«Управление и Оптимизация Производственного Предприятия»
|
|
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
Стратегические аспекты управления НИОКР Монография. Таганрог: Изд-во ТРТУ, 2000. 244с. 5. Процесс НИОКР и стратегические задачи его отдельных этапов 5.5. Стратегическая роль НИРНИР – первая стадия НИОКР, где реально начинает создаваться научно-техническая база будущих технических (и других) инноваций. Как уже указывалось, основой НИР являются знания, накопленные человечеством за прошлые периоды развития. В то же время по окончании стадии НИР должна быть сформирована концепция конкретных продукта, технологии, бизнес-процессов. Таким образом, разработчик НИР, определяя основные направления исследований, решает главную стратегическую задачу сферы НИОКР – что будет делать фирма в дальнейшем. Конечно, НИР для того и служит, чтобы найти некоторые новые пути научно-технического прогресса. Однако, по сути, практика НИОКР свидетельствует о том, что основные идеи, заложенные в начале проекта, обычно сохраняются до его завершения. Этому способствуют два обстоятельства:
Научные исследования можно разделить на фундаментальные, поисковые и прикладные (табл. 5.8) Таблица 5.8 Виды научно-исследовательских работ
Фундаментальные и поисковые работы в жизненный цикл изделия, как правило, не включаются. Однако на их основе осуществляется генерация идей, которые могут трансформироваться в проекты НИОКР. Прикладные НИР являются одной из стадий жизненного цикла изделия. Их задача - дать ответ на вопрос: возможно ли создание нового вида продукции и с какими характеристиками? Порядок проведения НИР регламентируется ГОСТ 15.101-80. Конкретный состав этапов и характер выполняемых в их рамках работ определяются спецификой НИР. Рекомендуются следующие основные этапы НИР:
Примерный перечень работ на этапах НИР приведен в табл. 5.9. Таблица 5.9 Этапы НИР и состав работ на них
На стадии разработки технического задания на НИР используются следующие виды информации [42]:
Дополнительно используется следующая информация:
На последующих этапах НИР в качестве базы в основном используется перечисленная выше информация. Дополнительно учитываются:
Результатом НИР является достижение научного, научно-технического, экономического и социального эффектов. Научный эффект характеризуется получением новых научных знаний и отражает прирост информации, предназначенной для “внутринаучного” потребления. Научно-технический эффект характеризует возможность использования результатов выполняемых исследований в других НИР и ОКР и обеспечивает получение информации, необходимой для создания новой продукции. Экономический эффект характеризует коммерческий эффект, полученный при использовании результатов прикладных НИР. Социальный эффект проявляется в улучшении условий труда, повышении экономических характеристик, развитии культуры, здравоохранения, науки, образования. Научная деятельность носит многоаспектный характер, ее результаты, как правило, могут использоваться во многих сферах экономики в течение длительного времени. Оценка научной и научно-технической результативности НИР производится с помощью системы взвешенных балльных оценок. Для фундаментальных НИР рассчитывается только коэффициент научной результативности (табл. 5.10), а для поисковых работ и коэффициент научно-технической результативности (табл. 5.11). Оценки коэффициентов могут быть установлены только на основе опыта и знаний научных работников, которые используются как эксперты. Оценка научно-технической результативности прикладных НИР производится на основе сопоставления достигнутых в результате выполнения НИР технических параметров с базовыми (которые можно было реализовать до выполнения НИР). Таблица 5.10 Характеристики факторов и признаков научной результативности НИР
Таблица 5.11 Характеристики факторов и признаков научно-технической результативности НИР
В этом случае коэффициент научно-технической результативности определяется по формуле
где k – число оцениваемых параметров; Для удобства выполнения расчетов данные сводятся в табл. 5.12. Таблица 5.12 Оценка научно-технической результативности прикладных НИР
В соответствии с постановкой задачи прикладной НИР ее обобщенные исходы могут иметь следующий характер:
Методы исследований, применяемые в НИР, естественно должны быть согласованы с поставленной задачей и спецификой предмета исследования. К сожалению, случается работа с псевдонаучной формой и практическим отсутствием положительного выхода. Многолетняя практика автора по организации НИОКР позволяет ему сделать следующие выводы:
Типичная ситуация с использованием математических моделей в экономических исследованиях рассмотрена в [24]. Как утверждает Т.П. Данько [31], экономическая наука в XX веке стала размежовываться на теоретическую науку, которая как бы сохранила в своем составе традиционные методы и подходы, и поисковую (экспериментальную) науку, в которой новые знания о субъекте и предмете знания могли быть достигнуты лишь с применением специальной методологии и специальных опытных приемов. Каждый отдельный предприниматель может быть сегодня рассмотрен как ученый, исследователь, эмпирик в отслеживании конкретного экономического действия, а следовательно может быть приравнен к специалисту в другой науке. Напомним, что любой научный труд уникален и осуществляется весьма индивидуально. Причем эта уникальность выражается не только в новизне полученных результатов, но и выборе и оригинальности путей, способов и средств их получения. В [59] творческий процесс определяется как “движение к искомому результату в условиях отсутствия алгоритма поиска”. Экономическая наука, таким образом, оказалась разделенной на две самостоятельно существующие ветви: экономическую практику (конкретную экономику) и экономическую теорию (политэкономия, экономикс). Каждая из этих двух ветвей развивалась в направлении, противоположном другой. Практическое действие становилось все более зависимым от отслеживания совокупности внешних условий [36], а теоретическая наука все более абстрагировалась от них. В результате Дж. Гэлбрейт смог утверждать: “Экономикс, оставаясь в узких рамках микро- и макроанализа, перестает быть наукой и превращается в консервативно используемую систему верований, претендующих называться наукой” [86]. В этой связи интересен генезис отношения к использованию экономико-математических моделей в экономических исследованиях и практике. Если в экономической теории ввиду ее консервативной замкнутости и самодостаточности математические модели получили широкое распространение и сегодня являются общепризнанными “законными” методами исследований, то в экономической практике после периода определенной эйфории, вызванной бурным развитием компьютерной техники, наступило определенное охлаждение к их использованию и даже явное отторжение. Особенно показательна в этом отношении статья профессора Г. Шмалена (ФРГ) [70]. Он указывает, что “большинство экономистов-практиков ставят под сомнение” значимость математических моделей особенно для управления экономико-производственными системами (ЭПС). Это связано, по мнению Г. Шмалена, с тем, что классические модели принятия решений всегда являются оптимизационными с целью получения оптимальной практической рекомендации, и они вынуждены использовать упрощенное представление действительности, что часто приводит к тому, что эти рекомендации теряют практическую ценность. Модели принятия решений могут ограниченно отразить действительность не только из-за дефицита данных и несовершенства теорий (то есть моделей – Г.Я.Г), но прежде всего ввиду огромного разнообразия явлений и связей в реальной хозяйственной жизни. В этой связи Г.Шмален вспоминает об утверждении апологета экономической теории Э. Гутенберга о том, что научная ценность экономического исследования не зависит от практической значимости объекта исследования; главное, чтобы оно проводилось методически чисто и логически правильно [21]. Любопытно, что практически в это же время выдающийся американский статистик Кэнделл публикует иронический опус [43] с использованием размеров известной поэмы Лонгфелло “Песнь о Гайявате”. Его сюжет состоит в следующем. После того, как Гайявата достиг огромных успехов и славы у индейцев, в том числе и как выдающийся стрелок, он поступил в университет, изучил там статистику, а затем, участвуя в состязаниях по стрельбе из лука, “в цель ни разу не попал”. Поднятый на смех индейцами, он объяснил такие результаты следующим образом:
Сложность моделирования реальной ЭПС определяется целым рядом факторов:
Большинство этих параметров носит вероятностный характер и, что самое главное, являются нестационарными. Планирование и управление по усредненным характеристикам не дает должного эффекта, так как пока оно ведется, изменяются и сама система, и ее окружающая среда. Все это усугубляется нестационарным характером вероятностных процессов. В результате применение формальных математических моделей затруднено из-за большой размерности ЭПС, недостаточной априорной информации, наличия плохо формализуемых факторов, нечеткости критериев оценки принимаемых решений и т.д. Следует обратить внимание и на такие фундаментальные факторы. Экономическая система, как объект использования и приложения экономико-математических методов, непрерывно развивается в нестационарных условиях. Модели математического программирования не отражают в должной мере условия выполнения планов, не учитывают в полной мере прогнозируемые потери, вызванные необходимостью локализации помех во времени и по ансамблю подсистем. Эконометрические модели для таких условий практически не разработаны. Все это требует построения и использования адаптивного механизма управления ЭПС [58]. Сложность объекта управления организационного типа не позволяет использовать при построении алгоритмов адаптации подходы, разработанные для технических систем. В последних управление и динамические характеристики, как правило, имеют различные физические размерности, их взаимосвязь отражается формальным образом с помощью экспериментов или известных физических законов. Такое описание ЭПС во взаимосвязи с управлением практически нереализуемо, так как трудно доказать объективную функциональную связь между состоянием и управлением. Формально адаптивная система управления ЭПС должна содержать:
Внешний адаптор на основе анализа характеристик объекта и внешней среды выбирает модель планирования (регулирования) и имитационную модель, осуществляя тем самым структурную адаптацию системы управления. Затем по результатам прошлых периодов и прошлых возмущающих воздействий он подстраивает параметры модели планирования (регулирования) и имитационной модели (параметры объекта, среды и системы регулирования). В адаптивной системе планирования определяют план и потенциальный эффект. По имитационной модели осуществляется имитация реализаций плана и оцениваются потери, не дающие возможность получить нужный эффект. Такая имитация выполняется несколько раз для получения статистически значимых оценок. По результатам расчета плана и имитации его выполнения проводится оценка его приемлемости и вероятности выполнения (оценки риска). В случае отрицательного решения внутренний адаптор подстраивает параметры модели планирования (регулирования) и процесс повторяется. Подробное описание алгоритмов адаптивного управления и их программной реализации дано в трудах В. А. Забродского и его сотрудников [58]. Автор книги принимал участие в семинарах по оценке практических результатов реализации таких алгоритмов управления на одном из предприятий г. Харькова. Мы видим, что даже такая достаточно сложная система управления базируется на наших оценках параметров, среды и связей для реальной ЭПС. Общая схема количественных исследований гипотетических объектов (возможные модели реальных объектов) представлена на рис. 41 [51].
Рис. 41. Структурная схема количественных экспериментальных исследований Гипотетические объекты разрабатываются на основе имеющейся в распоряжении исследователя формализованной априорной информации о свойствах реальных объектов и тех гипотез, которые он считает необходимым принять. То и другое в совокупности составляет исходные данные для разработки моделей. Разделение исходных данных на формализованную априорную информацию и гипотезы имеет принципиальное значение. Действительно, в основе формализованной априорной информации лежит имеющийся опыт прежних исследований. Эти данные являются достоверными или почти достоверными. Гипотезы же основываются на догадках исследователя, аналогиях с другими областями науки, интуитивных предположениях, на эвристических суждениях; они не являются достоверными и подлежат экспериментальной проверке. Перечень гипотетических объектов должен быть достаточно полным, с тем, чтобы он охватывал все возможные модификации реального объекта и условия, в которых этот объект может находиться. Случайный процесс Удобной (а возможно, единственной) формой учета априорной информации а и гипотез h является вероятностная модель, под которой понимается всякое представление случайного процесса, позволяющее вычислить или постулировать вероятностные характеристики, существенные в решаемой задаче. При этом исследуемый случайный процесс
где Пусть По определению, вероятностная модель m должна позволить установить связь между исходными (известными) вероятностными характеристиками
вытекающее из представления (1), причем оператор В распоряжение исследователя поступает, таким образом, набор характеристик Отметим различия случайного С одной стороны, поскольку С другой стороны, апостериори (после эксперимента) все значения Отмеченные особенности случайных Согласно рассматриваемой структурной схеме экспериментальных исследований (см. рис. 41), выборочный процесс Итак, исследователь имеет в своем распоряжении набор расчетных (или постулированных) вероятностных характеристик При количественных экспериментальных исследованиях необходимо определить числовое соответствие между вероятностной характеристикой Введем функционал
причем Таким образом, Разумеется здесь намечены лишь общие подходы к оценке количественных экспериментальных данных гипотетического объекта. Проблема установления пригодности имитационной модели, сводящаяся к количественной оценке меры адекватности принятой математической модели реальным исследуемым объектам, в общем виде является весьма сложной: решение этой проблемы связано с математическими, экономическими, экспертными, техническими и даже философскими вопросами. В самом деле, как можно решать вопрос о количественной мере отличия математической модели объекта и самого реального объекта, если истинное (полное) описание такого объекта исследователю никогда не известно? Далее: можно ли рассчитывать на адекватность обобщенной комплексной модели сложной системы, если известны меры адекватности отдельных частных моделей? Ясно, что на подобные вопросы не так-то просто ответить ни с общих, ни с практических (прикладных) позиций, тем более, что речь идет здесь не о качественном обсуждении вопросов (пусть даже со стороны весьма компетентных экспертов), а о корректной оценке принятых решений в количественной форме с известной точностью. Очевидно, таким образом, что эта проблема сложна. Но указание на сложность решения сформулированной проблемы является, конечно, слабым утешением для исследователей, занимающихся имитационными машинными экспериментами. Действительно, если количественная мера адекватности модели не установлена, то вся идея проведения имитационных компьютерных экспериментов не выдерживает элементарной критики. Многие специалисты в области имитационного моделирования сложных систем считают, что в первую очередь надо определить, правильно ли модель описывает поведение системы. Пока этот вопрос не решен, ценность модели остается незначительной, а имитационный компьютерный эксперимент превращается в простое упражнение в области дедуктивной логики. Более того, совершенно естественно такие специалисты считают, что экспериментирование на компьютере с неадекватной моделью принесет мало пользы, так как мы попросту будем имитировать собственное невежество. Итак, что же можно сказать по поводу возможностей оценки адекватности принятой модели и реального объекта исследования? Исходя из общих концепций диалектической теории познания, отметим, что при оценке адекватности модели следует исходить из того, что модель должна обладать главным свойством – позволять предсказывать (прогнозировать) реальные факты. Здесь, конечно, возможны два варианта прогноза, а именно – предсказание экспериментальных фактов, полученных ранее (ретроспективное предсказание), и предсказание будущих фактов (перспективное предсказание). Принципиальная сложность получения исходных данных для адаптивного управления реальными ЭПС требует поиска подходов к упрощению экономико-математических моделей без естественно потери самого смысла управления. Нельзя, конечно, серьезно относиться к рекомендациям такого рода: “Надо оптимизировать информационные потоки в системе, что само позволит структурировать и оптимизировать систему управления”. Это напоминает известную репризу старой цирковой клоунады о поиске потерянных денег не там, где они потеряны, а там где светло. Реальным подходом к решению поставленной задачи может являться отказ от поиска и реализации предельно оптимальной модели управления и переход к использованию приближенных решений задач. В этом случае ищутся варианты управления, находящиеся вблизи абсолютного оптимума, а не точно сам оптимум. Можно считать, что в любой задаче существует некоторый порог сложности, переступить который можно только ценою отказа от требований точности решения. Если учесть стоимость компьютерной реализации решения, например, многоэкстремальных задач, то точные их методы решения могут оказаться невыгодными по сравнению с более простыми приближенными методами. Эффект, полученный от доуточнения решения, не окупит дополнительных затрат на его отыскание. Следует отметить, что сама многопараметричность задачи “сглаживает” оптимум решения и облегчает решение задачи попадания системы управления в область, близкую к оптимуму. Причем это становится все более явным с увеличением числа параметров системы и их вероятностного характера. Еще в 60-е годы литовские ученые обратили внимание на то, что закон распределения целевой функции при проектировании системы с большим числом аргументов имеет свойство сходиться к нормальному, если целевая функция (или ее монотонное преобразование) выражается суммой членов, каждый из которых зависит от ограниченного числа переменных. Такое условие выполняется в большинстве реальных случаев управления ЭПС [50]. Это открывает путь к использованию таких методов оптимизации в управлении ЭПС, которые минимизируют сумму ожидаемого риска, связанного с отклонением в управлении от оптимума, и средних потерь на поиск этого решения (затрат на проектирование системы управления). Само наличие многих факторов, определяющих управление в реальной ЭПС, их вероятностный характер, нестационарность, определенная условность используемых экономико-математических моделей делает реальное управление лишь приближенно оптимальным, что и ведет к необходимости приближенной оптимизации на основе использования принципа “горизонтальной неопределенности” Р.Айзекса [3]. Смысл хваленой японской системы оперативно-производственного планирования “Канбан” состоит, собственно говоря, в отказе от планирования (поиска "точного оптимума") и замене его давно известной схемой “пополнения запасов на складе” (приближенное решение). Известна и экономическая цена такого решения – средняя норма материальных запасов. Разумен в этом случае и отказ от точного решения: бессмысленны затраты на его поиск, регулирование и корректировку при вероятностном нестационарном характере большинства факторов, воздействующих на систему. И, наконец, конечно прав Г. Шмален [70], когда указывает, что математическое моделирование усиливает интеллект, а не заменяет его. Оно ни в коем случае не отнимает инициативы у лиц, ответственных за решения. Одним словом, как эпически рассказано в [43]:
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
,
– коэффициент влияния i-го параметра на научно-техническую результативность; 
– коэффициент относительного повышения i-го параметра по сравнению с базовым значением.
задается бесконечной совокупностью функций времени 
, 
, каждая из которых относится к одному из гипотетических наблюдений процесса во времени и называется реализацией случайного процесса. Свойства случайного процесса описываются распределениями вероятностей или их параметрами (моментными функциями, семиинвариантами и др.), характеризующими устойчивые и информативные закономерности, которым подчиняется исследуемый процесс. Итак, мы считаем, что характеристики гипотетических объектов отражаются в соответствующих им случайных процессах, причем свойства этих процессов определяются формализованной априорной информацией и принятыми гипотезами.
записывается в следующем виде:
(1)
– оператор, характеризующий тип модели, выбранной на основе априорной информации а и гипотез h;
– некоторые элементарные случайные процессы, вероятностные свойства которых считаются известными. Модели 
должны образовывать множество М, достаточно полно описывающее свойства реальных объектов исследования.
– вероятностная характеристика случайного процесса 
, соответствующая его модели m; 
– совокупность независимых переменных, являющихся аргументами рассматриваемой характеристики (n определяет ее размерность). Очевидно, характеристика 
условна с точки зрения ее зависимости от конкретного типа модели m. Пусть далее 
– вероятностные характеристики элементарных случайных процессов 
– совокупность соответствующих независимых переменных.
и характеристикой 
. Иными словами, задать вероятностную модель означает определить уравнение
(2)
должен однозначно определяться оператором m, то есть моделью исследуемого случайного процесса.
, каждая из которых определяется одной из моделей m. Под исследователем понимается не обязательно какое-либо определенное лицо (например, так называемый экспериментатор). Это может быть группа лиц – научный коллектив в сочетании с соответствующими техническими средствами, которые планируют экспериментальные исследования, проводят их и интерпретируют результаты.
и выборочного 
процессов, а также реализаций 
и процесса 
и реализаций 
процесса 
.
и 
относятся к вероятностной модели, их свойства, то есть вероятностные характеристики, являются известными, по крайней мере, в условном варианте их определения (то есть при условии принятия некоторой модели m). В то же время свойства выборочных реализаций 
и выборочного процесса 
априори (до эксперимента) не известны, так как в противном случае проводить эксперимент не было бы необходимости.
и соответственно 
оказываются известными, так как эти функции могут быть с необходимой точностью зарегистрированы, введены в память компьютера и т.д. Иными словами, никаких элементов случайности в выборочных реализациях и процессов апостериори нет.
и выборочных 
процессов связаны с тем, что 
всегда является вероятностной моделью, некоторым идеализированным образом, результатом введения гипотетического объекта исследования, в то время как 
– результат физического эксперимента над реальным объектом исследования либо математического эксперимента с моделью этого объекта.
поступает на статистическую измерительную систему, на выходе которой формируется статистическая оценка 
интересующей нас вероятностной характеристики 
, где 
– параметры статистической измерительной системы, с помощью которой осуществляются экспериментальные исследования. Следует особо остановиться на том, какой смысл имеет статистическая обработка выборочного процесса 
, представляющего собой экспериментальный аналог случайного процесса 
, если после проведения эксперимента его значения известны и не являются случайными. Ответ на этот вопрос связан с характером разработанных моделей объектов исследования. Коль скоро модель объекта исследования является вероятностной и 
и мы рассматриваем как случайный процесс, выборочный процесс 
следует считать экспериментальным аналогом 
. А это в свою очередь означает, что результатом эксперимента и должна быть статистическая оценка 
вероятностной характеристики 
, так как способы описания 
и 
естественно считать одинаковыми.
и статистические оценки 
этих характеристик, полученные в результате проведения экспериментальных исследований. Целью экспериментальных исследований в конечном счете является сравнение 
с 
и установление такой вероятностной модели исследуемого случайного процесса, которая наиболее близка к наблюдаемой на практике. Разумеется, параметры статистической измерительной системы должны быть оптимизированы.
и статистической оценкой 
этой характеристики. Без определения такого соответствия, по сути дела, не может быть получен и интерпретирован количественный результат эксперимента.
различия рассматриваемых характеристик
, (3)
– оператор, задающий форму, в которой это различие определяется.
есть число, определяющее в некотором смысле расстояние между функциями 
и 
в пространстве их аргументов 
.