Опубликовано в журнале "Менеджмент в России и за рубежом" №4 год - 2017
Демидов Я.П.,
кандидат экономических наук, доцент кафедры экономики
Казанского филиала Российского государственного
университета правосудия
Традиционная практическая метрология не способна измерять процессы в социально-экономической сфере на шкалах ценностно-целевой направленности. Для этого необходимо создавать иную метрологию, на основе когнитивного подхода. Основные направления и требования к такой технологии измерений обсуждаются в работе применительно к задаче синтеза разнородных и разнонаправленных показателей и без привлечения экспертной технологии.
Широко используемая в экономике и менеджменте прикладная естественнонаучная метрология фиксирует только сам факт явления, его величину (размер, объём, уровень). Как только мы переходим к целям, к ценностным категориям (интересам, потребностям, смыслам, качеству), так при измерениях исчезают базовые понятия метрологии: эталон, шкала, единица измерения, кратность фиксации величин эталону, поверка инструмента измерения, воспроизводимость результатов измерения, независимость от субъекта наблюдения, релевантность. Практическая метрология способна корректно измерять любые явления на естественно-физических шкалах показателей, но абсолютно неспособна это делать на шкалах ценностно-целевой направленности [1; 6].
В метрологии общественных процессов (в части оценочных функций) отчётливо выделяются два направления. Одно исходит из системы товарно-денежного обмена, от конкурентной среды, охватывает «всё и вся» в следящем режиме через стоимостные индикаторы, деньги, цены, прибыль, обменные операции. Это естественно-рыночная метрология, ЕРМ. Распространяется она в основном на предпринимательское сообщество [2]. Другое нацелено на обоснование и определение размера оплаты наёмного труда и воздействие на его отдачу. Это экспертно-аналитическая метрология, ЭАМ.
В методологии ЭАМ превалируют счётно-расчётная фаза, зависимости, соотношения, формулы. Но при этом для исчисляемых показателей нет ни унифицированной меры, ни постоянной конституированной эталонной базы в её классическом понимании, ни единиц измерения, ни следящего режима, ни инструмента (модели) определения кратности расчётных уровней эталону. Следовательно, требования естественнонаучной метрологии(1) в их идеализированном, корректном и полноценном варианте не могут быть распространены на инструментарий ЭАМ (модели, методики, расчёты).
Этот вид измерения обычно возлагается на человека, реализуется постфактум, с использованием технологически сложной процедуры под названием «экспертиза» (или её примитивной копии – совещательного процесса), вне жёстко регламентированных метрологических операций, со всеми сопутствующими рисками, искажениями, дискуссионностью. По признаку прецизионности, достоверности его относят к косвенному, опосредованному, приближённому. Его можно с натяжкой отнести к естественно-физическим, техническим (инструментальным, приборным) измерениям, к метрологически чистым процедурам и можно совершенно справедливо отнести к суррогатной метрологии. Поэтому доверие к статистико-аналитической информации и оценочным моделям в массовом сознании и в публичной сфере чрезвычайно низкое, что особенно заметно в отношении многоцелевых и многомерных процессов и при оценке трудовых усилий людей, через которые опосредуются эти процессы.
В потенциале и традициях экспертно-аналитической метрологии вариант исключения личностного, субъективного фактора из оценочной фазы управления де-факто и объективно невозможен, так как нет ни эталонов, ни шкал соизмерения, ни единиц счёта, ни поверочных схем, ни инструмента (модели) преобразования количества контролируемого свойства в качество. Любая инновационная метрология общественных процессов должна, как минимум, восстанавливать указанные атрибуты естественнонаучных измерений, быть предельно унифицированной, независимой от человеческого фактора, но быть неотъемлемой частью контура содержательного описания процесса управления.
Следовательно, новая концепция измерения должна включать идею (принцип) моделирования семантики процессов, их сути, качества, смыслов, вытекающих из содержания самого
контролируемого процесса и накопленного интеллектуального опыта управления.
Реализация концепции возможна только в рамках когнитивного подхода, позволяющего существенно расширить интеллектуальные возможности управленцев, квантифицировать системные (абстрактные, идеализированные) взгляды и принципы, перейти от их смыслового (словесного) описания к формализованному. При таком переходе расширительное толкование целевых установок в отношении частных свойств (чтобы всё было хорошо) требует непрерывного учёта и моделирования представлений людей об объёме и структурной значимости подконтрольных функций, сторон и результатов деятельности. Подобные толкования часто носят вариативный динамизированный характер, они неустойчивы и противоречивы, но поддаются смысловому и формальному анализу. Значит, первичным условием построения измерительной (алгоритмической) фазы становится её интеллектуализация, которая неизбежно включает функцию целеполагания, аксиологическую фильтрацию данных, ориентацию на смысловое (семантическое, имитационное) моделирование, органичное «срастание» анализа и синтеза, вербальности и квантифицированности, переход от классификаций к кластеризации данных, применение методов непараметрической статистики, использование закономерностей экспериментальной психологии [3; 4]. Эти составляющие образуют технологию когнитивного типа, которая является естественным путем формирования необходимых процедур обработки информации, сближая формально-алгоритмические решения с заключениями лиц, имеющих устойчивые убеждения в связи с высоким уровнем квалификации, знаний, компетентности и достаточным опытом управления.
(1) Требования к измерениям – однозначность, воспроизводимость, независимость (от человеческого фактора), достоверность, прецизионность (безошибочность), сопоставимость, релевантность, верифицируемость.
При обосновании и установлении принципов когнитивизации (интеллектуализации) инновационной измерительно-оценочной системы (ИИОС) было сформулировано несколько достаточно строгих требований к унифицированной технологии комплексных измерений для организационных систем:
а) абсолютное исключение на входе ИИОС каких-либо априорных экспертных данных о субъективных предпочтениях, об относительной важности свойств многоцелевых систем (или данных об их состоянии);
б) исключение разнообразия мнений экспертов (лиц, принимающих решение) о качестве алгоритмических измерений на выходе ИИОС; на языке теории группового выбора это – достижение абсолютной сходимости экспертных мнений, то есть минимизации дискуссионного аспекта, получения объективно безошибочных результатов, максимально возможной верифицируемости и валидности расчётных итогов;
в) требование реализации (воспроизводимости) функциональных и рабочих характеристик рыночной индикации (родовых и видовых свойств ЕРМ), преобразование их внутри ИИОС в технические (операционные, эксплуатационные) свойства искусственной меры [4]. По существу, это – требование изоморфизма (тождественности) свойств обоих видов метрологического обеспечения – ЕРМ и ЭАМ.
Ниже раскрываются (ретроспективно) главные направления интеллектуализации ИИОС без привлечения экспертной технологии. Они показывают пути изучения и поисков решения задачи измерения как операции алгоритмического преобразования многомерности контролируемых состояний (качества процессов, результативности) в одномерность экономического стимула [4; 5]. По существу, это – моделирование смыслов, проистекающих из опыта управления организационными структурами и ориентированных на конструктивное решение задачи обобщения. Содержимое направлений (1н–6н) можно рассматривать как техническое задание на разработку соответствующей научно-исследовательской темы.
Направление 1н
В информационном моделировании известно, что, чем полнее и подробнее задаются в модели элементы реальной системы, тем точнее структурируется явление и тем меньше его энтропия. Стремление к полноте и накоплению информации (моделируемый компонент «памяти») относится к естественным желаниям любого субъекта экономической деятельности. В основе процесса накопления знаний лежит потребность индивида обладать полной информацией по всем стадиям сопоставления и самоидентификации, сохранять о себе и о внешних условиях жизнедеятельности всю необходимую информацию. Направление можно интерпретировать как воспроизведение и информационное обеспечение требуемого качества таких мыслительных операций, как сравнение и анализ, необходимых для исполнения аналитико-кумулятивных функций интеллекта (экспертного мышления). Объёмы и качество информации, имеющейся в распоряжении субъекта экономических решений, определяют степень его комфортности, готовности принимать управленческие решения.
При проекции данного свойства на реальные системы управления получается, что для оценки состояний любых многомерных процессов показатели нужны все одновременно, и чем больше, тем лучше. Если разработанные модели будут соответствовать такому требованию, то при интегральных измерениях в режим информационного моделирования кроме традиционных показателей (факторов ресурсного и организационного характера) можно вовлечь и такие (всегда игнорируемые в формальных методиках) стороны общественных отношений, как природосбережение, устойчивость к коррупции, справедливость, прозрачность, отдалённые (перспективные и ретроспективные) последствия трудовых усилий. Принцип информационной полноты не относится в экономике к общепризнанным, он противостоит характерному для многих экономических школ убеждению о необходимости оценивать многомерную результативность каких-либо организационных систем по небольшому числу наиболее важных (!?) показателей. Невозможно добиться от сторонников таких взглядов сколь-нибудь убедительного раскрытия понятия важности.
Полнота информации понимается в широком смысле: во-первых, это комплексность и завершённость состава целей (и целевых установок) в отношении каждого локального свойства и всех свойств, вместе взятых (последнее обстоятельство является системообразующим принципом [4]); во-вторых, полнота оценочных показателей самого нижнего «корневого» уровня; в-третьих, полнота информационных баз: отчётных данных, сравнительных нормативов, лимитов, эталонов, стандартов, необходимых для обеспечения сопоставимости собранной информации.
В любом случае важно понимать, что ни количество показателей (оцениваемых свойств), ни их размерность, ни технические возможности используемого инструментария (моделей, методик и прочего) не должны ограничивать способность оценивать состояние организационных систем любой сложности. Модель оценивания (технология) должна «уметь оперативно работать» с неограниченным числом свойств и объектов контроля в реальном масштабе времени. В традиционных методиках комплексной оценки (например, в ресурсно-окупаемых методиках, с априорными данными и весовыми коэффициентами) такая задача не может быть поставлена и решена даже в отдалённой перспективе.
Направление 2н
Второе направление разработки связано с установлением качества развития единичных свойств (характеристик состояния) организационных систем. Ограниченные возможности человека воспринимать и анализировать информацию о состоянии контролируемых объектов по большому и возрастающему числу признаков требуют при анализе ситуаций выделения смысла информации (или придания ей смысла). Процесс выделения смысла строится на оценочных суждениях лиц, осуществляющих управление, то есть на таких мыслительных операциях, как обобщение и классификация.
В активных, организационных, человеко-машинных системах такого рода суждения образуют контур содержательного описания процессов.
Рациональная «скупость» информации, циркулирующей в трактах управляющего контура (интеллекта), достигается прежде всего сжатием данных, их группировкой по различным признакам. На выходе формируются необходимые ассоциативные представления, позволяющие в общих чертах классифицировать сложившуюся ситуацию и приступить к выбору подходящих решений. Методы формальной селекции особенно важной информации должны соответствовать привычным способам и принципам отбора, характерным для любого субъекта экономических решений. Опытный специалист чаще всего ориентирован на оценки состояний объектов по разнообразным признакам с употреблением небольшого числа качественных градаций. Эта особенность является семантическим признаком и может быть воспроизведена в модели сжатием информации до качественных характеристик, широко используемых специалистами в повседневной практике [4]. Наблюдением охватывается и индивидуальный, и групповой (коллективный) опыт, а выбор временных интервалов статистических выборок и их последующая группировка являются стандартными операциями статистической обработки данных по каждому свойству [6].
Момент установления качественной интерпретации свойств позволяет начинать оценку не с анализа массива исходных (текущих или статистических) данных, а с массива качественных заключений о состоянии и развитии процесса. Такой вариант подготовки информации обеспечивает комплексное и системное использование данных, которые, по существу, определяют содержание совокупного опыта. Степень овладения опытом прямо характеризует квалификацию человека (модели, алгоритма, методики), осуществляющего управление; позволяет переводить некоторые лингвистические понятия в область их квантифицированного отображения. Некоторые числовые параметры и данные можно преобразовать в качественные градации и (или) придать им какой-то смысл.
Направление 3н
Более сложным и ответственным этапом аналитической работы экспертов и управляющих лиц является задание опорных (реперных) количественных значений по выбранным показателям. Здесь проходит третья линия интеллектуализации инженерных решений и модельных построений.
Любое принимаемое человеком решение часто (но не всегда!) сопровождается фиксацией в памяти конкретных числовых параметров, привлекаемых для описания ситуаций. Если это не происходит осознанно, то при обсуждениях, при аргументации решений нередко происходит их спонтанное неосознанное восстановление, что является привычным для специалиста и может служить основанием при моделировании смысловой систематизации и конкретизации опыта.
В экспериментальной психологии показано, что человек дифференцирует явления, заданные упорядоченным числовым множеством, не более чем на семь зон качественного уровня, а наиболее уверенно – на три-пять качественных градаций (зон).
При выборе на этом множестве нескольких опорных значений специалист исходит из накопленного опыта. В основе качественных описаний опыта всегда лежат отношение типичности, повторяемость наблюдений, их частота, плотность, интенсивность проявления. Такие операции нахождения или задания опорных меток на шкалах можно отнести к кластерному анализу, а сам метод можно идентифицировать как метод кластеризации. Он соответствуют «природной» естественной классификации, характерной для человека и несущей смысловую нагрузку.
Легко заметить, что сжатие информации (2н) и выбор опорных меток на шкалах (3н) выступают своеобразным эквивалентом известного в статистике метода классификаций и образования типологических группировок, широко используемых в реальной практике экономического и статистического анализа. Однако в задачах такого рода упор обычно делается на объём и содержание классификационных групп данных. Никогда не обращают внимания на границы между группами. Здесь же выбор «плавающих» граничных (опорных) значений выступает важным инженерным приёмом, позволяет установить диапазон и отграничить качественное содержание классификационных групп в динамике. Этот приём, теоретически обоснованный в [4], был реализован в экспериментальных моделях и показал полную пригодность как параметр измерительной процедуры. Сама шкала получила название нормативно-оценочной.
Системно-структурное описание опыта через дискретное и сжатое отображение с помощью введённых в технологию измерения оценочных шкал позволяет организовать тот самый информационно-семантический фильтр, о котором мы говорили ранее, перейти от отношений «больше – меньше» к отношению «лучше – хуже», преобразовывать данные опыта в знания, придать информации опыта смысловую интерпретацию, уменьшить размерность модели обобщения. Альтернативная фильтрация данных, широко используемая в технических, технологических системах (фильтры статистической неоднородности, зашумлённости данных, фильтры Калмана), не отвечает условиям смысловой и аксиологической фильтрации, абсолютно необходимой при когнитивном моделировании.
В терминологии специалистов по искусственному интеллекту направления 1н – 3н наполняют содержанием понятие фрейма. Фрейм – базовое понятие в методологии искусственного интеллекта. Это структурный элемент памяти, абстрактный образ стереотипа восприятия человеком того или иного объекта. В экономике фрейм-ситуация отображает реальное фактическое состояние контролируемого объекта (на основе поступивших данных) в образах и стереотипах экспертного мышления. В роли фрейма здесь может быть представлена сама нормативно-оценочная шкала как некоторый формальный шаблон, символ, наполнение которого реальной информацией об объекте или ситуациях приводит к возникновению феномена «знаний» о действительном состоянии объекта наблюдения.
Набор фреймов, заполненных и конкретизированных реальными данными об объекте, образует банк знаний, а информационная модель объекта преобразуется в «знаниевую».
Направление 4н
Одно из важных направлений интеллектуализации модельных построений восходит на уровень мыслительных операций «абстракция». Оно связано с обоснованием выбора вида целевой функции оптимизации.
В теории сложных систем, в методологии экономико-статистического моделирования, в теории управления широко распространён принцип равномерной оптимизации (принцип минимакса или максимина). Соответствующий этому принципу критерий оптимизации называется критерием Вальда. Ряд исследователей относит этот принцип в интеллектуальных системах (играх) к разряду обеспечивающих «абсолютную гармонию» взаимодействия участников игры, позволяющих добиваться устойчивости функционирования за счёт равномерности достижения разнокачественных целей. Основной целью оптимизации управления является максимальное приближение к идеальному состоянию, гипотетически задаваемому вектором высоких качественных оценок по всем контролируемым свойствам (хi), что можно записать:
θopt → max min хi, при хi чем больше, тем лучше;
θopt → min max хi, при хi чем больше, тем хуже.
В экономике этот принцип выражается естественным стремлением всякого субъекта хозяйствования (руководителя), ответственного за функционирование сложной организационной структуры любого уровня, равномерно достигать всех частных целей (удовлетворять разнородные потребности). Иными словами, это – стремление к гармонизации, когда целевая функция, критерий оптимальности не задаётся однозначно извне, а генерируется (самогенерируется) внутри системы сопоставлением опыта и динамики параметров состояния (свойств, результатов, условий) всех конкурирующих объектов [1; 6]. При этом измерением должны улавливаться отклонения и по уровню, и по фактической структуре свойств.
Целевая функция оптимизации реализуется неявно, не в математическом смысле перебора всех возможных состояний (выигрышей), а в экономическом, через ориентацию активности человеческого ресурса. Экономический и управленческий смысл такой оптимизации (и всей метрологической операции) не в том, чтобы установить конкретные уровни показателей как цель управления, как директивные задания (это была бы задача планирования в её классической постановке), а в том, чтобы выявить неравномерности, дисгармоничности, разбалансирования фактического состояния и ориентировать экономический интерес, ресурсы самоуправления на выравнивание, на ключевые аспекты, на «узкие места», на максимизацию отстающих (в качественном смысле) свойств (см. ниже 5н, 6н).
Направление 5н
В теории построения экспертных систем одной из моделируемых ситуаций является режим мониторинга, когда строится предупредительная система с обнаружением «слабостей», «опасностей», «критических точек» [4; 6]. Способ обнаружения экспертом такого рода деформаций основан на мыслительных операциях конкретизации и синтеза, эквивалентен определению относительной важности каждого параметра при управлении, что традиционно выражается субъективностью предпочтений (приоритетов, весов, рангов) при сравнении контролируемых свойств. Возникает «пресловутая» задача установления в числовой форме относительной важности свойств. Значит, необходимо создать цифровой виртуальный эквивалент таким управленчески значимым оценочным категориям, как «критическая точка», «узкое место», «ключевой аспект», «недопустимый уровень», «слабое звено». На практике с этой целью чаще всего привлекают экспертную технологию, что сразу же относит все потенциально возможные решения (рейтинги, веса, значимости, баллы) к утилитарным, неверифицируемым, псевдонаучным.
Если невозможно использовать известные и широко применяемые статистические методы установления относительной важности свойств(1), то можно переходить от объекта мониторинга к субъекту наблюдения, находить усреднённые оценки субъективного отношения к значениям отдельных показателей, к их важности. Но находить эти оценки необходимо не прямым опросом и экспертизой, а использованием установленных в экспериментальной психологии закономерностей [4]. Этот вариант образует самостоятельное направление поисков при моделировании характеристик измерительной технологии когнитивного типа.
В психофизике разработаны психометрические шкалы, задающие связь физических и психологических переменных в простой аналитической форме. Суть шкал в том, что устанавливается зависимость между приростом внешнего сигнала (изменения исследуемого физического параметра) при данном его абсолютном значении и субъективными ощущениями. При моделировании этих непростых связей можно привлечь методологию шкалирования и установленные в экспериментальной психологии закономерности (например, известные законы Вебера–Фехнера, Стивенса). В соответствии с этими закономерностями человек уверенно различает пары отличающихся друг от друга стимулов в случаях, когда отношение разности вызванных ими ощущений к начальному уровню ощущения для эталонного стимула равно постоянной величине, то есть ощущения растут как логарифмы раздражений. Представляется, что чувствительность измерительной системы может быть построена в соответствии с этой закономерностью.
Возможность разрешения «весовой проблемы» через закономерности экспериментальной психологии и одновременно через эконометрические модели оказалась весьма конструктивной [Там же]. Такой подход позволяет не учитывать изменчивость индивидуальных мнений экспертов, вынести за скобки достаточно сложную аксиоматику экспертного метода (группового выбора) и исключить многочисленные ограничения, условия и требования, всегда сопутствующие строгому научно обоснованному применению экспертизы.
(1) Этот набор методов не является универсальным и общеприемлемым по целому ряду причин [4].
Направление 6н
Шестым направлением сознательного конструирования свойств интеллектуализации моделей является организация адаптивного следящего режима, то есть режима с отрицательной обратной связью, обеспечивающей в процессе управления устойчивость (выравнивание) функционирования объекта. По мнению исследователей сложных систем, в человеческом мышлении используется механизм, аналогичный механизму адаптивного управления и выстроенный как результат всех видов мыслительных операций.
При стоимостно-ориентированном управлении (в естественных экономических системах) работают механизмы обратной связи, основанные на мотивах, «возбуждённых» интересом человека к результатам собственных трудовых усилий. Эту функцию (по крайней мере, по отношению к предпринимателю) выполняет критерий прибыльности, который, проходя через осмысление субъектом предпринимательства, реализует функцию сигнала в каналах обратной связи. В искусственно конструируемых системах (организационных, технических, технологических) адаптивность следящих режимов является объектом проектных инженерных решений, которые регулируют силу сигнала в канале обратной связи. Именно так строятся все замкнутые системы саморегулирования, поэтому метрологическое обеспечение (ИИОС) должно быть встроенным в контур управления, непрерывно «генерировать» мотивы поведения и быть бихевиористически открытым.
При реализации этого свойства используется известный в других статистических приложениях метод адаптивной подстройки интервалов группировки в соответствии с вновь регистрируемыми данными, то есть метод плавающих шкал. Иными словами, опорные метки нормативно-оценочных шкал (оцифровка) могут изменяться в соответствии с периодически обновляемым статистическим распределением. Однако не следует забывать, что это техническая сторона организации адаптивного режима.
В экономических системах адаптивность образуется на основе распределительных отношений, на основе экономического интереса.
Известно, что мотивационная среда в экономике создаётся (в психолого-прагматическом аспекте) совместным функционированием двух систем: субсистемы измерения (оценки) результатов труда и субсистемы определения величины вознаграждения, размера экономического стимула (оплаты труда). Если какая-либо из этих субсистем выстроена неправильно, расчётные значения не адекватны, не верифицируются или отсутствуют (что наблюдается достаточно часто), то другая стремится компенсировать (демпфирует, сглаживает) недостатки первой. Такая деформация и взаимовлияние субсистем часты и характерны для многих направлений профессиональной деятельности. Отсюда, как следствие, гигантские бонусы чиновникам, топ-менеджерам, огромные премии по избирательному принципу, невероятные доходы элиты, так как отсутствует или предельно искажена система измерения результатов труда этих категорий занятого населения. Отсюда же предпосылки для коррупции, чрезмерная дифференциация доходов населения, фатальное расслоение общества, бесконечные дискуссии о справедливости, низкое качество и невысокая производительность труда. Метрологический фактор был и остаётся латентным источником многочисленных проблем управления и демотивации экономического поведения.
В естественно-рыночной метрологии оба атрибута (субсистемы) мотивации объединены единой естественной цифровой формой в критерии прибыльности, что воспринимается как данность, обеспечивает непрерывность адаптивных и следящих режимов рыночного саморегулирования и не вызывает общественного недовольства в отношении размеров предпринимательских доходов. В инструментарии ЭАМ (для наёмного контингента) такой в связи нет, требуются обоснование и разработка самостоятельных моделей оценочной и стимулирующей функций, а затем и способа объединения обоих атрибутов в двуединое целое. К сожалению, в такой интерпретации задача стимулирования трудового ресурса никогда не ставится и не обсуждается.
В экономике и менеджменте правильно оценить результативность, качество или состояние какого-либо многомерного процесса абсолютно необходимо, но недостаточно, как недостаточно принять решение о его коррекции, например, с помощью инструментов планирования или распределения ресурсов. Такие решения не следует относить к экономическим, в лучшем случае это вспомогательные административно-управленческие, ресурсно-технологические, планово-распределительные решения.
Если объектом имитационного моделирования являются естественные экономические процессы, то любое искусственное измерение обязано соединять, согласовывать, гармонизировать оценочную и стимулирующую функции вне зависимости от структурной размерности этих функций. Тем самым оно должно непрерывно и автоматически воспроизводить экономический интерес, мотивировать поведение субъектов отношений (физических лиц, наёмных работников) в заданном направлении и с соответствующей оценкам интенсивностью саморегулирования (как это происходит естественным образом в рынке в отношении целенаправленности и интенсивности предпринимательских усилий). Объективно возникает требование тождественности свойств ЕРМ и ЭАМ, сопряжения всякой ИИОС со всеми другими механизмами экономической или распорядительной регуляции и в первую очередь включения её в контур оперативного саморегулирования любой организационной системы, чего нет (и в принципе не может быть) в практике применения традиционных методик оценивания.
Перечисленные направления (1н–6н) реализуют информационно-алгоритмическое обеспечение технологии когнитивного типа для получения адекватных, объективно безошибочных результатов оценки деятельности и состояний многомерных процессов в социально-экономической сфере. Они переносят смысловое содержание таких понятий, как «цель управления», «полнота информации», «качественный уровень свойства», «зона постоянного качества», «узкое место», «реперная метка», «оптимизация», «адаптивность», «следящий режим», в операциональную фазу, в возможность включения их в формальные модели и алгоритмы обработки данных. С этой точки зрения технологию можно назвать «человеческим измерением». Один из вариантов набора конкретных исследовательских и инженерных решений и результаты многолетней экспериментальной апробации изложены в [4].
Литература
1. Эдельгауз Г.Е. Достоверность статистических показателей. – М.: Статистика, 1977.
2. Дрогобыцкий И.Н. Системный анализ в экономике. – М.: Финансы и статистика, 2009.
3. Демидов Я.П., Матвеев А.П. Критерий гармонизации. Опыт обоснований и применений // Приборы и системы управления. – 1990. – № 1. – С. 41–44.
4. Демидов Я.П., Багаутдинова Н.Г., Шабанова Л.Б. Оценка состояния организационных систем. Принципы, модели, технология. – Казань, Изд-во Федерального университета, 2016.
5. Шаховой В.А., Шапиро С.А. Мотивация трудовой деятельности. – М.: АльфаПресс, 2006.
6. Елисеева И.И. Статистика. – М.: Высшее образование, 2006.
