формула (1) означает, что оценка Qi частного риска Ri есть сумма оценок Qij частных рисков второго порядка Rij, т.е. Qi = Qi1 + Qi2 + … + Qik(i). Таким образом, два принципиально разных подхода (А) и (Б) дают одно и то же численное значение, что повышает обоснованность использования формул (1).
4. Каждый из частных рисков (факторов риска) второго порядка Rij имеет два показателя – выраженность (показывает частоту встречаемости) и весомость (насколько влияет на риск более высокого уровня). Эти показатели можно оценивать на основе различных моделей.
Рассмотрим оценку выраженности. Если есть возможность – ее целесообразно проводить по статистическим данным (как частоту реализации нежелательного события). Можно использовать экспертные оценки. При этом естественно давать оценки рисков с помощью лингвистических переменных. Например, члены экспертной комиссии оценивают риск Rij с помощью градаций лингвистической переменной Xij, выбирая ее значения из списка:
0 - практически невозможное событие (с вероятностью не более 0,01),
1 - крайне маловероятное событие (с вероятностью от 0,01 до 0,05),
2 - маловероятное событие (вероятность от 0,05 до 0,10),
3 - событие с вероятностью, которой нельзя пренебречь (от 0,10 до 0,20),
4 - достаточно вероятное событие (вероятность от 0,20 до 0,30),
5 - событие с заметной вероятностью (более 0,30).
Лингвистические переменные Xij моделируются нечеткими числами [3] с носителем {0, 1, 2, 3, 4, 5}. В этом отличие модели, рассмотренной в [1], в которой Xij - элементы множества {0, 1, 2, 3, 4, 5}. Носитель значений лингвистических переменных может меняться в соответствии с конкретной задачей оценки и управления риском.
5. В оценке Qij риска Rij можно учесть весомость (важность) этого вида риска:
Qij = AijXij, (2)
где Aij – показатель весомости (важности), например, оценка экономических потерь, вызванных данным видом риска, Xij – показатель выраженности (распространенности). Эта формула обобщает известный способ оценки риска как произведения среднего ущерба (математического ожидания ущерба) на вероятность нежелательного события.
5. В соответствии с формулами (2) и (3) имеем
Pi = 1 – Qi = 1 – Qi1 – Qi2 – … – Qik(i) =
= 1 - Аi1Хi1 - Аi2Хi2 - ... - Аik(i)Хik(i), i = 1, 2, …, m, (4)
где Хi1, Хi2,..., Хik(i) – оценки факторов риска второго порядка, используемые при вычислении оценки частного риска типа i, положительные числа Аi1, Аi2,..., Аik(i) - коэффициенты весомости (важности) этих факторов.
Значения факторов Хi1, Хi2,..., Хik(i) оценивают эксперты для каждого конкретного инновационного проекта, в то время как значения коэффициентов весомости Аi1, Аi2,..., Аik(i) задаются одними и теми же для всех проектов - по результатам специально организованного экспертного опроса. Показатели весомости Aij могут задаваться лингвистическими переменными и оцифровываться с помощью нечетких чисел.
6. Вероятность Pi должна быть неотрицательна при всех возможных значениях Хi1, Хi2,..., Хik(i). а потому сумма Аi1, Аi2,..., Аik(i) должна равняться 1/5.
Вначале была разработана аддитивно-мультипликативная модель оценки рисков выполнения инновационных проектов в вузах (с участием внешнего партнера) [4]. Затем модель рассматриваемого типа была применена для оценки рисков при выпуске нового инновационного изделия [4]. Следующие шаги - варианты аддитивно-мультипликативной модель оценки рисков при разработке ракетно-космической техники [5, 6]. Простые варианты подобных моделей разрабатываются в наших учебниках (см., например, [7]), преподаваемых дисциплинах, выпускных квалификационных работах на кафедре ИБМ-2.

Литература
1. Орлов А.И. Аддитивно-мультипликативная модель оценки рисков выполнения проектов // Управление научно-техническими проектами: матер. Второй Междунар. науч.-техн. конф. М.: Изд-во МГТУ им. Н.Э. Баумана, 2018. С. 177–182.
2. Орлов А.И. Современное состояние контроллинга рисков // Научный журнал КубГАУ. 2014. № 98. С. 933-942.
3. Птускин А.С. Нечеткие модели и методы в менеджменте. — М.: Издательство МГТУ им. Н.Э. Баумана, 2008. — 216 с.
4. Орлов А.И. Аддитивно-мультипликативная модель оценки рисков при создании ракетно-космической техники // Научный журнал КубГАУ. 2014. № 102. С. 78–111.
5. Орлов А.И., Цисарский А.Д. Особенности оценки рисков при создании ракетно-космической техники // Национальные интересы: приоритеты и безопасность. – 2013. – №43(232). – С.37 – 46.
6. Орлов А.И., Цисарский А.Д. Метод оценки рисков при создании ракетно-космической техники // Вестник МГТУ им. Н.Э. Баумана, сер. Машиностроение. 2017. № 2 (113). С. 99-107.
7. Орлов А.И. Методы принятия управленческих решений : учебник. — М.: КНОРУС, 2018. — 286 с.


Development of an aadditive-multiplicative model of project risk estimation

A. I. Orlov

Bauman Moscow State Technical University
prof-orlov@mail.ru

In the three-level additive-multiplicative model for estimating the risks of performing research projects at the lower level of risk estimations are combined additively, at the top - multiplicatively. Estimations of private risks have been proposed using fuzzy numbers.
Key words: risk estimation; projects; probability; expert procedures, fuzzy numbers.


https://www.elibrary.ru/item.asp?id=41339529


Вернуться наверх
 Профиль  
 
 Заголовок сообщения: Re: Аннотации новых статей А.И. Орлова
СообщениеДобавлено: Сб мар 12, 2022 11:26 am 
Не в сети

Зарегистрирован: Вт сен 28, 2004 11:58 am
Сообщений: 11577
1142. Орлов А.И. Статистика нечисловых данных за сорок лет (обзор) / Заводская лаборатория. Диагностика материалов. 2019. Т.85. №11. С. 69-84.
https://www.elibrary.ru/item.asp?id=41374089
https://www.zldm.ru/jour/article/view/1107
https://doi.org/10.26896/1028-6861-2019-85-11-69-84


УДК 519.2

СТАТИСТИКА НЕЧИСЛОВЫХ ДАННЫХ ЗА СОРОК ЛЕТ
(обзор)

© Александр Иванович Орлов

Сорок лет назад статистика нечисловых данных была выделена как самостоятельная область математических методов исследования. Первоначально использовался термин "статистика объектов нечисловой природы". Наш учебник по статистике нечисловых данных называется "Нечисловая статистика". Статистика нечисловых данных - одна из четырех основных областей прикладной статистики (наряду со статистикой чисел, многомерным статистическим анализом, статистикой временных рядов и случайных процессов). Статистика нечисловых данных делится на статистику в пространствах общей природы и разделы, посвященные конкретным типам нечисловых данных (статистика интервальных данных, статистика нечетких множеств, статистика бинарных отношений и др.). В настоящее время статистика в пространствах общей природы - центральная часть прикладной статистики, а включающая ее статистика нечисловых данных - основная область прикладной статистики. Это утверждение подтверждается анализом публикаций в разделе "Математические методы исследования" нашего журнала. Настоящая статья посвящена анализу основных идей статистики нечисловых данных на фоне развития прикладной статистики. Основой является новая парадигма математических методов исследования. Рассмотрены различные виды нечисловых данных. Проанализирован исторический путь статистической науки. Рассказано о развитии статистики нечисловых данных. Разобраны основные идеи статистики в пространствах общей природы: средние величины, законы больших чисел, экстремальные статистические задачи, непараметрические оценки плотности распределения вероятностей, методы классификации (диагностики и кластер-анализа), статистики интегрального типа. Кратко рассмотрены некоторые статистические методы анализа данных, лежащих в конкретных пространствах нечисловой природы: непараметрическая статистика (в подавляющем большинстве случаев реальные распределения существенно отличаются от нормальных), статистика нечетких множеств, теория экспертных оценок (медиана Кемени - это выборочное среднее экспертных упорядочений) и др. Обсуждаются некоторые нерешенные задачи статистики нечисловых данных.

Ключевые слова: математические методы исследования, прикладная статистика, нечисловые данные, статистика в пространствах обшей природы, задачи оптимизации, средние величины, законы больших чисел, непараметрические оценки плотности, статистики интегрального типа, непараметрическая статистика, экспертные оценки, нерешенные задачи.

STATISTICS OF NONNUMERIC DATA FOR FORTY YEARS
(review)

© Alexander I. Orlov

Forty years ago, the statistics of nonnumerical data was identified as an independent area of mathematical research methods. The term "statistics of objects of nonnumeric nature" was originally used. Our nonnumeric statistics textbook is called "Nonnumeric Statistics". Statistics of nonnumeric data is one of the four main areas of applied statistics (along with the statistics of numbers, multivariate statistical analysis, statistics of time series and random processes). Statistics of nonnumeric data is divided into statistics in spaces of general nature and sections devoted to specific types of nonnumerical data (statistics of interval data, statistics of fuzzy sets, statistics of binary relations, etc.). Currently, statistics in spaces of general nature is the central part of applied statistics, and the statistics of nonnumeric data that includes it is the main area of applied statistics. This statement is confirmed by the analysis of publications in the "Mathematical Methods of Research" section of our journal. This article is devoted to the analysis of the main ideas of statistics of nonnumeric data against the background of the development of applied statistics. The basis is a new paradigm of mathematical research methods. Different types of nonnumeric data are considered. The historical path of statistical science is analyzed. It is told about the development of statistics of nonnumeric data. The basic ideas of statistics in spaces of general nature are analyzed: mean values, laws of large numbers, extreme statistical problems, nonparametric estimators of the probability distribution density, classification methods (diagnostics and cluster analysis), integral type statistics. Some statistical methods for analyzing data in specific nonnumeric spaces are briefly discussed: nonparametric statistics (in most cases, real distributions are significantly different from normal), statistics of fuzzy sets, expert estimation theory (Kemeny median is a sample average of expert orderings), etc. Are discussed some unsolved problems in statistics of nonnumeric data.

Keywords: mathematical research methods, applied statistics, nonnumerical data, statistics in spaces of general nature, optimization problems, averages, laws of large numbers, nonparametric density estimates, integral type statistics, nonparametric statistics, expert estimation, unsolved problems.

Введение

В настоящее время статистика нечисловых данных - одна из четырех основных областей прикладной статистики (наряду со статистикой чисел, многомерным статистическим анализом, статистикой временных рядов и случайных процессов). Статистика нечисловых данных делится на статистику в пространствах общей природы и разделы, посвященные конкретным типам нечисловых данных (статистика интервальных данных, статистика нечетких множеств, статистика бинарных отношений и др.). Научные результаты, полученные в рамках статистики в пространствах общей природы, могут быть использованы для конкретных видов данных (например, непараметрические оценки плотности). Следовательно, статистика в пространствах общей природы - центральная часть прикладной статистики, а включающая ее статистика нечисловых данных - основная область прикладной статистики. Это утверждение подтверждается анализом публикаций в разделе "Математические методы исследования" нашего журнала. На первое место вышла именно статистика нечисловых данных. Так, за десять лет (2006 - 2015) ей посвящены 27,6% всех публикаций раздела "Математические методы исследования" нашего журнала, т.е. 63,0% статей по прикладной статистике [1].
Первоначально использовался термин "статистика объектов нечисловой природы". Он впервые появился в 1979 г. в нашей монографии [2] для обозначения совокупности некоторых полученных в ней научных результатов. В том же году в статье [3] нами была развернута программа построения этой новой области статистических методов, приведены первоначальные формулировки ряда основных теорем. Через год в «Заводской лаборатории» появилась обобщающая статья [4] пяти авторов, занимавшихся различными аспектами статистики нечисловых данных. Итоги первых десяти лет развития новой области прикладной статистики были подведены в обстоятельном обзоре [5] (120 литературных ссылок). Дальнейшее развитие было не менее плодотворным. Обзор [6] за тридцать лет содержал 150 литературных ссылок. К тридцатилетию вышел и первый учебник по нечисловой статистике [7]. Здесь использован термин "нечисловая статистика". Он представляется слишком кратким, в то время как исходный термин "статистика объектов нечисловой природы" - слишком тяжеловесным. В настоящей статье будем называть рассматриваемую область прикладной статистики "статистикой нечисловых данных". Такое название в наилучшей степени отражает ее содержание. Все три термина (статистика объектов нечисловой природы, статистика нечисловых данных, нечисловая статистика) - синонимы.
Обсудим содержание, развитие и основные идеи статистики нечисловых данных, особое внимание уделив исследованиям, опубликованным в нашем журнале (см. также сводку [1]).

Новая парадигма математических методов исследования

Появление и развитие статистики нечисловых данных знаменует переход к новой парадигме математических методов исследования.
Парадигма научная (от греч. paradeigma — пример, образец) — совокупность научных достижений, признаваемых всем научным сообществом в тот или иной период времени и служащих основой и образцом новых научных исследований. Понятие парадигмы получило широкое распространение после выхода в свет книги [8] американского историка науки Т. Куна «Структура научных революций» (1962).
Математические методы исследования используются для решения практических задач с давних времен. В Ветхом Завете рассказано о весьма квалифицированно проведенной переписи военнообязанных (Четвертая книга Моисеева "Числа"). В первой половине ХХ в. была разработана классическая парадигма методов обработки данных, полученных в результате измерений (наблюдений, испытаний, анализов, опытов). Математические методы исследования, соответствующие классической парадигме, широко используются. Со стороны может показаться, что в этой области основное давно сделано, современные работы направлены на мелкие усовершенствования. Однако это совсем не так. Новая парадигма математических методов исследования принципиально меняет прежние представления. Она зародилась в 1980-х гг., но была развита в серии наших монографий и учебников уже в XXI в. ( см. [9 - 11] и др.).
Типовые исходные данные в новой парадигме – объекты нечисловой природы (элементы нелинейных пространств, которые нельзя складывать и умножать на число, например, множества, бинарные отношения), а в старой – числа, конечномерные векторы, функции [12]. Ранее (в классической старой парадигме) для расчетов использовались разнообразные суммы, однако объекты нечисловой природы нельзя складывать, поэтому в новой парадигме применяется другой математический аппарат, основанный на расстояниях между объектами нечисловой природы и решении задач оптимизации.
Изменились постановки задач анализа данных. Старая парадигма исходит из идей начала ХХ в., когда К. Пирсон предложил четырехпараметрическое семейство распределений для описания распределений реальных данных. В это семейство как частные случаи входят, в частности, подсемейства нормальных, экспоненциальных, Вейбулла-Гнеденко, гамма-распределений. Сразу было ясно, что распределения реальных данных, как правило, не входят в семейство распределений Пирсона (об этом говорил, например, академик С.Н. Бернштейн в 1927 г. в докладе на Всероссийском съезде математиков [13]). Однако математическая теория параметрических семейств распределений (методы оценивание параметров и проверки гипотез) оказалась достаточно интересной, и именно на ней до сих пор основано преподавание во многих вузах. Итак, в старой парадигме основной подход к описанию данных - распределения из параметрических семейств, а оцениваемые величины – их параметры, в новой парадигме рассматривают произвольные распределения, а оценивают - характеристики и плотности распределений, зависимости, правила диагностики и др. Центральная часть теории – уже не статистика числовых случайных величин, а статистика в пространствах произвольной природы.
В старой парадигме источники постановок новых задач - традиции, сформировавшиеся к середине ХХ века, а в новой - современные потребности математического моделирования и анализа данных (XXI век), т.е. запросы практики. Конкретизируем это общее различие. В старой парадигме типовые результаты - предельные теоремы, в новой - рекомендации для конкретных значений параметров, в частности, объемов выборок. Изменилась роль информационных технологий – ранее они использовались в основном для расчета таблиц (в частности, информатика находилась вне математической статистики), теперь же они - инструменты получения выводов (имитационное моделирование, датчики псевдослучайных чисел, методы размножение выборок, в т.ч. бутстреп, и др.). Вид постановок задач приблизился к потребностям практики – при анализе данных от отдельных задач оценивания и проверки гипотез перешли к статистическим технологиям (технологическим процессам анализа данных). Выявилась важность проблемы «стыковки алгоритмов» - влияния выполнения предыдущих алгоритмов в технологической цепочке на условия применимости последующих алгоритмов. В старой парадигме эта проблема не рассматривалась, для новой – весьма важна.
Если в старой парадигме вопросы методологии моделирования практически не обсуждались, достаточными признавались схемы начала ХХ в., то в новой парадигме роль методологии (учения об организации деятельности) [14] является основополагающей. Резко повысилась роль моделирования – от отдельных систем аксиом произошел переход к системам моделей. Сама возможность применения вероятностного подхода теперь – не «наличие повторяющегося комплекса условий» (реликт физического определения вероятности, использовавшегося до аксиоматизации теории вероятностей А.Н. Колмогоровым в 1930-х гг.), а наличие обоснованной вероятностно-статистической модели. Если раньше данные считались полностью известными, то для новой парадигмы характерен учет свойств данных, в частности, интервальных и нечетких. Изменилось отношение к вопросам устойчивости выводов – в старой парадигме практически отсутствовал интерес к этой тематике, в новой разработана развитая теория устойчивости (робастности) выводов по отношению к допустимым отклонениям исходных данных и предпосылок моделей.
Статистика нечисловых данных развивается в соответствии с новой парадигмой математических методов исследования.

Различные виды нечисловых данных

Типичный исходный объект в прикладной статистике - это выборка, т.е. совокупность независимых одинаково распределенных случайных элементов. Какова природа этих элементов? В классической математической статистике элементы выборки - это числа. В многомерном статистическом анализе - вектора. А в статистике нечисловых данных элементы выборки - это объекты нечисловой природы, которые нельзя складывать и умножать на числа. Другими словами, объекты нечисловой природы лежат в пространствах, не имеющих векторной (линейной) структуры.
Примерами объектов нечисловой природы являются:
- значения качественных признаков, в том числе результаты кодировки объектов с помощью заданного перечня категорий (градаций);
- упорядочения (ранжировки) экспертами объектов экспертизы - образцов продукции (при оценке её технического уровня, качества и конкурентоспособности)), ее характеристик, заявок на проведение научных работ (при проведении конкурсов на выделение грантов) и т.п.;
- классификации, т.е. разбиения объектов на группы сходных между собой (кластеры);
- толерантности, т.е. бинарные отношения, описывающие сходство объектов между собой, например, сходства тематики научных работ, оцениваемого экспертами с целью рационального формирования экспертных советов внутри определенной области науки;
- результаты парных сравнений или контроля качества продукции по альтернативному признаку («годен» - «брак»), т.е. последовательности из 0 и 1;
- множества (обычные или нечеткие), например, зоны, пораженные коррозией, или перечни возможных причин аварии, составленные экспертами независимо друг от друга;
- слова, предложения, тексты;
- графы;
- вектора, координаты которых - совокупность значений разнотипных признаков, например, результат составления статистического отчета о научно-технической деятельности организации или анкета эксперта, в которой ответы на часть вопросов носят качественный характер, а на часть - количественный;
- ответы на вопросы экспертной, медицинской, маркетинговой или социологической анкеты, часть из которых носит количественный характер (возможно, интервальный), часть сводится к выбору одной из нескольких подсказок, а часть представляет собой тексты; и т.д.
Все средства измерения имеют погрешности. Однако до недавнего времени это очевидное обстоятельство никак не учитывалось в статистических процедурах. Только с конца 1970-х годов начала развиваться статистика интервальных данных, в которой предполагается, что исходные данные - это не числа, а интервалы. Статистику интервальных данных можно рассматривать как часть интервальной математики. Выводы в ней часто принципиально отличны от классических.
Различным подходам к статистическому анализу интервальных данных посвящена дискуссия [15]. В научной школе А.П. Вощинина изучены проблемы регрессионного анализа, планирования эксперимента, сравнения альтернатив и принятия решений в условиях интервальной неопределенности [16-22]. В разработанной нами асимптотической статистике интервальных данных на значения случайных величин наложены малые интервальные неопределенности (см., например, [23]). Основные результаты этого направления подробно изложены в обширных главах учебников [7, 24, 25] и монографии [26]. Кроме двух основных направлений (полученные в них недавние результаты отражены в статьях [27-29]), разрабатывались и иные подходы (см., например, [30]).
Интервальные данные можно рассматривать как частный случай нечетких множеств. Если характеристическая функция нечеткого множества равна 1 на некотором интервале и равна 0 вне этого интервала, то задание такого нечеткого множества эквивалентно заданию интервала. С методологической точки зрения важно, что теория нечетких множеств в определенном смысле сводится к теории случайных множеств. Цикл соответствующих теорем приведен в монографии [2], а также в учебниках [7, 24, 25, 31], монографии [26], недавней статье [32]. Казалось бы, много публикаций. Но приходится констатировать, что отнюдь не все специалисты знакомы с теоремами о сведении теории нечетких множеств к теории вероятностей.

Исторический путь статистической науки

Развитие статистических методов в нашей стране проанализировано в главе 2 монографии [33, с.13-21]. Дадим здесь краткую сводку, позволяющую выявить роль статистики нечисловых данных.
К 60-м годам ХХ в. в нашей стране сформировалась научно-практическая дисциплина, которую называем классической математической статистикой. Новое поколение училось теории по фундаментальной монографии шведского математика Г. Крамера [34], написанной в военные годы и впервые изданной на русском языке в 1948 г. Из прикладных руководств назовем учебник [35] и таблицы с комментариями [36].
Затем внимание многих специалистов сосредоточилось на изучении математических конструкций, используемых в статистике. Примером таких работ является монография [37]. В ней получены продвинутые математические результаты, но трудно выделить рекомендации для статистика, анализирующего конкретные данные.
Как реакция на уход в математику выделилась новая научная дисциплина - прикладная статистика. В базовом учебнике по прикладной статистике [24] в качестве рубежа, когда это стало очевидным, указан 1981 г. – дату выхода массовым тиражом (33 940 экз.) сборника [38], в названии которого использован термин «прикладная статистика». С этого времени линии развития математической статистики и прикладной статистики разошлись. Первая из этих дисциплин полностью ушла в математику, перестав интересоваться практическими делами. Вторая [24] позиционировала себя в качестве науки об обработке данных – результатов наблюдений, измерений, испытаний, анализов, опытов, обследований.
Вполне естественно, что в прикладной статистике стали развиваться математические методы и модели. Необходимость их развития вытекает из потребностей конкретных прикладных исследований. Это математизированное ядро прикладной статистики назовем теоретической статистикой. Тогда под собственно прикладной статистикой следует понимать обширную промежуточную область между теоретической статистикой и применением статистических методов в конкретных областях. В нее входят, в частности, вопросы формирования вероятностно-статистических моделей и выбора конкретных методов анализа данных (т.е. методология прикладной статистики и других статистических методов), проблемы разработки и применения информационных статистических технологий, организации сбора и анализа данных, т.е. разработки статистических технологий.
Таким образом, общая схема современной статистической науки выглядит следующим образом (от абстрактного к конкретному):
1. Математическая статистика – часть математики, изучающая статистические структуры. Сама по себе не дает рецептов анализа статистических данных, однако разрабатывает методы, полезные для использования в теоретической статистике.
2. Теоретическая статистика – наука, посвященная моделям и методам анализа конкретных статистических данных.
3. Прикладная статистика (в узком смысле) посвящена статистическим технологиям сбора и обработки данных. Она включает в себя методологию статистических методов, вопросы организации выборочных исследований, разработки статистических технологий, создания и использования статистических программных продуктов.
4. Применение статистических методов в конкретных областях (в экономике и менеджменте – эконометрика, в биологии – биометрика, в химии – хемометрия, в технических исследованиях – технометрика, в геологии, демографии, социологии, медицине, истории, и т.д.).
Часто позиции 2 и 3 вместе называют прикладной статистикой. Иногда позицию 1 именуют теоретической статистикой. Эти терминологические расхождения связаны с тем, что описанное выше развитие рассматриваемой научно-прикладной области не сразу, не полностью и не всегда адекватно отражается в сознании специалистов. Так, до сих пор выпускают учебники, соответствующие старой парадигме - уровню представлений середины ХХ века.
Примечание. Здесь мы уточнили схему внутреннего деления статистической теории, предложенную в [39]. Естественный смысл приобрели термины «теоретическая статистика» и «прикладная статистика» (в узком смысле). Однако необходимо иметь в виду, что в базовом учебнике [24] прикладная статистика понимается в широком смысле, т.е. как объединение позиций 2 и 3. К сожалению, в настоящее время невозможно отождествить теоретическую статистику с математической, поскольку последняя (как часть математики - научной специальности «теория вероятностей и математическая статистика») заметно оторвалась от задач практики.
Отметим, что математическая статистика, как и теоретическая с прикладной, заметно отличается от ведомственной науки органов официальной государственной статистики. ЦСУ, Госкомстат, Росстат применяли и применяют лишь проверенные временем приемы XIX века. Возможно, следовало бы от этого ведомства полностью отмежеваться и сменить название научной дисциплины, например, на «Анализ данных». В настоящее время компромиссным самоназванием является термин «статистические методы».
Во второй половине 80-х годов развернулось общественное движение, имеющее целью создание профессионального объединения статистиков. Аналогами являются британское Королевское статистическое общество (основано в 1834 г.) и Американская статистическая ассоциация (создана в 1839 г.). К сожалению, деятельность учрежденной в 1990 г. Всесоюзной статистической ассоциации оказалась парализованной в результате развала СССР. Среди стран СНГ наибольшую активность в настоящее время проявляют узбекские исследователи, регулярно проводящие представительные конференции по статистике и ее применениям.

О развитии статистики нечисловых данных

С 70-х годов ХХ в. в основном на основе запросов теории экспертных оценок (а также технических исследований, экономики, социологии и медицины) развивались различные направления статистики нечисловых данных. Были установлены основные связи между конкретными видами таких объектов, разработаны для них базовые вероятностные модели [40]. Сводка полученных результатов дана в монографии [2], препринте [41]. Это - предыстория статистики нечисловых данных. А история начинается с осмысления созданного, констатации [2, 3] в 1979 г. появления новой области прикладной статистики.
Следующий этап (80-е годы) - развитие статистики нечисловых данных в качестве самостоятельного научного направления в рамках математических методов исследования, ядром которого являются методы статистического анализа данных произвольной природы. Для работ этого периода характерна сосредоточенность на внутренних (внутриматематических) проблемах статистики нечисловых данных. Проводились всесоюзные конференции, выпускались монографии, сборники трудов, защищались диссертации (Орлов А.И., Пярна К.А., Рыданова Г.В., Сатаров Г.А., Трофимов В.А., Шер А.П., Шмерлинг Д.С. и др.). Наиболее представительным является сборник [42], подготовленный совместно комиссией «Статистика объектов нечисловой природы» Научного Совета АН СССР по комплексной проблеме «Кибернетика» и Институтом социологических исследований АН СССР. Конкретная информация по работам 80-х годов имеется в обзорах [5, 6].
В настоящее время в связи с активным использованием наукометрических показателей разнообразными администраторами научной деятельности распространилась преувеличенная оценка роли журналов в развитии науки. Опыт статистики нечисловых данных показывает, что естественная цепочка развития научного результата такова: тезисы доклада — тематический сборник — монография — учебник — широкое использование [43, 44]. Для развития нового направления публикации в научных журналах, вообще говоря, не обязательны. Ясно, что издание собственных журналов или завоевание позиций в уже существующих возможно лишь на этапе зрелости нового направления, но не на этапе его создания.
К 90-м годам статистика нечисловых данных с теоретической точки зрения была достаточно хорошо развита, основные идеи, подходы и методы были разработаны и изучены математически, в частности, доказано достаточно много теорем. Однако она оставалась недостаточно апробированной на практике. И в 90-е годы наступило время перейти от теоретико-статистических исследований к применению полученных результатов на практике, а также включить их в учебный процесс, что и было сделано. В 90-е годы в «Заводской лаборатории» опубликованы обзоры [5, 12, 40] по статистике объектов нечисловой природы и многочисленные конкретные исследования, рассмотренные в [6].
В 2000-е годы наиболее заметным явлением было появление развернутых изложений основных результатов статистики интервальных данных в учебниках по прикладной статистике, теории принятия решений, эконометрике (см., например, [24, 25, 31]). Был выпущен первый учебник по статистике интервальных данных [7].
В 2010-е годы представленная научной общественности новая парадигма математических методов исследования закрепила положение статистики нечисловых данных как центральной быстро растущей части современной прикладной статистики (ср. обзор [1]).

Статистика в пространствах произвольного вида

В чем принципиальная новизна статистики нечисловых данных? Для классической математической статистики характерна операция сложения. При расчете выборочных характеристик распределения (выборочное среднее арифметическое, выборочная дисперсия и др.), в регрессионном анализе и других областях этой научной дисциплины постоянно используются суммы. Математический аппарат - законы больших чисел, Центральная предельная теорема и другие теоремы - нацелены на изучение сумм. Принципиально важно, что в статистике нечисловых данных нельзя использовать операцию сложения, поскольку элементы выборки лежат в пространствах, где нет операции сложения. Методы обработки нечисловых данных основаны на принципиально ином математическом аппарате - на применении различных расстояний в пространствах объектов нечисловой природы.
Следует отметить, что в статистике нечисловых данных одна и та же математическая схема может с успехом применяться во многих прикладных областях, для анализа данных различных типов, а потому ее лучше всего формулировать и изучать в наиболее общем виде, для объектов произвольной природы.
Кратко рассмотрим несколько идей, развиваемых в статистике нечисловых данных для элементов выборок, лежащих в пространствах произвольного вида. Они нацелены на решение классических задач описания данных, оценивания, проверки гипотез - но для неклассических данных, а потому неклассическими методами.
Первой обсудим проблему определения средних величин. В рамках теории измерений удается указать вид средних величин, соответствующих тем или иным шкалам измерения [45]. Теория измерений [2, 46, 47], в середине ХХ в. рассматривавшаяся как часть математического обеспечения психологии, к настоящему времени признана общенаучной дисциплиной. Проблемы теории измерений постоянно рассматриваются в разделе "Математические методы исследования" [48-51].
В классической математической статистике средние величины вводят с помощью операций сложения (выборочное среднее арифметическое, математическое ожидание) или упорядочения (выборочная и теоретическая медианы). В пространствах произвольной природы средние значения нельзя определить с помощью операций сложения или упорядочения. Теоретические и эмпирические средние приходится вводить как решения экстремальных задач. Теоретическое среднее определяется как решение задачи минимизации математического ожидания (в классическом смысле) расстояния от случайного элемента со значениями в рассматриваемом пространстве до фиксированной точки этого пространства (минимизируется указанная функция от этой точки). Для получения эмпирического среднего математическое ожидание берется по эмпирическому распределению, т.е. берется сумма расстояний от некоторой точки до элементов выборки и затем минимизируется по этой точке (примером является медиана Кемени [52], методам нахождения которой посвящены недавние работы [53, 54, 55]). При этом как эмпирическое, так и теоретическое средние как решения экстремальных задач могут быть не единственными элементами рассматриваемого пространства, а являться некоторыми множествами таких элементов. Они могут оказаться и пустыми. Тем не менее удалось сформулировать и доказать законы больших чисел для средних величин, определенных указанным образом, т.е. установить сходимость (в специально определенном смысле) эмпирических средних к теоретическим [7, 56, 57].
Оказалось, что методы доказательства законов больших чисел допускают существенно более широкую область применения, чем та, для которой они были разработаны. А именно, удалось изучить [7, 58] асимптотику решений экстремальных статистических задач, к которым, как известно, сводится большинство постановок прикладной статистики. В частности, кроме законов больших чисел установлена и состоятельность оценок минимального контраста, в том числе оценок максимального правдоподобия и робастных оценок. К настоящему времени подобные оценки изучены также и в статистике интервальных данных. Полученные результаты относительно асимптотики решений экстремальных статистических задач применяются, например, в работах [59-61].
В статистике в пространствах произвольного вида большую роль играют непараметрические оценки плотности распределения вероятностей, используемые, в частности, в различных алгоритмах регрессионного, дискриминантного, кластерного анализов. В статистике нечисловых данных предложен и изучен ряд типов непараметрических оценок плотности в пространствах произвольной природы, в том числе в дискретных пространствах [73-75]. В частности, доказана их состоятельность, изучена скорость сходимости и установлен (для ядерных оценок плотности) примечательный факт совпадения наилучшей скорости сходимости в произвольном пространстве с той, которая имеет быть в классической теории для числовых случайных величин [74].
Введем обозначения. Пусть (Z, A) – измеримое пространство, p и q – сигма-конечные меры на (Z, A), причем p абсолютно непрерывна относительно q, т.е. из q(B) = 0 следует p(B) = 0 для любого множества B из сигма-алгебры A. В этом случае на (Z, A) существует неотрицательная измеримая функция f(x) такая, что
(1)
для любого множества C из сигма-алгебры измеримых множеств A. Функция f(x) называется производной Радона - Никодима меры q по мере p, а в случае, когда q - вероятностная мера, также плотностью вероятности q по отношению к мере p [62, с.460].
Пусть X1, X2 ,…, Xn – независимые одинаково распределенные случайные элементы (величины), распределение которых задается вероятностной мерой q. В статьях [63, 64] нами введено несколько видов непараметрических оценок плотности вероятности q по выборке X1, X2 ,…, Xn. Подробнее изучены линейные оценки. В статьях [65, 66] рассмотрены их частные случаи – ядерные оценки плотности в пространствах произвольной природы. В статьях [67, 68] асимптотическая теория ядерных оценок плотности развита, прежде всего, для нужд статистики конкретных видов объектов нечисловой природы, в которой основной интерес представляют конечные пространства Z. Мера p при этом не непрерывная, а дискретная, например, считающая. Таким образом, в рамках единого подхода удается рассмотреть оценки плотностей и оценки вероятностей.
В предположении непрерывности неизвестной плотности f(x) представляется целесообразным «размазать» каждый атом эмпирической меры, т.е. рассмотреть линейные оценки, введенные в нашей первой работе по нечисловой статистике [3, с.24]:
(2)
в которых действительнозначные функции gn удовлетворяют некоторым условиям регулярности.
Пусть d – показатель различия (синоним - мера близости) на Z [4] (в наиболее важных частных случаях – метрика на Z). В [69] нами введены ядерные оценки плотности – оценки вида (2) с
(3)
где K = K(u) – ядро (ядерная функция), hn – последовательность положительных чисел (показателей размытости), b(hn, x) – нормировочный множитель. В [70] линейные оценки (2) с функциями gn из (3) названы нами «обобщенными оценками типа Парзена-Розенблатта», т.к. в частном случае Z = R1, d(x, Xi) = | x - Xi |, b(hn, x) = hn они переходят в известные оценки, введенные Розенблаттом [71] и Парзеном [72].
Цель статей [73, 74] - завершение цикла работ, посвященного математическому изучению асимптотических свойств различных видов непараметрических оценок плотности распределения вероятности в пространствах общей природы. Изучен средний квадрат ошибки ядерной оценки плотности. С целью максимизации порядка его убывания обоснован выбор ядерной функции и последовательности показателей размытости. Основные понятия - круговая функция распределения и круговая плотность. Порядок сходимости в общем случае тот же, что и при оценивании плотности числовой случайной величины [75], но основные условия наложены не на плотность случайной величины, а на круговую плотность. Далее рассматриваем другие виды непараметрических оценок плотности - гистограммные оценки и оценки типа Фикс-Ходжеса. Затем изучаем непараметрические оценки регрессии и их применение для решения задач дискриминантного анализа в пространстве общей природы
Дискриминантный, кластерный, регрессионный анализы в пространствах произвольной природы основаны либо на параметрической теории - и тогда применяется подход, связанный с асимптотикой решения экстремальных статистических задач - либо на непараметрической теории - и тогда используются алгоритмы на основе непараметрических оценок плотности.
Для анализа нечисловых, в частности, экспертных данных весьма важны методы классификации [76 - 78]. Интересно движение мысли в обратном направлении - наиболее естественно ставить и решать задачи классификации, основанные на использовании расстояний или показателей различия, именно в рамках статистики объектов нечисловой природы (а не, скажем, многомерного статистического анализа). Это касается как распознавания образов с учителем (другими словами, дискриминантного анализа), так и распознавания образов без учителя (т.е. кластерного анализа). Аналогичным образом задачи многомерного шкалирования, т.е. визуализации данных [79 - 81], также естественно отнести к статистике объектов нечисловой природы. Важны методы оценки истинной размерности признакового пространства [82].
Отметим несколько конкретных научных результатов математической теории классификации. В задачах диагностики (дискриминантного анализа), как следует из леммы Неймана-Пирсона, целесообразно строить алгоритмы на основе отношения непараметрических оценок плотностей распределения вероятностей, соответствующих классам [83]. Установлено, что наилучшим показателем качества алгоритма диагностики является прогностическая сила [84]. Устойчивость классификации относительно выбора метода кластер-анализа обосновывает вывод о реальности кластеров [85]. И т.д. (см. соответствующий раздел в обзоре [1]).
Для проверки гипотез в пространствах нечисловой природы могут быть использованы статистики интегрального типа [3, 86], в частности, типа омега-квадрат [87, 88]. Отметим, что предельная теория таких статистик, построенная первоначально в классической постановке, приобрела естественный (завершенный, изящный) вид именно для пространств произвольного вида [89, 90], поскольку при этом удалось провести рассуждения, опираясь на базовые математические соотношения, а не на те частные (с общей точки зрения), что были связаны с конечномерным пространством.

О некоторых областях статистики нечисловых данных

Кратко рассмотрим некоторые статистические методы анализа данных [91], лежащих в конкретных пространствах нечисловой природы.
Непараметрическая статистика – это прежде всего ранговая статистика, т.е. основанная на рангах – номерах элементов выборок в вариационных рядах. Ранги измерены в порядковых шкалах, а значения ранговых статистик инвариантны относительно любых строго возрастающих преобразований - допустимых преобразований в таких шкалах. Непараметрическая статистика позволяет делать статистические выводы, оценивать характеристики и плотность распределения, проверять статистические гипотезы без слабо обоснованных предположений о том, что функция распределения элементов выборки входит в то или иное параметрическое семейство. Например, широко распространена вера в то, что статистические данные часто подчиняются нормальному распределению. Математики думают, что это - экспериментальный факт, установленный в прикладных исследованиях. Прикладники уверены, что математики доказали нормальность результатов наблюдений. Между тем анализ конкретных результатов наблюдений, в частности, погрешностей измерений, приводит всегда к одному и тому же выводу - в подавляющем большинстве случаев реальные распределения существенно отличаются от нормальных. На этот объективный факт обращал внимание В.В. Налимов в своей классической монографии [92]. Научная школа метролога П.В. Новицкого многочисленными экспериментами подтвердила отсутствие нормальности погрешностей измерений [93]. Опубликованная в «Заводской лаборатории» сводка [94] (см. также [95]) включена в учебники [24, 31]. В [96] установлено, что по выборкам объемов 6-50, как правило, не удается отличить нормальное распределение от других видов распределений.
Некритическое использование гипотезы нормальности часто приводит к значительным ошибкам, например, при отбраковке резко выделяющихся результатов наблюдений (выбросов), при статистическом контроле качества и в других случаях [24]. Поэтому целесообразно использовать непараметрические методы, в которых на функции распределения результатов наблюдений наложены лишь весьма слабые требования. Обычно предполагается лишь их непрерывность. К настоящему времени с помощью непараметрических методов можно решать практически тот же круг задач, что ранее решался параметрическими методами. Примеры - оценивание характеристик распределения [97] и проверке гипотезы однородности для независимых [87, 99 - 100] и связанных [88] выборок). Однако эта информация еще не вошла в массовое сознание. До сих пор тупиковой тематике параметрической статистики посвящены обширные разделы учебников и программных продуктов.
Современное состояние непараметрической статистики проанализировано в [101, 102]. Эта область исследований продолжает активно развиваться. Отметим научные результаты как внутри неё [103, 104], так и на стыке с другими областями [105, 106].
Представляют практический интерес результаты, связанные с конкретными областями статистики объектов нечисловой природы, в частности, со статистикой нечетких множеств [107] и со статистикой случайных множеств (напомним, что теория нечетких множеств в определенном смысле сводится к теории случайных множеств [32]), с непараметрической теорией парных сравнений и люсианов (бернуллиевских бинарных векторов) [108], с аксиоматическим введением метрик в конкретных пространствах объектов нечисловой природы [109], а также с рядом других конкретных постановок.
Результаты контроля штучной продукции по альтернативному признаку представляют собой последовательности из 0 и 1 – объекты нечисловой природы (люсианы), а потому теорию статистического контроля относят к статистике нечисловых данных [5, 6]. Постоянно публикуем работы по этой тематике, предназначенные для специалистов по статистическим методам управления качеством продукции [110 - 112].
Статистика нечисловых данных порождена потребностями практики, прежде всего в области экспертных оценок. Можно констатировать, что анализ экспертных оценок [113] - это прикладное «зеркало» общей теории. Решения задач теории экспертных оценок обобщались в статистике нечисловых данных. При движении мысли в обратном направлении результаты статистики в пространствах общей природы интерпретировались для анализа экспертных оценок. Как и для статистики нечисловых данных в целом, публикации шли по траектории: тезисы доклада — тематический сборник — монография — учебник — широкое использование [43, 44]. Вполне естественно, что названия сборников трудов неформального научного коллектива, развивающего статистику нечисловых данных, начинались со слов «Экспертные оценки» [114 - 117]. Отметим, что публикации в журналах не сыграли значительной роли в развитии рассматриваемых научных направлений. Обзор развития экспертных технологий в нашей стране дан в статьях [118 - 120].
Вопросы внедрения математических методов исследования всегда были в центре внимания журнала «Заводская лаборатория. Диагностика материалов» [121 - 123]. Подчеркивалось большое теоретическое и прикладное значение статистики нечисловых данных [124], необходимость перехода от отдельных методов анализа данных к разработке высоких статистических технологий [125, 126] и использования современных систем внедрения математических методов, таких как система «Шесть сигм» и ее аналоги [127]. Обсуждались проблемы программного обеспечения [128-131]. Однако приходится констатировать, что создание линейки современных программных продуктов по статистике нечисловых данных – пока дело будущего.

Нерешенные задачи статистики нечисловых данных

Начнем с обсуждения влияния отклонений от традиционных предпосылок. В вероятностной теории статистических методов выборка обычно моделируется как конечная последовательность независимых одинаково распределенных случайных величин или векторов. В устаревшей парадигме середины ХХ в. часто предполагают, что эти величины (вектора) имеют нормальное распределение.
При внимательном взгляде совершенно ясна нереалистичность приведенных классических предпосылок. Независимость результатов измерений обычно принимается «из общих предположений», между тем во многих случаях очевидна их коррелированность. Одинаковая распределенность также вызывает сомнения из-за изменения во времени свойств измеряемых образцов, средств измерения и психофизического состояния специалистов, проводящих измерения (испытания, анализы, опыты). Даже обоснованность самого применения вероятностных моделей иногда вызывает сомнения, например, при моделировании уникальных измерений (согласно классическим воззрениям, теорию вероятностей обычно привлекают при изучении массовых явлений). И уж совсем редко распределения результатов измерений можно считать нормальными [24, 31].
Итак, методы классической математической статистики обычно используют вне сферы их обоснованной применимости. Какова влияние отклонений от традиционных предпосылок на статистические выводы? В настоящее время об этом имеются лишь отрывочные сведения. Так, три примера в статье [6] показывают весь спектр возможных свойств классических расчетных методов в случае отклонения от нормальности. Методы построения доверительного интервала для математического ожидания оказываются вполне пригодными при таких отклонениях. Методы проверки однородности двух независимых выборок с помощью двухвыборочного критерия Стьюдента пригодны в некоторых случаях. В задаче отбраковки (исключения) резко выделяющихся наблюдений (выбросов) расчетные методы, основанные на нормальности, оказались полностью непригодными.
Итак, имеется необходимость изучения свойств расчетных методов классической математической статистики, опирающихся на предположение нормальности, в ситуациях, когда это предположение не выполнено. Аппаратом для такого изучения наряду с методом Монте-Карло могут послужить предельные теоремы теории вероятностей, прежде всего ЦПТ, поскольку интересующие нас расчетные методы обычно используют разнообразные суммы. Пока подобное изучение не проведено, остается неясной научная ценность, например, применения основанного на предположении многомерной нормальности факторного анализа к векторам из переменных, принимающих небольшое число градаций и к тому же измеренных в порядковой шкале.
Нерешенным проблемам статистики посвящены статьи [132, 133]. Одна из важных проблем - использование асимптотических результатов при конечных объемах выборок. Конечно, естественно изучить свойства алгоритма с помощью метода Монте-Карло. Однако из какого конкретного распределения брать выборки при моделировании? От выбора распределения зависит результат. Кроме того, датчики псевдослучайных чисел лишь имитируют случайность. До сих пор неизвестно, каким датчиком целесообразно пользоваться в случае возможного безграничного роста размерности пространства. В нашем журнале продолжается дискуссия, начатая статьями [134, 135].
Другая проблема – обоснование выбор одного из многих критериев для проверки конкретной гипотезы. Например, для проверки однородности двух независимых выборок можно использовать критерии Стьюдента, Крамера-Уэлча, Лорда, хи-квадрат, Вилкоксона (Манна-Уитни), Ван-дер-Вардена, Сэвиджа, Н.В. Смирнова, типа омега-квадрат (Лемана-Розенблатта), Реньи, Г.В.Мартынова и др. [87, 103]. Какой выбрать?
Критерии однородности проанализированы в [136]. Естественных подходов к сравнению критериев несколько - на основе асимптотической относительной эффективности по Бахадуру, Ходжесу-Леману, Питмену. И каждый из перечисленных критериев является оптимальным при соответствующей альтернативе или подходящем распределении на множестве альтернатив. При этом математические выкладки обычно используют альтернативу сдвига, сравнительно редко встречающуюся в практике анализа реальных статистических данных. Итог печален - блестящая математическая техника, продемонстрированная в [136], не позволяет дать рекомендации для выбора критерия проверки однородности при анализе реальных данных.
Проблемы разработки высоких статистических технологий поставлены в [125, 126] (см. также одноименный сайт http://orlovs.pp.ru). Используемые при обработке реальных данных статистические технологии состоят из последовательности операций, каждая из которых, как правило, хорошо изучена, поскольку сводится к оцениванию (параметров, характеристик, распределений) или проверке той или иной гипотезы. Однако статистические свойства результатов обработки, полученных в результате последовательного применения таких операций, мало изучены [137]. Необходима теория, позволяющая изучать свойства статистических технологий и так их конструировать, чтобы обеспечить высокое качество обработки данных.
В заключение отметим, что развернутое описание статистики нечисловых данных дано в монографиях [7, 24, 31]. При дальнейшем развитии исследований важно опираться на современную методологию [14, 138].

ЛИТЕРАТУРА

1. Орлов А. И. Развитие математических методов исследования (2006 – 2015 гг.) / Заводская лаборатория. Диагностика материалов. 2017. Т.83. №1. Ч.1. С. 78-86.
2. Орлов А. И. Устойчивость в социально-экономических моделях. – М. : Наука, 1979. – 296 с.
3. Орлов А. И. Статистика объектов нечисловой природы и экспертные оценки / Экспертные оценки. Вопросы кибернетики. Вып.58. - М.: Научный Совет АН СССР по комплексной проблеме «Кибернетика», 1979. С. 17-33.
4. Тюрин Ю. Н., Литвак Б. Г., Орлов А. И., Сатаров Г. А., Шмерлинг Д. С. Анализ нечисловой информации / Заводская лаборатория. 1980. Т.46. №10. С. 931-935.
5. Орлов А. И. Статистика объектов нечисловой природы (Обзор) / Заводская лаборатория. Диагностика материалов. 1990. Т.56. №3. С. 76-83.
6. Орлов А. И. Тридцать лет статистики объектов нечисловой природы (обзор) / Заводская лаборатория. Диагностика материалов. 2009. Т.75. №5. С. 55-64.
7. Орлов А. И. Организационно-экономическое моделирование. Часть 1. Нечисловая статистика. – М.: Изд-во МГТУ им. Н.Э. Баумана, 2009. – 544 с.
8. Кун Т. Структура научных революций. М.: АСТ, 2003. — 605 с.
9. Орлов А. И. Новая парадигма прикладной статистики / Заводская лаборатория. Диагностика материалов. 2012. Т.78. №1, часть I. С. 87-93.
10. Орлов А. И. Новая парадигма математических методов исследования / Заводская лаборатория. Диагностика материалов. 2015. Т.81. №7 С. 5-5.
11. Орлов А. И. О новой парадигме математических методов исследования / Научный журнал КубГАУ. 2016. №122. С. 807–832.
12. Орлов А. И. Объекты нечисловой природы / Заводская лаборатория. Диагностика материалов. 1995. Т.61. №3. С.43-52.
13. Бернштейн С. Н. Современное состояние теории вероятностей и ее приложений / Труды Всероссийского съезда математиков в Москве 27 апреля - 4 мая 1927 г. - М.-Л.: ГИЗ, 1928. С.50-63.
14. Новиков А. М., Новиков Д. А. Методология. – М.: СИНТЕГ, 2007. – 668 с.
15. Дискуссия по анализу интервальных данных / Заводская лаборатория. 1990. Т.56. №7. С.75-95.
16. Вощинин А. П. Метод оптимизации объектов по интервальным моделям целевой функции. - М.: МЭИ, 1987. - 109 с.
17. Вощинин А. П., Сотиров Г. Р. Оптимизация в условиях неопределенности. — М.: МЭИ, София: Техника, 1989. — 224 с.
18. Вощинин А. П., Акматбеков Р. А. Оптимизация по регрессионным моделям и планирование эксперимента. - Бишкек: Изд-во «Илим», 1991. - 164 с.
19. Вощинин А. П. Метод анализа данных с интервальными ошибками в задачах проверки гипотез и оценивания параметров неявных линейно параметризованных функций / Заводская лаборатория. Диагностика материалов. 2000. Т.66. №3. С.51 – 64.
20. Вощинин А. П. Интервальный анализ данных: развитие и перспективы / Заводская лаборатория. Диагностика материалов. 2002. Т.68. №1. С. 118-126.
21. Вощинин А. П., Бронз П. В. Построение аналитических моделей по данным вычислительного эксперимента в задачах анализа чувствительности и оценки экономических рисков / Заводская лаборатория. Диагностика материалов. 2007. №1. С.101 – 109.
22. Вощинин А. П., Скибицкий Н. В. Интервальный подход к выражению неопределенности измерений и калибровке цифровых измерительных систем / Заводская лаборатория. Диагностика материалов. 2007. Т.73. №11. С.66 – 71.
23. Гуськова Е. А., Орлов А. И. Интервальная линейная парная регрессия (обобщающая статья)/ Заводская лаборатория. Диагностика материалов. 2005. Т.71. №3. С.57-63.
24. Орлов А. И. Прикладная статистика. - М.: Экзамен, 2006. - 671 с.
25. Орлов А. И. Теория принятия решений.– М.: Экзамен, 2006. – 576 с.
26. Орлов А. И., Луценко Е. В. Системная нечеткая интервальная математика. – Краснодар, КубГАУ. 2014. – 600 с.
27. Орлов А. И. Статистика интервальных данных (обобщающая статья) / Заводская лаборатория. Диагностика материалов. 2015. Т. 81. № 3. С. 61 - 69.
28. Скибицкий Н. В., Севальнев Н. В. Интервальные модели в задачах оптимального управления с дифференциальными связями // Заводская лаборатория. Диагностика материалов. 2015. Т.81. № 11. С. 73-80.
29. Скибицкий Н. В. Построение прямых и обратных статических характеристик объектов по интервальным данным / Заводская лаборатория. Диагностика материалов. 2017. Т.83. №1. Ч.1. С. 87-93.
30. Таранцев А. А. О связи интервального анализа с теорией вероятностей / Заводская лаборатория. 2004. Т.70. №3. С.60 – 65.
31. Орлов А. И. Эконометрика. - М.: Экзамен, 2002. – 576 с.
32. Орлов А. И. Теория нечетких множеств – часть теории вероятностей / Научный журнал КубГАУ. 2013. № 92. С. 51-60.
33. Орлов А. И., Луценко Е. В., Лойко В. И. Организационно-экономическое, математическое и программное обеспечение контроллинга, инноваций и менеджмента: монография / под общ. ред. С. Г. Фалько. – Краснодар : КубГАУ, 2016. – 600 с.
34. Крамер Г. Математические методы статистики. - М.: Мир, 1975. - 648 с.
35. Смирнов Н. В., Дунин-Барковский И. В. Курс теории вероятностей и математической статистики для технических приложений. Изд. 3-е, стереотипное. – М.: Наука, 1969. – 512 с.
36. Большев Л. Н., Смирнов Н. В. Таблицы математической статистики / 3-е изд.- М.: Наука, 1983. - 416 с. (1-е изд. – 1965).
37. Каган А. М., Линник Ю. В., Рао С. Р. Характеризационные задачи математической статистики. - М.: Наука, 1972. - 656 с.
38. Современные проблемы кибернетики (прикладная статистика). - М.: Знание, 1981. – 64 с.
39. Орлов А. И. О перестройке статистической науки и её применений / Вестник статистики. 1990. № 1. С.65 – 71.
40. Орлов А. И. Вероятностные модели конкретных видов объектов нечисловой природы / Заводская лаборатория. Диагностика материалов. 1995. Т.61. №5. С.43-51.
41. Тюрин Ю. Н., Литвак Б. Г., Орлов А. И., Сатаров Г. А., Шмерлинг Д. С. Анализ нечисловой информации. - М.: Научный Совет АН СССР по комплексной проблеме «Кибернетика», 1981. - 80 с.
42. Андреенков В. Г., Орлов А. И., Толстова Ю. Н. (ответственные редакторы). Анализ нечисловой информации в социологических исследованиях. - М.: Наука, 1985. - 220 с.
43. Орлов А. И. Критерии выбора показателей эффективности научной деятельности / Контроллинг. – 2013. – №3(49). – С.72-78.
44. Лойко В. И., Луценко Е. В., Орлов А. И. Современные подходы в наукометрии. – Краснодар: КубГАУ, 2017. – 532 с.
45. Орлов А. И. Характеризация средних величин шкалами измерения / Научный журнал КубГАУ. 2017. №134. С. 877 – 907.
46. Психологические измерения. Сб. статей. - М.: Мир, 1967. - 196 с.
47. Пфанцагль И. Теория измерений. - М.: Мир, 1976. - 248 с.
48. Толстова Ю. Н. Краткая история развития репрезентативной теории измерений / Заводская лаборатория. Диагностика материалов. 1999. Т.65. №3. С. 49 - 56.
49. Орлов А. И. Репрезентативная теория измерений и ее применения / Заводская лаборатория. Диагностика материалов. 1999. Т.65. №3. С. 57-62.
50. Барский Б. В., Соколов М. В. Средние величины, инвариантные относительно допустимых преобразований шкалы измерения / Заводская лаборатория. Диагностика материалов. 2006. Т.72. №1. С.59 – 66.
51. Орлов А. И. Математические методы исследования и теория измерений / Заводская лаборатория. Диагностика материалов. 2006. Т.72. №1. С.67-70.
52. Кемени Дж., Снелл Дж. Кибернетическое моделирование: Некоторые приложения. – М.: Советское радио, 1972. – 192 с.
53. Жуков М. С., Орлов А. И. Использование экспертных ранжировок при расчетах кредитного риска в банке / Инновации в менеджменте. 2017. № 1. C.18-25.
54. Жуков М. С., Орлов А. И. Задача исследования итогового ранжирования мнений группы экспертов с помощью медианы Кемени / Научный журнал КубГАУ. 2016. № 122. С. 785 – 806.
55. Жуков М. С., Орлов А. И., Фалько С. Г. Экспертные оценки в рисках / Контроллинг. 2017. №4 (66). С. 24-27.
56. Орлов А. И. Средние величины и законы больших чисел в пространствах произвольной природы / Научный журнал КубГАУ. 2013. № 89. С. 556 – 586.
57. Орлов А. И. О средних величинах / Управление большими системами. Выпуск 46. М.: ИПУ РАН, 2013. С.88-117.
58. Орлов А. И. Предельная теория решений экстремальных статистических задач / Научный журнал КубГАУ. 2017. №133. С. 579 – 600.
59. Орлов А. И. Методы поиска наиболее информативных множеств признаков в регрессионном анализе / Заводская лаборатория. Диагностика материалов. 1995. Т.61. №1. С. 56-58.
60. Орлов А. И. Асимптотическое поведение решений экстремальных статистических задач / Заводская лаборатория. Диагностика материалов. 1996. Т.62. №10. С. 45-46.
61. Тырсин А. Н. Робастное построение линейных регрессионных моделей по экспериментальным данным / Заводская лаборатория. Диагностика материалов. 2005. Т.71. №11. С. 53 – 58.
62. Вероятность и математическая статистика: Энциклопедия / Гл. ред. Ю.В. Прохоров. – М.: Большая Российская Энциклопедия, 1999. – 910 с.
63. Орлов А. И. Оценки плотности в пространствах произвольной природы // Статистические методы оценивания и проверки гипотез: межвуз. сб. науч. тр. / Перм. гос. нац. иссл. ун-т. – Пермь, 2013. Вып. 25. С.21-33.
64. Орлов А. И. Оценки плотности распределения вероятностей в пространствах произвольной природы / Научный журнал КубГАУ. 2014. № 99. С. 15-32.
65. Орлов А. И. Ядерные оценки плотности в пространствах произвольной природы // Статистические методы оценивания и проверки гипотез: межвуз. сб. науч. тр. / Перм. гос. нац. иссл. ун-т. – Пермь, 2015. Вып. 26. С. 43-57.
66. Орлов А. И. Предельные теоремы для ядерных оценок плотности в пространствах произвольной природы / Научный журнал КубГАУ. 2015. № 108. С. 316 – 333.
67. Орлов А. И. Непараметрические ядерные оценки плотности вероятности в дискретных пространствах / Научный журнал КубГАУ. 2016. № 122. С. 833 –855.
68. Орлов А. И. Ядерные оценки плотности в конечных пространствах / Статистические методы оценивания и проверки гипотез: межвуз. сб. науч. тр. / Перм. гос. нац. иссл. ун-т. – Пермь, 2016. – Вып. 27. – С. 24-37.
69. Орлов А. И. Статистика объектов нечисловой природы / Теория вероятностей и ее применения. 1980. Т.XXV. № 3. С. 655-656.
70. Орлов А. И. Непараметрические оценки плотности в топологических пространствах // Прикладная статистика. Ученые записки по статистике, т.45. – М.: Наука, 1983. – С. 12-40.
71. Rosenblatt M. Remarks on some nonparametric estimates of a density function / Ann. Math. Statist. 1956. V.27. N 5. P. 832 – 837.
72. Parzen E. On estimation of a probability density function and mode / Ann. Math. Statist. 1962. V.33. N 6. P. 1065-1076.
73. Орлов А. И. Асимптотика оценок плотности распределения вероятностей / Научный журнал КубГАУ. 2017. № 131. С. 845 – 873.
74. Орлов А. И. Скорость сходимости ядерных оценок плотности в пространствах произвольной природы / Статистические методы оценивания и проверки гипотез: межвуз. сб. науч. тр. / Перм. гос. нац. иссл. ун-т. - Пермь, 2018. - Вып.28. - С. 35-45.
75. Ибрагимов И. А., Хасьминский Р. З. Асимптотическая теория оценивания. – М.: Наука, 1979. – 528 с.
76. Орлов А. И. О развитии математических методов теории классификации / Заводская лаборатория. Диагностика материалов. 2009. Т.75. №7. С.51-63.
77. Орлов А. И., Толчеев В. О. Об использовании непараметрических статистических критериев для оценки точности методов классификации (обобщающая статья) / Заводская лаборатория. Диагностика материалов. 2011. Т.77. №3. С.58-66.
78. Орлов А. И. Три основных результата математической теории классификации // Заводская лаборатория. Диагностика материалов. 2016. Т.82. №5. С. 63-70.
79. Перекрест В. Т. Нелинейный типологический анализ социально-экономической информации: Математические и вычислительные методы. - Л.: Наука, 1983. - 176 с.
80. Терехина А. Ю. Анализ данных методами многомерного шкалирования. - М.: Наука, 1986. - 168 с.
81. Лагутин М. Б. Визуальное представление тесноты связей / Заводская лаборатория. Диагностика материалов. 2005. Т.71. №7. С.53 – 57.
82. Луценко Е. В., Орлов А. И. Методы снижения размерности пространства статистических данных / Научный журнал КубГАУ. 2016. № 119. С. 92–107.
83. Орлов А. И. Математические методы исследования и диагностика материалов (Обобщающая статья) / Заводская лаборатория. Диагностика материалов. 2003. Т.69. №3. С.53-64.
84. Орлов А. И. Прогностическая сила – наилучший показатель качества алгоритма диагностики / Научный журнал КубГАУ. 2014. № 99. С. 33-–49.
85. Орлов А. И. Устойчивость классификации относительно выбора метода кластер-анализа / Заводская лаборатория. Диагностика материалов. 2013. Т.79. №1. С.68-71.
86. Орлов А. И. Асимптотическое поведение статистик интегрального типа / Доклады АН СССР. 1974. Т.219. №4. С. 808-811.
87. Орлов А. И. О проверке однородности двух независимых выборок / Заводская лаборатория. Диагностика материалов. 2003. Т.69. №1. С.55-60.
88. Орлов А.И. Методы проверки однородности связанных выборок / Заводская лаборатория. Диагностика материалов. 2004. Т.70. №7. С.57-61.
89. Орлов А. И. Асимптотическое поведение статистик интегрального типа / Вероятностные процессы и их приложения. Межвузовский сборник научных трудов. - М.: МИЭМ, 1989. - С. 118-123.
90. Орлов А. И. Предельная теория непараметрических статистик / Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета. 2014. № 100. С. 31-52.
91. Орлов А. И. Организационно-экономическое моделирование : учебник : в 3 ч. Ч.3. Статистические методы анализа данных. - М.: Изд-во МГТУ им. Н.Э. Баумана, 2012. - 624 с.
92. Налимов В. В. Применение математической статистики при анализе вещества. – М.: Физматгиз, 1960. – 430 с.
93. Новицкий П. В., Зограф И. А. Оценка погрешностей результатов измерений. – Л.: Энергоатомиздат, 1985. – 248 с.
94. Орлов А. И. Часто ли распределение результатов наблюдений является нормальным? / Заводская лаборатория. 1991. Т.57. №7. С.64-66.
95. Орлов А. И. Распределения реальных статистических данных не являются нормальными / Научный журнал КубГАУ. 2016. № 117. С. 71–90.
96. Селезнев В. Д., Денисов К. С. Исследование свойств критериев согласия функции распределения данных с гауссовой методом Монте-Карло для малых выборок / Заводская лаборатория. Диагностика материалов. 2005. Т.71. №1. С.68 - 73
97. Орлов А. И. Непараметрическое точечное и интервальное оценивание характеристик распределения / Заводская лаборатория. Диагностика материалов. 2004. Т.70. №5. С.65-70.
98. Орлов А. И. Проверка статистической гипотезы однородности математических ожиданий двух независимых выборок: критерий Крамера-Уэлча вместо критерия Стьюдента / Научный журнал КубГАУ. 2015. № 110. С. 197–218.
99. Орлов А. И. Двухвыборочный критерий Вилкоксона – анализ двух мифов / Научный журнал КубГАУ. 2014. № 104. С. 91 – 111.
100. Орлов А. И. Состоятельные критерии проверки абсолютной однородности независимых выборок / Заводская лаборатория. Диагностика материалов. 2012. Т.78. №11. С.66-70.
101. Орлов А. И. Структура непараметрической статистики (обобщающая статья) / Заводская лаборатория. Диагностика материалов. 2015. Т.81. №7. С. 62-72.
102. Орлов А. И. Современное состояние непараметрической статистики / Научный журнал КубГАУ. 2015. № 106. С. 239 – 269.
103. Орлов А. И. Реальные и номинальные уровни значимости при проверке статистических гипотез / Научный журнал КубГАУ. 2015. № 114. С. 42–54.
104. Орлов А. И. Модель анализа совпадений при расчете непараметрических ранговых статистик / Заводская лаборатория. Диагностика материалов. 2017. Т.83. №11. С. 66-72.
105. Муравьева В. С., Орлов А. И. Непараметрическое оценивание точки пересечения регрессионных прямых / Заводская лаборатория. Диагностика материалов. 2008. Т.74. №1. С. 63-68.
106. Орлов А. И. Непараметрический метод наименьших квадратов с периодической составляющей / Заводская лаборатория. Диагностика материалов. 2014. Т.80. №1. С.65-75.
107. Орлов А. И. Статистика нечетких данных / Научный журнал КубГАУ. 2016. №119. С. 75–91.
108. Орлов А. И. Теория люсианов / Научный журнал КубГАУ. 2014. № 101. С. 275 – 304.
109. Орлов А. И. Расстояния в пространствах статистических данных / Научный журнал КубГАУ. 2014. № 101. С. 227 – 252.
110. Орлов А. И. Статистический контроль по двум альтернативным признакам и метод проверки их независимости по совокупности малых выборок / Заводская лаборатория. Диагностика материалов. 2000. Т.66. №1. С.58-62.
111. Орлов А. И. Основные проблемы контроллинга качества / Научный журнал КубГАУ. 2015. № 111. С. 20-52.
112. Орлов А. И. Предельные теоремы в статистическом контроле / Научный журнал КубГАУ. 2016. № 116. С. 462 – 483.
113. Орлов А. И. Организационно-экономическое моделирование : учебник : в 3 ч. Ч.2. Экспертные оценки. — М.: Изд-во МГТУ им. Н. Э. Баумана, 2011. — 486 с.
114. Статистические методы анализа экспертных оценок / Ученые записки по статистике, т. 29. - М.: Наука, 1977. - 385 с.
115. Экспертные оценки / Вопросы кибернетики. - Вып.58. - М.: Научный Совет АН СССР по комплексной проблеме "Кибернетика". 1979. - 200 с.
116. Экспертные оценки в системных исследованиях / Сборник трудов. - Вып.4. - М.: ВНИИСИ, 1979. - 120 с.
117. Экспертные оценки в задачах управления / Сборник трудов. - М.: Институт проблем управления. 1982. - 106 с.
118. Орлов А. И. Экспертные оценки / Заводская лаборатория. Диагностика материалов. 1996. Т.62. №1. С.54-60.
119. Орлов А. И. О развитии экспертных технологий в нашей стране / Заводская лаборатория. Диагностика материалов. 2010. Т.76. №11. С.64-70.
120. Орлов А. И. Теория экспертных оценок в нашей стране / Научный журнал КубГАУ. 2013. № 93. С. 1-11.
121. Гнеденко Б. В., Орлов А. И. Роль математических методов исследования в кардинальном ускорении научно-технического прогресса / Заводская лаборатория. 1988. Т.54. №1. С.1 - 4.
122. Орлов А. И. О современных проблемах внедрения прикладной статистики и других статистических методов / Заводская лаборатория. 1992. Т.58. №1. С. 67 - 74.
123. Орлов А. И. Сертификация и статистические методы (обобщающая статья). // Заводская лаборатория. Диагностика материалов. 1997. Т.63. №3. С. 55-62.
124. Горский В. Г., Орлов А. И. Математические методы исследования: итоги и перспективы / Заводская лаборатория. Диагностика материалов. 2002. Т.68. №1. С. 108-112.
125. Орлов А. И. Высокие статистические технологии / Заводская лаборатория. Диагностика материалов. 2003. Т.69. №11. С.55-60.
126. Орлов А. И. О высоких статистических технологиях / Научный журнал КубГАУ. 2015. № 105. С. 14 – 38.
127. Орлов А. И. «Шесть сигм» - новая система внедрения математических методов исследования / Заводская лаборатория. Диагностика материалов. 2006. Т.72. №5. С. 50-53.
128. Орлов А. И. Математическое обеспечение сертификации: сравнительный анализ диалоговых систем по статистическому контролю / Заводская лаборатория. Диагностика материалов. 1996. Т.62. №7. С. 46-49.
129. Смирнова О. С. Программное обеспечение для статистического анализа / Заводская лаборатория. Диагностика материалов. 2008. Т.74. №5. С. 68 – 75.
130. Орлов А. И. Статистические пакеты – инструменты исследователя / Заводская лаборатория. Диагностика материалов. 2008. Т.74. №5. С. 76-78.
131. Жуков М. С. Об алгоритмах расчета медианы Кемени / Заводская лаборатория. Диагностика материалов. 2017. Т.83. №7. С. 72-78.
132. Загоруйко Н. Г., Орлов А. И. Некоторые нерешенные математические задачи прикладной статистики / Современные проблемы кибернетики (прикладная статистика). - М.: Знание, 1981. - С.53-63.
133. Орлов А. И. Некоторые нерешенные вопросы в области математических методов исследования / Заводская лаборатория. Диагностика материалов. 2002. Т.68. №3. С.52-56.
134. Орлов А. И. Предельные теоремы и метод Монте-Карло / Заводская лаборатория. Диагностика материалов. 2016. Т.82. №7. С. 67-72.
135. Григорьев Ю. Д. Метод Монте-Карло: вопросы точности асимптотических решений и качества генераторов псевдослучайных чисел / Заводская лаборатория. Диагностика материалов. 2016. Т.82. №7. С. 72-84.
136. Никитин Я. Ю. Асимптотическая эффективность непараметрических критериев. - М.: Наука, 1995. - 240 с.
137. Орлов А. И. Проблема множественных проверок статистических гипотез / Заводская лаборатория. Диагностика материалов. 1996. Т.62. №5. С.51-54.
138. Орлов А. И. О методологии статистических методов / Научный журнал КубГАУ. 2014. № 104. С. 53–80.

REFERENCES

1. Orlov A. I. Development of the Methods of Mathematical Research (2006 - 2015) / Zavod. Lab. Diagn. Mater. 2017. Vol.83. N 1. Part 1. P. 78-86. [in Russian]
2. Orlov A. I. Stability in socio-economic models. – Moscow: Nauka, 1979. – 296 p. [in Russian]
3. Orlov A. I. Statistics of Non-Numeric Objects and Expert Estimation / EHkspertnye ocenki. Voprosy kibernetiki. Vol.58. - Moscow: Nauchnyj Sovet AN SSSR po kompleksnoj probleme «Kibernetika», 1979. P. 17-33 [in Russian].
4. Tyurin YU. N., Litvak B. G., Orlov A. I., Satarov G. A., SHmerling D. S. Analysis of non-numeric information / Zavod. Lab. 1980. Vol.46. N 10. P. 931-935 [in Russian].
5. Orlov A. I. Statistics of Non-Numeric Objects (review) / Zavod. Lab. Diagn. Mater. 1990. Vol.56. N 3. P. 76-83 [in Russian].
6. Orlov A. I. Thirty Years of the Statistics of Non-Numeric Objects (review) / Zavod. Lab. Diagn. Mater. 2009. Vol.75. N 5. P. 55-64 [in Russian].
7. Orlov A. I. Organizational-economic modeling: Textbook. Part 1: Nonnumeric statistics. - Moscow: BMSTU, 2009. - 542 p. [in Russian].
8. Kuhn T. The Structure of Scientific Revolutions. - Moscow: AST, 2003. — 605 p. [in Russian]
9. Orlov A. I. The New Paradigm of Applied Statistics / Zavod. Lab. Diagn. Mater. 2012. Vol.78. N 1, Part I. P. 87-93 [in Russian].
10. Orlov A. I. The New Paradigm of Mathematical Methods of Research / Zavod. Lab. Diagn. Mater. 2015. Vol.81. N 7. P. 5-5 [in Russian].
11. Orlov A. I. About the New Paradigm of Mathematical Methods of Research / Nauchnyj zhurnal KubGAU. 2016. N 122. P. 807–832 [in Russian].
12. Orlov A. I. Objects of non-numeric nature / Zavod. Lab. Diagn. Mater. 1995. Vol.61. N 3. P.43-52 [in Russian].
13. Bernshtejn S. N. The current state of probability theory and its applications / Trudy Vserossijskogo s"ezda matematikov v Moskve 27 aprelya - 4 maya 1927 g. - Moscow-Leningrad: GIZ, 1928. P.50-63 [in Russian].
14. Novikov A. M., Novikov D. A. Methodology. – Moscow: SINTEG, 2007. – 668 p. [in Russian]
15. Discussion on the analysis of interval data / Zavod. Lab. 1990. Vol.56. N 7. P.75-95 [in Russian].
16. Voshchinin A. P. The method of optimization of objects by interval models of the objective function. - Moscow: MEHI, 1987. - 109 p. [in Russian]
17. Voshchinin A.P., Sotirov G.R. Optimization under uncertainty. — Moscow: MEHI, Sofiya: Tekhnika, 1989. — 224 p. [in Russian]
18. Voshchinin A. P., Akmatbekov R. A. Optimization of regression models and design of experiments. - Bishkek: Izd-vo «Ilim», 1991. - 164 p. [in Russian].
19. Voshchinin A. P. Method of data analysis with interval errors in problems of hypothesis testing and estimation of parameters of implicit linearly parameterized functions / Zavod. Lab. Diagn. Mater. 2000. Vol.66. N 3. P.51 – 64 [in Russian].
20. Voshchinin A. P. Interval analysis of data: development and prospects / Zavod. Lab. Diagn. Mater. 2002. Vol.68. N1. P. 118-126 [in Russian].
21. Voshchinin A. P., Bronz P. V. Build-up of analytical models according to simulating experiment in problems of sensitivity analysis and economic risk estimation / Zavod. Lab. Diagn. Mater. 2007. Vol.73. N 1. P.101 – 109 [in Russian].
22. Voshchinin A. P., Skibickij N. V. Interval Approach to the Uncertainty of Measurements and Calibration of Digital Measurement Systems / Zavod. Lab. Diagn. Mater. 2007. Vol.73. N 11. P.66 – 71 [in Russian].
23. Gus'kova E. A., Orlov A. I. Interval Linear Pair Regression (generalizing paper) / Zavod. Lab. Diagn. Mater. 2005. Vol.71. N 3. P.57-63 [in Russian].
24. Orlov A. I. Applied statistics. - Moscow: EHkzamen, 2006. - 671 p. [in Russian]
25. Orlov A. I. Decision theory. – Moscow: EHkzamen, 2006. – 576 p. [in Russian]/
26. Orlov A. I., Lucenko E. V. System fuzzy interval mathematics. – Krasnodar, KubGAU. 2014. – 600 p. [in Russian].
27. Orlov A. I. Statistics of Interval Data (generalizing paper) / Zavod. Lab. Diagn. Mater. 2015. Vol. 81. N 3. P. 61 - 69 [in Russian].
28. Skibickij N. V., Seval'nev N. V. Interval Model in Optimal Control Problems / Zavod. Lab. Diagn. Mater. 2015. Vol.81. N 11. P. 73-80 [in Russian].
29. Skibickij N. V. Construction of Direct and Inverse Static Characteristics of the Objects by Interval Data / Zavod. Lab. Diagn. Mater. 2017. Vol.83. N 1. Part 1. P. 87-93 [in Russian].
30. Tarancev A. A. On the relationship of interval analysis with probability theory / Zavod. Lab. Diagn. Mater. 2004. Vol.70. N 3. P.60 – 65 [in Russian].
31. Orlov A. I. Econometrics. - Moscow: EHkzamen, 2002. – 576 p. [in Russian].
32. Orlov A. I. Fuzzy Sets Theory as the Part of Probability Theory / Nauchnyj zhurnal KubGAU. 2013. N 92. P. 51-60 [in Russian].
33. Orlov A. I., Lucenko E. V., Lojko V. I. Organizational-economic methods, mathematical modeling and software for controlling, innovation and management: monograph / under total ed. S.G. Falco. – Krasnodar : KubGAU, 2016. – 600 p. [in Russian].
34. Kramer G. Mathematical methods of statistics. - Moscow: Mir, 1975. - 648 p. [in Russian].
35. Smirnov N. V., Dunin-Barkovskij I. V. Course of probability theory and mathematical statistics for technical applications. Ed. 3rd, stereotypical. – Moscow: Nauka, 1969. – 512 p. [in Russian].
36. Bol'shev L. N., Smirnov N. V. Tables of mathematical statistics / 3rd ed.- Moscow: Nauka, 1983. - 416 p. (1-e izd. – 1965) [in Russian].
37. Kagan A. M., Linnik YU. V., Rao P. R. Characterization problems of mathematical statistics. - Moscow: Nauka, 1972. - 656 p. [in Russian].
38. Actual problems of cybernetics (applied statistics) - Moscow: Znanie, 1981. – 64 p. [in Russian].
39. Orlov A. I. On the restructuring of statistical science and its applications / Vestnik statistiki. 1990. N 1. P.65 – 71 [in Russian].
40. Orlov A. I. Probabilistic models of specific types of objects of non-numeric nature / Zavod. Lab. Diagn. Mater. 1995. Vol.61. N 5. P.43-51 [in Russian].
41. Tyurin YU. N., Litvak B. G., Orlov A. I., Satarov G. A., SHmerling D. S. Analysis of non-numeric information. - Moscow: Nauchnyj Sovet AN SSSR po kompleksnoj probleme «Kibernetika», 1981. - 80 p. [in Russian].
42. Andreenkov V. G., Orlov A. I., Tolstova YU. N. (otvetstvennye redaktory). Analysis of non-numerical information in sociological research. - Moscow: Nauka, 1985. - 220 p. [in Russian].
43. Orlov A. I. The criteria for selection of indicators of efficiency of scientific activity / Kontrolling. – 2013. – N 3(49). – P.72-78 [in Russian].
44. Lojko V. I., Lucenko E. V., Orlov A. I. Actual approaches in scientometrics. – Krasnodar: KubGAU, 2017. – 532 p. [in Russian].
45. Orlov A. I. Characterization of average values by means of measurement scales / Nauchnyj zhurnal KubGAU. 2017. N 134. P. 877 – 907 [in Russian].
46. Psychological measurements. Digest of article. - Moscow: Mir, 1967. - 196 p. [in Russian].
47. Pfancagl' I. Measurement Theory. - Moscow: Mir, 1976. - 248 p. [in Russian].
48. Tolstova YU. N. A brief history of the development of representative measurement theory / Zavod. Lab. Diagn. Mater. 1999. Vol.65. N 3. P. 49 - 56 [in Russian].
49. Orlov A. I. Representative Theory of Measurement and Its Applications / Zavod. Lab. Diagn. Mater. 1999. Vol.65. N 3. P. 57-62 [in Russian].
50. Barskij B. V., Sokolov M. V. Medial values, invariant relative to permissible transformations of measuring scale / Zavod. Lab. Diagn. Mater. 2006. Vol.72. N 1. P.59 – 66 [in Russian].
51. Orlov A. I. Mathematical testing methods and theory of measurings / Zavod. Lab. Diagn. Mater. 2006. Vol.72. N 1. P.67-70 [in Russian].
52. Kemeni Dzh., Snell Dzh. Cybernetic modeling: Some applications. – Moscow: Sovetskoe radio, 1972. – 192 p. [in Russian].
53. ZHukov M. S., Orlov A. I. Using expert rankings in calculating credit risk in a bank / Innovations in management. 2017. N 1. C.18-25 [in Russian].
54. ZHukov M. S., Orlov A. I. The problem of research of final ranking for group of experts by means of Kemeny median / Nauchnyj zhurnal KubGAU. 2016. N 122. P. 785 – 806 [in Russian].
55. ZHukov M. S., Orlov A. I., Fal'ko S. G. Expert assessment in risks / Kontrolling. 2017. N 4(66). P. 24-27 [in Russian].
56. Orlov A. I. Average values and rules of large numbers in the spaces of arbitrary origin / Nauchnyj zhurnal KubGAU. 2013. N 89. P. 556 – 586 [in Russian].
57. Orlov A. I. On mean values / Upravlenie bol'shimi sistemami. Vol. 46. Moscow: IPU RAN, 2013. P.88-117 [in Russian].
58. Orlov A. I. The limit theory of the solutions of extremal statistical problems / Nauchnyj zhurnal KubGAU. 2017. N 133. P. 579 – 600 [in Russian].
59. Orlov A. I. Methods for finding the most informative sets of characteristics in regression analysis / Zavod. Lab. Diagn. Mater. 1995. Vol.61. N 1. P. 56-58 [in Russian].
60. Orlov A. I. Asymptotic behavior of solutions of extremal statistical problems / Zavod. Lab. Diagn. Mater. 1996. Vol.62. N 10. P. 45-46 [in Russian].
61. Tyrsin A. N. Robust Construction of Linear Regressive Models by Experimental Data / Zavod. Lab. Diagn. Mater. 2005. Vol.71. N 11. P. 53 – 58 [in Russian].
62. Prohorov YU. V. (Gl. red.) Probability and Mathematical Statistics: Encyclopedia. – Moscow: Bol'shaya Rossijskaya EHnciklopediya, 1999. – 910 p. [in Russian].
63. Orlov A. I. Density estimates in spaces of arbitrary nature / Statisticheskie metody ocenivaniya i proverki gipotez: mezhvuz. sb. nauch. tr. / Perm. state nat. researches un-t. – Perm', 2013. Vol. 25. P. 21-33 [in Russian].
64. Orlov A. I. Estimates of probability density function in spaces of arbitrary nature / Nauchnyj zhurnal KubGAU. 2014. N 99. P. 15-32 [in Russian].
65. Orlov A. I. Nuclear density estimates in spaces of arbitrary nature / Statisticheskie metody ocenivaniya i proverki gipotez: mezhvuz. sb. nauch. tr. / Perm. state nat. researches un-t. – Perm', 2015. Vol. 26. P. 43-57 [in Russian].
66. Orlov A. I. Limit theorems for kernel density estimators in spaces of arbitrary / Nauchnyj zhurnal KubGAU. 2015. N 108. P. 316 – 333 [in Russian].
67. Orlov A. I. Nonparametric kernel estimators of probability density in the discrete spaces / Nauchnyj zhurnal KubGAU. 2016. N 122. P. 833 –855 [in Russian].
68. Orlov A. I. Nuclear density estimates in finite spaces / Statisticheskie metody ocenivaniya i proverki gipotez: mezhvuz. sb. nauch. tr. / Perm. state nat. researches un-t. – Perm', 2016. – Vol. 27. – P. 24-37 [in Russian].
69. Orlov A. I. Statistics of Non-Numeric Objects / Teoriya veroyatnostej i ee primeneniya. 1980. Vol.XXV. N 3. P. 655-656 [in Russian].
70. Orlov A. I. Nonparametric density estimates in topological spaces / Prikladnaya statistika. Uchenye zapiski po statistike, Vol.45. – Moscow: Nauka, 1983. – P. 12-40 [in Russian].
71. Rosenblatt M. Remarks on some nonparametric estimates of a density function / Ann. Math. Statist. 1956. V.27. N 5. P. 832 – 837.
72. Parzen E. On estimation of a probability density function and mode / Ann. Math. Statist. 1962. V.33. N 6. P. 1065-1076.
73. Orlov A. I. Asymptotics of estimates of probability density function / Nauchnyj zhurnal KubGAU. 2017. N 131. P. 845 – 873 [in Russian].
74. Orlov A. I. The rate of convergence of kernel density estimates in spaces of arbitrary nature / Statisticheskie metody ocenivaniya i proverki gipotez: mezhvuz. sb. nauch. tr. / Perm. state nat. researches un-t. - Perm', 2018. - Vyp.28. - P. 35-45 [in Russian].
75. Ibragimov I. A., Has'minskij R. Z. Asymptotic estimation theory. – Moscow: Nauka, 1979. – 528 p. [in Russian].
76. Orlov A. I. On the Development of Mathematical Methods in the Theory of Classification (review) / Zavod. Lab. Diagn. Mater. 2009. Vol.75. N 7. P.51-63 [in Russian].
77. Orlov A. I., Tolcheev V. O. On the Use of Nonparametric Statistical Tests to Assess the Accuracy of Classification Methods (Summarizing Article) / Zavod. Lab. Diagn. Mater. 2011. Vol.77. N 3. P.58-66 [in Russian].
78. Orlov A. I. Three Main Results of the Mathematical Theory of Classification / Zavod. Lab. Diagn. Mater. 2016. VOL.82. N5. P. 63-70 [in Russian].
79. Perekrest V. T. Nonlinear typological analysis of socio-economic information: Mathematical and computational methods. - Leningrad: Nauka, 1983. - 176 p. [in Russian].
80. Terekhina A. YU. Data analysis using multidimensional scaling methods. - Moscow: Nauka, 1986. - 168 p. [in Russian].
81. Lagutin M. B. Visual representation of tight connections / Zavod. Lab. Diagn. Mater. 2005. VOL.71. N 7. P.53 – 57 [in Russian].
82. Lucenko E. V., Orlov A. I. Methods of reducing space dimension of statistical data / Nauchnyj zhurnal KubGAU. 2016. N 119. P. 92–107 [in Russian].
83. Orlov A. I. Mathematical methods of research and diagnosis materials (generalizing paper) / Zavod. Lab. Diagn. Mater. 2003. Vol.69. N 3. P.53-64 [in Russian].
84. Orlov A. I. Predictive power - the best indicator of the quality of the diagnostic algorithm / Nauchnyj zhurnal KubGAU. 2014. N 99. P. 33-–49 [in Russian].
85. Orlov A. I. Stability of Classification Regarding the Choice of the Method of Cluster Analysis / Zavod. Lab. Diagn. Mater. 2013. Vol.79. N 1. P.68-71 [in Russian].
86. Orlov A. I. Asymptotic behavior of integral type statistics / Doklady AN SSSR. 1974. Vol.219. N 4. P. 808-811 [in Russian].
87. Orlov A. I. About the testing of homogeneity for two independent samples / Zavod. Lab. Diagn. Mater. 2003. Vol.69. N 1. P.55-60 [in Russian].
88. Orlov A. I. Methods for testing the homogeneity of the associated samples / Zavod. Lab. Diagn. Mater. 2004. Vol.70. N 7. P.57-61 [in Russian].
89. Orlov A. I. Asymptotic behavior of integral type statistics / Veroyatnostnye processy i ih prilozheniya. Mezhvuzovskij sbornik nauchnyh trudov. - Moscow: MIEHM, 1989. - P. 118-123 [in Russian].
90. Orlov A. I. Limit Theory of Nonparametric Statistics / Nauchnyj zhurnal KubGAU. 2014. N 100. P. 31-52 [in Russian].
91. Orlov A. I. Organizational-economic modeling: Textbook. Part 3: Statistical data analysis methods. - Moscow: BMSTU, 2012. - 624 p. [in Russian].
92. Nalimov V. V. The Application of Mathematical Statistics to Chemical Analysis. – Moscow: Fizmatgiz, 1960. – 430 p. [in Russian].
93. Novickij P. V., Zograf I. A. Estimation of measurement errors. – Leningrad: EHnergoatomizdat, 1985. – 248 p. [in Russian].
94. Orlov A. I. How often the distribution of the results of observations is normal? / Zavod. Lab. 1991. Vol.57. N 7. P.64-66 [in Russian].
95. Orlov A. I. Distributions of real statistical data are not normal / Nauchnyj zhurnal KubGAU. 2016. N 117. P. 71–90 [in Russian].
96. Seleznev V. D., Denisov K. P. Study of the properties of consent criterion of data distribution function with the Gaussian by Monte-Carlo method for small samples / Zavod. Lab. Diagn. Mater. 2005. Vol.71. N 1. P.68 - 73 [in Russian].
97. Orlov A. I. Nonparametric point and interval estimation of the characteristics of distribution/ Zavod. Lab. Diagn. Mater. 2004. Vol.70. N 5. P.65-70 [in Russian].
98. Orlov A. I. Statistical hypothesis testing of homogeneity of mathematical expectations of two independent samples: the Cramer-Welch instead of the Student's test / Nauchnyj zhurnal KubGAU. 2015. N 110. P. 197–218 [in Russian].
99. Orlov A. I. Two-sample Wilcoxon test - analysis of two myths / Nauchnyj zhurnal KubGAU. 2014. N 104. P. 91 – 111 [in Russian].
100. Orlov A.I. Consistent Tests of Absolute Homogeneity of Independent Samplings / Zavod. Lab. Diagn. Mater. 2012. Vol.78. N 11. P. 66-70 [in Russian].
101. Orlov A. I. Structure of Nonparametric Statistics (generalizing paper) / Zavod. Lab. Diagn. Mater. 2015. Vol.81. N 7. P. 62-72 [in Russian].
102. Orlov A. I. Current status of nonparametric statistics / Nauchnyj zhurnal KubGAU. 2015. N 106. P. 239 – 269 [in Russian].
103. Orlov A. I. Real and nominal significance levels in statistical hypothesis testing / Nauchnyj zhurnal KubGAU. 2015. N 114. P. 42–54 [in Russian].
104. Orlov A. I. The Model of Coincidence Analysis in the Calculation of Nonparametric Rank Statistics / Zavod. Lab. Diagn. Mater. 2017. Vol.83. N 11. P. 66-72 [in Russian].
105. Murav'eva V. S., Orlov A. I. Nonparametric estimation of the point of intersection of the regression lines / Zavod. Lab. Diagn. Mater. 2008. Vol.74. N 1. P. 63-68 [in Russian].
106. Orlov A. I. Nonparametric Method of Least Squares with the Periodic Component (generalizing article) / Zavod. Lab. Diagn. Mater. 2014. Vol.80. N 1. P.65-75 [in Russian].
107. Orlov A. I. Statistics of fuzzy data / Nauchnyj zhurnal KubGAU. 2016. N 119. P. 75–91 [in Russian].
108. Orlov A. I. Theory of Lusians / Nauchnyj zhurnal KubGAU. 2014. N 101. P. 275 – 304 [in Russian].
109. Orlov A. I. Distances in the spaces of statistical data / Nauchnyj zhurnal KubGAU. 2014. N 101. P. 227 – 252 [in Russian].
110. Orlov A. I. Statistical control of two alternative variables and a method for verifying their independence from a set of small samples / Zavod. Lab. Diagn. Mater. 2000. Vol.66. N 1. P. 58-62 [in Russian].
111. Orlov A. I. Main problems of controlling of the quality / Nauchnyj zhurnal KubGAU. 2015. N 111. P. 20-52 [in Russian].
112. Orlov A. I. Limit theorems in statistical control / Nauchnyj zhurnal KubGAU. 2016. N 116. P. 462 – 483 [in Russian].
113. Orlov A. I. Organizational-economic modeling: Textbook. Part 2: Expert estimators. - Moscow: BMSTU, 2009. - 486 p. [in Russian].
114. Statistical methods for analyzing expert estimators / Uchenye zapiski po statistike, Vol. 29. - Moscow: Nauka, 1977. - 385 p. [in Russian].
115. Expert estimators / Voprosy kibernetiki. - Vyp.58. - Moscow: Nauchnyj Sovet AN SSSR po kompleksnoj probleme "Kibernetika". 1979. - 200 p. [in Russian].
116. Expert estimates in system studies / Sbornik trudov. - Vol.4. - Moscow: VNIISI, 1979. - 120 p. [in Russian].
117. Expert estimates in management / Sbornik trudov. - Moscow: Institut problem upravleniya. 1982. - 106 p. [in Russian]
118. Orlov A. I. Expert estimation / Zavod. Lab. Diagn. Mater. 1996. Vol.62. N 1. P.54-60 [in Russian].
119. Orlov A. I. On the Development of Expert Technology in Our Country (review) / Zavod. Lab. Diagn. Mater. 2010. Vol.76. N 11. P.64-70 [in Russian].
120. Orlov A. I. Theory of expert estimates in our country / Nauchnyj zhurnal KubGAU. 2013. N 93. P. 1-11 [in Russian].
121. Gnedenko B. V., Orlov A. I. The role of mathematical research methods in the fundamental acceleration of scientific and technological progress / Zavod. Lab. 1988. Vol.54. N 1. P. 1-4 [in Russian].
122. Orlov A. I. On modern problems of implementing applied statistics and other statistical methods / Zavod. Lab. 1992. Vol.58. N 1. P. 67-74 [in Russian].
123. Orlov A. I. Certification and statistical methods (generalizing paper). / Zavod. Lab. Diagn. Mater. 1997. Vol.63. N 3. P. 55-62 [in Russian].
124. Gorskij V. G., Orlov A. I. Mathematical methods of research: results and prospects / Zavod. Lab. Diagn. Mater. 2002. Vol.68. N 1. P. 108-112 [in Russian].
125. Orlov A. I. High statistical technologies / Zavod. Lab. Diagn. Mater. 2003. Vol.69. N 11. P.55-60 [in Russian].
126. Orlov A. I. About high statistical technologies / Nauchnyj zhurnal KubGAU. 2015. N 105. P. 14 – 38 [in Russian].
127. Orlov A. I. "Six sigmas" - new system of introduction of mathematical research methods / Zavod. Lab. Diagn. Mater. 2006. Vol.72. N 5. P. 50-53 [in Russian].
128. Orlov A. I. Mathematical software certification: a comparative analysis of dialogue systems for statistical control / Zavod. Lab. Diagn. Mater. 1996. Vol.62. N 7. P. 46-49 [in Russian].
129. Smirnova O. S. Software for Statistic Analysis / Zavod. Lab. Diagn. Mater. 2008. Vol.74. N 5. P. 68 – 75 [in Russian].
130. Orlov A. I. Statistic Packages: Tools of the Researcher / Zavod. Lab. Diagn. Mater. 2008. Vol.74. N 5. P. 76-78 [in Russian].
131. ZHukov M. S. On the Algorithms for Kemeny Median Calculation / Zavod. Lab. Diagn. Mater. 2017. Vol.83. N 7. P. 72-78 [in Russian].
132. Zagorujko N. G., Orlov A. I. Some unsolved mathematical problems of applied statistics / Sovremennye problemy kibernetiki (prikladnaya statistika). - Moscow: Znanie, 1981. - P.53-63 [in Russian].
133. Orlov A. I. Some outstanding problems in the field of mathematical research methods / Zavod. Lab. Diagn. Mater. 2002. Vol.68. N 3. P.52-56 [in Russian].
134. Orlov A. I. Limit Theorems and Monte Carlo Method / Zavod. Lab. Diagn. Mater. 2016. Vol.82. N 7. P. 67-72 [in Russian].
135. Grigor'ev YU. D. Monte Carlo Method: Accuracy of Asymptotic Solutions and Quality of Pseudorandom Number Generators / Zavod. Lab. Diagn. Mater. 2016. Vol.82. N 7. P. 72-84 [in Russian].
136. Nikitin YA. YU. Asymptotic efficiency of nonparametric criteria. - Moscow: Nauka, 1995. - 240 p. [in Russian]
137. Orlov A. I. The problem of multiple tests of statistical hypotheses / Zavod. Lab. Diagn. Mater. 1996. Vol.62. N 5. P.51-54 [in Russian].
138. Orlov A. I. About the methodology of statistical methods / Nauchnyj zhurnal KubGAU. 2014. N 104. P. 53 – 80 [in Russian].


Вернуться наверх
 Профиль  
 
 Заголовок сообщения: Re: Аннотации новых статей А.И. Орлова
СообщениеДобавлено: Сб мар 19, 2022 11:46 am 
Не в сети

Зарегистрирован: Вт сен 28, 2004 11:58 am
Сообщений: 11577
1144. Орлов А.И. О работах по теории принятия решений и экспертным оценкам // Теория активных систем – 50 лет / Материалы международной научно-практической конференции, 18–19 ноября 2019 г. Под общ. ред. В.Н. Буркова. – М.: ИПУ РАН. C. 281 – 288.


О РАБОТАХ ПО ТЕОРИИ ПРИНЯТИЯ РЕШЕНИЙ
И ЭКСПЕРТНЫМ ОЦЕНКАМ
Орлов А.И.
(Московский государственный технический университет им. Н.Э. Баумана, Москва)
prof-orlov@mail.ru

Обсуждаются основные понятия и термины, применяемые в научной, прикладной и учебной дисциплине, посвященной принятию решений, в том числе на основе использования экспертных оценок. Дан обзор основных работ автора по теории принятия решений, прежде всего монографий, которые можно использовать как учебники. Экспертные оценки – та часть теории принятия решений, которой автор занимается постоянно – с начала 70-х и до сих пор. Приведена краткая информация о некоторых работах последних лет. Список литературы (16 работ автора) позволяет раскрыть положения, сформулированные в работе.

Ключевые слова: принятие решений, экспертные оценки, терминология, основные монографии, медиана Кемени, экспертные упорядочения

Введение
Научная, прикладная и учебная дисциплина, посвященная принятию решений (и, в частности, экспертным оценкам) бурно развивается в XXI в. Поэтому целесообразно обсудить получен-ные результаты.
Учебники автора по теории принятия решений широко ци-тируются в научных публикациях. Так, на 23.10.2019 учебник [1] по данным Google Академии процитирован 987 раз, а по данным Российского индекса научного цитирования - 625 раз. Налицо двойственность - эту книгу можно рассматривать не только как учебник, но и как научную монографию. Эта двойственность характерна для практически всех наших книг и отражает общую идею: "Образование через науку". Согласно этой идее научные монографии целесообразно готовить так, чтобы их можно было использовать как учебники. Таким обра-зом можно и нужно выводить обучающихся на передний край современных научных исследований.
На юбилейной конференции "Теория активных систем - 50 лет" представляется целесообразным подвести предварительный итог работам автора по теории принятия решений и ее важнейшей составной части - экспертным оценкам. Рассматриваемая область научной и практической деятельности весьма обширна, и мы не претендуем на ее тщательный анализ.
В свое время Гаусс не публиковал результаты исследований по неевклидовой геометрии, опасаясь "криков беотийцев". По той же причине я не считал полезным обсуждать свой общий подход к теории и методам принятия решений (включая экспертные оценки), составляя учебники из частных рекомендаций. Здесь впервые рассказано о моих основных идеях, реализованных в серии учебников, моно-графий, научных статей.
1. Обсуждение основных понятий теории принятия решений
Кратко обсудим основные понятия теории принятия реше-ний, исходя из широко распространенных формулировок.
Под теорией принятия решений обычно понимают науч-ную, учебную и практическую дисциплину, посвященную закономерностям выбора путей решения проблем и задач, т.е. способов достижения желаемого результата. Иногда различают нормативную теорию принятия решений, которая в формаль-ных (обычно - математических) терминах описывает рациональный процесс подготовки, принятия и реализации решения, и дескриптивную теорию принятия решений, описывающую практику принятия решений людьми. Нормативная теория построена на основе формализации лучших практик принятия решений в прикладных областях деятельности.
Теория принятия решений - область исследований, осно-ванная на понятиях, методах, подходах, научных результатах математики, статистики, экономики, менеджмента и психоло-гии. Здесь под статистикой понимаются прежде всего математическая статистика, прикладная статистика, статистические методы. Кроме инструментария статистики, в теорию принятия решений обычно включают различные технологии экспертных оценок, оптимизационные задачи (прежде всего линейное и целочисленное программирование, принцип максимума Понтрягина), методы анализа динамики, основанные на дифференциальных и разностных уравнений.
Теорию принятия решений можно отнести к кибернетике и исследованию операций, а также к экономико-математическим моделям и методам, к организационно-экономическому модели-рованию. Нет ничего необычного в том, что для обозначения рассматриваемой области исследования используют или использовали столь различные названия. Например, про исследование операций иногда пишут так:
"Исследование операций – научный подход к решению за-дач организационного управления Под задачами организацион-ного управления понимаются повседневные задачи управления организацией, связанные с выполнением определенных «опера-ций»: календарное планирование, управление запасами, вопросы эксплуатации оборудования и другие. Практика показывает высокую эффективность методов исследования операций при решении практических задач управления".
Ясно, что то же самое можно сказать и про теорию приня-тия решений, равно как и про другие перечисленные области. На наш взгляд, нецелесообразно вводить искусственные границы между ними. Хотя после появления границ появляется возможность их обсуждать и вести продолжительные дискуссии.
Как возникли различные термины? Почему термин "кибер-нетика" в настоящее время употребляется сравнительно редко, хотя бурно развиваются научные направления, которые естест-венно отнести к кибернетике? Почему в настоящее время стали популярны "нейросетевые методы" (раздел прикладной стати-стики), хотя основные идеи этих методов появились и были реализованы еще в середине ХХ в.?
Сформулируем два замечания. Термин "исследование опе-раций" неудачен, поскольку возникает ассоциация с медицин-скими процедурами. Термин "теория принятия решений" попу-лярен в настоящее время. Более подробное обсуждение вопросов терминологии не входит в задачу настоящей работы. Надеемся, что недоразумений не возникнет.
Как обычно пишут, решение – это выбор определённого сочетания (1) цели, (2) действий, направленных на достижение этой цели, и (3) способов использования имеющихся ресурсов. В рамках социально-экономических систем решение – это результат анализа, прогнозирования, оптимизации и выбора альтернативы из множества вариантов достижения конкретной цели. В узком смысле принятие решений –это заключительный акт анализа вариантов, результат выбора. В широком смысле –это процесс, протекающий во времени. Это совокупность всех этапов и стадий по подготовке решения, включая этап непосредственного принятия решения. Процесс принятия решений может быть укрупненно подразделен на две стадии: выработка рекомендаций специалистами по выбору лучшего варианта и принятие окончательного варианта непосредственно лицом, принимающим решение (ЛПР).
2. Наши учебники, монографии, статьи по теории принятия решений
В настоящее время в научных исследованиях и при препо-давании популярны учебники [1 - 4]. В них представлены раз-личные методы подготовки и принятия решений - статистиче-ские, оптимизационные, экспертные, а также и более новые, но менее распространенные - нечеткие и интервальные.
Мы рассматриваем теорию и методы разработки и при-нятия управленческих решений не как чисто математическую дисциплину, а как часть менеджмента (теории управления людьми). Часто говорят о связке «принятие решений и экспертные оценки», а экспертными оценками мы занимаемся с начала 1970-х годов (см., например, [5]). Однако термин «принятие решений» мы стали использовать в публикациях сравнительно недавно. Возможно, впервые он проявился в названии одной из написанных мной глав в учебном пособии [6].
Основные научные результаты и методические разработки в области принятия решений сведены в одной из основных моих монографий [4] (написана в 2003 г., опубликована в 2006 г.). Ее сокращенный в полтора раза вариант (подготовлен в 2004 г., опубликован в 2005 г.) вышел из печати раньше [3].
В издательстве КноРус предложили издать учебник по тео-рии принятия решений. Он вышел в середине 2010 г., хотя на титульном листе указан 2011 г. [2]. В учебник 2011 г. по сравнению с двумя предыдущими книгами 2005 г. и 2006 г. внесено много изменений. Основное внимание уделено теории и практике экспертных оценок, модернизированы главы по измерению инфляции и методу наименьших квадратов, исключены главы по менеджменту, и т.д.
Затем был опубликован учебник, полностью соответствую-щий программе одноименной дисциплины на втором образова-нии факультета ИБМ [1].
При практическом использовании теории принятий реше-ния необходим частный вид контроллинга методов - контрол-линг процессов принятия решений.
Нормативные документы (стандарты предприятия), наце-ленные на контроллинг процессов принятия решений, разраба-тывают предприятия и организации. В качестве примера можно отметить такую работу в Группе компаний "Волга-Днепр" (эта авиакомпания имеет самый большой в мире гражданский флот наиболее мощных грузовых самолетов "Руслан"). Из работ практической направленности отметим исследования в области экологической безопасности [7] и математических методов оценки эффективности управленческих решений [8].
Отметим большую роль сайта "Высокие статистические технологии" http://orlovs.pp.ru/ для распространения информа-ции. Так, согласно РИНЦ из цитирований монографии [4] 53% относятся к варианту, размещенному на сайте, и 47% - к бумажному варианту (это следует из указанного при цитировании года издания книги). Аналогичная ситуация и для нашего учебника "Прикладная статистика" - 400 ссылок (49,6%) относятся к варианту, размещенному на сайте, и 406 ссылок (50,4%) - к бумажному варианту.
3. Экспертные оценки как часть теории принятия решений
Экспертные оценки – та предметная область, которой авто-р занимается постоянно – с начала 70-х [5] и до сих пор. Как правило, каждую работу можно рассматривать с двух сторон – со стороны математических методов (т.е., как правило, со стороны статистики нечисловых данных) и со стороны предметной области (процедур экспертных оценок). Наиболее полный обзор развития этой предметной области - статья [9].
Учебник по экспертным оценкам был написан мною в 2006 г. по заказу издательства «Экзамен». В связи с изменением издательством тематики публикаций рукопись возвращена в 2008 г. Издан как вторая часть учебника по организационно-экономическому моделированию в 2011 г. [10]. По данным РИНЦ эта книга – наиболее востребованный учебник по теории и практике экспертных оценок на русском языке.
Центральное место в теории экспертных оценок занимает медиана Кемени [11]. Недавно разработан новый программный модуль по расчету медианы Кемени [12].
Перечислим несколько конкретных работ. Как известно, метод анализа иерархий Саати некорректен. В частности, он противоречит теории измерений. Для его замены был разрабо-тан метод анализа экспертных упорядочений, согласно которому следует построить ранжировки упорядочений по суммам рангов и по медианам рангов, а затем провести их согласование [13]. Были разработаны экспертные технологии для применения при оценивании вероятностей редких событий (например, вероятностей столкновений самолетов с птицами) [14]. Экспертные методы активно используются при разработке и применении аддитивно-мультипликативных моделей оценки рисков проектов, в частности, при создании ракетно-космической техники [15]. Различным задачам принятия решений и применения экспертных оценок в авиации и ракетно-космической промышленности посвящен доклад [16].
Литература
1. ОРЛОВ А.И. Методы принятия управленческих решений. М.: КноРус, 2018. - 286 с.
2. ОРЛОВ А.И. Организационно-экономическое моделирова-ние: теория принятия решений. М. : КноРус, 2011. — 568 с.
3. ОРЛОВ А.И. Принятие решений. Теория и методы разра-ботки управленческих решений. М.: ИКЦ «МарТ»; Ростов н/Д: Издательский центр «МарТ», 2005. – 496 с.
4. ОРЛОВ А.И. Теория принятия решений. М.: Экзамен, 2006. — 574 с.
5. ОРЛОВ А.И. Допустимые средние в некоторых задачах экспертных оценок и агрегирования показателей качества // Многомерный статистический анализ в социально-экономических исследованиях. М.: Наука, 1974. – С. 388 – 393.
6. БОГОЛЮБОВ С.А., ОРЛОВ А.И. и еще 9 соавторов. Ме-неджмент. Учебное пособие. М.: Знание, 2000. - 288 с.
7. ОРЛОВ А.И. Проблемы управления экологической безопас-ностью. Итоги двадцати лет научных исследований и пре-подавания. Saarbrücken: Palmarium Academic Publishing. 2012. – 344 с.
8. ХРУСТАЛЕВ С.А., ОРЛОВ А.И., ШАРОВ В.Д. Матема-тические методы оценки эффективности управленческих решений // Заводская лаборатория. Диагностика материалов. 2013. Т.79. №11. С. 67 – 72.
9. ОРЛОВ А.И. Теория экспертных оценок в нашей стране // Научный журнал КубГАУ. 2013. №93. С. 1652 – 1683.
10. ОРЛОВ А.И. Организационно-экономическое моделирова-ние : учебник : в 3 ч. Ч.2. Экспертные оценки. М.: Изд-во МГТУ им. Н.Э. Баумана, 2011. – 486 с.
11. ОРЛОВ А.И. Роль медиан Кемени в экспертных оценках и статистическом анализе данных // Теория активных сис-тем: Труды международной научно-практической конфе-ренции (14-16 ноября 2011 г., Москва, Россия). Том I. Об-щая редакция – В.Н. Бурков, Д.А. Новиков. – М.: ИПУ РАН, 2011. – С. 172 – 176.
12. ЖУКОВ М.С., ОРЛОВ А.И. Использование экспертных ранжировок при расчетах кредитного риска в банке // Ин-новации в менеджменте. 2017. № 1(11). С. 18 – 25.
13. ОРЛОВ А.И. Анализ экспертных упорядочений // Научный журнал КубГАУ. 2015. №112. С. 21 – 51.
14. ОРЛОВ А.И., САВИНОВ Ю.Г., БОГДАНОВ А.Ю. Экс-пертные технологии и их применение при оценивании веро-ятностей редких событий // Заводская лаборатория. Диаг-ностика материалов. 2014. Т.80. №3. С. 63 – 69.
15. ОРЛОВ А.И., ЦИСАРСКИЙ А.Д. Метод оценки рисков при создании ракетно-космической техники // Вестник МГТУ им. Н.Э. Баумана, сер. Машиностроение. 2017. № 2 (113). С. 99 – 107.
16. ОРЛОВ А.И. Принятие решений и экспертные оценки в авиации и ракетно-космической промышленности // Теория активных систем: Труды международной научно-практической конференции (17-19 ноября 2014 г., Москва, Россия). Общая редакция – В.Н. Бурков, Д.А. Новиков. – М.: ИПУ РАН, 2014. – [Электронный ресурс]. Режим доступа: http://www.mtas.ru/upload/library/tas20 ... F/2-10.pdf


Вернуться наверх
 Профиль  
 
 Заголовок сообщения: Re: Аннотации новых статей А.И. Орлова
СообщениеДобавлено: Сб мар 26, 2022 11:46 am 
Не в сети

Зарегистрирован: Вт сен 28, 2004 11:58 am
Сообщений: 11577
1145. Орлов А.И. Многообразие критериев проверки однородности двух независимых выборок / Статистические методы оценивания и проверки гипотез: межвуз. сб. науч. тр. Вып.29. - Пермь: Перм. гос. нац. иссл. ун-т, 2019. - С. 64-83.
https://elis.psu.ru/node/601898

________СТАТИСТИЧЕСКИЕ МЕТОДЫ ОЦЕНКИ И ПРОВЕРКИ ГИПОТЕЗ___
2019 Пермский государственный университет Вып.29

УДК 519.2
Многообразие критериев проверки однородности двух независимых выборок

А.И. Орлов1

1Московский государственный технический университет им. Н.Э. Баумана, Институт высоких статистических технологий и эконометрики; Москва, Россия; prof-orlov@mail.ru; http://orlovs.pp.ru; +7(916)8305117; 123104, Москва, Сытинский пер., д.7/14, кв.14.

Аннотация. Дана сводка основных результатов, касающихся методов проверки однородности двух независимых выборок. Она позволяет системно анализировать многообразие таких методов с целью выбора наиболее адекватного для обработки конкретных данных. На основе базовой вероятностно-статистической модели сформулированы основные постановки задачи проверки однородности двух независимых выборок. Дан сравнительный анализ критериев Стьюдента и Крамера-Уэлча, предназначенных для проверки однородности математических ожиданий. Из непараметрические методов проверки однородности рассмотрены критерии Вилкоксона, Смирнова, Лемана-Розенблатта. Для проверки абсолютной однородности рекомендовано использовать критерий Лемана-Розенблатта. Обсуждаются проблемы разработки и применения непараметрических критериев.

Ключевые слова: проверка статистических гипотез, независимые выборки, однородность характеристик, абсолютная однородность, критерий Крамера-Уэлча, критерий Вилкоксона, критерий Смирнова, критерий Лемана-Розенблатта.

1. Введение
Проверка однородности двух независимых выборок - классическая область математической статистики. Основополагающей является статья Стьюдента 1908 г. [1]. За более чем 111 лет получены многочисленные результаты различными авторами, в том числе нами. Однако чувствуется потребность в анализе всего многообразия постановок задач проверки статистических гипотез однородности двух независимых выборок, а также соответствующих критериев. Такому анализу посвящена настоящая статья.


Вернуться наверх
 Профиль  
 
 Заголовок сообщения: Re: Аннотации новых статей А.И. Орлова
СообщениеДобавлено: Сб апр 02, 2022 11:27 am 
Не в сети

Зарегистрирован: Вт сен 28, 2004 11:58 am
Сообщений: 11577
1148. Орлов А.И., Сажин Ю.Б. Инновации в менеджменте, экология, хрематистика и цифровизация / Инновации в менеджменте. 2019. № 4(22). С. 52-60.
https://www.elibrary.ru/download/elibra ... 030557.pdf

УДК 005.3:004.8:33.01;
JEL: C00, A12
Орлов А.И.,
д.э.н., д.т.н., к.ф.-м.н., профессор,
зав. лаб. экономико-математических методов в контроллинге,
МГТУ им. Н.Э. Баумана

Сажин Ю.Б.
к.т.н., доцент кафедры «Экономика и организация производства»,
МГТУ им. Н.Э. Баумана

Инновации в менеджменте, экология, хрематистика и цифровизация

Аннотация
Экспоненциальный рост экономики несовместим с существованием пределов роста. Экономика переродилась сначала в «экономикс», а затем в хрематистику. Необходимо развитие экологии менеджмента, предприятия и производства. Изменение психологических установок может переломить тенденции, ведущие к кризису. Переход от владения к аренде – шаг к отказу от общества потребления. Цифровизация не только дает новые возможности, но и ставит новые проблемы. Шесть из них рассмотрены в связи с инновациями в менеджменте.
Ключевые слова: инновации, менеджмент, экология, хрематистика, цифровизация

Alexander I. Orlov,
Dr.Sci.Econ., Dr.Sci.Tech., Cand.Phys-Math.Sci., professor,
head of Laboratory of economic-mathematical methods in controlling, BMSTU

Yuri Sazhin,
candidate of technical Sciences, associate Professor of Department Economics and industrial engineering, BMSTU

Innovations in management, ecology, chrematistics and digitalization

Abstract
Exponential economic growth is incompatible with the existence of growth limits. The economy was first reborn into “economics,” and then into chrematistics. It is necessary to develop the ecology of management, enterprise and production. Changing psychological attitudes can reverse the trends leading to the crisis. The transition from ownership to rent is a step towards abandoning a consumer society. Digitalization not only provides new opportunities, but also poses new challenges. Six of them are considered in connection with innovations in management.
Keywords: innovation, management, ecology, chrematistics, digitalization

Введение
Цифровизация экономики ведет быстрому развитию производительных сил. Это развитие порождает революционные инновации, в том числе в управлении людьми, в менеджменте как научной и практической дисциплине. На быстрый процесс развития производственных отношений накладываются экологические требования. Для современного менеджмента весьма важна экология человека. Изменение психологических установок, например, повсеместный переход от собственности к аренде, может резко изменить динамику экономических процессов. Например, уйдет в прошлое хрематистика. Основной целью экономики станет удовлетворение потребностей, как и во времена Аристотеля. Развитию приведенных выше соображений и посвящена настоящая статья.

1. Грядущий кризис
Современная экономика как в отдельных странах, так и в мире в целом растет по экспоненте. Это утверждение вытекает из анализа статистических данных. Динамика макроэкономических показателей (ВВП, объем промышленного производства, инвестиции в основные фонды, производство электроэнергии, выплавка стали и др.), как правило, довольно хорошо описываются экспонентами (иногда используют суммы экспонент). Динамика народонаселения или, скажем, рост числа научных статей также описываются экспонентами. И в массовом сознании рост ВВП или объема реализации продукции на конкретном предприятии за год описываются в процентах. Если за год рост на а%, т.е. в (1 + а/100) раз, то за t лет рост будет экспоненциальным, т.е. exp{(1 + а/100)t}. При a > 0, например, a = 2 или a = 6, констатируем рост и оцениваем ситуацию положительно, а при a < 0 к сокращению обычно относимся отрицательно.
Экспоненциальный рост экономики вытекает и из математической модели расширенного воспроизводства [1]. При принятых в модели предположениях все экономические показатели экспоненциально растут.
Однако безграничный рост мировой экономики невозможен из-за ограниченности ресурсов Земли. Еще в 1972 г. Римский клуб (объединение ученых и промышленников) представил доклад «Пределы роста» [2], в котором были показаны катастрофические последствия дальнейшего безграничного экономического роста. За прошедшие полвека ситуация усугубилась. Пределы роста демонстрируют кризисы, связанные с истощением запасов полезных ископаемых, с усилением экологических проблем, с неконтролируемым ростом населения в одних регионах и вымиранием в других.
Многие специалисты обсуждают влияние пределов роста на управленческие решения. Отметим глубокий анализ, данный С. Лемом [3]. Появляются новые технологии, например, генно-модифицированные продукты, информационно-коммуникационные технологии [4]. Однако эти новшества не дают окончательного решения проблемы противоречия экспоненциального роста экономики и ограниченности ресурсов Земли.
Если обратиться к истории, то необходимо констатировать, что экспоненциальный рост экономики проявился сравнительно недавно, с появлением рыночной экономики в XVIII в. Для средневековья характерна сознательно выбранная стагнация. Продукцию производили профильные цеха ремесленников в городах, при этом зафиксировано было не только количество работников в цехе, но и применяемые ими технологические процессы [5]. Более ранние времена также исходили из принципа стагнации. Например, первобытные охотники добывали лишь такое количество дичи, которое не меняло природного равновесия, не вело к сокращению кормовой базы племени.
Итак, основной кризис современности порожден тем, что безграничный экспоненциальный рост экономики несовместим с существованием пределов роста экономики, а пределы роста определяются ограниченностью ресурсов Земли. Как будет разрешен кризис? Обсудим некоторые черты этого кризиса и возможные пути его преодоления.
Недавно Римский клуб представил новый доклад «Come On! Капитализм, близорукость, население и разрушение планеты», приуроченный к своему полувековому юбилею [6]. Потенциально этот доклад – один из важнейших документов нашего времени. Римский клуб является основной площадкой, формулирующей повестку ответственного глобализма и устойчивого развития, и ориентиром для значительной части мировой элиты. Но массовое сознание пока не любит смотреть вперед.
Итак, основной кризис современности порожден тем, что безграничный экспоненциальный рост экономики несовместим с существованием пределов роста экономики, а пределы роста определяются ограниченностью ресурсов Земли. Обсудим некоторые черты этого кризиса, возможные пути и инновации, которые позволят его преодолеть.

2. Экономика и хрематистика

Дайте мне контролировать выпуск денег в государстве,
и мне нет дела до того, кто пишет его законы.
Майер Ротшильд (Амшель), немецкий ростовщик

Кто владеет информацией – тот владеет миром.
Натан Майер Ротшильд, английский банкир

Различают два типа хозяйства:
1. Экономия, нацеленная на удовлетворение потребностей, т. е. производство и торговля для удовлетворения спроса в товарах.
2. Хрематистика (рыночная экономика) – хозяйственная деятельность ради прибыли, накопления богатства.
В начале ХХI в. нет необходимости кого-либо убеждать, что ресурсы на Земле ограничены и существуют объективные пределы роста как для численности населения [9], так и для объема потребляемых материальных благ. Но авторы уверены, что не будет замедления или вовсе остановки в развитии общества. Человечество уже сейчас на платформе цифровизации экономики разрабатывает системы «искусственного интеллекта». От безудержного производства материальных благ оно перейдет к накоплению знаний, к накоплению богатств духовных, сохраняя стремление к богатству (и материальному, и духовному). Тогда показатели экономики будут отражать стремление к застою, станут ругательными и критикуемыми, а показатели хрематистики выйдут на первый план, помогут обществу перейти к росту и развитию. Но это в будущем, а пока все, кто писал о хрематистике ругают ее, начиная с Аристотеля, который ввел этот термин [4].
Никогда специалистами не задается вопрос: что первично: экономика или хрематистика, хотя было бы справедливым выяснить, почему все знают (слышали, читали) об экономике, но только немногие понимают правильно термин «хрематистика», хотя рассуждения про обогащение, быстрое получение дохода понятны и интересны всем. Некоторые ученые подразумевают под объектом обсуждения хрематистику, говоря о капитале, прибыли, ренте в учениях по экономике, т.е. не выделяют хрематистику в отдельную научную дисциплину, хотя фактически отражают критерии хрематистики.
Современные письменные упоминания о хрематистике можно найти чаще всего на отдельных сайтах в интернете, в виде электронных ресурсов. Не желает хрематистика быть публичной. Не зря фразу «деньги любят тишину» приписывают Д.Д. Рокфеллеру, основателю финансовой империи. Не ахти какое, но все же объяснение «застенчивости» хрематистики.
Из 86 опрошенных студентов, будущих экономистов, про хрематистику не ответил ни один. Существует огромное количество учебников по экономике и ни одного по хрематистике. Ей нет места в экономической литературе. Хрематистика для индивидуума (еще по Аристотелю) – процесс личного обогащения, «деланье» денег ради денег, накопительство богатства ради него самого. В ней нет ничего от производства и продвижения потребительной стоимости, которую изучает экономика. В наши дни хрематистика (капитал, проценты, прибыль, рента) увеличивает меновую стоимость товара, не меняя его потребительной стоимости (полезности). Предприниматель вынужден делиться частью прибыли с финансовым капиталистом, уплачивая ему процент, увеличивая цену продукции и степень эксплуатации работников.
Современная рыночная экономика является, по своей сути, системой всепроникающей хрематистики, губительной бездуховной формой хозяйствования, ведущей к победе «культуры наживы» над «культурой потребления». Сформированное и агрессивно поддерживаемое в последние десятилетия ложное миропонимание привело к всеобщему заблуждению относительно истинных задач экономики. На книжных полках, в разделе «Экономика и финансы», стоят книги, пропагандирующие идеалы быстрого обогащения. Особенно преуспели в этом россиянин О.Ю. Тиньков, автор множества материалов о том, как стать удачным финансистом, и американец Р. Кийосаки, написавший «хрематистический роман» «Богатый папа, бедный папа». Любимая фраза последнего автора: «если вы не можете увидеть себя богатым, то никогда не сможете этого добиться». Как говорится, комментарии излишни, то, что нужно для people.
Экономика, благодаря сплошной («ковровой») обработке умов населения, фактически прекратила свое существование как общественно-полезная наука и переродилась сначала в «экономикс» с прибылью и процентами, а затем в – хрематистику, пропагандируя «искусство» делать деньги и наживать богатство, прежде всего, за счет разорения собственного народа, в угоду мировому финансовому капиталу. Но современная наука «экономика» (в личине экономикс, а по сути – хрематистики) не выполняет своей просветительской и созидательной задачи. Экономика и хрематистика на сегодняшнем уровне развития общества – не родные сестры и даже не дальние родственницы, а враги друг другу. В теории и практике они дают противоположные, взаимоисключающие выводы и рекомендации. Чтобы хрематистика двигала производство к росту и развитию, надо менять идеологию, мораль и нравственность общества. Влияние идеологии на развитие общества хорошо показано в книге Л. Туроу «Будущее капитализма», ну, а о морали и нравственности лучше читать у «старых» философов.
На примере России покажем преобразование экономики в хрематистику. У нас в стране принято уклончиво говорить не «капитализм», а «рыночная экономика» – придумали такое уклончивое понятие, хотя с 2 января 1992 г. официально «строим» капитализм, что следует из Указа Президента РСФСР №297 от 03.12.1991 г.
Основной задачей экономических и политических реформ в России являлась быстрая и безвозвратная смена собственности на средства производства с государственной на частную.
С точки зрения способа производства, ничего не поменялось, он остался капиталистическим, поменялся только инвестор капитала: вместо государства им стал частный капитал (чаще финансовый, к тому же иностранный). Для этого необходимо было отказаться от хозяйства удовлетворения потребностей в пользу хозяйства ради извлечения прибыли. Из-за изменения показателей и их критериев у населения возникают трудности в понимании сути происходящего.
Налицо противоречие:
•  капиталисту важна его прибыль, ее безудержный рост;
•  обществу (как в целом, так и отдельной семье) важно жизнеобеспечение граждан и страны. Для него три задачи государства: учить, лечить и защищать – главный лозунг требований к государству.
Люди, следя за набором натуральных показателей (данные Росстата МЭР, МРОТ или цены в магазинах), при этом привычно считают, что производство по-прежнему существует ради удовлетворения их потребностей. Но целью капиталиста уже более 200 лет является постоянный рост прибыли, а не удовлетворение потребностей, ему важен только платежеспособный спрос населения. Есть еще одно замечание. В силу глобализации экономики предприниматель (производственник) сам является объектом эксплуатации со стороны финансового капитала. Отсюда выводы о сущности современной хрематистики:
•  потребность, которая не обеспечена покупательной способностью, производителя интересовать не будет, т.к. не будет инвестироваться финансовым капиталом;
•  главным показателем предприятия становится не степень удовлетворения потребности, а только результат движения капитала при ее производстве и реализации (рентабельность, цена (процент) денег (кредита), валовой внутренний продукт).

3. Экология менеджмента, предприятия и производства
Под экологией понимают науку о взаимодействии людей, живых организмов и их сообществ между собой и окружающей средой. Обсудим ряд положений экологии человека (социальной экологии) - науки о взаимодействии людей и их сообществ между собой и окружающей средой. В экологии человека такой средой может выступать: производственное подразделение (участок, отдел), цех, предприятие, общество в целом.
Практическая экология посвящена инициативной и результативной деятельности экономических субъектов, направленной на достижение их собственных экологических целей. Экологическая цель – создание безопасных и комфортных условий для здоровья человека при осуществлении им какой-либо работы. В настоящей статье рассмотрим кратко такие разделы экологии человека, как экологию менеджмента, предприятия и производства. Речь идет о создании для человека труда (как умственного, так и физического) условий для сохранения его здоровья при управлении предприятием, организации и осуществлении производственной деятельности.
Экология менеджмента имеет целью разработку совокупности мероприятий, гарантирующих комфортную работу управленцам (менеджерам), удобное и безопасное рабочее место при выполнении ими функций по: планированию, организации, мотивации и контролю по производству и реализации продукции. Под менеджментом понимаем категорию людей, профессионально занимающихся управлением, работающих на должностях, входящих в аппарат управления [15]. Экологией менеджмента (точнее, полным невниманием к ней) можно объяснить многие проблемы внедре