Классификация данных и способов их получения

Экономика как наука использует ряд специальных методов получения информации (табл. 7.2).

Таблица 7.2

Классификация источников и методов получения социально-экономической информации

Источник информации	Методы
Документальный	Анализ документов (внутренних отчетов, аналитических обзоров, результатов проверок и т.д.)
Внешние проявления социально-экономических явлений	Статистические наблюдения без нарушения регламентов работы исследуемой СЭС
Эксперимент	Наблюдение СЭС в измененных условиях (см. Хоторнский эксперимент, локальные экономические зоны)
Модель	Моделирование (физическое, имитационное, аналитическое)
Эксперт	Экспертный опрос, моделирование
Экспертная группа	Методы сценариев, мозгового штурма
Социально-экономическое обследование респондентов СЭС	Социометрический опрос (анкеты, интервью), эконометрическое измерение
Широкие массы населения	Региональные и общегосударственные референдумы, социальные сети

Анализ документов – сбор социально-экономических данных при изучении СЭС (работника, коллектива сотрудников, предприятия, региональной, отраслевой экономики и т.п.). Необходимо отметить, что под документом в данном случае понимается любой фиксированный носитель информации, обладающий признаками достоверности и законности. К документам относятся:

• внутренние отчеты работников предприятий о проделанной работе, результаты мониторингов, проводимых официальными органами (министерствами, службами занятости, федеральными органами, отвечающими за миграционную политику, и пр.);

• аналитические обзоры ученых, обозревателей, журналистов СМИ;

• результаты проверок финансовых органов, счетных палат и т.д.

Разновидностью данного метода является контент-анализ, подразумевающий перевод качественной информации в количественные показатели и дальнейшую ее статистическую обработку.

Статистические наблюдения без нарушения регламентов работы исследуемой социально-экономической системы – это фиксирование происходящих явлений и событий.

Наглядным примером может служить наблюдение за производственными показателями предприятия (фирмы), при котором фиксируются объемы и качество выпускаемой продукции, ее спрос и предложение на рынке, колебания цен на продукцию (товары, услуги), рентабельность производства и т.д. Эти данные позволяют построить аналитические модели исследуемых процессов, осуществлять по ним прогноз и управление развитием.

В свою очередь наблюдения классифицируются как научные и обыденные, включенные и не включенные. Научное наблюдение требует доказательства (обоснование степени достоверности). Включенное наблюдение – это изучение социальной группы "изнутри". Также различают скрытое или открытое наблюдение, в зависимости от того, знает ли объект наблюдения об этом или нет.

Наблюдение СЭС в измененных условиях. Хрестоматийным примером тому служит Хоторнский эксперимент. Работникам предприятия изменили условия труда и выясняли соответствующие изменения в мотивации труда и его результативности. К этому типу сбора информации относятся также научные эксперименты по созданию локальных экономических зон (с облегченным налоговым бременем, с приоритетным научно-техническим развитием, например, проект "Сколково"), Наблюдение СЭС в измененных условиях – это сбор информации на основе специально спланированной процедуры с прогнозируемым исходом. При подтверждении положительного прогноза опыт распространяется на иные аналогичные СЭС.

В этом случае различают лабораторный и полевой эксперимент. Особо следует отметить математические аспекты экспериментирования. Подробнее они изложены ниже.

Моделирование (физическое, имитационное, аналитическое). Моделирование транслирует наблюдаемое знание (статистику о работе системы) в знание законов функционирования, позволяет формализовать представление людей о критериях работы СЭС, выраженное лингвистически на качественном уровне в аналитические соотношения.

Пример 7.1. Японские исследователи с помощью обычной плесени моделируют развитие транспортных потоков в стране. Питательная среда (хлопья овса) распределяется аналогично распределению населенных пунктов исследуемого региона. В центр его помещается плесень. Она создает свою "транспортную систему", по которой доставляются питательные вещества в "центр", распространяется по "региону" в пропорциях, определяемых интенсивностью питательной среды. Это пример физического моделирования. Он нашел подтверждение на моделировании уже развитых транспортных регионов (Токио и его пригороды): плесень показала результат, адекватный сложившейся транспортной инфраструктуре города.

Имитационные модели заменяют реальное функционирование СЭС на просчет вариантов с помощью программно-технических средств. Это позволяет снизить риски, потери, ускорить процесс принятия решений. В качестве примера имитационной модели рассмотрим тот же случай с моделированием транспортного потока. С помощью теории массового обслуживания для связи двух регионов можно задать различные системы транспортного обслуживания (многофазные, увеличивая число остановок по маршруту, многоканальные, увеличивая число каналов: железнодорожных путей, маршрутных автобусов). Задавая существующие потоки пассажиров и грузов, по имитационной модели легко определить важнейшие показатели транспортного обслуживания: их время в пути, простой в очередях, пропускную способность транспортной системы, затраты и прибыль.

Экспертный опрос. К услугам экспертов обращаются в случае отсутствия априорной информации об исследуемой СЭС и (или) статистических данных о ее функционировании при условии стационарности процесса. В этих случаях отсутствует возможность построения аналитических моделей, единственным источником информации является человек-эксперт, обладающий интуицией, интеллектом и опытом работы в системе. Важно суметь "изъять" имеющуюся у него информацию и использовать для принятия обоснованных экономических решений. Эксперту задаются вопросы из области его компетенции, на которые он дает интуитивные ответы (опрос). С помощью аппарата теории нечетких множеств эта информация качественного характера преобразуется в количественную (моделирование). В данном методе предполагается, что эксперт обладает достаточными знаниями и опытом для формирования адекватного представления об исследуемых процессах СЭС. В противном случае (неуверенность, ограниченность знаний экспертов) прибегают к работе экспертной группы.

Экспертная группа. С помощью группы экспертов реализуются различные методы коллективного выявления знаний (см. параграф 4.2). Среди наиболее распространенных методов следует назвать метод сценариев и метод мозгового штурма. Они предполагают различные условия работы экспертов, использование психологических методик выявления скрытых знаний. Организация совместной работы экспертов требует решения ряда дополнительных вопросов: сколько следует привлечь экспертов, как обеспечить их квалификацию и объективность, как сформировать общее знание? (Ответы на некоторые из этих вопросов даны ниже.)

Социометрический опрос, эконометрическое измерение. Исследование больших и сложных СЭС вовлекает в процесс принятия решений различные, достаточно разнородные группы объектов (людей, отношений, предприятий). Их мнение обычно выявляется на основе проведения анкетирования и интервьюирования. Анкетирование – сбор количественных данных на основе заполнения представленной анкеты, которая строится по методу "воронки":

• вводная часть (введение в проблему);

• основная часть (вопросы по проблеме);

• заключительная часть (социальная).

Интервью – опросный метод сбора информации, предполагающий прямое взаимодействие интервьюера и респондента. Различают свободное и стандартизированное интервью.

Региональные и общегосударственные референдумы, социальные сети. Знания экспертов важны, но эксперты (руководители, специалисты высокого ранга), как правило, ангажированы целью развития СЭС и не всегда отражают мнения и возможности масс людей. Так, российский экономист E. Т. Гайдар считал "шоковую терапию" приемлемым способом реформирования экономики страны, но реформы проводятся ради людей, которые в данном случае оказались не готовы к такому развитию событий. Следовало провести ряд социометрических опросов, массовых эконометрических измерений, которые позволили бы выявить недостающую информации и разработать меры по компенсации негативных последствий "шоковой терапии".

Учитывая разнородность данных, используемых для мониторинга социально-экономических систем моделирования, происходящих в них процессов с целью прогноза развития и управления, можно ввести различные, практически важные классификации данных.

1. По соотношению моментов времени получения и использования данных. В этом случае различают априорные (известные до опыта использования) и апостериорные (полученные в результате эксперимента при решении поставленной задачи) данные.

2. По способу получения данных: с помощью активного, пассивного наблюдения, экспертные.

3. По форме представления данных их можно подразделить на лингвистические и числовые.

В социологии, экономике часто пользуются так называемыми лингвистическими переменными, принимающими значения "мало – много", "неконкуретный – конкурентносопобный", "неустойчивый – устойчивый" и т.д. Лингвистические переменные изучаются в теории нечетких множеств, в современной экономике как научная категория практически не используются, хотя по степени формализации СЭС это наиболее приемлемая форма представления данных. В связи с этим остановимся на данной классификационной форме несколько подробнее. В качестве примеров лингвистических переменных можно назвать:

• степень социальной напряженности общества. Значениями этой переменной могут являться: "низкая", "стимулирующая на развитие", "приемлемая, управляемая", "высокая";

• функции совместно действующих членов команды по Р. Белбину, вот эти значения: "председатель", "формирователь", "коллективист", "исполнитель", "оценщик" и т.д.;

• качество продукции, которое можно определить как: "неприемлемое", "низкое", "среднее", "высокое";

• стиль управления руководителя организации. В теории организационного управления он рассматривается в категориях: "жестко административный", "административный", "демократический", "либеральный";

• стиль управления организацией по Блэку – Моутону: разворачивается уже в двух координатах – "отношение к людям", "отношение к производству";

• степень приспособленности субъекта к управленческой или профессиональной деятельности и т.д.

Над лингвистическими переменными по аналогии с числовыми переменными вводятся различные операции (объединения, пересечения, отрицания, суммы, произведения, концентрации и др.), которые лежат в основе процедур моделирования и принятия решений в сложных системах (в том числе социально-экономических).

Моделями социальных процессов и явлений в категориях теории нечетких множеств являются высказывания вида: "Если выполняется условие А и если одновременно выполняется условие Б или если выполняется условие В, то верно условие Г".

Пример 7.2. Высказывание вида "Если А, то Б". Если в организации привита культура "власти" (значение А лингвистической переменной "организационная культура предприятия"), то предпочтителен "жестко административный стиль управления руководителя" (значение В лингвистической переменной "стиль управления руководителя"). Такие высказывания определяют характер связей между значениями лингвистических переменных.

Пример 7.3. Постановка задачи управления с помощью лингвистических переменных.

Цель, поставленная перед региональной службой занятости: поддержание заданного уровня безработицы региона, обеспечивающего эффективное его развитие.

Используемые здесь лингвистические переменные: "уровень безработицы региона", "эффективное развитие региона".

Управляющие воздействия задаются также лингвистическими переменными: "уровень финансовой поддержки безработных", "организация обучения", "создание рабочих мест".

Важность исследования лингвистических переменных для экономической науки требует специального развития этой темы, не входящего в цели настоящего учебника.

Числовые данные в свою очередь делятся на статистические, экспериментальные и экспертные.

Статистические и экспериментальные данные близки по своей природе. Они получаются в процессе наблюдения за экономическим объектом. Принципиальная разница между ними заключается в том, что, как правило, первые обладают свойством репрезентативности (достаточны по объему, относятся к стационарным процессам, имеют известные статистические характеристики: нулевое математическое ожидание, постоянную дисперсию ошибки наблюдения и др.). Они достаточны для построения адекватных моделей.

Относительно экспериментальных данных этих сведений нет. Необоснованное применение при этом хорошо известных программных продуктов приводит к появлению неадекватных моделей и ложных выводов. Необходимы специальные процедуры, выявляющие или опровергающие эту информацию. В последнем случае разрабатываются специальные методы использования экспериментальной информации (методы отбора данных, методы решения некорректных задач, методы активного эксперимента и т.д.).

Недостаточность данных, их неопределенность и наличие ошибок в них (зашумленность) приводят к ряду проблем моделирования. Рассмотрим некоторые характерные примеры.

Пример 7.4. Исследуется случайный процесс, разворачивающийся во времени (изменение численности безработных в регионе, стоимость продуктовой корзины, прожиточный минимум населения, цены на товары и услуги и т.д.). Строится авторегрессионная модель случайного процесса

(7.1)

с неизвестными коэффициентами aj и порядком п уравнения регрессии, где b(t) – значения белого шума в момент времени t; z(t-j) – значения случайного процесса в моменты времени (t-j); j = 0, 1,..., п.

Структура зависимости (число членов предыстории п) в общем неизвестна. Поэтому исследователь априори выбирает модель вида

(7-2)

Значения параметров модели т и объекта п в общем могут не совпадать. При т > п полученная для расчетов коэффициентов aj система т нормальных уравнений заведомо окажется плохо обусловленной, так как число п независимых аргументов меньше числа уравнений системы т; (т – п) уравнений будут являться следствием п базовых уравнений системы, и вычислительная процедура расчета aj будет неустойчивой.

При т < п модель, очевидно, не адекватна исследуемому процессу, так как не учитывает все влияющие факторы предыстории.

Наконец, при т = п модель соответствует реальному процессу, однако и в этом случае получить "хорошие" (несмещенные, эффективные, состоятельные) оценки aj с помощью регрессионного анализа не удается, так как не выполняются основные предпосылки его применения: входные факторы заданы без ошибки и не коррелированы между собой, ошибка выхода аддитивна, нормально распределена и имеет постоянную дисперсию.

Пример 7.5. В социоэкономике социометрический опрос, эконометрическое измерение выступают в качестве эффективного института оценки и регулирования воспроизводства ресурсов развития общества (человеческих, материальных, интеллектуальных и пр.) на основе достижения социального консенсуса. Объем исследуемого ресурса системы обозначим через V, инертность исследуемой социально-экономической системы – через т (это, например: количество предприятий в регионе, экономический потенциал отрасли, неграмотность населения, профессиональный уровень трудовых ресурсов региона), t – время; Fr – управляющие воздействия на систему (инвестиции в науку и производство, обучение безработных, изменение социальных условий жизни (налогового, пенсионного законодательств и пр.); FС– действие сил сопротивления изменениям (инертность мышления, отсутствие необходимых ресурсов). Данная ситуация описывается дифференциальным уравнением:

с начальными условиями , где dV/dt – скорость изменения процесса.

Решение такой задачи позволило бы количественно изучить процесс (когда и какими ресурсами будут достигнуты те или иные значения исследуемых величин), поставить оптимизационную задачу (достичь заданного результата минимальными средствами или за минимальное время). Однако, как следует из приведенной ниже информации, при определенных значениях параметров т, Fr, Fc решение может быть неустойчивым.

Физически непротиворечиво поставленная задача Коши

(7.3)

имеет решение V(t) = t + 1 при начальном условии у(0) = 1.

Общее решение уравнения (7.3)

(7.4)

Эти утверждения легко проверить подстановкой данных формулы (7.4) в уравнение (7.3).

Погрешность в задании исходных данных может оказать существенное влияние на вид и значение решения. Действительно, если начальным условием положить КДО) = 1,000 001, то V1(t) = 1 + t + 10-6 • е'. Таким образом, вместо V(100) = 101 имеем V1 ( 100) = 2,7•1037. Если уравнение (7.3) описывает некоторый реальный экономический процесс и исходные данные получаются в результате измерений или расчетов, то ошибка, равная 0,000001, вполне естественна. При этом всякое полученное решение теряет смысл, так как отличить 1 от 1,000001 не представляется возможным, а решение варьируется от 101 до 2,7 • 1037.

Если обратиться к сущности исследуемых экономических величин (т, V, FT, Fc), то становится очевидным, что измеряются они с высокой степенью погрешности, т.е. гарантировать адекватное решение мы не можем. Смысл моделирования теряется.

Пример 7.6. Нужно найти модель объекта, представленного на рис. 7.3, если вид модели задан соотношением (7.5):

(7.5)

Рис. 7.3. Блок-схема объекта исследования:

х1, х2 – входы объекта; Ym – теоретический (не зашумленный выход); Yn – реально наблюдаемые значения выхода; О – объект

В качестве примеров таких объектов можно назвать:

• систему стимулирования работников на предприятии (х1 – материальное вознаграждение за труд; х2 – размер социального пакета; Y – степень мотивации сотрудника);

• систему повышения экономической эффективности фирмы (х,, х2 – факторы развития; Y – показатели развития: прибыль, себестоимость продукции и т.д.);

• состояние рынка труда региона, характеризуемое числом безработных У и зависящее от факторов х1, х2: создание новых рабочих мест, обучение и переобучение специалистов.

Наблюдая за функционированием объекта исследования, получаем табл. 7.3.

Таблица 7.3

Результаты наблюдений за объектом

i	х1	х2	Yn
1	2	1	5
2	3	2	7
3	1	4	7

Подставляя значения х1, х2 и Yn из табл. 7.2 в зависимость (7.5) для Ym (т.е. пренебрегая неизвестной величиной г), получим систему

(7.6)

Нетрудно убедиться, что полученная система решения в обычном смысле не имеет. В этом и состоит некорректность математической задачи идентификации модели объекта, полученной по ошибочно заданной информации.

Вернемся к вопросам формирования работоспособной экспертной группы.

Существует большое число экспертных процедур. Остановимся на одной, определяемой следующими условиями: эксперты – люди субъективные и ангажированные, работают на постоянной основе (отбирают инновационные проекты для внедрения, формируют аналитические отчеты и рекомендации для администрации). Необходим механизм, стимулирующий повышение квалификации экспертов и регламентирующий их деятельность в сторону повышения объективности суждений.

Эксперты должны:

• оценить п значений хi переменной х;

• оценить п вариантов развития хi.

В первом случае это могут быть дискретный закон распределения случайной величины, весовые коэффициенты значимости частных критериев в многокритериальной задаче, веса значимости факторов производства и т.д.

Во втором случае это варианты развития пенсионной системы страны, варианты социального развития моногородов, способы предоставления медицинской помощи инвалидам и пожилым людям, механизмы помощи безработным и т.д.

Процедура организации деятельности экспертов состоит в следующем.

1. Осуществляется опрос экспертов о значимости определенных на первом этапе признаков, ценности предлагаемых вариантов.

2. Находятся средние значения оценок экспертов, отклонения их частных оценок от средних и дисперсия разброса мнений экспертов.

3. Если показатели разброса мнений экспертов превышают установленный порог (что означает неспособность коллектива экспертов дать согласованное мнение), то после уточнения задачи, предоставления дополнительной информации возвращаемся к п. 1 алгоритма.

4. Реализуется наиболее весомый вариант и оценивается его практическая ценность. Осуществляется переоценка весов экспертов по результатам эксперимента. Экспертам, предлагавшим более реалистичные варианты, веса перерасчитываются в сторону увеличения, давшим ошибочные мнения – веса уменьшаются.

Вот некоторые математических выражения, принимаемые в качестве перерасчета весов значимости эксперта:

(7.7)

(7.8)

где αi – нормированное мнение i-го эксперта; α – среднее значение мнений экспертов или оценка реальной важности признака (проекта), полученная после завершения эксперимента.

Действительно, если разность между αi и α мала, то этот эксперт в большей степени отражает мнение всей группы экспертов (существующую реальность), т.е., вес его выше (ближе к единице).

Эксперт заинтересован сохранять высокое значение коэффициента, т.е. заинтересован быть объективным и квалифицированным.

В дальнейшем эксперты используются в процедурах оценивания с новыми весами. Эта оценка также корректируется после следующей интерпретации оценивания.

Чтобы иметь больший авторитет, максимально влиять на результат коллективной оценки, каждый эксперт стремится получить наибольший вес. Это стимулирует желание повышения его профессиональной подготовки и усиливает ответственность за принятое решение. Недобросовестные эксперты (лоббирующие непопулярные решения) немедленно будут отмечены низким балом.

Следует исследовать еще один аспект проведения экспертизы, а именно: эксперты – специалисты разной квалификации, т.е. оценивают разные параметры ситуации, или эксперты оценивают одну переменную. В первом случае среднее их мнений определяется как среднее геометрическое, во втором – как среднее арифметическое.