Московский экономический журнал 10/2019

image_pdfimage_print

УДК 332.13 + 004.9

DOI 10.24411/2413-046Х-2019-10009

ОНТОЛОГИЧЕСКОЕ МОДЕЛИРОВАНИЕ КЛАСТЕРНЫХ ОБРАЗОВАНИЙ В ЭКОНОМИКЕ РЕГИОНОВ

ONTOLOGICAL MODELING OF CLUSTER FORMATIONS IN THE REGIONAL ECONOMY

Исследование выполнено при финансовой поддержке РФФИ и Администрации Волгоградской области в рамках научного проекта № 18-410-340020 р_а «Оценка эффективности реализации кластерной политики социально-экономического развития региона»

Шевандрин Андрей Васильевич, к.э.н., доцент, Федеральное государственное автономное образовательное учреждение высшего образования «Волгоградский государственный университет»

Калинина Алла Эдуардовна, Федеральное государственное автономное образовательное учреждение высшего образования «Волгоградский государственный университет»

Shevandrin Andrey

Kalinina Alla

Аннотация: В работе представлены результаты онтологического моделирования системы кластерных образований и соответствующей региональной экономической политики. Показаны возможности применения технологий построения канонических информационных моделей в экономических исследованиях. Выделены базовые понятия региональной кластерной политики, их свойства и отношения. Полученный корпус понятий предметной области может быть в дальнейшем использован для автоматического анализа текстов нормативно-правовых актов, программ развития, отчетов и научных работ в области формирования кластеров в экономике. В качестве программной системы создания и визуализации модели используется редактор онтологий Protégé.

Summary: The paper presents the results of ontological modeling of the cluster formation system and the corresponding regional economic policy. The possibilities of applying the technologies for constructing canonical information models in economic research are shown. The basic concepts of regional cluster policy, their properties and relationships are highlighted. The resulting corpus of concepts of the subject area can be further used for automatic analysis of texts of normative legal acts, development programs, reports and scientific papers in the field of cluster formation in the economy. An ontology editor is used as a software system for creating and visualizing a model.

Ключевые слова: кластеры, экономика регионов, региональная политика, онтологическое моделирование, базы знаний

Keywords: clusters, regional economics, regional politics, ontological modeling, knowledge bases

1. Введение.

В условиях формирования цифровой экономики, когда экономические отношения опосредуются интегрированными информационно-сервисными платформами, минимизирующими трансакционные издержки, возникает объективная потребность формирования формализованных онтологий предметных областей.

Метод онтологического моделирования изначально нашел применение в разработке эффективных поисковых механизмов в быстро растущих массивах информационных ресурсов сети Интернет. Онтологии позволили перейти от механического поиска на основе простого критерия соответствия к поиску информации с учетом семантики слов, входящих в поисковую фразу, а также контекста, в котором слова запроса используются.

В настоящее время наряду с продолжающейся востребованностью использования онтологий в информационных системах отмечается и гносеологический потенциал онтологических моделей. В частности, онтологические модели позволяют решить проблему отсутствия единого представления всего многообразия изучаемых явлений и аспектов их проявлений в социальных науках, и, прежде всего, в экономических исследованиях. Например, исследования кластерных образований в экономике основываются на различных подходах к определению экономического кластера, его свойств, типологических характеристик, ресурсного обеспечения, необходимых условий формирования и содержания региональной кластерной политики. Терминологическая неопределенность затрудняет не только верификацию представленных исследований, но и возможности практического использования их результатов.

Обзор исследований в области построения онтологических моделей показывает, что в настоящее время наибольшее распространение этот подход к описанию объектов исследования получил в области анализа проблем окружающей среды, социума, оценки системы здравоохранения и здоровья нации в целом. Основная задача подобных исследований — предложить способ определения свойств объектов наблюдений с учетом их отношений между собой и окружающей средой для последующего накопления в данной структуре данных и анализа, позволяющего получить интерпретируемые результаты.

Ряд подобных исследований, в том числе, направлены на поиск решений в области экономики и устойчивого развития регионов. Например, в исследовании [1] рассмотрена проблема поддержки проектов в области замещения ископаемых источников энергии возобновляемыми источниками за счет результативной системы обеспечения стимулов, технической и иной поддержки принятия решений. Авторы в процессе поиска соответствующей экономической модели приходят к выводу о потенциальной непригодности традиционных аналитических моделей в экономике и настаивают на разработке экономической модели, основанной на онтологиях. В частности, использована технология семантической сети для представления знаний о биоэнергетике и экономике биотоплива, использование которой позволило получить данные второго порядка необходимые для экономических расчетов.

Представляет интерес онтологическая модель фермерских хозяйств, предложенная группой европейских ученых [2]. Целью модели авторов является получение аналитического инструмента для оценки фактического или ожидаемого воздействия изменений политики и технологий на сельское хозяйство, экономику и окружающую среду. В описании модели авторами также подчеркивается принципиальная возможность повторного использования, верификации и расширения предложенной модели. Модель фермерского хозяйства представлена комплексом элементов, представляющими цели фермера, хозяйственный риск, текущую деятельность, способ и альтернативные виды деятельности (например, однолетние и многолетние культуры и животноводство). На основе модели получено имитационной приложение для оценки влияния изменений политики регулирования деятельности хозяйства и влияния технологических инноваций. Критериальными характеристиками модели являются как биофизические, так и экономические индикаторы. Авторы отмечают, что модель доступна для применения в других условиях и проблемах исследования, и она открыта для дальнейшего тестирования и дополнения новыми компонентами, индикаторами или связями с другими моделями.

Близкой к проблеме настоящего исследования является онтологическая модель управления экологическими рисками территории [3]. К необходимости построения подобной модели авторов привела задача применения технологий работы с большими данными для анализа и управления экологическими рисками. Аналитика больших данных не является ценной, если ее результаты нельзя интерпретировать. С этой целью требуется семантическое описание предметной области с возможностью последующего извлечения новых знаний в процессе формулирования проблемы. В работе показано как вывод онтологий может быть использован для выявления аналитических целей и методов путем концептуализации изменений воздействия опасных загрязнителей воздуха  на основе многоуровневого анализа уровня урбанизации (и связанной с этим экономической активности) и степени социально-экономической депривации на определенной территории.

Авторами настоящего исследования ране получена онтологическая модель системы территориального управления на муниципальном уровне [4], задача которой состоит в получении структуры отношений между элементами системы органов местного самоуправления для последующей оценки эффективности их деятельности с учетом противоречий в таксономии муниципальных образовании и распределении соответствующих компетенций, полномочий и ответственности.

С учетом изложенного обзора возможностей и практики онтологического моделирования цель настоящего исследования определена как построение непротиворечивого описания кластерных образований в экономике регионов на основе концептуального и семантического анализа посредством технологии канонического информационного моделирования.

2. Методология проведения исследования.

Формально, онтология предметной области представляет собой следующую структуру [5]:

O (C, T, R, A, I, V)                                     (1)

где:

C – концепт (concept) или класс объектов;

T – тип (type) – для определения отношений таксономии;

R – отношения (relations) – для отображения семантических связей между концептами (например, семантические отношения «часть чего-либо» или «есть что-либо»);

A – атрибуты (attributes) – каждый концепт должен быть описан в терминах его свойств (индивидуальных, родовых, локальных или глобальных);

I – экземпляры (instances) – компоненты нижнего уровня онтологической модели;

V – значения (values) – множество значений свойств концептов.

Несмотря на множество представленных в работах по онтологическому моделированию подходов, в наиболее обобщенном виде получение модели можно представить тремя фазами:

1. Извлечение данных и знаний.

2. Валидация данных и знаний.

3. Непосредственно «онтологизация».

Фаза извлечения данных основана на автоматическом или ручном документировании значимых для предметной области сведений и фактологических данных.

На втором этапе извлеченные значения проверяются на соответствие ряду ограничений, в том числе определяющих допустимые значения и наличие противоречий. Все противоречия в сведениях о предметной области должны быть разрешены.

На третьем этапе значения «онтологизируются». Верхний уровень онтологии, который предоставляет суперкласс — предметную область. Затем определяется шаблон определения категорий предметной области. По определенному шаблону формируется схема сущностей с заданными отношениями и их свойствами.

Развитие современных алгоритмов обработки данных и доступности вычислительных ресурсов позволяет как формальные, так и эвристические методы получения сведений и знаний о предметной области.

В этой связи следует выделить три базовых подхода к извлечению и валидации данных и знаний[6]:

  1. Лингвистические методы.
  2. Статистические методы.
  3. Машинное обучение (программные алгоритмы).

Лингвистические методы основаны на характеристиках языка и играют ключевую роль практически на каждом этапе образования очередной редакции онтологии. Лингвистические методы в основном используются для предварительной обработки данных, а также в некоторых других задачах изучения онтологии, таких как извлечение терминов, понятий и отношений.

Статистические методы основаны исключительно на статистике базовых слов анализируемых текстов, документов и баз данных без учета отношений и семантики. Эта группа методов в основном используется для извлечения терминов, понятий и определения таксономических отношений. Статистические методы включают в себя: C-value (частота встречаемости строки в тексте), контрастивный анализ, кластеризацию, анализ совпадений, анализ взаимовстречаемости и другие.

Машинное обучение (ML) или программные алгоритмы позволяют выводить гипотезы на основе базовых знаний и набора примеров с использованием методов искусственного интеллекта (например, нейронных сетей). В области онтологии ML используется, когда сведения о предметной области собраны и аксиомы о взаимосвязях терминов предметной области сформулированы (см. рис. 1).

Анализ публикаций в области онтологического инжиниринга показывает, что базовыми нотациями описания онтологий являются OWL (Web Ontology Language) и RDF (Resource Description Framework). Последняя представляет модель представления метаданных, позволяющая как обеспечить логический вывод новых фатов, так и выполнение семантического поиска. OWL – это больше язык разметки, который позволяет описывать классы и отношения между ними, присущие веб-документам и приложениям.

В части визуализации онтологических моделей в последнее время кроме известного редактора Protégé появилось множество онлайн ресурсов, позволяющих графически представить модели. заданные в том числе OWL описанием (примеры ресурсов: http://www.visualdataweb.de/webvowl/; http://owlgred.lumii.lv/online_visualization/).

3. Результаты и обсуждение.

Категорией верхнего уровня в соответствии с целью исследования определена региональная кластерная политика, определяемая как совокупность мер, инструментов и инфраструктуры, формируемая органами государственной власти и институтами развития с целью поддержки кластерных инициатив кооперации хозяйствующих субъектов для обеспечения конкурентоспособности и инновационного развития предприятий и экономики регионов в целом.

Методологическими проблемами оценки региональной кластерной политики являются:

  1. Наличие сетевой многоуровневой организации кластерных образований в экономике с общими и специфическими свойствами каждого уровня.
  2. Элементы кластерных образований выполняют разные функции, что затрудняет выделение единого пространства признаков измерений результатов деятельности кластеров.
  3. Отсутствие стандартов информационной открытости кластерных образований в экономике не позволяет выделить фиксированные наборы свойств каждого объекта оценки для мониторинга их социально-экономического развития или оценки эффективности работы органов власти и институтов развития.

Указанные проблемы затрудняют применение лингвистических и статистических методов на первом этапе построения онтологии. Поэтому изначально базовые понятия модели будут определены экспертно, но полученный корпус понятий предметной области может быть в дальнейшем использован для автоматического анализа текстов нормативно-правовых актов, программ развития, отчетов и научных работ в области формирования кластеров в экономике.

Анализ программ развития кластеров (инновационных, промышленных, агропромышленных, туристических) показывает, что, как правило, представленные в них модели кластерных образований включают три класса участников: потребителей (спрос), производителей (участники кластеров) и государства (стейкхолдер, регулятор).

Далее необходимо выделить сущностные характеристики деятельности кластеров:

  • Цель, структура, специализация кластера, способ образования, отношения внутрикластерной конкуренции – являются основными типологическими признаками кластерных образований.
  • Факторы формирования кластерных образований (природные ресурсы, человеческий капитал, научно-исследовательский потенциал).
  • Воспроизводство знаний и осуществление НИОКР – как способ обеспечения конкурентоспособности и увеличения добавленной стоимость в цепочки производства товаров или услуг (обязательный сущностный признак).
  • Тип связей между участниками кластерных образований или стратегия кластерообразования (географическая, горизонтальная, вертикальная, технологическая, фокусная).
  • Характер взаимодействия институтов регулирования кластерного развития (как части общегосударственной, региональной, отраслевой и корпоративной программы развития).
  • Механизмы поддержки и содействия кластерных инициатив (комплекс прямых и косвенных инструментов, инфраструктура и институциональная среда).
  • Барьеры для входа в кластер и участия в его деятельности (позволяют определить границы существования кластерного образования).

Таким образом, верхний уровень модели представлен предприятиями-участниками, научными и образовательными организациями, институтами развития и органами власти, включая органы местного самоуправления.

Для уточнения таксономии понятий в модели следует различать предприятия ядра кластера (производящие конечный продукт), предприятия обслуживающего уровня участия (обеспечивают основную деятельность ядра кластера) и предприятия сопутствующего уровня участия (непрофильные виды деятельности). Указанные виды предприятий-участников кластера целесообразно определить как объекты-экземпляры.

Многообразие институтов развития кластерных инициатив целесообразно может быть представлено конечным множеством организаций содействия кластерным инициативам и профессиональным сообществам, что позволит их классифицировать как по функциям, так и по способу образования. Примерами экземпляров организаций содействия могут быть Российская венчурная компания, Агентство стратегических инициатив, Фонд «Сколково», технопарки, бинес-инкубаторы, центры инжиниринга, центры трансфера технологий, финансовые организации. Примером профессионально сообщества в России является Ассоциация кластеров и технопарков и другие отраслевые объединения, целью которых является формирование благоприятных условий и продвижение интересов кластерных инициатив.

Органы власти представлены регионами, осуществляющими в рамках своих полномочий мероприятия региональной кластерной политики, представленными мерами и инструментами прямого и косвенного воздействия.

Между выделенными сущностями в модель введены отношения: производства продукции, оказания услуг, регулирования, трансфера технологий, мер поддержки, кооперации. Приоритеты, факторы, проблемы и эффекты развития кластеров в регионах заданы как атрибуты региональной кластерной политики. Редуцированная визуализация полученной модели представлена на рисунке 2.

4. Область применения результатов. Выводы.

Цель онтологического моделирования заключается в получении непротиворечивого описания предметной области, обеспечивающего транспарентность и совместимость данных и знаний о сущности исследуемой системы и глобальном контексте ее функционирования.

Наполнение полученной модели данными об индивидах предметной области (кластерных образованиях, их типах, свойствах, участниках, инфраструктуре) позволит получить непротиворечивую базу знаний об организации системы оценки эффективности реализации кластерной политики социально-экономического развития региона. Схема данных, полученная на основе OWL-модели, используется в качестве информационной базы в разрабатываемой авторами региональной информационно-аналитической системе.

Литература

  1. K. Sapkota, P. Raju, W. Byrne and C. Chapman, «Ontology-based economic models for bioenergy and biofuel projects,» Proceedings of the 2015 IEEE 9th International Conference on Semantic Computing (IEEE ICSC 2015), Anaheim, CA, 2015, pp. 397-404. doi: 10.1109/ICOSC.2015.7050839.
  2. Janssen, S., Louhichi, K., Kanellopoulos, A. et al. Environmental Management (2010) 46: 862. https://doi.org/10.1007/s00267-010-9588-x.
  3. Li, Y.; Thomas, M.; Osei-Bryson, K.-M.; Levy, J. Problem Formulation in Knowledge Discovery via Data Analytics (KDDA) for Environmental Risk Management. Int. J. Environ. Res. Public Health 2016, 13, 1245.
  4. Петрова Е.А., Шевандрин А.В., Калинина В.В. Онтологическое моделирование системы территориального управления на муниципальном уровне // Экономика и менеджмент систем управления. 2015. Т. 18. № 4-4. С. 484-489.
  5. E. Martiri, E. Barolli Creating ontology chart of economic objects: The application of Menger’s ideas // ATI — Applied Technologies & Innovations. – 2011. – Vol.   № 5, Issue 2. Pp.45-51.
  6. Muhammad Nabeel Asim, Muhammad Wasim, Muhammad Usman Ghani Khan, Waqar Mahmood, Hafiza Mahnoor Abbasi, A survey of ontology learning techniques and applications, Database, Volume 2018, 2018, bay101, https://doi.org/10.1093/database/bay101.