Комбинированная когнитивная модель прогнозирования деятельности университета

Цель исследования. Целью исследования является разработка модели прогнозирования показателей деятельности университета на основе когнитивного подхода, в основе которого лежит построение когнитивной карты, отражающей влияние на базовые показатели совокупности латентных факторов и обеспечивающей решение задачи сценарного прогнозирования. Степень достижения требуемых значений базовых показателей, определяющих рейтинг университета, зависит от величины приращения выявленных латентных факторов. Разработанная модель позволяет выбрать наиболее предпочтительный вариант сценарного прогнозирования показателей деятельности университета в условиях существующих ограничений на ресурсы, выделяемые на приращение латентных факторов.
Материалы и методы. Для достижения поставленной цели использованы методы когнитивного моделирования на основе серых нечетких когнитивных карт (НКК) в комбинации с методами интервальной математики и каузальной алгебры. Применение рассмотренного подхода позволило снизить неопределенность экспертных оценок силы взаимосвязи между концептами когнитивной карты за счет использования при описании взаимосвязей между концептами не точечных оценок, а специальных конструкций в виде интервальных оценок, что обеспечило повышение достоверности результатов моделирования. Разработанная модель построена на основе ансамбля  серых НКК, что в свою очередь позволило повысить точность и достоверность прогнозной модели. Предложенный подход к решению задачи обеспечения прогнозирования деятельности университета позволил разработать адекватную когнитивную модель.
Результаты. Разработанная когнитивная модель деятельности университета позволила анализировать динамику изменения факторов и их влияния на базовые показатели, а также динамику развития системы показателей в целом. Проведенный расчет позволил выбрать наиболее приемлемый с точки зрения затрат сценарий приращения значений латентных факторов для получения необходимого значения рейтинга университета в рамках международного институционального рейтинга университетов QS. Проведен сравнительный анализ результатов сценарного прогнозирования на основе обычной НКК, серой НКК и ансамбля серых НКК, который показал преимущество предложенного подхода.
Заключение. В ходе выполнения исследования разработана нечеткая когнитивная модель сценарного прогнозирования мероприятий по достижению требуемых значений  целевых показателей деятельности университета в международном институциональном рейтинге QS на основе ансамбля серых НКК. Разработанная модель обеспечивает в условиях заданных ограничений получение наиболее приемлемого сценария планирования приращения базовых показателей до целевых значений за счет идентификации влияющих на них латентных факторов и расчета необходимых значений импульсных воздействий на латентные факторы.

1. Аксельрод Роберт М. Структура решения: когнитивные карты политических элит. Принстон, Нью-Джерси: Princeton University Press, 1976. 404 с.

2. Ярушев С.А., Аверкин А.Н. Модульная система прогнозирования на основе нечетких когнитивных карт и нейронечетких сетей. В 7-й Всероссийской научно-практической конф. Нечеткие системы, мягкие вычисления и интеллектуальные технологии. Санкт-Петербург: Политехника – сервис, 2017. Т. 1. С. 180–189.

3. Кузнецов О.П. Когнитивное моделирование cлабополуструктурированных ситуаций [Электрон. ресурс]. Режим доступа: http://posp.raai.org/data/posp2005/Kuznetsov/kuznetsov.html.(Дата обращения: 12.10.2021).

4. Робертс Ф.С. Дискретные математические модели с приложениями к социальным, биологическим и экологическим проблемам. М.: Наука, 1986. 312 с.

5. Carvalho J.P., Tom J.A.B.: Rule-Based Fuzzy Cognitive Maps – Fuzzy Causal Relationships. Computational Intelligence for Modeling, Control and Automation: Evolutionary Computing and Fuzzy Logic for Intelligent Control, Knowledge, and Information Retrieval, edited by M. Mohammadyan, IOS Press. 1999. С. 102–119.

6. Силов В.Б. Принятие стратегических решений в нечеткой среде. М.: ИНПРО-РЭС, 1995. 228 с.

7. Горелова Г.В., Захарова Е.Н., Родченко С.А. Исследование малоструктурных проблем социально-экономических систем: когнитивный подход. Ростов н/д: РГУ, 2006. 332 с.

8. Борисов В.В., Круглов В.В., Федулов А.С. Нечеткие модели и сети. 2-е изд. стереотипы. М.: Горячая линия – Телеком, 2015. 284 с.

9. Борисов В.В., Луферов В.С. Метод многомерного анализа и прогнозирования состояния сложных систем и процессов на основе нечетких когнитивных темпоральных моделей // Системы управления, связи и безопасности. 2020. № 2. С. 1–23.

10. Kosko B. Fuzzy Cognitive Maps // International Journal of Man-Machine Studies. 1986. T. 24. С. 65–75.

11. Chun Yan Miao., Xue Hong Tao., Zhi Qi Shen., Zhi Qiang Liu. Transformation of cognitive maps // IEEE Transactions on Fuzzy Systems. 2010. Т. 18. № 1. С. 114–124.

12. Salmeron J.L., Palos-Sanchez P.R.: Uncertainty propagation in fuzzy grey cognitive maps with Hebbian-like learning algorithms // IEEE transactions on cybernetics. 2017. № 49(1). С. 211–220.

13. Соколов Г.А. Введение в регрессионный анализ и планирование регрессионных экспериментов в экономике. М.: Инфра-М, 2016. 352 с.

14. Микрюков А.А., Гаспарян М.С., Карпов Д.С. Разработка предложений по продвижению вуза в международном институциональном рейтинге QS на основе методов статистического анализа // Статистика и экономика. 2020. № 17(1). С. 35–43.

15. Терещенко О.В., Курилович Е.И., Князева И.А. Многомерный статистический анализ данных в социальных науках. Минск: БГУ, 2012. 239 с.

16. Авдеева З.К., Коврига С.В., Макаренко Д.И., Максимов В.И. Когнитивный подход в управлении // Проблемы управления. 2007. Т. 3. С. 2–8.

17. Болотова. Л.С. Системы искусственного интеллекта: модели и технологии, основанные на знаниях. М.: Финансы и статистика, 2012. 664 с.

18. Международный рейтинг университетов QS World University Rankings [Электрон.ресурс]. Режим доступа: https://www.qs.com/ranking. (Дата обращения: 12.10.2021).

19. Zhou Z. –H. Ensemble Methods: Foundations and algorithms // Chapman & Hall/Crc Machine Learning & Pattern Recognition. 2012. С. 123–146.

20. Kuncheva L.I. Combining Pattern Classifiers: Methods and algorithms. Hoboken, NJ: JohnWiley&Sons, 2004. С. 96–111.

21. Терехов С.А. Блестящие комитеты умных машин. В IX Российской научно-технической конференции «Нейроинформатика-2007»: Лекции по нейроинформатике. М.: МИФИ, 2007. С. 11–42.

22. Воронцов К.В. Лекции по алгоритмическим композициям [Электрон. ресурс]. Режим доступа: http://www.ccas.ru/voron/download/Composition.pdf. (Дата обращения: 16.10.2021).

23. Гончаров М. Модельные ансамбли [Электрон. ресурс]. Режим доступа: http://www.businessdataanalytics.ru/download/ModelEnsembles.pdf. (Дата обращения: 10.2021).

24. Боровиков В.П. Нейронные сети. Статистические нейронные сети. Методология и технологии современного анализа данных. 2-е изд.М.: Горячая линия – Телеком, 2008. 392 с.