Применение когнитивного инструментария к исследованию трудовых аспектов качества жизни

Встатье проводится исследование и моделирование ситуаций на рынке труда и взаимодействия занятости населения и качества жизни. Занятость населения одна из актуальных проблем современного периода развития экономики страны. Предложен комплексный подход к исследованию, базирующийся на сочетании методов статистического, экспертного, причинного и когнитивного анализа; приведен пример моделирования взаимодействия рынка труда и качества жизни. Новизна результатов исследования заключается в применении когнитивного моделирования сложных систем для изучения взаимосвязи качества жизни и занятости населения.

Ключевые слова: когнитивная карта, когнитивное моделирование, качество жизни, занятость.

Проблема повышения качества жизни является ключевой для современного развития России и ее регионов. Практически во всех документах стратегического развития отдельных субъектов Российской Федерации повышение качества жизни, улучшение демографической ситуации, здоровье населения обозначены основополагающими социальными приоритетами. От эффективности этой политики зависит не только рост уровня и качества жизни более четверти населения России, обеспечение предприятий квалифицированными кадрами, а значит, и укрепление безопасности страны, но и гармоничное развитие российского общества, поддержание социального и экономического контроля над территорией, сохранение и развитие российской культуры.

Рынок труда является одним из индикаторов, состояние которого позволяет судить о национальном благополучии, стабильности, эффективности социально-экономических преобразований. На этом рынке сталкиваются интересы трудоспособных людей и работодателей, которые представляют государственные, муниципальные, общественные и частные организации. Степень занятости экономически активного сельского населения является индикатором благополучия (или неблагополучия) социального развития.

В реальной экономической жизни на динамику рынка труда оказывает влияние целый ряд факторов: уровень рождаемости, темпы роста численности трудоспособного населения, его половозрастная структура, степень экономической активности различных демографических и этнических групп трудоспособного населения, процессы иммиграции и т. д. Все это влияет занятость населения.

Занятость имеет особое значение как фактор изменения качества жизни, так как обуславливает и другие важнейшие факторы такие как трудовой доход или заработок, условия труда, социальная защищенность. С другой стороны, изменение качества жизни влияет на занятость молодежи через такие факторы как трудовая мобильность, экономическая активность, мотивация к труду.

Для исследования влияния занятости на качество жизни предлагается использовать когнитивный подход.

Методология когнитивного моделирования, предназначенная для анализа и принятия решений в плохо определенных ситуациях, была предложена Аксельродом [1]. Затем продолжена в трудах Робертса [2], а симплициальный анализ и Chains of Connection когнитивной карты подробно рассмотрен такими известными исследователями как Аткин и Касти [3].

Когнитивный подход к поддержке принятия решений ориентирован на активизацию интеллектуальных процессов субъекта и помогает ему зафиксировать ему свое представление проблемной ситуации в виде формальной модели. Модель представлена обычно в виде когнитивной картой ситуации.

Когнитивное моделирование сложных систем

Инструментально-методический аппарат представляет собой совокупность математических, и программных средств для решения задач исследования экономической интеграции, для обоснования и принятия решений в сфере совершенствования управления процессами качества жизни населения.

В качестве систематизирующей базы организации исследования, программой, задающей последовательность исследовательских действий, принят «метанабор описания объекта (системы)» [5], как «метамодель исследования» (1), в которую введен «наблюдатель» Мн для учета факта влияния исследователя (наблюдателя) как на систему, так и на результаты ее исследования:

M ={M_O(Y, U, P), M_E(Х), M_OE, M_D(Q), M_MO, M_ME, M_U, M_H, A},(1)

где M_O(Y, U, P) — идентифицирующая модель системы (модель объекта), в которой Y — эндогенные переменные, U — вектор управляемых переменных, P — вектор ресурсов; M_E(Х) — модель окружающей среды, X — экзогенные величины; M_OE = {M_SX, M_SY} — модель взаимодействия объекта и среды; M_D(Q) — модель поведения системы, Q — возмущающие воздействие; M_MO и M_ME — модели измерения состояния системы и окружающей среды; M_U — модель управляющей системы, A — правила объединений моделей и выбора процессов изменения объекта; M_H — модель «наблюдателя» (инженера-когнитолога, эксперта, исследователя).

Модели M_O, M_E,M_OE являются когнитивными моделями. Модель поведения системы M_D — это модель импульсного процесса, описывающая развитие ситуаций на модели при внесении возмущающих воздействий Q. Модель наблюдателя M_H проявляется в процессе всего когнитивного моделирования, который отражает процесс познания субъектом изучаемого объекта».

Она основана на моделировании субъективных представлений экспертов о ситуации и происходит поэтапно.

Первый этап. Разработка когнитивной модели.

Начинается с разработки более простых математических форм в виде когнитивной карты G — знакового ориентированного графа (2), на основе методологии структуризации ситуации: модель представления знаний эксперта в виде знакового орграфа (когнитивной карты)

G = ,(2),

Второй этап. Исследование свойств сложной системы на когнитивной модели.

Исследуются: устойчивость к возмущениям, структурная устойчивость, пути, циклы, сложность, связность, чувствительность, динамика, симплициальный анализ и др.

Третий этап. Сценарный анализ.

Проводится с помощью импульсного моделирования [4, 6, 7]. Формула импульсного процесса [5] при переходе к модельному времени в виде тактов моделирования имеет вид:

где x_i(n) — величина импульса в вершине V_i в предыдущий момент — такт моделирования — n, x_i(n+1) — в интересующий исследователя (n+1) момент; f_ij — коэффициент преобразования импульса; P_i(n) — значение импульса в вершинах, смежных с вершиной V_i; Q_i(n) — вектор возмущений и управляющих воздействий, вносимых в вершины V_i в момент n. Это начальный импульс. Набор реализаций импульсных процессов — это «сценарий развития», который указывает на возможные тенденции развития ситуаций в системе. Ситуация в импульсном моделировании характеризуется набором всех Q и значений Х в каждом такте моделирования.

Данная работа продолжает исследования [8, 9, 10], в которых было начато использование для анализа рынка труда и качества жизни населения идей и инструментария когнитивного моделирования сложных систем.

Основные возможности модернизированной программной системы когнитивного моделирования сложных систем, названной CMSS, представим на примере моделирования качества жизни и занятости молодежи.

Применение когнитивного моделирования кисследованию качества жизни изанятости на рынке труда

Этап 1. Разработка когнитивной модели.

Рис. 1. Когнитивная модель G «Обеспечение качества жизни через трудовой аспект»

В процессе обдумывания когнитивной карты при моделировании ее с помощью CMSS, имеется возможность: именовать и кодировать вершину (например, V2 Качество жизни), изображать дуги (отношения) между вершинами, их знак и вес ω_ij; например, дуга e-6–2 между V6 и V2 имеет знак «+», что изображается сплошной линией, и вес ω₆₂ = 1; дуга е-10–11 имеет вес ω₁₀₁₁ = 0.8 и знак «-», что изображается пунктирной линией). В зависимости от веса дуга изображается разной толщиной. Кроме того, можно называть действие (отношение, влияние) между соответствующими вершинами — выбор наименования осуществляется экспертом в согласовании с целью исследования. Например, улучшений условий труда V9 «увеличивает» (улучшает) здоровье V6. Вершину по желанию можно выделять рамкой, акцентируя на ней внимание (например, V4) и указывать её вес («значимость», «важность», «величина параметра»); например, в выделенной рамкой вершине V2 содержится еще информация об ее относительном весе «5», при этом кружок этой вершины больше по размеру остальных вершин, относительный вес которых в этом пример задан как «0». И вершины, и дуги могут быть также раскрашены экспертом в зависимости от сравнительных сопоставлений их смыслов и в соответствии с психологическим восприятием разного цвета. Например, вершина «Качество жизни» раскрашена зеленым цветом, как целевая, вершина «Социальная напряженность» — оранжевым (например, как негативно влияющий фактор), в отличие от синей вершины «Доходы». Дуги могут изображаться как прямыми, так и кривыми линиями. Все представленные возможности помогают эксперту глубже проникать в проблему исследования, варьируя количество вершин и дуг, их наименование, цвет, размер, вес. Этим самым обеспечивается реализация когнитивных возможностей человека, его логического и образного мышления, снижение риска «человеческого фактора» при моделировании сложной системы. На рис. 2 изображены меню, соответствующие действиям построения когнитивной модели.

Рис. 2. Изображения меню задания вершин, дуг, их свойств

На рис. 3 представлена когнитивная модель в форме Сетки и Матрицы смежности. Эта матрица является основой для проведения различного вычислительного эксперимента на последующих этапах когнитивного моделирования.

Рис. 3. Отображение элементов когнитивной модели в таблице «Сетка» и «Матрица смежности»

Этап 2. Анализ путей, циклов, устойчивости модели.

При исследовании когнитивной модели необходимо выделение и анализ циклов положительной («акселераторов») и отрицательной (стабилизирующей) обратной связей. На рис. 4 приведен пример вычислительного эксперимента по исследованию путей и циклов графа — когнитивной модели G.

Рис. 4. Выделение цикла положительной связи

Рис. 5. Выделение «отрицательного» пути из вершины V11 в вершину V2.

Определение числа отрицательных циклов необходимо для анализа свойств структурной устойчивости системы. Согласно критерию [4, 6], система структурно устойчива, если число ее отрицательных циклов нечетное. В нашем случае, модель G структурно неустойчива, т. к. число отрицательных циклов четное, равно 4.

На рис. 6 изображены результаты расчета собственных чисел матрицы смежности модели G. Определение корней характеристического уравнения необходимо для анализа устойчивости системы к возмущениям и по начальному значению. В данном случае использован критерий устойчивости М < 1 [4]. М — максимальное по модулю соответственное число (корень характеристического уравнения матрицы). Поскольку в данном случае М = 1,2036 > 1, то система G неустойчива ни к возмущениям, ни по начальному значению.

Рис. 6. Собственные числа матрицы смежности

Заметим, что для графа с небольшим числом вершин и связей выделение путей и циклов визуально не затруднительно, но при увеличении их числа это становится проблемой, поэтому процесс автоматизирован для поддержки процесса когнитивного анализа. На рис. 7 приведено изображение таблицы симплициального анализа (топологический анализ q- связности системы G).

Топологический анализ когнитивной модели дает новые знания о свойствах сложной системы, которые не очевидны только при алгебраическом анализе свойств графа. В результате анализа q-связности возможно проследить связность блоков (симплексов) модели и выявить, в том числе, связи, «разрушающие» систему. [3]

Рис. 7. Симплексы размерности ƿ и цепочки q — связей симплексов

Этап 3. Сценарный анализ, импульсное моделирование.

При реализации вариантов импульсного моделирования (3) возможно внесение импульсов, интерпретируемых в соответствии с задачей, как «возмущающие» или «управляющие», в одну и несколько вершин одновременно, а также на любых шагах моделирования.

На рис. 8 показан пример импульсного моделирования по сценарию, имитирующему влияние увеличения занятости на процессы в системе, импульс поступает в одну вершину при хорошем состоянии занятости.

Сценарий No 1.

Пусть в системе происходит увеличения занятости: возмущающий импульс q1 = +1; вектор воздействий Q1 = {q1 = 1; 0; 0;...; 0}.

Как видно из рис. 8, сценарий No 1 можно считать достаточно реалистичным: при увеличения занятости населения наблюдается тенденция увеличения всех показателей системы: повышение качества жизни, увеличение доходов и, как следствие экономической активности, снижение социальной напряженности и др. Это указывает на необходимость принятия соответствующих этим тенденциям решений.

Рис. 8. Графики импульсных процессов сценария No 1

На рис. 9 представлены результаты вычислений по формуле (3), по которым строятся графики.

Рис. 9. Результаты вычислений на 10 тактах моделирования

Рассмотрим возможный сценарий, при котором предполагается ухудшение условий труда.

Сценарий No 2.

Пусть в системе происходит ухудшение условий труда: возмущающий импульс q5 = -1; вектор воздействий Q1 = {q5 = -1; 0; 0;...; 0}.

Как видно из рис. 10, при ухудшение условий труда наблюдается тенденция уменьшения всех показателей системы: ухудшения здоровья населения, снижения качества жизни, уменьшение доходов и, как следствие экономической активности, увеличение социальной напряженности и др. Это указывает на необходимость принятия противодействующих этим тенденциям решений которые должны положительно повлиять на изменения соответствующих факторов.

Рис. 10. Графики импульсных процессов сценария No 2

Заключение

Когнитивная методология и поддерживающая ее программная система когнитивного моделирования CMSS являются инструментом, помогающим эксперту (экспертам) структурировать знания и, главное, системно и всесторонне проводить исследования различных взаимосвязанных задач функционирования сложной системы, которые чаще всего, остаются вне поля зрения. В результате выполнения всего плана импульсного моделирования получается набор сценариев, из которых можно выбирать желаемый и принимать решения по его практической реализации.

1. Axelrod R. The Structure of Decision: Cognitive Maps of Political Elites. Princeton. University Press, 1976
2. Roberts FS. Discrete mathematical models with applications to social, biological and environmental problems. Prentice-Hall, Englewood Cliffs, N.J., 1976.
3. Atkin R & Casti JL. Polyhedral Dynamics and the Geometry of Systems. IIASA Research Report. IIASA, Laxenburg, Austria: RR-77–006. 1977.
4. Горелова Г. В., Захарова Е.Н, Радченко С. А. Исследование слабоструктурированных проблем социально-экономических систем: когнитивный подход. — Ростов н/Д: Изд-во РГУ, 2006. — 332 c.
5. Кульба В. В. Сценарный анализ динамики поведения социально-экономических систем (Научное издание) / В. В. Кульба, Д. А. Кононов, С. С. Ковалевский, С. А. Косяченко, Р. М. Нижегородцев, И. В. Чернов. — М.:ИПУ РАН, 2002. — 122c.
6. Горелова Г. В., Панкратова Н. Д., Инновационное развитие социально-экономических систем на основе методологий предвидения и когнитивного моделирования / Киев: Наукова думка, 2015, 464 с..
7. Максимов В. И., Когнитивные технологии — от невежества к пониманию / Сб. Труды 1-й Международной конференции «Когнитивный анализ и управление развитием ситуаций», (SASC'2001) — М.: ИПУ РАН, 2001. — Том 1, с. 4–18.
8. Горелова Г.В, Мандель М.В Имитационное моделирование как инструмент исследования регионального рынка труда // Вестник Адыгейского государственного университета. Серия 5: Экономика. 2012. No 4 (111). с.230 240.
9. Горелова Г. В., Калиниченко А. И. Инструментарий когнитивного моделирования сложных систем / Системный анализ в проектировании и управлении. — 2018, Том 1, С. 399–412.
10. Калиниченко А. И. Когнитивное исследование качества жизни и занятости молодежи // Молодой ученый. — 2018. — № 30. — С. 38–43. — URL https://moluch.ru/archive/216/52187/ (дата обращения: 30.11.2018).