Методология определения значений характеристик агентов в концепции моделирования процессов рефлексивного управления стадным поведением на предприятиях
Выделены основные рефлексивные составляющие процесса принятия решений экономическими агентами в рамках моделирования процессов рефлексивного управления стадным поведением: информированность агентов управления относительно области принимаемого решения; компетентность экономических субъектов; авторите...
Збережено в:
| Опубліковано в: : | Економічний вісник Донбасу |
|---|---|
| Дата: | 2020 |
| Автор: | |
| Формат: | Стаття |
| Мова: | Російська |
| Опубліковано: |
Інститут економіки промисловості НАН України
2020
|
| Теми: | |
| Онлайн доступ: | https://nasplib.isofts.kiev.ua/handle/123456789/170201 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Цитувати: | Методология определения значений характеристик агентов в концепции моделирования процессов рефлексивного управления стадным поведением на предприятиях / С.С. Турлакова // Економічний вісник Донбасу. — 2020. — № 1 (59). — С. 78-85. — Бібліогр.: 29 назв. — рос. |
Репозитарії
Digital Library of Periodicals of National Academy of Sciences of Ukraine| _version_ | 1859618976651280384 |
|---|---|
| author | Турлакова, С.С. |
| author_facet | Турлакова, С.С. |
| citation_txt | Методология определения значений характеристик агентов в концепции моделирования процессов рефлексивного управления стадным поведением на предприятиях / С.С. Турлакова // Економічний вісник Донбасу. — 2020. — № 1 (59). — С. 78-85. — Бібліогр.: 29 назв. — рос. |
| collection | DSpace DC |
| container_title | Економічний вісник Донбасу |
| description | Выделены основные рефлексивные составляющие процесса принятия решений экономическими агентами в рамках моделирования процессов рефлексивного управления стадным поведением: информированность агентов управления относительно области принимаемого решения; компетентность экономических субъектов; авторитетность агента управления; склонность агентов управления к подражанию; интенциональная направленность. На основе методов анкетирования, теории нечетких множеств Л. Заде и нейросетевого моделирования предложена общая методология определения значений рефлексивных характеристик агентов. Представлена последовательность основных этапов определения значений характеристик агентов в рамках концепции моделирования процессов рефлексивного управления стадным поведением на предприятиях. Намечены перспективные направления исследований.
Виділено основні рефлексивні складові процесу прийняття рішень економічними агентами в рамках моделювання процесів рефлексивного управління стадною поведінкою: інформованість агентів управління щодо області прийнятого рішення; компетентність економічних суб'єктів; авторитетність; схильність агентів управління до наслідування; інтенціональна спрямованість. На основі методів анкетування, теорії нечітких множин Л. Заде і нейромережевого моделювання запропоновано загальну методологію визначення значень рефлексивних характеристик агентів. Представлено послідовність основних етапів визначення значень характеристик агентів в рамках концепції моделювання процесів рефлексивного управління стадною поведінкою на підприємствах. Окреслено перспективні напрямки досліджень.
The main reflexive components of the decisionmaking process by economic agents in the framework of modeling processes of reflexive management of herd behavior at enterprises are identified: awareness of management agents regarding the area of decision-making; competence of economic entities; authority of the management agent; propensity of management agents to imitate; intentional orientation. Based on questionnaire methods, the theory of fuzzy sets of L. Zadeh and neural network modeling, a general methodology for determining the values of the reflexive characteristics of agents is proposed. The sequence of the main stages of determining the values of the characteristics of agents within the framework of the concept of modeling processes of reflexive management of herd behavior at enterprises is presented. Promising areas of research are outlined.
|
| first_indexed | 2025-11-29T00:28:48Z |
| format | Article |
| fulltext |
С. С. Турлакова
78
Економічний вісник Донбасу № 1(59), 2020
УДК 338.2:330.4:658.1 doi: 10.12958/1817-3772-2020-1(59)-78-85
С. С. Турлакова,
кандидат экономических наук, доцент,
ORCID 0000-0002-3954-8503,
Институт экономики промышленности НАН Украины, г. Киев
МЕТОДОЛОГИЯ ОПРЕДЕЛЕНИЯ ЗНАЧЕНИЙ ХАРАКТЕРИСТИК АГЕНТОВ
В КОНЦЕПЦИИ МОДЕЛИРОВАНИЯ ПРОЦЕССОВ РЕФЛЕКСИВНОГО
УПРАВЛЕНИЯ СТАДНЫМ ПОВЕДЕНИЕМ НА ПРЕДПРИЯТИЯХ
Постановка проблемы. Основной особенно-
стью проявления стадного поведения в экономиче-
ских системах является подражание в поведении
субъектов, которые в процессе принятия решений
руководствуются иррациональными мотивами. Дей-
ствительно, в случае отсутствия для принятия реше-
ний достаточного количества информации или от-
сутствия возможности ее самостоятельной обра-
ботки, решения, принимаемые агентами на предпри-
ятиях, могут основываться на наблюдаемых реше-
ниях или представлениях других агентов, что со-
здает условия для проявлений стадного поведения.
Предпосылки проявления стадного поведения на
предприятиях обусловливают необходимость совер-
шенствования механизма управления процессами
проявления стадного поведения для эффективного
достижения целей предприятий и обеспечения без-
опасности принятия решений экономическими аген-
тами в процессе функционирования предприятий.
Проблема моделирования процессов рефлек-
сивного управления стадным поведением на пред-
приятиях не нова. Исследованиям процессов ре-
флексивного управления в экономических системах
посвящены работы К. Санстейна [0], Р. Талера [0-3],
Д. Канемана, А. Тверски [4], В. Лефевра [5], Д. Но-
викова, А. Чхартишвили [6] и др. Вопросы проявле-
ния стадного поведения в социально-экономиче-
ских системах и моделирования соответствующих
процессов рассмотрены в работах М. Спенса [7],
Дж. Сороса [8], Р. Талера [3], В. Бреера [9, 0], Д. Но-
викова, А. Чхартишкили, Д. Губанова [0], М. Воро-
новицкого [0], В. Данича [0] и др.
Однако описанию характеристик, определя-
ющих результаты принятия решений агентов, уде-
лено недостаточно внимания и вопросы разработки
соответствующих методологий определения таких
характеристик до сих пор остаются открытыми.
Определение значений рефлексивных характери-
стик агентов в рамках моделирования процессов ре-
флексивного управления стадным поведением на
предприятиях является одним из ключевых этапов
соответствующего механизма, так как именно ха-
рактеристики агентов в рамках функций рефлексив-
ного выбора определяют результат принятия реше-
ний на предприятии.
Целью статьи является разработка методоло-
гии определения значений характеристик агентов в
концепции моделирования процессов рефлексив-
ного управления стадным поведением на предпри-
ятиях.
Результаты исследования. Выделим основ-
ные характеристики агентов управления, которые
влияют на процесс принятия решений в процессе
проявления стадного поведения и определяют ре-
зультат применения управляющих воздействий
субъектом управления.
Объектами управления в рамках механизма ре-
флексивного управления стадным поведением на
предприятии выступают некоторые агенты iA ,
Ni ,1= . Состоянием объекта управления является
результат принятия решения агента в момент вре-
мени t, который определяется функцией рефлексив-
ного выбора t
Ai
f . Функция рефлексивного выбора
каждого из агентов управления зависит от набора
его индивидуальных характеристик t
Ai
X . Среди ос-
новных характеристик агентов управления в рамках
настоящей работы выделены степень информиро-
ванности агента в момент времени t, компетент-
ность, репутация агента, склонность агента подра-
жать в процессе приятия решений другим агентам (в
частности, лидеру) и интенции агентов управления.
В рефлексивных моделях информированность
агентов не является общим знанием, и агенты при-
нимают решения на основе иерархии своих пред-
ставлений, в связи с чем существенной является ин-
формированность агентов. Агент управления может
принять решение подражать лидеру и/или другим
агентам в случае отсутствия необходимого количе-
ства информации для принятия решения и затратно-
сти восполнения пробела в информированности.
Степень информированности агента в момент вре-
мени t в рамках механизма рефлексивного управле-
ния стадным поведением на предприятии характе-
ризуется параметром t
Ai
α и может изменяться с те-
чением времени для каждого из агентов управления
в зависимости от того количества информации, ко-
торое им доступно. При этом t
Ai
α может тракто-
Менеджмент
С. С. Турлакова
79
Економічний вісник Донбасу № 1(59), 2020
ваться как вероятность искажения/скрытия инфор-
мации агентами в процессе взаимодействий и при-
нятия решений.
Компетентность агента управления в момент
времени t характеризуется вероятностью принятия
решения согласно общепринятому алгоритму, соот-
ветствующему должностным инструкциям/компе-
тенциям агента управления t
Ai
γ .
Авторитетность агента управления определя-
ется параметром, который обозначает весомость
мнения конкретного агента управления для других
агентов. При этом значение 0=
iAβ определяет
агента, чье мнение другими агентами полностью иг-
норируется, а значение 1=
iAβ определяет беспре-
кословного агента-лидера, чье мнение является эта-
лоном для подражания другими агентами, если они
склонны к подражанию.
Склонность подражать в рамках механизма ре-
флексивного управления стадным поведением на
предприятии определяется вероятностью того, что
агент управления в процессе принятия некоторого
решения выберет альтернативу, подобно другим
агентам управления и/или лидеру (авторитетному
агенту). Таким образом, склонность подражать вы-
ражается параметром [ ]1;0∈
iAω – вероятностью
принятия решения агентом управления подобно
другим агентам/лидеру.
Интенции – собственные предпочтения, субъ-
ективные склонности агента управления в процессе
принятия решения. Интенции определяют намере-
ния агента сделать выбор в пользу одной из альтер-
натив в процессе принятия решения. Агент управле-
ния может принять решение подражать лидеру
и/или другим агентам в случае наличия у агентов
личных направленностей (интенций), которые ха-
рактеризуются как недостаточное желание агента
принимать самостоятельные решения. Последняя
ситуация может возникнуть вследствие различных
причин, например, при недостаточной заинтересо-
ванности агента в принятии решения, недостаточ-
ной мотивированности, желании не отличаться от
толпы и т.д. Интенции агентов управления в рамках
настоящей работы будем оценивать с использова-
нием ценности того или иного решения для конкрет-
ного агента управления t
Ai
v в момент времени t.
Определение значений характеристик агентов
будем производить по направлениям выявления со-
ответствующих параметров в рамках моделирова-
ния процессов рефлексивного управления стадным
поведением на предприятиях методом анкетирова-
ния. Для этого изначально составляются анкеты со-
ответственно пяти направлениям для выявления:
t
Ai
α – степени информированности агентов в
момент времени t;
t
Ai
γ – компетентности агента управления в мо-
мент времени t;
iAβ – авторитетности агента управления;
iAω – склонности подражать;
t
Ai
v – оценки интенций (ценности того или
иного решения для конкретного агента управления)
в момент времени t;
Пусть по каждому из направлений анкета мо-
жет содержать Kk ,1= вопросов, каждый из кото-
рых содержит перечень возможных ответов Ll ,1= .
При этом, ответы на вопросы анкеты должны быть
сформированы таким образом, чтобы варианты от-
ветов на них респондентами (агентами) по мере нис-
хождения уменьшали значение степени той или
иной характеристики. Ответы на вопросы должны
быть сформулированы вариативно и однозначно,
чтобы респондент мог выбрать один из перечислен-
ных вариантов. Для составления вопросов по
направлениям выявления рефлексивных характери-
стик могут быть использованы, например, исследо-
вания известного британского психолога Р. Кеттела
[0–0] и компетентностные тесты Д. Маклеланда [0].
Кроме того, каждому из вариантов ответов ставим в
соответствие лингвистический терм, который харак-
теризует степень приближения значения той или
иной характеристики ее к максимально возможному
значению. Для формализации степени такой при-
надлежности и дальнейшего использования в рам-
ках механизма рефлексивного управления стадным
поведением на предприятиях используем теорию
нечетких множеств Л. Заде [0], которая широко ис-
пользуется исследователями для решения разных
типов задач интеллектуальной обработки данных с
использованием лингвистических переменных и ка-
чественных характеристик объектов исследования.
Л. Заде расширил классическое понятие множества,
допустив, что характеристическая функция (функ-
цией принадлежности для нечёткого множества) мо-
жет принимать любые значения в интервале [0; 1].
При этом под нечетким множеством Α , напри-
мер, степени информированности агентов в момент
времени t, будем понимать совокупность упорядо-
ченных пар, составленных из элементов t
Ai
klxα
уни-
версального множества
t
Ai
Xα
и соответствующих
степеней принадлежности t
Ai
kl( x )αμ :
{ }t t t t
A A A Ai i i i
kl kl klA x , ( x ) x Xα α α αμ= ∈ ,
причем t
Ai
kl( x )αμ – функция принадлежности (обоб-
щение понятия характеристической функции обыч-
ных чётких множеств), указывающая, в какой сте-
С. С. Турлакова
80
Економічний вісник Донбасу № 1(59), 2020
пени (мере) элемент t
Ai
klxα
принадлежит нечёткому
множеству Α или в терминах механизма рефлексив-
ного управления стадным поведением на предприя-
тиях функция принадлежности выражает на сколько
информирован агент iA в момент времени t. Функ-
ция t
Ai
kl( x )αμ принимает значения в некотором ли-
нейно упорядоченном множестве 1M ,...,KΑΑ = .
Множество MΑ называют множеством принадлеж-
ностей, часто в качестве MΑ
выбирается отрезок [0; 1]. Если { }0 1M ,Α = , то есть
состоит только из двух элементов, то нечёткое мно-
жество может рассматриваться как обычное чёткое
множество. Выбор функций принадлежности в зави-
симости от решаемой задачи подробно описан в ра-
боте [0].
Аналогично будут сформированы нечеткие
множества для каждой из других выделенных ре-
флексивных характеристик агентов в рамках меха-
низма рефлексивного управления стадным поведе-
нием на предприятиях.
В связи с тем, что теория нечётких множеств в
определённом смысле сводится к теории вероятно-
стей [19], значение функции принадлежностей рас-
сматривать как вероятность накрытия элемента,
например t
Ai
kl
v
x , некоторым случайным множеством.
Тогда, с точки зрения механизма рефлексивного
управления стадным поведением на предприятиях
t
Ai
kl
v
x можно трактовать как вероятность того, что в
момент времени t агент iA совершит выбор некото-
рого решения.
После получения результатов выявления ре-
флексивных характеристик агентов для определе-
ния степени информированности, компетентности,
ценности того или иного решения для конкретного
агента в момент времени t, авторитетности агентов
и склонности к подражанию, сформированные не-
четкие множества необходимо сгруппировать и об-
работать таким образом, чтобы можно было опреде-
лить численные значения указанных параметров для
каждого из агентов. Таким образом, на следующем
этапе механизма рефлексивного управления стад-
ным поведением на предприятиях необходимым
становится решение задачи классификации полу-
ченных нечетких значений рефлексивных характе-
ристик по соответствующим направлениям анализа
процесса принятия решений. Следует отметить, что
целью такой классификации будет не только чис-
ленное определение рефлексивных характеристик
агентов, но и выявление потенциального круга аген-
тов, на которых будут направлены управляющие
воздействия механизма рефлексивного управления
стадным поведением.
Задача классификации образов относится к
классической задаче машинного обучения и имеет
огромное прикладное значение. В настоящее время
существует большой спектр методов, позволяющих
классифицировать объекты различной природы,
среди которых различные методы кластерного ана-
лиза, методы классификации k-ближайших соседей
и байесовских сетей, классификация на основе дере-
вьев решений, нейронных сетей, опорных векторов
и т.д. [0–0].
Решаемая задача в рамках настоящего исследо-
вания определена необходимостью обработки до-
статочно большого количества данных анкетирова-
ния, наличием нечеткого набора данных, отсут-
ствием обучающей выборки. В связи с этим, акту-
альным для ее решения является использование ма-
шинной обработки данных и алгоритма, который не
требует предварительного обучения по примерам, в
которых указано какой образ к какому классу отно-
сится. В работах [0–0] обоснована актуальность ре-
шения подобных задач обработки нечетких данных с
использованием методов нейронных сетей, в частно-
сти самоорганизующихся карт Кохонена [0–29].
Таким образом, для определения значений ре-
флексивных характеристик по направлениям опре-
деления степени информированности агентов, ком-
петентности, авторитетности, склонности подра-
жать и интенциональной направленности будем ис-
пользовать нейронную сеть Кохонена. При этом, на
входы нейронной сети будем подавать нечеткие
множества – результаты анкетирования агентов.
Так, например, результаты анкетирования i-го
агента iA по его информированности
i
t
Aα в момент
времени t будет определен ответом
*
t
Ai
klxα , где пара-
метром *l будет выбранный агентом ответ из пе-
речня вариантов L на вопрос k . В таком случае, со-
вокупность нечетких множеств результатов анкети-
рования агентов обозначим * * * * *, , , ,Α ϒ Β Ω Ι .
На каждый нейрон слоя Кохонена поступает
информация относительно объекта исследования в
виде вектора x, состоящий из множеств полученных
в результате анкетирования исследуемых агентов
{ } 1
*
t t t t
A A A Ai i i i
* kl kl klA x , ( x ) x X ,k ,Kα α α αμ= ∈ = .
При поступлении на входной слой сети нового
вектора данных все нейроны карты самоорганиза-
ции участвуют в соревновании за право быть побе-
дителем. В результате такого соревнования победи-
телем становится тот нейрон, который больше дру-
гих похож на вектор входных данных. Мера сход-
ства вектора данных к каждому нейрону может быть
определена расчетом сумматора этого нейрона пу-
тем добавления произведений значений объясня-
ющих показателей исследуемых объектов (элемен-
С. С. Турлакова
81
Економічний вісник Донбасу № 1(59), 2020
тов вектора входных данных) на соответствующие
веса межнейронных связей.
Результатом процесса настройки будет расчет
параметров нейронов слоя Кохонена, которые будут
отвечать различным примерам из обучающей вы-
борки. Таким образом, осуществляется самооргани-
зация структуры карты Кохонена, которая получает
способность сочетать в кластеры многомерные век-
торы данных путем обнаружения в них похожих
статистических характеристик. В результате началь-
ное пространство большой размерности проециру-
ется на двумерную карту. Так, отображение много-
мерных исходных данных методом самоорганиза-
ции Кохонена в виде плоской карты позволяет
наглядно классифицировать данные. Поскольку
карты самоорганизации характеризуются свойством
обобщения, то они могут распознавать входные при-
меры, на которых раньше не настраивались – новый
вектор входных данных соотносится с тем элемен-
том карты, на который он отображается.
Этот тип нейронных сетей можно применять
даже для работы с входными векторами, в которых
данных не хватает или они зашумлены. Такое свой-
ство позволяет использовать карты Кохонена с це-
лью эффективного распознавания или воспроизве-
дения отсутствующих данных, а также для усиления
сигналов, что особенно важно в рамках механизма
рефлексивного управления стадным поведением на
предприятиях, так как результаты анкетирования
агентов могут содержать ответы не на все вопросы.
Также, особенностью самоорганизующихся
карт Кохонена является то, что при подаче новых
данных для кластеризации могут меняться границы
классов, и, соответственно, результаты классифика-
ции и интерпретация значений. Однако, учитывая
тот факт, что исходные данные для классификации
характеристик агентов в рамках механизма рефлек-
сивного управления стадным поведением на пред-
приятиях подаются в нечетком виде, их функции
принадлежности определяют указанные параметры
множествами, содержащими в основном не более
5 значений и они могут принимать строго опреде-
ленные значения, указанный недостаток карт само-
организации Кохонена не будет отражаться на ре-
зультатах оценки характеристик агентов.
Важным прикладным значением интерпрета-
ции результатов кластеризации SOM Кохонена яв-
ляется возможность получения как представителей
конкретных классов, так и средних значений харак-
теристик представителей классов, которые опреде-
ляются весомыми коэффициентами нейронов сети и
представляют центры кластеров. Далее значениям
соответствующих рефлексивных характеристик
каждого из агентов в полученных кластерах после
обработки нейронной сетью присвоим значения па-
раметров нейрона, определяющего центр кластера.
Таким образом, в результате классификации вход-
ных векторов данных по направлениям определе-
ния значений рефлексивных характеристик агентов
получим типичные значения искомых парамет-
ров для агентов-представителей того или иного
класса.
Так, в результате обработки нейронной сетью
входных данных анкетирования агентов по направ-
лению определения степени информированности
агентов получим множество значений параметров
{ } 1
i
t
A , i ,NαΑ = = . В связи с тем, что нечеткие мно-
жества Заде рассматривают функции принадлежно-
стей параметров как вероятность накрытия эле-
мента, например t
Ai
klxα
, некоторым случайным мно-
жеством, и ранее было определено, что с точки зре-
ния механизма рефлексивного управления стадным
поведением на предприятиях параметры t
Ai
klxα
будем
трактовать как вероятность того, что в момент вре-
мени t агент iA полностью информирован об обла-
сти принимаемого решения значением
i
t
Aα , перевод
полученных значений в начальную метрику лингви-
стических параметров не представляется необходи-
мым.
Аналогично рассмотренному примеру класси-
фикации с помощью самоорганизующихся карт Ко-
хонена после обработки результатов анкетирования
по направлениям определения компетентности, ав-
торитетности, склонности к подражанию и интенци-
ональных направленностей агентов получим мно-
жества:
{ }
i
t
A , i 1,Nϒ γ= = – множества значений, опре-
деляющих компетентность агентов управления в
момент времени t;
{ }
iA , i 1,NΒ β= = – множества значений,
определяющих авторитетность агентов управления;
{ }
iA , i 1,NΩ ω= = – множества значений,
определяющих склонность к подражанию агентов;
{ }
i
t
Av , i 1,NΙ = = – с точки зрения механизма
рефлексивного управления стадным поведением на
предприятиях t
Ai
kl
v
x можно трактовать как интенцио-
нальную направленность совершить выбор конкрет-
ного решения для конкретного агента iA или как ве-
роятность того, что в момент времени t агент iA го-
тов совершить выбор некоторого решения.
Последовательность основных этапов опреде-
ления значений характеристик агентов в рамках
концепции моделирования процессов рефлексив-
ного управления стадным поведением на предприя-
тиях представлена на рисунке.
С. С. Турлакова
82
Економічний вісник Донбасу № 1(59), 2020
Полученные значения рефлексивных характе-
ристик агентов могут быть использованы далее в
рамках соответствующего механизма для получения
результатов принятия решений агентами с исполь-
зованием функций рефлексивного выбора.
Выводы. Таким образом, в статье предложена
общая методология определения значений рефлек-
сивных характеристик агентов в рамках моделиро-
вания процессов рефлексивного управления стад-
ным поведением на предприятиях. Выделены основ-
ные рефлексивные составляющие процесса приня-
Кластеризация SOM Т. Кохонена
по направлениям выявления рефлексивных
характеристик
Формирование нечетких множеств по
результатам анкетирования агентов
Определение значений рефлексивных
характеристик агентов
Анкетирование агентов
по направлениям выявления рефлексивных
характеристик k 1,K=
l 1,L=
* * * * *, , , ,Α ϒ Β Ω Ι
, , , ,Α ϒ Β Ω Ι
{ }
i i i i i
t t t
A A A A A, , , ,vα γ β ω
Рисунок. Общая схема определения значений
рефлексивных характеристик агентов в рамках
моделирования процессов рефлексивного управ-
ления стадным поведением на предприятиях
тия решений экономическими субъектами: инфор-
мированность агентов управления относительно об-
ласти принимаемого решения; компетентность эко-
номических субъектов; авторитетность (репутация)
агента управления; склонность агентов управления
к подражанию; интенциональная направленность
экономических субъектов. Сделаны выводы о необ-
ходимости учета приведенных характеристик в по-
строении моделей механизма рефлексивного управ-
ления стадным поведением на предприятиях.
Определение значений рефлексивных характе-
ристик агентов предложено производить на пред-
приятиях по анкетам, составленным соответственно
пяти направлениям выявления: степени информиро-
ванности, компетентности, авторитетности агента,
его склонности к подражанию и интенциональной
направленности. Для составления вопросов анкет по
направлениям выявления рефлексивных характери-
стик предложено использование исследования из-
вестного британского психолога Р. Кеттела и компе-
тентностные тесты Д. Маклеланда.
Для определения значений рефлексивных ха-
рактеристик агентов по результатам анкетирования
предложено формирование нечетких множеств в
рамках теории Л. Заде в рамках механизма рефлек-
сивного управления стадным поведением на пред-
приятиях. После получения результатов выявления
рефлексивных характеристик агентов для определе-
ния численных значений степени информированно-
сти, компетентности, ценности того или иного ре-
шения для конкретного агента, авторитетности аген-
тов и склонности к подражанию, сформированные
нечеткие множества предложено разбиение агентов
на группы нейронной сетью самоорганизации Т. Ко-
хонена, входами которой определены нечеткие мно-
жества – результаты анкетирования агентов. Целью
такой классификации является не только численное
определение рефлексивных характеристик агентов,
но и выявление потенциального круга агентов, на
которых будут направлены управляющие воздей-
ствия механизма рефлексивного управления стад-
ным поведением.
Важным прикладным значением интерпрета-
ции результатов кластеризации SOM Кохонена яв-
ляется возможность получения как представителей
конкретных классов, так и средних значений харак-
теристик представителей классов, которые опреде-
ляются весомыми коэффициентами нейронов сети и
представляют центры кластеров. Значениям соот-
ветствующих рефлексивных характеристик каждого
из агентов в полученных кластерах после обработки
нейронной сетью предложено присваивать значения
параметров нейрона, определяющего центр кла-
стера. Таким образом, в результате классификации
входных векторов данных по направлениям опреде-
ления значений рефлексивных характеристик аген-
тов получаются типичные значения искомых пара-
метров для агентов-представителей классов. Полу-
ченные в результате применения методологии опре-
деления значений рефлексивных характеристик
агентов в рамках моделирования процессов рефлек-
сивного управления стадным поведением на пред-
приятиях значения рефлексивных характеристик
агентов используются в рамках соответствующего
механизма для получения результатов принятия ре-
шений агентами с использованием функций рефлек-
сивного выбора.
Перспективным направлением исследования
является разработка методологии рефлексивного
управления стадным поведением на предприятиях
на основе полученных рефлексивных характеристик
агентов управления.
С. С. Турлакова
83
Економічний вісник Донбасу № 1(59), 2020
Литература
1. Талер Р., Санстейн К. Nudge: Архитектура вы-
бора. Как улучшить наши решения о здоровье, благо-
состоянии и счастье. Москва: Манн, Иванов и Фербер,
2017. 240 с. 2. Талер Р. Новая поведенческая эконо-
мика. Почему люди нарушают правила традиционной
экономики и как на этом заработать. Москва: Изд-во
«Э», 2017. 368 с. 3. Thaler R. H., Sunstein C. R. Nudge:
Improving decisions about health, wealth, and happiness.
Penguin, 2009. 306 p. 4. Kahneman D., Tversky А. Pro-
spect theory: an analysis of decisions under risk. Econo-
metrica. 1979. Vol. 47. P. 263–291. 5. Лефевр В. А.,
Смолян Г. Л. Алгебра конфликта. Москва: Книга по
Требованию, 2012. 50 с. 6. Новиков Д. А., Чхарти-
швили А. Г. Рефлексия и управление: математические
модели. Москва: Издательство физико-математиче-
ской литературы, 2013. 412 с. 7. Spence M. Market Sig-
nalling: Information Transfer in Hiring and Related Pro-
cesses. Cambridge, MА: Harvard University Press. 1973.
224 p. 8. Soros G. The new paradigm for financial mar-
kets: The credit crisis of 2008 and what it means. Philadel-
phia: Public Affairs, 2008. 208 p. 9. Бреер В. В. Модели
конформного поведения. Ч. 1. От философии к матема-
тическим моделям. Control Sciences. 2014. № 1. С. 2–
13. 10. Бреер В. В. Модели конформного поведения.
Ч. 2. Математические модели. Control Sciences. 2014.
№ 2. С. 2–17. 11. Губанов Д. А., Новиков Д. А., Чхарти-
швили А. Г. Модели влияния в социальных се-
тях. Управление большими системами: сборник тру-
дов. 2009. № 27. P. 205–281. 12. Вороновицкий М. М.
Модель стадного поведения клиентов банка. Эконо-
мика и математические методы. 2013. № 49 (1).
C. 73–87. 13. Даніч В.М. Моделювання динаміки мен-
талітету суб'єкта масових комунікацій. Вісник
Харківського національного університету імені В.Н.
Каразіна, серія «Економічна». 2019. Вип. 96. С. 15 – 23.
14. Cattell R. B. The meaning and strategic use of factor
analysis. Handbook of Multivariate Experimental Psychol-
ogy. New York: Plenum, 1988. P. 131-203. 15. Boyle
G. J., Saklofske D. H., Matthews G. (Eds.) Measures of
Personality and Social Psychological Constructs (Ch. 8).
Amsterdam: Elsevier/Academic, 2015. 824 p. 16. Gregory
J. Boyle, Lazar Stankov, Nicholas G. Martin, K.V.
Petrides, Michael W. Eysenck, Generos Ortet,Hans J. Ey-
senck and Raymond B. Cattell on intelligence and person-
ality. Personality and Individual Differences. 2016. № 103.
P. 40-47. doi: https://doi.org/10.1016/ j.paid.2016.04.029.
17. McClelland D. C. Chapter 27: Where Do We Stand on
Assessing Competencies? Counterpoints. 2001. № 166.
Р. 479–489. 18. Zadeh L.A. Fuzzy sets. Information and
Control. 1965. №8(3). P. 338–353. 19. Кофман А., Хил
А. Х. Введение в теорию нечетких множеств в управ-
лении предприятием. Минск: Высшая школа, 1992.
224 с. 20. Жангиров Т. Р., Перков А. С., Иванова
С. А., Лисс А. А., Григорьева Н. Ю., Чистякова Л. В.
Сравнение эффективности решения задачи классифи-
кации методами линейного дискриминантного анализа
и искусственных нейронных сетей. Известия
СПбГЭТУ ЛЭТИ. 2019. № 5. C. 64–73. 21. Коськин
А. В., Митин А.А., Артёмов А.В. Группы задач, клас-
сификация методов интеллектуального анализа дан-
ных и их сравнительный анализ. Современные техно-
логии в мировом научном пространстве. 2019. C. 52–
57. 22. Татур М. М., Одинец Д. Н. О Систематизации
методов классификации данных и знаний. Информа-
тика. 2010. № 3(27). С. 103–113. 23. Kaski S. Self-Or-
ganizing Maps. Sammut C., Webb G.I. (eds) Encyclopedia
of Machine Learning. Boston, MA: Springer. 2011. DOI:
https://doi.org/10.1007/978-0-387-30164-8. 24. Suthaha-
ran S. Machine Learning Models and Algorithms for Big
Data Classification. Integrated Series in Information Sys-
tems 36. New York: Springer Science+Business Mrdia,
2016. 359 p. 25. Лабинский А. Ю. Использование не-
четкой логики в решении задач классификации. Вест-
ник Санкт-Петербургского университета Государ-
ственной противопожарной службы МЧС России.
2018. № 3. C. 46-53. doi: 10.24411/2218-130X-2018-
00048. 26. Меркулова Т. В., Кононова Е. Ю.
Нейросетевой подход к моделированию поведения:
анализ результатов эксперимента «Общественное
благо». Нейро-нечіткі технології моделювання в еко-
номіці. 2015. № 4. C. 113–134. 27. Годяев А. А., Гиго-
лаев А. В., Цуканова Н. И. Программа построения са-
моорганизующихся карт Кохонена при категориаль-
ных и смешанных данных. Вестник Рязанского госу-
дарственного радиотехнического университета.
2017. № 61. C. 78–87. 28. Бодянский Е. В., Дейнеко
А. А., Заика А. А., Куценко Я. В. Нечеткая кластери-
зация потоков данных с помощью ЕМалгоритма на ос-
нове самообучения по Т. Кохонену. Прикладная ра-
диоэлектроника. 2016. № 15(1). C. 80–83. 29. Roy
D. K., Pandey H. M. A New Clustering Method Using an
Augmentation to the Self Organizing Maps. 8th Interna-
tional Conference on Cloud Computing, Data Science &
Engineering (Confluence). India, 2018. P. 739-743.
References
1. Thaler R., Sunstein K. (2017). Nudge: The
Architecture of Choice. How to improve our decisions
about health, well-being and happiness. Moscow, Mann,
Ivanov and Ferber [in Russian].
2. Thaler R. (2017). New Behavioral Economics.
Why do people break the rules of the traditional economy
and how to make money on it. Moscow, «E» Publishing
House [in Russian].
3. Thaler R. H., Sunstein C. R. (2009). Nudge: Im-
proving decisions about health, wealth, and happiness.
Penguin. 306 p.
4. Kahneman D., Tversky А. (1979). Prospect theory:
an analysis of decisions under risk. Econometrica, Vol. 47,
рр. 263–291.
5. Lefevr V. A., Smolyan G. L. (2012). Algebra kon-
flikta [Conflict Algebra]. Moscow, Kniga po Trebovaniyu.
50 р. [in Russian].
6. Novikov D.A., Chkhartishvili A.G. (2013). Ref-
lection and control: mathematical models. Moscow,
Publishing house of physical and mathematical literature
[in Russian].
С. С. Турлакова
84
Економічний вісник Донбасу № 1(59), 2020
7. Spence M. (1973). Market Signalling: Information
Transfer in Hiring and Related Processes. Cambridge, MА:
Harvard University Press. 224 p.
8. Soros G. (2008). The new paradigm for financial
markets: The credit crisis of 2008 and what it means. Phil-
adelphia, Public Affairs. 208 p.
9. Breuer V.V. (2014). Models of conformal beha-
vior. Part 1. From philosophy to mathematical models.
Control sciences, 1, рр. 2–13.
10. Breuer V.V. (2014). Models of conformal beha-
vior. Part 2. From philosophy to mathematical models.
Control sciences, 2, рр. 2–17.
11. Gubanov D. A., Novikov D. A., Chkhartishvili A.
G. (2009). Modeli vliyaniya v sotsial'nykh setyakh [Mod-
els of influence in social networks]. Upravleniye bol'shimi
sistemami – Large Systems Management, 27, рр. 205–281
[in Russian].
12. Voronovitskiy M. M. (2013). Model' stadnogo
povedeniya kliyentov banka [Model of herd behavior of
bank customers]. Ekonomika i matematicheskiye metody –
Economics and mathematical methods, 49 (1), рр. 73–87
[in Russian].
13. Danich V.M. (2019). Modeliuvannia dynamiky
mentalitetu subiekta masovykh komunikatsii [Modeling of
dynamics of mentality of the subject of mass communica-
tions]. Visnyk Kharkivskoho natsionalnoho universytetu
imeni V.N. Karazina, seriia «Ekonomichna» – Bulletin of
the VN Kharkiv National University Karazina, series "Eco-
nomic", Issue 96, рр. 15 – 23 [in Ukrainian].
14. Cattell R. B. (1988). The meaning and strategic
use of factor analysis. Handbook of Multivariate Experi-
mental Psychology. New York, Plenum. P. 131-203.
15. Boyle G. J., Saklofske D. H., Matthews G. (Eds.)
(2015). Measures of Personality and Social Psychological
Constructs (Ch. 8). Amsterdam, Elsevier/Academic. 824 p.
16. Gregory J. Boyle, Lazar Stankov, Nicholas G.
Martin, K.V. Petrides, Michael W. Eysenck, Generos Or-
tet, Hans J. Eysenck and Raymond B. (2016). Cattell on
intelligence and personality. Personality and Individual
Differences, 103, рр. 40-47. doi: https://doi.org/10.1016/
j.paid.2016.04.029.
17. McClelland D. C. (2001). Chapter 27: Where Do
We Stand on Assessing Competencies? Counterpoints,
166, рр. 479–489.
18. Zadeh L.A. (1965). Fuzzy sets. Information and
Control, 8(3), рр. 338–353.
19. Kofman A., Hill A. Kh. (1992). Introduction to
the theory of fuzzy sets in enterprise management. Minsk:
Vysshaya shkola [in Russian].
20. Zhangirov T.R., Perkov A.S., Ivanova S.A., Liss
A.A., Grigoryeva N. Yu., Chistyakova L.V. (2019).
Comparison of the effectiveness of solving the classi-
fication problem by methods of linear discriminant
analysis and artificial neural networks. Izvestiya SPbGETU
LETI, 5, рр. 64–73 [in Russian].
21. Kos'kin A. V., Mitin A.A., Artomov A.V. (2019).
Gruppy zadach, klassifikatsiya metodov intellektual'nogo
analiza dannykh i ikh sravnitel'nyy analiz [Task groups,
classification of data mining methods and their compara-
tive analysis]. Sovremennyye tekhnologii v mirovom
nauchnom prostranstve – Modern technologies in the
global scientific space, рр. 52–57 [in Russian].
22. Tatur M. M., Odinets D. N. (2010). O Sistema-
tizatsii metodov klassifikatsii dannykh i znaniy [On the
Systematization of methods for classifying data and
knowledge]. Informatika – Informatics, 3(27), рр. 103–113
[in Russian].
23. Kaski S. (2011). Self-Organizing Maps. Sammut
C., Webb G.I. (eds) Encyclopedia of Machine Learning.
Boston, MA: Springer. doi: https://doi.org/10.1007/978-0-
387-30164-8
24. Suthaharan S. (2016). Machine Learning Models
and Algorithms for Big Data Classification. Integrated Se-
ries in Information Systems 36. New York: Springer Sci-
ence+Business Mrdia. 359 p.
25. Labinskiy A. YU. (2018). Ispol'zovaniye nechet-
koy logiki v reshenii zadach klassifikatsii [Use of fuzzy
logic in solving classification problems]. Vestnik Sankt-
Peterburgskogo universiteta Gosudarstvennoy protivo-
pozharnoy sluzhby MCHS Rossii – Bulletin of the St. Pe-
tersburg University of the State Fire Service EMERCOM
of Russia, 3, рр. 46-53. doi: 10.24411/2218-130X-2018-
00048 [in Russian].
26. Merkulova T. V., Kononova Ye. YU. (2015).
Neyrosetevoy podkhod k modelirovaniyu povedeniya:
analiz rezul'tatov eksperimenta «Obshchestvennoye
blago» [Neural network approach to modeling behavior:
analysis of the results of the “Public Good” experiment].
Neiro-nechitki tekhnolohii modeliuvannia v ekonomitsi –
Neuro-fuzzy modeling technologies in economics, 4, рр.
113–134 [in Russian].
27. Godyayev A. A., Gigolayev A. V., Tsukanova N.
I. (2017). Programma postroyeniya samoorganizuyu-
shchikhsya kart Kokhonena pri kategorial'nykh i
smeshannykh dannykh [Program for constructing self-or-
ganizing Kohonen maps with categorical and mixed data].
Vestnik Ryazanskogo gosudarstvennogo radiotekhni-
cheskogo universiteta – Bulletin of the Ryazan State Radio
Engineering University, 61, рр. 78–87 [in Russian].
28. Bodyanskiy Ye. V., Deyneko A. A., Zaika A. A.,
Kutsenko YA. V. (2016). Nechetkaya klasterizatsiya
potokov dannykh s pomoshch'yu YEMalgoritma na osnove
samoobucheniya po T. Kokhonenu [Fuzzy clustering of
data streams using the EMalgorithm based on self-learning
according to T. Kohonen]. Prikladnaya radioelektronika –
Applied Electronics, 15(1), рр. 80–83 [in Russian].
29. Roy D. K., Pandey H. M. (2018). A New Cluster-
ing Method Using an Augmentation to the Self Organizing
Maps. 8th International Conference on Cloud Computing,
Data Science & Engineering (Confluence). India. P. 739-
743.
Турлакова С. С. Методологія визначення зна-
чень характеристик агентів в концепції моделю-
вання процесів рефлексивного управління стадною
поведінкою на підприємствах
Виділено основні рефлексивні складові процесу
прийняття рішень економічними агентами в рамках
моделювання процесів рефлексивного управління
стадною поведінкою: інформованість агентів управ-
С. С. Турлакова
85
Економічний вісник Донбасу № 1(59), 2020
ління щодо області прийнятого рішення; компетент-
ність економічних суб'єктів; авторитетність; схиль-
ність агентів управління до наслідування; інтенціона-
льна спрямованість. На основі методів анкетування,
теорії нечітких множин Л. Заде і нейромережевого мо-
делювання запропоновано загальну методологію ви-
значення значень рефлексивних характеристик аген-
тів. Представлено послідовність основних етапів ви-
значення значень характеристик агентів в рамках кон-
цепції моделювання процесів рефлексивного управ-
ління стадною поведінкою на підприємствах. Окрес-
лено перспективні напрямки досліджень.
Ключові слова: методологія, характеристики аге-
нта, моделювання, рефлексивне управління, стадна по-
ведінка, підприємство.
Turlakova S. Methodology for Determining the
Values of the Characteristics of Agents in the Concept
of Modeling Processes of Reflexive Management of
Herd Behavior at Enterprises
The main reflexive components of the decision-
making process by economic agents in the framework of
modeling processes of reflexive management of herd be-
havior at enterprises are identified: awareness of manage-
ment agents regarding the area of decision-making; com-
petence of economic entities; authority of the management
agent; propensity of management agents to imitate; inten-
tional orientation. Based on questionnaire methods, the
theory of fuzzy sets of L. Zadeh and neural network mo-
deling, a general methodology for determining the values
of the reflexive characteristics of agents is proposed. The
sequence of the main stages of determining the values of
the characteristics of agents within the framework of the
concept of modeling processes of reflexive management of
herd behavior at enterprises is presented. Promising areas
of research are outlined.
Keywords: methodology, characteristics of agents,
modeling, reflexive management, herd behavior, enter-
prise.
Турлакова С. С. Методология определения
значений характеристик агентов в концепции мо-
делирования процессов рефлексивного управления
стадным поведением на предприятиях
Выделены основные рефлексивные составля-
ющие процесса принятия решений экономическими
агентами в рамках моделирования процессов рефлек-
сивного управления стадным поведением: информиро-
ванность агентов управления относительно области
принимаемого решения; компетентность экономиче-
ских субъектов; авторитетность агента управления;
склонность агентов управления к подражанию; интен-
циональная направленность. На основе методов анке-
тирования, теории нечетких множеств Л. Заде и
нейросетевого моделирования предложена общая ме-
тодология определения значений рефлексивных харак-
теристик агентов. Представлена последовательность
основных этапов определения значений характеристик
агентов в рамках концепции моделирования процессов
рефлексивного управления стадным поведением на
предприятиях. Намечены перспективные направления
исследований.
Ключевые слова: методология, характеристики
агента, моделирование, рефлексивное управление,
стадное поведение, предприятие.
Стаття надійшла до редакції 31.01.2020
Прийнято до друку 20.02.2020
|
| id | nasplib_isofts_kiev_ua-123456789-170201 |
| institution | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| issn | 1817-3772 |
| language | Russian |
| last_indexed | 2025-11-29T00:28:48Z |
| publishDate | 2020 |
| publisher | Інститут економіки промисловості НАН України |
| record_format | dspace |
| spelling | Турлакова, С.С. 2020-07-07T17:29:25Z 2020-07-07T17:29:25Z 2020 Методология определения значений характеристик агентов в концепции моделирования процессов рефлексивного управления стадным поведением на предприятиях / С.С. Турлакова // Економічний вісник Донбасу. — 2020. — № 1 (59). — С. 78-85. — Бібліогр.: 29 назв. — рос. 1817-3772 doi: 10.12958/1817-3772-2020-1(59)-78-85 https://nasplib.isofts.kiev.ua/handle/123456789/170201 338.2:330.4:658.1 Выделены основные рефлексивные составляющие процесса принятия решений экономическими агентами в рамках моделирования процессов рефлексивного управления стадным поведением: информированность агентов управления относительно области принимаемого решения; компетентность экономических субъектов; авторитетность агента управления; склонность агентов управления к подражанию; интенциональная направленность. На основе методов анкетирования, теории нечетких множеств Л. Заде и нейросетевого моделирования предложена общая методология определения значений рефлексивных характеристик агентов. Представлена последовательность основных этапов определения значений характеристик агентов в рамках концепции моделирования процессов рефлексивного управления стадным поведением на предприятиях. Намечены перспективные направления исследований. Виділено основні рефлексивні складові процесу прийняття рішень економічними агентами в рамках моделювання процесів рефлексивного управління стадною поведінкою: інформованість агентів управління щодо області прийнятого рішення; компетентність економічних суб'єктів; авторитетність; схильність агентів управління до наслідування; інтенціональна спрямованість. На основі методів анкетування, теорії нечітких множин Л. Заде і нейромережевого моделювання запропоновано загальну методологію визначення значень рефлексивних характеристик агентів. Представлено послідовність основних етапів визначення значень характеристик агентів в рамках концепції моделювання процесів рефлексивного управління стадною поведінкою на підприємствах. Окреслено перспективні напрямки досліджень. The main reflexive components of the decisionmaking process by economic agents in the framework of modeling processes of reflexive management of herd behavior at enterprises are identified: awareness of management agents regarding the area of decision-making; competence of economic entities; authority of the management agent; propensity of management agents to imitate; intentional orientation. Based on questionnaire methods, the theory of fuzzy sets of L. Zadeh and neural network modeling, a general methodology for determining the values of the reflexive characteristics of agents is proposed. The sequence of the main stages of determining the values of the characteristics of agents within the framework of the concept of modeling processes of reflexive management of herd behavior at enterprises is presented. Promising areas of research are outlined. ru Інститут економіки промисловості НАН України Економічний вісник Донбасу Менеджмент Методология определения значений характеристик агентов в концепции моделирования процессов рефлексивного управления стадным поведением на предприятиях Методологія визначення значень характеристик агентів в концепції моделювання процесів рефлексивного управління стадною поведінкою на підприємс Methodology for Determining the Values of the Characteristics of Agents in the Concept of Modeling Processes of Reflexive Management of Herd Behavior at Enterprises Article published earlier |
| spellingShingle | Методология определения значений характеристик агентов в концепции моделирования процессов рефлексивного управления стадным поведением на предприятиях Турлакова, С.С. Менеджмент |
| title | Методология определения значений характеристик агентов в концепции моделирования процессов рефлексивного управления стадным поведением на предприятиях |
| title_alt | Методологія визначення значень характеристик агентів в концепції моделювання процесів рефлексивного управління стадною поведінкою на підприємс Methodology for Determining the Values of the Characteristics of Agents in the Concept of Modeling Processes of Reflexive Management of Herd Behavior at Enterprises |
| title_full | Методология определения значений характеристик агентов в концепции моделирования процессов рефлексивного управления стадным поведением на предприятиях |
| title_fullStr | Методология определения значений характеристик агентов в концепции моделирования процессов рефлексивного управления стадным поведением на предприятиях |
| title_full_unstemmed | Методология определения значений характеристик агентов в концепции моделирования процессов рефлексивного управления стадным поведением на предприятиях |
| title_short | Методология определения значений характеристик агентов в концепции моделирования процессов рефлексивного управления стадным поведением на предприятиях |
| title_sort | методология определения значений характеристик агентов в концепции моделирования процессов рефлексивного управления стадным поведением на предприятиях |
| topic | Менеджмент |
| topic_facet | Менеджмент |
| url | https://nasplib.isofts.kiev.ua/handle/123456789/170201 |
| work_keys_str_mv | AT turlakovass metodologiâopredeleniâznačeniiharakteristikagentovvkoncepciimodelirovaniâprocessovrefleksivnogoupravleniâstadnympovedeniemnapredpriâtiâh AT turlakovass metodologíâviznačennâznačenʹharakteristikagentívvkoncepcíímodelûvannâprocesívrefleksivnogoupravlínnâstadnoûpovedínkoûnapídpriêms AT turlakovass methodologyfordeterminingthevaluesofthecharacteristicsofagentsintheconceptofmodelingprocessesofreflexivemanagementofherdbehavioratenterprises |