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), Россия, Москва
Скачать PDF | Загрузок: 3 | Цитирований: 9
Статья в журнале
Экономика высокотехнологичных производств (РИНЦ, ВАК)
опубликовать статью | оформить подписку
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: 9 по состоянию на 24.01.2023
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:
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: 15.07.2024 в 03:10:34