Динамические растущие пирамидальные сети для оценки возможно-стей реализации инновационных проектов в металлургии

Известно, что экспорт российской металлургии в значительной степени носит сырьевой характер. Данная проблема требует комплексного внедрения инноваций на всех этапах технологической цепи металлургического производства. В этой связи возникает задача выбора участников инновационных процессов по созданию высокотехнологической металлопродукции, который должен основываться на анализе собственных материально-технических и финансовых ресурсов предприятий, накопленном им инновационном опыте и имеющемся кадровом потенциале [5; 7]. В табл. 1 предложены показатели оценки внутреннего состояния предприятия, определяющие его инновационный потенциал. Важную роль при реализации инновационных проектов играют возможности внешней среды, которые определяют условиях функционирования участников инновационных процессов [4; 6]. Все факторы внешней среды можно разбить на две группы: общие и специфические.
В табл. 2 предложены показатели оценки общего инновационного потенциала внешней среды, которые оказывают одинаковое влияние на всех участников технологической цепи производства металлопродукции.
В табл. 3 приведены показатели оценки специфического инновационного потенциала внешней среды, которые индивидуальны для различных участников технологической цепи производства металлопродукции.
Ввиду использования количественных и качественных показателей для оценки инновационного потенциала предприятия и внешней среды целесообразно применять растущие пирамидальные сети (РПС) [1; 2]. В РПС в качестве рецепторов используются характеристики рассматриваемого элемента инновационного потенциала предприятия или внешней среды, оцениваемые предложенными в табл. 1–3 показателями. Построение РПС заключается в формировании пирамид,
характеризующих структурные связи между элементами в соответствии с тремя правилами добавления новых вершин, представленными на рис. 1.
Пусть – множество вершин, формирующих пирамиду вершины s1; – множество связей между вершинами пирамиды s1; F – подмножество возбужденных вершин нулевого субмножества вершины s1, содержащее более одного элемента; G – множество возбужденных вершин сети, не имеющих других возбужденных вершин в своих супермножествах, которое содержит более одного элемента. Тогда указанные на рис. 1 правила можно представить в следующем виде:

Обучение РПС заключается в индуктивном формировании понятий, представляющих собой признаковую модель, положенную в основу диагностики состояния исследуемого элемента. Алгоритм обучения заключается в определении контрольных вершин, которое основывается на таких характеристиках, как число объектов объема некоторого понятия, в пирамиды которых входит рассматриваемая вершина и число рецепторов в пирамиде, соответствующей этой вершине. Пусть пирамида вершины А содержит P рецепторов и Q ассоциативных вершин, т.е.
. Каждой вершине vl в пирамиде вершины А соответствует объем bl=1..(P+Q) и число входящих в ее субмножество рецепторов pl , т.е. вершина vl определяется кортежем (bl, pl) (для рецептора pl=1).Тогда множество контрольных вершин для пирамиды вершины А формируется в соответствии со следующими правилами:

Для определения реализуемости конкретного этапа технологического процесса производства металлургической продукции целесообразно проводить согласование составляющих инновационных потенциалов всех участников проекта, задействованных на данном этапе, с учетом временного фактора [3; 8]. На рис. 2 предложена структура РПС, которая может применяться для диагностики комплексного инновационного потенциала нескольких предприятий-участников инновационного проекта. Процесс диагностики начинается с определения значений показателей оценки составляющих инновационного потенциала непосредственно для каждого предприятия-участника проекта, которому впоследствии ставится в соответствие одно из трех значений,
определяемых на номинальной шкале (высокий / средний / низкий). Для каждой составляющей инновационного потенциала предприятия формируется ее качественная оценка, которая затем комплексируется с аналогичными оценками других предприятий-участников проекта. Завершающим этапом является агрегирование оценок всех составляющих комплексного инновационного потенциала.