Прикладные исследования — научные исследования , направленные на практическое решение технических и социальных проблем.

Наука — это сфера человеческой деятельности, функцией которой является выработка и теоретическая систематизация объективных знаний о действительности. Непосредственные цели науки — описание, объяснение и предсказание процессов и явлений действительности, составляющих предмет её изучения на основе открываемых ею законов , то есть в широком смысле — теоретическое отражение действительности.

По своей направленности, по отношению к практике отдельные науки принято подразделять на фундаментальные науки ( fundamental science ) и прикладные науки ( applied science ). Задачей фундаментальных наук является познание законов, управляющих поведением и взаимодействием «базовых структур» природы, общества и мышления. Эти законы и структуры изучаются в «чистом виде», как таковые, безотносительно к их возможному использованию. Непосредственная цель прикладных наук — применение фундаментальных наук для решения не только познавательных, но и социально-практических проблем.

Деление исследований на фундаментальные и прикладные достаточно условно, так как отдельные результаты фундаментальных исследований могут иметь непосредственную практическую ценность, а в результате прикладных исследований могут быть получены научные открытия .

Научное обеспечение хозяйственной деятельности

Научные исследования становятся обязательным процессом принятия управленческого решения. Объём и сложность такой работы определяются конкретной проблемой, но она всегда имеет когнитивную структуру, а результат основывается на применении научных методов .

Структуру онтологической модели исследования при принятии управленческих решений ( decision making ) можно представить следующей последовательностью: постановка задачи, построение модели, сбор и обработка исходной информации, анализ и корректировка модели, получение решения, внедрение результатов исследований. При этом следует уточнить, что границы отдельных этапов не имеют достаточно определённого характера.

Традиционные аналитические методы в исследовании организационных систем не всегда оказываются эффективными. Один из основных недостатков в данном случае — то, что эти методы не позволяют учитывать эмерджентные свойства системы , являющиеся следствием взаимодействия её элементов. Поэтому при расчленении (анализе) система теряет ряд своих основных свойств. Характерная особенность организационных систем — наличие у составляющих её подсистем своих целей, не всегда совпадающих с целью функционирования всей системы. Поэтому локальная оптимизация подсистем не гарантирует максимальной эффективности всей организационной системы: «… именно локальный подход к решению задач, характерный для энергичных руководителей цехов, управлений или отделов, который приводит к частной оптимизации соответствующих подразделений, как показано специалистами по исследованию операций, часто вреден для жизнедеятельности всего организма в целом» . Люди — элементы таких систем — реагируют неоднозначно на то или иное воздействие. Этот фактор, наряду с целым рядом других, не позволяет в исследованиях организационных систем исходить только из условий причинно-следственных связей, лежащих в основе анализа физических (механических) систем. Организационные системы усложняются за счёт изменения количества и силы связей их элементов в отличие от физических систем, исходные структуры которых практически постоянны.

Три этапа прикладных исследований

Прикладные исследования при решении производственных проблем составляют три этапа.

Первый этап исследований производственной проблемы — научная постановка задачи — содержит выявление и описание фактов, формулировку проблемы, цели и гипотезы исследований.

Постановка задачи является одним из наиболее ответственных этапов принятия решений. «Самым распространённым источником ошибок в управлении предприятием является чрезмерное внимание, которое уделяется поиску правильного ответа, вместо того, чтобы искать правильный вопрос» . Точное решение, полученное при неправильной постановке задачи приводит только к появлению новых проблем. Очевидная, на первый взгляд, причина возникновения проблемы, может на самом деле быть только следствием более сложных и менее заметных процессов. По существу, постановка задачи сводится к изучению сложившейся ситуации, выявлению того, что именно и почему не устраивает менеджера и описанию ситуации, которую необходимо достигнуть. Изучение ситуации с точки зрения цели организации, выявление факторов, обусловивших её появление и существование, соизмерение разного рода затрат и результатов дают основание менеджеру отделить более важное от менее важного и сформулировать условия, определяющие допустимость решения и его качество.

Эффективность формулировки проблемы зависит от объекта исследований. В естественных и технических науках вследствие материального характера исследуемого объекта реальность фактов не вызывает трудностей с их объективным выявлением, а точность описания зависит от используемых приборов. Проблема как объект исследования операций носит идеальный характер и является противоречием между существующим и целью исследования — желаемым состоянием. При описании существующей ситуации в качестве фактов выступают внешние проявления проблемы, однако их соответствие ей далеко не так однозначно, как в случае описания фактов в естественных и технических науках. Это приводит, в частности, к тому, что затраты отождествляются с результатами, а точность применяемого математического метода — с адекватностью получаемых с его помощью решений исследуемой проблемы. Ф. Энгельс в этой связи писал: «Девственное состояние абсолютной значимости, неопровержимой доказанности всего математического навсегда ушло в прошлое, наступила эра разногласий, и мы дошли до того, что большинство людей дифференцирует и интегрирует не потому, что они понимают, что они делают, а просто потому, что верят в это, так как до сих пор результат всегда получался правильный» . И уже наш современник М. Блауг , рассматривая состояние экономической науки, пишет: «Экономисты постепенно подменили свой предмет, обратив его в некую Социальную Математику, в которой аналитическая строгость, как её понимают на математических факультетах, — это всё, а эмпирическая адекватность, как её понимают на физических факультетах, — ничто».

Ещё более сложным оказывается вопрос объективного описания второй составляющей проблемы — желательной ситуации и, соответственно, следующих из неё определений цели и гипотезы исследований. Все это зависит от объективности описания существующей ситуации и лица, принимающего решение выявить цели систем, в которые входит исследуемый объект. Здесь методические ошибки могут привести к тому, что попытка решения одной проблемы приведет к появлению новых. Многие новые проблемы — уплотнение почвы тяжёлой техникой, инерционность управленческого аппарата, вследствие увеличения численности сотрудников и связей, утилизация стоков животноводческих комплексов и др. — возникали в результате деятельности человека, направленной на решение других проблем.

Анализ первого этапа научной постановки управленческого решения показывает, что если в естественных и технических науках основным источником субъективных искажений и, соответственно, снижения эффективности этого этапа является полнота описания реального факта, достигаемая в основном только за счёт используемых приборов, то в случае исследования производственных проблем добавляются вопросы адекватного восприятия объекта учеными или/и менеджерами, зависящие от применяемой ими методологии. На первом этапе исследования проблем высока вероятность формулировки ложных проблем — «проблемоидов» и псевдозадач, решение которых не будет представлять какой-либо практической ценности, а внедрение может привести к нежелательным последствиям. В этом случае эффективность управленческого решения будет нулевой или даже отрицательной.

Второй этап исследования производственной проблемы — разработка математической модели.

Объективность при этом должна обеспечиваться использованием научных принципов оценки ситуаций, а также методов и моделей принятия решений. Моделирование, особенно с использованием компьютеров, является основным теоретическим инструментом системных исследований прикладной ориентации в управлении сложными системами. Содержательная часть процесса моделирования (выбор показателей, факторов, зависимостей) включается в экономическую теорию, а техническая (под которой в 9 случаях из 10 понимается построение тех или иных статистических моделей) — в эконометрику . Таким образом, экономико-математическое моделирование оказывается, с одной стороны, разорванным, с другой — усечённым. И вопросы взаимосвязи всех этапов моделирования, корректности интерпретации результатов моделирования и, следовательно, ценности рекомендаций на основе моделей оказываются как бы висящими в воздухе.

Глубокая внутренняя связь моделирования и системного подхода ( systems approach ) прослеживается уже в способе полагания объекта, поскольку систему, представляющую объект, по которому принимается решение, можно рассматривать как модель последнего. Наряду с этим представление модели сложного объекта как системы оказывается во многих случаях эффективным приёмом его исследования. — это форма моделирования, для которой характерно представление объекта исследования в виде системы, многомодельность, итеративность построения системной модели, интерактивность. В этой плодотворности соединения системного подхода и моделирования заключается важный фактор, способствующий их взаимодействию и взаимопроникновению.

Особо следует выделить принципиальную необходимость введения в системную модель неформализуемых элементов в соответствии с Ст. Бира ( Beer Stafford ). Наличие последних обусловливает включение в модель субъекта, который призван осуществлять взаимодействие формализованных и неформализованных элементов системной модели. Эта особенность даёт возможность более тесно реализовать единство субъекта и объекта, ориентацию на целевые установки принимаемых решений. Именно и диалоговость системного моделирования дают возможность снять противоречия между формализованными и неформализованными элементами всей структуры моделирования, возникающими в процессе моделирования.

При моделировании, так же как и на первом этапе исследований, который можно считать построением концептуальной модели проблемы, происходит свёртка, ограничение полученной информации в форме, удобной в дальнейшем исследовании. Ограничение необходимо для упорядочения количества информации, поступающей к объекту. Ограничение разнообразия исходной информации (здесь ею является уже концептуальная модель проблемы) при математическом моделировании происходит вследствие трёх ограничений, имманентных этому методу, — ограниченности математического языка , метода и собственно модели .

Однозначность математического языка является одновременно и «плюсом», и «минусом». Достоинство в том, что она не допускает ошибок, но это же свойство ограничивает возможность достаточно полного описания объекта. С повышением информации в модели эвристическая функция моделирования растет не прямо пропорционально количеству учтенной информации, а по экстремальному закону, то есть эффективность моделирования растет лишь до определённого предела, после которого она падает. Иными словами, использование математики гарантирует точность, но не правильность получаемого решения. В исследованиях физических объектов, информационная сложность которых вследствие определяющих их причинно-следственных связей относительно невысока, уровень потерь и искажения информации будут значительно ниже, чем при исследовании социально-экономических объектов. Ограниченность математического языка лежит в основе теории о неполноте формальных систем К. Гёделя и принципа внешнего дополнения Ст. Бира ( Beer Stafford ). Её уровень, естественно, во многом носит исторический, а не абсолютный характер. По мере развития математики возможности её будут расти. Однако в настоящее время многие российские и зарубежные математики, философы, экономисты, представители других научных направлений отмечают ограниченные возможности адекватного математического описания социально-экономических явлений.

Практически неограниченный диапазон применения математических методов создаёт впечатление их «всеядности», универсальности. И основным подтверждением этого чаще всего выступает взаимная аргументация этих двух характеристик, а не эффективность использования результатов моделирования на практике. Немаловажное влияние на это оказывает и то, что при описании методологических особенностей математических методов и моделей многие свойства, которыми они должны обладать, чтобы обеспечить адекватное решение, выдаются и, соответственно воспринимаются как свойства, имманентные описанным методам и моделям. Как любое специальное средство, конкретный метод накладывает свои ограничения на обрабатываемую информацию: выделяет одни аспекты, устраняет и искривляет другие, тем самым приводит к искажению описываемой с его помощью реальной ситуации в целом. Авторы ряда работ, количество которых не идет ни в какие сравнения с объёмом публикаций по разработкам теорий и методов математического моделирования, приводят различные аргументы, подтверждающие принципиальную ограниченность их использования для описания реальных процессов, происходящих в общественном производстве. В узких рамках методологии, разработанной оптимизационным подходом, невозможно совместить поиск наилучшего решения (или оптимального управления) с признанием принципиальной ограниченности отражения реальной моделью. Любая, даже самая тонкая и изощренная постановка, где указанное противоречие будет как бы разрешаться, на деле приводит к ещё более серьёзным и очевидным новым противоречиям. На это ещё «накладываются» ошибки разделения и объединения систем и подсистем при использовании методов программирования . Применение предметных концепций при выборе математического метода и модели в решении конкретной задачи приводит к тому, что, допустим, в технических науках с помощью одних и тех же формул проводится обоснование мощности осветительных устройств для квартиры и железнодорожной станции. Так же и формализация задачи оптимизации деятельности предприятия, а то и целой отрасли отличается от задачи об оптимальном раскрое заготовки в основном только количеством переменных и уравнений. Однако в этом случае следствием такого «раскроя» будет «механический» разрыв огромного количества связей, сложность и неопределённость которых ещё не всегда доступны достаточно точному описанию языком современной математики. Некорректность традиционного подхода к обоснованию структуры модели исследуемой ситуации можно показать, сравнивая задачи обоснования состава кормов и поголовья животных в хозяйстве. Если следовать традиционной методике, их можно отнести к одному классу и решать одним и тем же методом. В то же время если результат первой оказывает существенное влияние только на себестоимость продукции, то второй требует учёта социальных интересов, вопросов, связанных с охраной окружающей среды и т. д. Таким образом, во втором случае необходимо использовать метод, обладающий большим разнообразием возможностей описания, чем для первой, иначе нельзя будет построить адекватную математическую модель и получить управленческое решение, имеющее практическую ценность.

Задача, решение которой в конечном итоге обеспечивают методы оптимизации , будь то математическое программирование или регрессионный анализ , сводится к поиску, хотя и не тривиального (вследствие многообразия возможных вариантов), но в то же время и не принципиально нового результата, так как поиск происходит в диапазоне, границы которого определяются знаниями об исследуемом процессе. В случае постановки инженерных, оперативных или тактических задач для технических или простых социально-экономических объектов, позволяющих исследователю или менеджеру дать их полное формальное описание и обосновать диапазоны реальных альтернатив, достаточность и эффективность использования оптимизационных методов не вызывает сомнения. По мере роста сложности объектов исследований при решении стратегических проблем выбора направлений совершенствования технических и социально-экономических систем оптимизационные методы могут выполнять только вспомогательные функции.

Структура того или иного «типичного» вида моделей накладывает ещё более жёсткие ограничения на возможности представления необходимого уровня разнообразия в описании исследуемого объекта. Поэтому некоторые работы по математическому моделированию и рекомендуют начинать исследование с выбора вида модели, а потом уже проводить постановку задачи исследований таким образом, чтобы её легче было «вписать» в выбранную модель. Такой подход облегчает построение модели и эффективен, если целью исследований является именно построение математической модели, а не получение решения проблемы. Последующие аналогичные по своей природе искажения и потери информации вызываются ограничениями алгоритмов и программных языков, возможностями ЭВМ.

Структурно-функциональный анализ свидетельствует о том, что хотя все процедуры, связанные с построением математической модели и получением итоговых данных на ЭВМ, логически обоснованы, они не содержат никаких методологических свойств, гарантирующих адекватность этого результата и соответствующего управленческого решения реальной проблеме. Формирование критериев эффективности ( оптимизации ) при этом может проводиться независимо от объективных законов общественного развития, а основным критерием разработки математической модели становятся условия скорейшего построения алгоритма на основе применения «типового» алгоритма. Менеджер/исследователь может «подгонять» реальную проблему под структуру освоенного им математического метода или программного обеспечения ПЭВМ. Ориентация на обязательное построение математической модели в рамках одного метода приводит к исключению из исследования проблемы факторов, не поддающихся количественной оценке. Описание причинно-следственных связей, приводит к необоснованному применению принципов аддитивности . Результат при этом будет оптимальным только для того весьма упрощенного и искажённого образа реального объекта, который представляет собой математическая модель после нескольких «трансформаций», проведённых с помощью средств, уровень разнообразия и точность которых ещё значительно отстает от сложности социально-экономических проблем.

На третьем этапе исследования проблем после обоснования вида и структуры адекватность и, соответственно, эффективность управленческого решения, полученного с помощью математической модели, связаны с качеством исходной информации, на основании которой вычисляются, например, элементы матрицы условий задачи математического программирования или коэффициентов . Характер искажений здесь во многом зависит от метода моделирования. Для линейного программирования ошибки данного этапа уже мало связаны с исследуемым объектом и в основном возникают из-за невнимательности разработчика: неправильно взяты производительность или нормы расхода материала и т. д. Такого рода ошибки обычно обнаруживаются в работе с моделью и легко исправляются. Более сложная ситуация складывается при использовании регрессионного анализа, одинаково широко распространённого в естественных, технических и общественных науках.

Отличие этого метода по сравнению, допустим, с линейным программированием в том, что формирование коэффициентов регрессии определяется исходными данными, являющимися результатами процессов, происходящих в исследуемом объекте, рассматриваемом как «чёрный ящик», в котором механизм превращения «вход» в «выход» часто неизвестен. С увеличением количества исходной информации уровень её разнообразия приближается к тому, который имманентен реальному объекту. Таким образом можно повышать адекватность регрессионной модели, что нельзя достичь в линейном программировании. Это достоинство регрессионного анализа достаточно эффективно может быть использовано в естественных науках вследствие сравнительно малого количества факторов и возможности управления последними. В исследованиях социально-экономических явлений эффективность использования регрессионных моделей снижается, так как резко возрастает количество факторов, многие из которых неизвестны и/или неуправляемы. Все это требует не ограничиваться отдельной выборкой, а стремиться использовать данные в объёме, приближающемся к генеральной совокупности. В отличие от большинства процессов, изучаемых естественными и техническими науками, сложность тиражирования которых во многом определяется только затратами на эксперимент, проверить регрессионную модель социально-экономического объекта достаточно сложно вследствие уникальности протекающих в нём процессов, имеющих историческую природу.

В этой связи основным источником исходной информации в исследованиях социально-экономических объектов является наблюдение, «пассивный» эксперимент , исключающий повторность опытов и, соответственно, проверку адекватности регрессионной модели по статистическим критериям. Поэтому основные показатели адекватности, используемые при регрессионном анализе социально-экономических объектов, — коэффициент множественной корреляции и ошибка аппроксимации. Однако высокое значение первого и низкое второго показателя не позволяет однозначно судить о качестве регрессионной модели. Объясняется это тем, что с увеличением числа членов полинома модели, а внешне это число ограничивается только числом опытов (наблюдений), вследствие количественного роста её разнообразия, точность аппроксимации исходных данных уравнением регрессии растёт.

В. Леонтьев ( Leotief Wassily ), комментируя низкую результативность использования статистических методов в экономике, объясняет это тем, «что для изучения сложных количественных взаимосвязей, присущих современной экономике, косвенный, даже методологически уточнённый, статистический анализ не подходит» . Фактором, также относящимся к интерпретации результатов и снижающим эффективность применения математических методов и соответственно управленческих решений, является и излишняя идеализация полученных таким образом количественных результатов. Точные вычисления не означают правильного решения, которое определяется исходными данными и методологией их обработки. Управляющие, которым предлагают решать задачи линейного программирования, должны знать о том, что наличие даже малейшего нелинейного элемента в задаче может поставить под сомнение и даже сделать опасным её решение методом линейного программирования. К сожалению, в большинство вводных курсов, знакомящих управляющих высшего уровня с основами технических наук и экономико-математическими методами, ничего не говорится о том, как эти науки соотносятся с практическими проблемами. Это объясняется тем, что преподаватель свято верит в универсальную применимость своей методики и плохо представляет границы её применения.

Таким образом, на всех трёх рассмотренных этапах «трансформации» производственной проблемы в математическую модель отсутствуют достаточно строгие, научно обоснованные критерии оценки качества, соответствия идеальных моделей реальному объекту. В то же время традиционная ориентация направлена только на преодоление вычислительных трудностей и большой размерности моделей и не учитывает ограничения математического аппарата.

Моделирование является наиболее практичной стороной прикладных исследований, однако этот прагматизм должен быть основан на гносеологическом и онтологическом подходе в методологии процедурных знаний при решении проблем индивидуального производства. Вместе с тем, применение моделей при принятии управленческих решений должно учитывать их конгруэнтность и, соответственно, адекватность их решений реальным процессам. Эти условия определяются природой описываемых моделями процессов. В экономической науке большинство дескриптивных моделей типа «цена-спрос» описывают институциональные процессы, связанные с поведением человека, и эти модели носят исключительно концептуальный характер и не могут служить для получения количественных прогнозных оценок. Уровень возможностей статистических моделей для интерполяционных оценок внутри описываемого диапазона определяется статистическими показателями надёжности , но для прогнозных оценок уровень экстраполяции при этом не должен превышать 20-30 % от первоначального диапазона данных. Надёжность регрессионных моделей, полученных по управляемым экспериментам с несколькими повторностями ^{[ неизвестный термин ]} , значительно возрастает. , связанные с оптимизацией расхода ресурсов, условиями безубыточности, законом убывающей доходности (Law of Diminishing Returns) можно считать абсолютными, и надёжность полученных по ним оценок зависит только от ошибок в исходных данных.

См. также

• Научно-техническая деятельность
• Инженерная деятельность
• Техника

Примечания

Литература

• Философский энциклопедический словарь .
• Кибернетика и управление производством.
• Задачи менеджмента в XXI веке.
• Анти-Дюринг .
• Ugly Currents in Modern Economics. In: Facts and Fictions in Economics. Models, Realism and Social Construction.