Лица Чернова как эмоциональный интерфейс при построении модели высокотехнологичного инновационного предприятия машиностроительной отрасли

Загородников С.А.1, Соколянский В.В.1
1 Московский государственный технический университет имени Н.Э. Баумана (национальный исследовательский университет)

Статья в журнале

Экономика высокотехнологичных производств
Том 1, Номер 2 (Апрель-июнь 2020)

Цитировать:
Загородников С.А., Соколянский В.В. Лица Чернова как эмоциональный интерфейс при построении модели высокотехнологичного инновационного предприятия машиностроительной отрасли // Экономика высокотехнологичных производств. – 2020. – Том 1. – № 2. – С. 77-90. – doi: 10.18334/evp.1.2.110968.

Эта статья проиндексирована РИНЦ, см. https://elibrary.ru/item.asp?id=44198489
Цитирований: 4 по состоянию на 20.09.2021

Аннотация:
В статье описывается понятие визуализации, а также ее значение и роль в процессе построения моделей высокотехнологических инновационных предприятий машиностроительной области. В своей статье авторы представили новый метод визуализации многопараметрической информации в двухмерной среде. Исследовательская работа описывает основные моменты функционирования технологии лиц Чернова, основная идея которой заключается в том, что представления информации в «лицах Чернова» состоит в кодировании значений различных переменных в характеристиках или особенностях человеческого лица. Авторы статьи пришли к выводу о том, что процесс симбиоза Лиц Чернова и тепловых кар – это большой шаг в развитии сферы когнитивной компьютерной графики. Актуальность данного исследования и всех последующих разработок в данной сфере подтверждается также тем, что впоследствии они позволят перейти к разработке и детальному исследованию, а также применению на практике трехмерных моделей предприятия.

Ключевые слова: лица Чернова, анализ, экономико-производственный профиль, многопараметрическая модель, тепловая карта



Благодаря процессу применения графики в работах исследователей не только увеличивается скорость передачи информации, но и повышается показатель ее усвоения. Это также помогает исследователям развивать интуицию и образное мышление, что, несомненно, важно для специалиста любой отрасли исследований.

Одна из важнейших задач процесса визуализации в науке – это реалистичный рендеринг таких данных, как поверхности, объемы, источники освещения, – все это помогает облегчить анализ трудных явлений и процессов.

Визуализация может быть применена во множестве вариантов, к примеру [1] (Osadchaya, Berestneva, Nemerov, 2014):

· в графиках в публикациях;

· в изображениях в презентациях;

· в картах в географии;

· в инфографике в журналистике или статистике;

· в сетевых диаграммах интернета;

· в базах данных.

Методы когнитивной графики могут сильно расширять возможности экспертов самых разных областей знаний с целью выявления самых информативных и значимых показателей в процессе обработки масштабных баз данных. Также они помогают решать конкретные задачи и позволяют обнаружить иногда новые факты, которые радикально изменяют современные точки зрения известнейших ученых [1] (Osadchaya, Berestneva, Nemerov, 2014).

«Лица Чернова» – это один из самых интересных видов пиктографиков. Этот метод представляет собой некую схему визуального представления многофакторных данных с помощью лица человека.

Для каждого нового эксперимента необходимо использовать новое «лицо», в котором относительные показатели выбранной переменной (или нескольких) будут представлены с помощью форм и размеров некоторых черт человеческого лица (нос, рот, губы и т.д.) [2, 3, 4] (Chubukova, 2020).

Авторы считают, что представление экономических параметров через лица Чернова – это кодирование переменных в чертах получаемого лица человека [5] (Sokolyanskiy, Kaganov, Volosnikova, Ishimtsev, 2015).

Каждое лицо представляет собой особый и уникальный массив из 18 отдельных элементов, которые принимают значения от 0 до 1.

Концепция асимметрии увеличивает число переменных в два раза. «Лица Чернова» нашли широкое применение для анализа ситуации в самых разных областях. Применение «лиц Чернова» для анализа неструктурированных данных описано в работах [5, 6, 7] (Sokolyanskiy, Kaganov, Volosnikova, Ishimtsev, 2015; Kaganov, Sokolyanskiy, Volosnikova, Ishimtsev, 2015; Timofeeva, Tsapurin, Sokolyanskiy, 2016).

Взаимодействие «человек – компьютер» развивается в свете прогресса информационно-коммуникационных технологий, с одной стороны, и возросших потребностей общества в гуманизации технической реальности. В связи с тем, что человек и компьютер «общаются» на разных языках, для их взаимодействия требуется некоторое промежуточное звено, переводящее человеческий язык в набор понятных компьютеру числовых значений, и наоборот.

Интерфейс взаимодействия любой системы главным образом зависит от количества и разнообразия входных и выходных устройств и каналов связи, при помощи которых пользователь взаимодействует с системой. Существует несколько основных каналов взаимодействия, основанных на различных человеческих чувствах: визуальный канал, звуковой канал.

Использование «лиц Чернова» применяется в то же время с начала XXI века. Термин «высокие технологии» стал толковаться более широко и теперь распространяется на ряд отраслей нематериального производства (в частности, «сектор услуг»). По сути, высокие технологии в той или иной степени являются частью практически всех отраслей современной экономики. Несмотря на это, существуют определенные критерии для классификации отрасли (и компаний, которые в ней работают) как высоких технологий [6] (Kaganov, Sokolyanskiy, Volosnikova, Ishimtsev, 2015).

Следующим критерием является доля занятых в НИОКР в этой отрасли по отношению к общей занятости в отрасли. В частности, для оценки уровня технологического развития используются следующие элементы: «Индекс высоких технологий» и «Индекс инноваций», рассчитываемый ежегодно. Первый был разработан Институтом Милкена. Он основан на двух факторах [6] (Kaganov, Sokolyanskiy, Volosnikova, Ishimtsev, 2015):

– доля продукции из высокотехнологичных предприятий в области внутреннего производства в этих секторах;

– доля высокотехнологичных компаний в ВВП региона по сравнению с долей высокотехнологичных отраслей в ВВП страны.

Инновационный индекс равен числу патентов, поданных на одного жителя.

Талант населения регионов – их человеческий капитал – рассчитывался упрощенно: по доле людей с бакалавриатом или выше.

Современный этап экономического развития характеризуется быстрым проникновением высоких технологий во все сферы человеческой жизни.

Информационные технологии, телекоммуникации, космонавтика, новые материалы и технологии живых систем, энергосберегающие технологии и другие революционные области современной науки и техники в корне меняют способ того, как люди живут, создавая новые возможности для творческого решения социальных и экономических проблем [6] (Kaganov, Sokolyanskiy, Volosnikova, Ishimtsev, 2015).

Рост конкурентоспособности высокотехнологичной компании в процессе ее стратегического развития обеспечивается за счет реализации инновационных и инвестиционных стратегий. В целом эти стратегии решают проблему адаптивного управления бизнесом в быстро меняющейся внешней среде. Эта цель достигается благодаря постоянным инновационным процессам, которые обычно охватывают несколько инвестиционных проектов. Таким образом, в ходе этих мероприятий появляются качественно новые результаты интеллектуальной деятельности компании. Поэтому для формирования роста конкурентоспособности высокотехнологичного предприятия реализация инновационных и инвестиционных стратегий должна обеспечивать динамичный рост экономического потенциала и фундаментальной стоимости предприятия, а также самого продукта инновации. В данной работе будет изучена и продемонстрирована важность инновационных процессов в создании конкурентоспособности высокотехнологичного предприятия [6] (Kaganov, Sokolyanskiy, Volosnikova, Ishimtsev, 2015).

Так, эксперты Торгово-промышленной палаты Российской Федерации отметили, что спрос на товары и российские энергетические векторы (то есть продукты, в которых оборудование не высокотехнологичное, но высокая добавленная стоимость, играющая ключевую роль ) составил 500–600 млрд долларов, для инновационной продукции – около 5–7 млрд долларов; доля России на мировом рынке продаж высокотехнологичной продукции составила менее 0,5%, а доля новых или значительно улучшенных продуктов в общем объеме промышленного производства составила около 5% [7] (Timofeeva, Tsapurin, Sokolyanskiy, 2016).

Следует отметить, что из 50 базовых технологий, по которым живет и развивается мир, СССР был лидером по 32 позициям, а в Российской Федерации только 8 базовых технологий. Кроме того, в процессе перехода к рыночной экономике в военно-промышленном комплексе было потеряно более 500 инновационных технологий мирового уровня. В то же время страны G-7 имеют 46 макротехнологий и контролируют 2/3 производства и сбыта инноваций в продуктах [7] (Timofeeva, Tsapurin, Sokolyanskiy, 2016).

Согласно исследованию информационно-аналитического агентства «Рос Бизнес Консалтинг», «государство является основным инвестором и клиентом в российском технологическом секторе». Из 50 отобранных компаний 33 участника исследования производят оборонную продукцию.

Вопреки практике промышленно развитых стран, где доля финансовых ресурсов, инвестируемых компаниями в НИОКР, варьируется от 65% до 75%, в России частные компании составляют около 6% инвестиций в НИОКР [7] (Timofeeva, Tsapurin, Sokolyanskiy, 2016).

Из 50 крупнейших технологических компаний, определенных в исследовании RBC, 34 являются государственными. В России для развития высокотехнологичного сектора также характерно использование государственных управляющих и инвестиционных компаний, которые участвуют в работе технологических компаний или управляют стратегическими и инвестиционными процессами. Государственная корпорация «Ростех» объединяет более 700 организаций в 14 субхолдинговых компаний, в том числе ОАО «Вертолеты России», ОАО «Объединенная моторостроительная корпорация», ОАО «Объединенная приборостроительная корпорация», ОАО «НПО «Высокий комплекс», «Холдинг «Технодинамика», ОАО «Концерн Радиоэлектронные Технологии», ОАО «Русская Электроника», Холдинг «Швабе» и др. Примерами таких структур содержания под стражей являются Госкорпорация «Росатом», ОАО «Объединенная ракетно-космическая корпорация», АО «Объединенная судостроительная корпорация», АО «Концерн ВКО «Алмаз-Антей», ПАО «Объединенная авиастроительная корпорация». ОАО «Роснано» является примером государственных инвестиций в высокотехнологичные проекты.

В то же время затраты на создание технологических инноваций в частных компаниях в основном финансируются за счет собственных средств.

Высокотехнологичные компании – это коммерческие организации (компании или предприятия), основное (профильное) производство товаров и услуг (основных или связанных) которых является инновационным и соответствует следующим критериям:

1. Ключ к успеху высокотехнологичного предприятия заключается не только в его способности принципиально предлагать новые продукты и услуги на рынке, но и в гармонизации его коммерческих целей (таких как получение прибыли от своей основной деятельности) со стратегическими интересами государства в разработке промышленной и коммерческой политики (ориентирована не только на устойчивое, но и поступательное развитие мировой экономики).

2. Уровень высоких технологий (доля затрат на исследования и разработки, связанные с производственными результатами) компаний, составляет не менее 3,5%.

3. «Ключевые» технологии, или технологии, используемые компанией при производстве, указаны в национальном «Списке критических технологий», действовавшем на момент запуска ее продуктов или услуг на рынке.

Для моделирования экономической деятельности высокотехнологичной компании Airbus с помощью «лиц Чернова» были использованы данные [8].

Для визуализации были выбраны следующие параметры финансовой эффективности:

· НИОКР;

· персонал.

Безразмерные показатели отображены непосредственно в «лицах Чернова», а размерные – в цветовой гамме.

Таблица 1

Показатели по персоналу НИОКР

Показатель/год
2010
2011
2012
2013
2014
2015
2016
2017
Расходы на НИОКР (R&D Expenditures), млн $

844

841

834

825

816

812

856

894
Интенсивность НИОКР (R&D Intensity)

0.06

0.05

0.05

0.05

0.05

0.04

0.04

0.05
Инвестированный капитал (Invested Capital), млн $

10344

12189

10531

8541

5355

5246

14862

6804
НИР-мультипликатор
0.0816
0.069
0.0792
0.0966
0.1524
0.1548
0.0576
0.1314

Источник: составлено авторами на основе [8].

Очевидно, что самая сложная ситуация в РФ относительно инновационных процессов связана с валовой добавленной стоимостью производственных отраслей (т.е. с обеспеченностью предприятий современным оборудованием), расходами на НИОКР и наличием профессионалов по этому направлению.

Расходы на НИОКР высокотехнологичной компании Airbus за период с 2010 по 2017 год в общей сумме составляют 6 722 млн долл.

Инвестированный капитал высокотехнологичной компании Airbus за период с 2010 по 2017 год в общей сумме составляет 78 832 млн долл.

Таблица 2

Показатели по персоналу Airbus

Показатель/ год
2010
2011
2012
2013
2014
2015
2016
2017
2018
Удельный вес численности высококвалифицированных работников в общей численности квалифицированных работников. %

0.59

0.6

0.61

0.67

0.63

0.65

0.6

0.57

0.62
Расходы на подготовку и переподготовку кадров ( Cost of training), тыс. $

214.6

232.3

194.2

210.9

221.1

193.4

202.2

213.5

241.6
Коэффициент постоянства кадров (КПК) (ESI)

0.97

0.98

0.97

0.976

0.978

0.978

0.98

0.984

0.977
Показатель рентабельности персонала (RPE)

0.72

0.7

0.69

0.68

0.62

0.59

0.59

0.56

0.61
Индекс средней заработной платы (AWI)

1.02

1.04

1.025

1.035

1.05

1.055

1.06

1.04

1.06
Индекс производительности труда (LPI)

1.04

1.06

1.05

1.08

1.09

1.1

1.15

1.08

1.11
Коэффициент опережения роста производительности труда

1.041

1.025

1.014

1.026

1.03

1.042

1.08

1.012

1.12
Среднесписочная численность персонала (Number of employees)
119.8
122.9
134.6
144.1
138.6
136.6
132.9
130.9
133.67

Источник: составлено авторами на основе [8].

Удельный вес численности высококвалифицированных работников в общей численности квалифицированных работников за период c 2010 по 2018 год вырос на 0,3%.

Расходы на подготовку и переподготовку кадров (Cost of training) за анализируемый период выросли на сумму 27 тыс. рублей.

Визуализация является одним из мощных средств интерпретации данных; это такой способ представления многомерного распределения, при котором основные законы, присущие исходному распределению, отображаются качественно – его кластерная структура, внутренние связи между сущностями, топологические характеристики, информация о расположении данных в космосе и т.д.

Однако при анализе данных исследователь часто сталкивается с многомерным характером своего описания. Возникает проблема поиска подходящих средств для графического представления многомерного объекта. При необходимости изображения более трех взаимозависимых размеров традиционные инструменты в области визуализации (графика и диаграммы) не справляются со своей работой. Методы многомерного анализа являются наиболее эффективным количественным инструментом для изучения процессов, описываемых большим количеством характеристик.

Многомерные данные были визуализированы с помощью «лиц Чернова» в программе Statistica 13.5 [9].

Способ проведения моделирования цветовой гаммы был использован в программе «CSS градиент» [10].

Значения исследуемых параметров нормализуются с помощью формулы:

(1)

Для каждого наблюдения рисуется отдельное «лицо», где относительные значения выбранных переменных представлены в форме и размере отдельных черт лица (например, длина носа, угол между бровями, ширина на лице) (рис. 1). Сложность этого метода заключается в правильном сравнении изучаемых переменных с частями лица. В случае ошибки важные диаграммы могут остаться незамеченными. Анализ информации таким способом отображения основан на способности человека интуитивно находить сходства и различия в чертах лица.

На рисунках 1 и 2 приведены результаты синтеза двумерных изображений «лиц Чернова» и «CSS градиент».

Рисунок 1. Симбиоз двумерных лиц Чернова и технологии тепловых карт при исследовании показателей персонала

Рисунок 2. Симбиоз двумерных лиц Чернова и технологии тепловых карт при исследовании показателей НИОКР

Главное преимущество полученных двумерных моделей «лиц Чернова» заключается в увеличении числа параметров, которые можно отразить на единственной модели. Это возможно благодаря использованию дополнительного градиента на плоскости построения, с помощью создания «сетки» [11]. Например, в данной работе размерным параметрам в зависимости от количества присвоены цвета и получен наглядный результат.

Авторы считают, что применение «лиц Чернова» и методов тепловых карт – это один из примеров процесса визуализации экономической информации [12, 13] (Sokolyanskiy, Kaganov, Volosnikova, Ishimtsev, 2015; Kukharev, Kazieva, 2019).

Визуализация – это синтез многих процессов, в том числе фильтрация начальных данных, что особенно важно при обработке многомерной, зачастую неструктурированной экономической информации [14, 15, 16] (Berestneva, Dzyura, 2012; Kindlmann, Reinhard, Creem, 2002; Karpova, 2016).

В своем ежегодном выступлении перед Федеральным Собранием Президент Российской Федерации В.В. Путин назвал национальную технологическую инициативу одним из приоритетов государственной программы. По результатам исследований, проведенных в рамках разработки программы по ИППП, было установлено, что основной причиной низкой эффективности государственной политики в области инноваций является концентрация на развитии научно-технической базы, утраченной после распада СССР, и фундаментальные исследования с акцентом на современных тенденциях и практиках в области НИОКР и инноваций без учета эволюции будущих потребностей и технологий [18] (Melnikov, 2013).

В результате государственная поддержка и процессы стимулирования инноваций догоняли – в России они развивали отрасли, которые уже сформировались в развитых странах, в то время как развитые страны создавали уже новые технологии [22, 23] (Alabugin, Beregovaya, 2019; Gracheva, Glebova, Melnikova, 2019). В результате российские компании отстали от мировых лидеров в сфере высоких технологий, которые также уверенно заняли российский рынок [19–21] (Chzhan Dali, Kashbraziev, 2019; Chupanova, 2019).


Источники:

1. Осадчая И.А., Берестнева О.Г., Немеров Е.В. Анализ многомерных медицинских данных с помощью пиктографиков в «Лица Чернова» // Бюллетень сибирской медицины. – 2014. – № 14. – c. 89-93.
2. Antonov A. Making Chernoff faces for data visualization. Wordpress.com/. [Электронный ресурс]. URL: https://mathematicaforprediction.wordpress.com/2016/06/03/ making-chernoff-faces-for-data-visualizatio (дата обращения: 04.05.2020).
3. Литвиненко Д. Метод анализа данных "Лица Чернова" и их развитие с помощью асимметрии. Nordisk.pp.ru. [Электронный ресурс]. URL: http://nordisk.pp.ru/design/?page=13 (дата обращения: 04.05.2020).
4. Чубукова И.А. Data Mining. / Учебное пособие., 2020. – 469 c.
5. Соколянский В.В., Каганов Ю.Т., Волосникова М.С., Ишимцев В.И. Оптимизация параметров интеллектуального капитала на основе искусственной иммунной системы на примере компаний ИТ – сектора // Естественные и технические науки. – 2015. – № 6. – c. 106-110.
6. Каганов Ю.Т., Соколянский В.В., Волосникова М.С., Ишимцев В.И. Ценка интеллектуального капитала на основе использования искусственной имунной системы на примере IT-сектора // Естественные и технические науки. – 2015. – № 6. – c. 102-105.
7. Тимофеева А.И., Цапурин А.О., Соколянский В.В. Исследование влияний инвестиций в интеллектуальный капитал на примере «AIRBUS A. S.» и ПАО «КОМПАНИЯ СУХОЙ» // Экономика и предпринимательство. – 2016. – № 6. – c. 723-726.
8. Airbus. Airbus.com. [Электронный ресурс]. URL: https://www.airbus.com/ (дата обращения: 04.05.2020).
9. Система Statistica 13.3 EN. Statsoft.ru. [Электронный ресурс]. URL: http://statsoft.ru/products/trial/ (дата обращения: 04.05.2020).
10. CSS Gradient. Cssgradient.io. [Электронный ресурс]. URL: https://cssgradient.io (дата обращения: 04.05.2020).
11. Создание структурированной сетки в среде Ansys Workbench. Www.ansys.soften.com. [Электронный ресурс]. URL: https://www.ansys.soften.com.ua/about-ansys/blog/354-postroenie-strukturirovannoj-setki-v-ansys-workbench.html (дата обращения: 04.05.2020).
12. Соколянский В.В., Каганов Ю.Т., Волосникова М.C., Ишимцев В.И. Оценка интеллектуального капитала на основе использования искусственной нейронной сети // Естественные и технические науки. – 2015. – № 6. – c. 111-113.
13. Кухарев Г.А., Казиева Н. Применение цифровой лицевой антропометрии // Научно-технический вестник информационных технологий, механики и оптики. – 2019. – № 2. – c. 255-290. – doi: 10.17586/2226-1494-2019-19-2-255-270 .
14. Берестнева О.Г., Дзюра А.Е. Когнитивная графика в социально психологических исследованиях // Современные проблемы науки и образования. – 2012. – № 3. – c. 163.
15. Gordon Kindlmann, Erik Reinhard, Sarah Creem Face-based Luminance Matching for Perceptual Colormap Generation, Proceedings Visualization // IEEE CS Press. – 2002. – p. 299-306.
16. Карпова В.Б. Инновационные процессы как фактор роста конкурентоспособности высокотехнологичных предприятий // Креативная экономика. – 2016. – № 9. – c. 993-1006. – doi: 10.18334/ce.10.9.36536 .
17. Крафтова И., Крафт Й., Зайцев А.В. Философия развития инновационных изменений в национальной экономической системе // Креативная экономика. – 2013. – № 3. – c. 56-63.
18. Мельников О.Н. Случайно ли наступление эпохи креативной экономики? // Креативная экономика. – 2013. – № 2. – c. 118-126.
19. Перечень критических технологий РФ. Приказ № Пр–578, утвержден Президентом Российской Федерации В. В. Путиным 30 марта 2002 г
20. Чжан Дали, Кашбразиев Р.В. Экономическое взаимодействие России и Китая в высокотехнологичных отраслях промышленности // Экономические отношения. – 2019. – № 3. – c. 1587-1600. – doi: 10.18334/eo.9.3.40824.
21. Чупанова Х.А. Взаимосвязь рыночной капитализации с показателями стоимости высокотехнологичных компании // Экономика, предпринимательство и право. – 2019. – № 3. – c. 191-206. – doi: 10.18334/epp.9.3.41088.
22. Алабугин А.А., Береговая И.Б. Метод оценки качества управления использованием диверсифицированных ресурсов формирования и развития высокотехнологичного промышленного производства // Лидерство и менеджмент. – 2019. – № 3. – c. 189-200. – doi: 10.18334/lim.6.3.40948.
23. Грачева О.В., Глебова О.В., Мельникова О.Ю. Отличительные особенности и классификация высокотехнологичных проектов разработки и производства продукции гражданского назначения // Вопросы инновационной экономики. – 2019. – № 3. – c. 1067-1076. – doi: 10.18334/vinec.9.3.41013.

Страница обновлена: 19.10.2021 в 13:30:38