Добавил:
ivanov666
Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз:
Предмет:
Файл:Методология и практика планирования эксперимента в России. Монография
.pdf
Поскольку экспериментировать с таким большим числом переменных мы не умеем, ничего не остается, кроме попыток ранжирования всех этих собранных факторов с помощью экспертов. Для этого можно, например, воспользоваться методом априорного ранжирования факторов, предложенным в работе [6]. Цель этого шага – отсеять сотни факторов, не прибегая к эксперименту. Понятно
, что успех
в сильной степени зависит от квалификации экспертов и от их готовности работать в команде. Важны еще и методы работы, которые, в
конечном счете, опираются на технологии парных сравнений.
Теперь обратимся к проблеме откликов. Когда покупатель обращается к продавцу или к производителю с просьбой продать ему
партию
болтов диаметром один дюйм, это требование («диаметр
один дюйм») становится целью производителя, его откликом. Он
стремится настроить свой процесс так, чтобы болты, насколько это
возможно, получались именно такого диаметра. Живя в реальном
мире, и потребитель, и производитель понимают, что болтов, диаметр которых равен точно оному дюйму, в природе не бывает
. Поэтому приходится договариваться о том, какие отклонения от этого
идеала потребитель сможет признать приемлемыми, а производитель
сможет осуществить. Такая конвенция приводит к представлению о
границах поля допуска для показателя качества, в данном случае –
диаметра. Значение «один дюйм» становится номиналом – желанной
целью, которая находится внутри поля допуска. Теперь производитель
может измерить диаметры партии произведенных болтов, чтобы
убедиться в том, что они удовлетворяют требованиями потребителя.
А потребитель может перепроверить эти результаты в полученной
продукции и предъявить производителю рекламацию, если обнаружит несоответствие.
В этой картине отношений есть некоторые неясности, нуждающиеся в рассмотрении. Например, не ясно, откуда потребитель знает,
что ему
нужны болты именно такого диаметра. Сотрудник, которому
поручено купить болты, скажет, что исходные требования он получил в конструкторском отделе. Конструкторы, разрабатывая новое
изделие, нашли усилие, которое должны обеспечивать болты, разумеется с учетом некоторого запаса прочности. Единственно ли такое
решение? Конечно, нет. Можно, например, использовать для производства болтов
более прочный материал. Тогда и диаметр болта
можно будет соответственно уменьшить. Это, в свою очередь, при-
151
ведет к уменьшению массы всей конструкции и снизит ожидаемые
затраты энергии в процессе эксплуатации.
Такой набросок потребовался, чтобы сформулировать два важных
тезиса. Во-первых, потребитель никогда не знает точно, чего именно
он хочет. Во-вторых, хотелось обратить внимание на то, что нет
надежды на единственное требование, которое удовлетворило бы
потребителя раз
и навсегда. Значит, мы обречены на работу с набором самых разных, часто противоречивых, требований, которые для
производителя автоматически превращаются в целевые характеристики, отклики.
Если реальность такова, то в чем же проблема? Будем работать с
наборами откликов. Однако цель всякого производства – оптимизация результатов с точки зрения заинтересованных сторон.
Между
прочим, для «чистой» науки оптимизационные задачи не характерны, там обычно представляет интерес вся зависимость, а не одна оптимальная точка. Много откликов тоже обычно не проблема в научных исследованиях. В них, как правило, каждый отклик рассматривается сам по себе. Оптимизировать можно один и только один отклик
, который в этом случае называют параметром оптимизации.
Итак, откликов всегда много, а нам надо каким-то образом сконструировать из них один. Неудивительно, что существует огромное
множество решений этой задачи – свертки многомерного отклика.
Первый камень преткновения на этом пути – размерности откликов.
Любой свертке должно предшествовать преобразование индивидуальных откликов в
безразмерные шкалы. Это не безобидная операция, требующая внимания. Она может изменить статистические
свойства измеряемых случайных величин.
Большинство предложений свертки сводится к линейным операциям, иногда с весами отдельных откликов. Такие алгоритмы редко
удается оправдать логически, хотя они самые простые. Поэтому заслуживают внимания «идеологические» подходы, такие как функция
желательности Харрингтона
и функция потерь Тагути [7]. Попытки
сравнить эти подходы показывают, что они ведут к различным результатам, поэтому здесь еще предстоит работа по выработке наиболее эффективного подхода.
Таким образом, структура прикладных исследований сложных систем может опираться на модель черного ящика с большим числом
потенциально важных факторов, с итеративной схемой
сокращения
152
их числа, с обобщенным параметром оптимизации и с командной
формой организации проектных исследований.
4. Вместо аксиом – операциональные определения по Э. Демингу.
Мы так привыкли к аксиоматике, что перестали замечать некоторые
неудобства, связанные с этим подходом. Между тем еще в 1919 г.
Бертран Рассел в своем «Введении в математическую философию»
заметил: «Метод постулирования
того, что нам требуется, обладает
многими преимуществами, но такими же преимуществами обладает
воровство перед честным трудом» (цит. по [8], с. 254). В «чистых»
науках аксиоматический подход, возможно, оправдан, но в прикладных исследованиях он стал неудобным, поскольку приводит к большим затратам, причем малоэффективным. Постулаты вроде модели
нормального распределения случайных величин требуют
либо слепой веры, что нас вряд ли устраивает, либо проверок, что долго, дорого и неэффективно. К тому же сохраняются высокие риски ошибок, которые не связаны с непосредственной целью исследования.
У. Шухарт, а затем и Э. Деминг предложили альтернативу, известную как «операциональные определения». Такой подход гораздо
более эмпиричен
и заключается в построении алгоритма получения
того объекта, определение которого мы хотим получить. Шухарт
предложил, например, считать выход одной точки за границы контрольной карты операциональным определением статистически неуправляемого процесса. Это избавило его от необходимости формулировать статистические предпосылки, задающие статистические свойства результатов, которые наносятся на контрольную карту.
А это было
непонятно и неприемлемо в рамках традиционной статистики. Поэтому
возникли многолетние споры и трения, которые все еще не завершились. Смена парадигм их завершит естественным образом.
5. Вместо формализации визуализация по К. Исикава и
Дж. Тьюки. В «приличном» обществе всякое исследование заканчи-
вается построением формальной математической модели и изучени
ем ее математических свойств. Но язык таких моделей не свойствен
пользователю и вызывает трудности при коммуникации, при обмене
информацией между теми, кто построил модель, и теми, кто собирается ею пользоваться. После Второй мировой войны профессор
И. Каору в Японии создал команду, построившую новый статистический инструмент, – «семь простых инструментов
статистического
контроля качества» [9], разительно отличавшийся от традиционных
рекомендаций, даваемых в Европе и в Америке. Разработчики семи
153
-
методов всячески избегали математических моделей, заменяя их везде, где возможно, наглядными рисунками и графиками. Оказалось,
что такой подход вполне устраивает пользователя в большинстве
случаев. Параллельно с японцами Д. Тьюки в США тоже двигался в
сторону визуализации данных [10]. Ему удалось придумать серию
простых, но остроумных способов визуализации данных, таких как
«
опора и консоль» или «ствол с листьями», «ящик с усами» и др. Теперь задача заключается в том, чтобы обобщить все известное и выработать общую процедуру визуализации данных. Тем более, что
именно визуализация стала важным аспектом менеджмента на
уровне цеха.
6. Вместо жестких статистических моделей данных моделиро-
вание в широком
диапазоне. Удешевление и ускорение вычислений
позволяет не заниматься гаданием на кофейной гуще и не тратить
ресурсы на проверки предпосылок, а обрабатывать данные методами
имитационного моделирования, меняя предпосылки модели данных
и сравнивая результаты. При этом, конечно, возникает такой большой перебор вариантов, что надо прибегать к планированию машинных имитационных экспериментов [11].
Такой способ исследования природы данных можно рассматривать как альтернативу проверке предпосылок статистических моделей. Это быстрее, дешевле и проще, но неопределенность при принятии решений о предпочтениях все равно остается. Вместо единственного однозначного ответа, о котором в прошлом мечтал любой исследователь, мы получаем множество возможных ответов и нетриви
альную проблему выбора. Утешением может служить лишь то обстоятельство, что наши возможности понимания исследуемого объекта становятся неизмеримо большими. Есть основания думать, что
это путь к росту знаний.
7. Вместо управления системами «по-наитию» изучение стати-
стической устойчивости систем и действия в соответствии с диагнозом. Двадцатый век показал,
что системы проявляют такие особенности поведения, о которых трудно догадаться, если не заниматься этим специально. При взаимодействии человека с системой ключевое значение имеет предсказание поведения системы в будущем и
ее реакции на те или иные воздействия извне. Ответам на эти вопросы мешает вариабельность, присущая всякой системе. Проблема
сводится к тому, насколько эта вариация стабильна. Как раз это и выясняется с помощью контрольной карты Шухарта – мощного диагно-
154
-
стического инструмента [12]. Для тех кто хотел бы управлять системой, важно выяснить, стабильна ли ее вариация. Если она стабильна,
то возможно предсказание поведения системы во времени с помощью простой экстраполяции. Ну, а если нет, то надо попытаться
найти причину с помощью, например, семи простых инструментов
статистического контроля качества и цикла
Шухарта – Деминга.
Причем заниматься этими поисками должна команда, вовлеченная в
процесс, а не начальство.
Возможность предсказания поведения системы со стабильной вариацией в сущности эквивалентна индуктивному выводу, который
был бы всегда желанен, если бы не высокие риски, сопряженные с
ним в обычных обстоятельствах. Статистическая стабильность выступает здесь в качестве
гаранта надежности индуктивного вывода.
Когда система статистически стабильна, можно заняться ее совершенствованием и сверху, с помощью менеджмента, и снизу, в
рамках, например, технологии кайдзен. Осталось выяснить, как провести диагностику текущего состояния системы. Как раз для этого
У. Шухарт предложил свою контрольную карту. Выход любой одной
точки за границы карты
служит операциональным определением
разладки, нарушения статистической стабильности системы.
8. Вместо экспериментирования по наитию использование планирования экспериментов как обязательного элемента научного исследования (в тех случаях, когда физический эксперимент невозможен
или нежелателен, надо планировать машинные имитационные эксперименты). Те, кто экспериментируют, часто живут надеждой на
то, что они интуитивно нащупают
оптимальные условия для заданной системы. Ведь это же их система, их область исследований, их
профессия. Бывает, что эти надежды оправдываются, но случается
это очень редко. Чаще всего вместо этого приходится тратить массу
времени и ресурсов и бросать дело посередине из-за исчерпания всего, что можно было бы потратить на
эксперимент. Между тем есть
хорошо развитая теория и основанные на ней процедуры, позволяющие находить оптимальные в том или ином смысле условия, как и
решать другие экспериментальные задачи с более или менее гарантированным результатом и при минимальных возможных затратах
времени и ресурсов. Это и есть теория планирования экспериментов
(ПЭ
). Она адаптирована для множества самых разнообразных задач и
для различных условий экспериментирования. Начальные представления о ней можно получить, например, по работам [13, 14]. Пре-
155
имущества ПЭ перед «пассивным» наблюдением системы и сбором
результатов спонтанных наблюдений бесспорны. Но есть ряд моментов, которые затрудняют ее широкое применение во многих странах,
в том числе и у нас. Прежде всего, это психологический барьер.
Трудно признать, что какая-то формальная теория может лучше
разобраться с нашей системой, чем мы
– профессионалы. Это ложное
опасение. Именно вместе с теорией, с помощью теории мы можем
добиться гораздо большего, чем «голыми руками». Вызывает опасение и изучение новой теории в ситуации, когда нет времени даже на
слежение за профессиональными журналами. Да, такая проблема
есть. Для ее преодоления предлагается работать в команде, но коекакие усилия, связанные с освоением терминологии и общим пониманием подхода, все-таки придется предпринять. Это неизбежно до
тех пор, пока высшая школа не начнет готовить специалистов, про
которых мы писали выше. Альтернативы ПЭ нет, если мы хотим сохранить и поддерживать конкурентоспособность.
Между прочим, до 1990 г. курс ПЭ так или
иначе читался в большинстве инженерных вузов и в ряде университетов. Случилось так,
что «перестройка» нарушила эту традицию и сейчас ПЭ читается в
немногих учебных заведениях. Сама традиция оказалась настолько
непрочной, что люди, изучавшие методологию «шесть сигм» за рубежом, даже не представляют себе, что у нас существует огромная
школа,
сотни книг и тысячи статей, развитая терминология и т.п.
Оказалось, впрочем, что на западе, где традиция преподавания и использования ПЭ не прерывалась, корни проросли не слишком глубоко. Многочисленные западные специалисты, много лет систематически изучавшие опыт менеджмента компании «Тоёта», даже не поняли, что компания систематически использует в
практике своеобразные методы ПЭ [15]. Факт таков, что пока только в юго-восточной
Азии ПЭ развивается без сопротивления и приносит весомые плоды.
9. Вместо хаотичной обработки данных систематическое ис-
пользование раскопок в данных как основного способа обработки
результатов и извлечения информации. Это путь компьютеризации.
«Раскопки в данных» (data mining) создают регулярную основу
для
планомерной систематической обработки всей совокупности данных,
имеющихся в распоряжении исследователя [16]. Они опираются на
статистическую методологию, но содержат в своем составе и любые
другие процедуры, требующие интенсивного использования компьютера. Такая обработка может вестись на постоянной основе, давая
156
три важных «побочных» продукта: основу для принятия практических решений (например, решений менеджмента в бизнесе), основу
для планирования следующих серий экспериментов и материал для
размышлений и теоретических обобщений, т.е. в конечном счете, для
более глубокого понимания изучаемой системы («цель вычислений
не числа, а понимание»). Важно, чтобы обработка данных естественно
интегрировалась в общую систему добычи знаний. В последние
годы в этой области произошли большие перемены. В связи с новыми возможностями регистрации данных (например, такими, как
штрих-коды), и ускорением, а значит, и удешевлением обработки
появилась новая возможность, получившая название «Большие данные» («Big data») [17].
10. Вместо индивидуальных прорывов работа в смешанных ко
мандах над реальными проектами. Форма работы – непрерывный
диалог. Традиция связывает конкретные научные достижения с име-
нами творцов. В индивидуалистической науке это вполне оправданно, но когда наука становится коллективной, ситуация меняется.
Можем ли мы сказать, кто создал первый космический корабль или
атомный реактор? Это были результаты командных усилий. Исследования становятся все более коллективными, и эта тенденция усиливается. Одновременно они становятся и более широкими: привлекают специалистов из разных областей, способных вместе получить
синергетический эффект.
Успех дела обеспечивает постоянный диалог. Он служит главным
инструментом рефлексии, способом прояснения, усвоения и обобщения накапливаемых знаний. Без рефлексии процесс саморефлексии
работает неэффективно
. А без саморефлексии нет познания. На перед-
ний план выдвигаются нелегкие процессы командообразования [18].
11. Вместо случайного обучения – непрерывное обучение всех чле-
нов команды для обеспечения эффективного диалога. Все, что проис-
ходит, должно стать поводом для обучения на непрерывной основе.
Обучение должно стать центральным вопросом деятельности. Из обучения рождается познание
, из познания рождаются инновации, инно-
вации обеспечивают прогресс, конкурентоспособность и развитие.
Всякое обучение покоится на «трех китах»: практике, теории и
обмене опытом. Практика должна доминировать, это естественно.
Для этого снова нужен диалог, на этот раз – внутренний. Теория, видимо, должна обсуждаться периодически в высших учебных заведениях и специальных организациях,
а обмен опытом удобно прово-
157
-
дить в рамках бенчмаркинговых исследований. Всякое обучение
направлено на поддержание процесса саморефлексии.
12. Вместо детерминированного представления результатов и
принятия решений учет элементов неопределенности. Сообщение о
том, что сейчас в Москве температура воздуха 5 С не имеет смысла,
по крайней мере, по двум причинам. Во-первых, температура – это
распределенная характеристика, которая к
тому же меняется динамически. Для ее адекватного описания надо задать уравнение, характеризующее изменение поля температур во времени. Во-вторых, даже если ограничиться скалярной характеристикой, например, средним по сети метеостанций, то надо указать разброс значений для
данного объекта и ошибку, с которой измеряется температура. Мы
так привыкли к
радио и телевизионным сводкам погоды, что перестали замечать эту несуразность и интуитивно интерпретируем подобные сообщения.
Нечто аналогичное наблюдается в оценивании некоторых видов
спорта, таких как фигурное катание или художественная гимнастика.
Данные нельзя корректно использовать, если не указана связанная с
ними неопределенность или ее оценка. Подход такого рода намечается в аналитической химии и отчасти в доказательной медицине. Но
это пока еще не общее правило. Важно, чтобы оно стало общим, чтобы в публикациях, хотя бы для начала только научных, не могли
присутствовать количественные оценки без указания их неопределенности.
13. Статистика – язык науки. Этот пункт, может быть, самый
важный
, но и самый трудный. Потребуется пара поколений студентов, которых будут этому обучать систематически по всем предметам, по всем аспектам их будущей деятельности.
И наука, и практика остро нуждаются в статистическом языке.
Давайте им поможем.
Библиографический список
1. Adler Yu. The statistics: Past, Present, and Future (A New Paradigm
in statistics) / 8th Annual ENBIS Conference. Ankara, 15–17 September
2013. 24 p.
2. Rifkin J. The Third Industrial Revolution: How Lateral Power is
Transforming Energy, the Economy, and the World. N. Y.: Palgrave
Macmillan, 2011.
158
3. Винер Н. Кибернетика, или управление и связь в животном и ма-
шине / Пер. с англ. И. В. Соловьева и Г. Н. Поварова под ред. Г. Н. Поварова. М.: Наука, 1983. 2-е изд. 344 с.
4. Налимов В. В. Облик науки. СПб; М.: Центр гуманитарных
инициатив, Изд-во МБА, 2010. 368 с.
5. Франк
Ф. Философия науки: Связь между наукой и философи-
ей. М.: Изд-во ЛКИ, 2010. 3-е изд. 512 с.
6. Адлер Ю. П. Повторение неповторимого. М.: РИА «Стандарты
и качество», 2007. С. 24–30.
7. Adler Yu., Stasova G. Comparison between the Desirability Function
by E. C. Harrington and the Loss Function by Genichi Taguchi. – 10th
ANQ Congress, Hong Kong, 2012, Proceedings, P. 977–983.
8. Клайн М. Математика. Утрата определенности. М.: Мир, 1984.
434 с.
9. Статистические методы повышения качества / Под ред. Х. Кумэ.
М.: Финансы
и статистика, 1990. 304 с.
10. Мостеллер Ф., Тьюки Дж. Анализ данных и регрессия. М.:
Финансы и статистика, 1982. Вып. 1. 317 c.; Вып. 2. 239 с.
11. Клейнен Дж. Статистические методы в имитационном моде-
лировании. М.: Статистика, 1978. Вып. 1. 252 с.; Вып. 2. 365 с.
12. Уилер Д., Чамберс Д. Статистическое управление процессами:
Оптимизация бизнеса с использованием контрольных карт Шухарта.
М.:
Альпина Бизнес Букс, 2009. 409 с.
13. Адлер Ю. П., Маркова Е. В., Грановский Ю. В. Планирование
экспериментов при поиске оптимальных условий. М.: Наука, 1976.
2-е изд. 280 с.
14. Адлер Ю. П. Введение в планирование экспериментов. Учеб-
ное пособие. М.: Изд. дом МИСИС, 2014. 36 с.
15. Ротер М. Тойота ката. Лидерство, менеджмент и развитие со
-
трудников для достижения выдающихся результатов. М.; СПб: Питер, 2014. 304 с.
16. Дюк В., Самойленко А. Data mining. СПб: Питер, 2001. 368 с.
17. Адлер Ю. П., Черных Е. А. Хорошо бы, хорошо бы, нам кита
поймать большого, или кому и зачем нужны Big Data? // Методы
оценки соответствия. 2013. № 8. С. 34–35.
18. Сенге П. Пятая дисциплина. Искусство и
практика самообу-
чающейся организации. М.: Олимп-Бизнес, 2008. 2-е изд. 506 с.
159
4.3. Наукометрия
В середине прошлого века в передовых странах резко возрос интерес к вопросам управления наукой. Он был вызван исключительной ролью науки в огромном изменении техники, совершенствовании производства и пр. Несколькими десятилетиями ранее начался
быстрый рост числа научных работников, научных учреждений, расходов на науку. Наука превратилась в массовую профессию
создаваться государственные органы управления наукой, возникла
потребность в разработке обоснованных рекомендаций по проведению научной политики. Это привело к развитию науки о науке
(Science of Science) – науковедения.
Основателем науковедения считается английский исследователь
Дж. Бернал, опубликовавший в 1939 г. книгу «Социальная функция
науки» [1]. Он выделил науку как особый объект, требующий отдельной науки для
своего изучения. Исследования в таких научных
направлениях, как история науки, философия науки, психология
научного творчества и других признавались уже недостаточными.
После Второй мировой войны стали широко изучаться социальнопсихологические, экономические, организационные и иные проблемы науки, образовались исследовательские группы, были основаны
специальные журналы, стали проводиться конференции. Большой
вклад в развитие
науковедения внесли Дерек Прайс и Юджин Гар-
филд [2, 3].
Д. Прайс (1922–1983) родился в Англии, изучал физику и математику в Лондонском университете и там же в 1946 г. защитил диссертацию по экспериментальной физике. Затем он несколько лет преподавал в Сингапуре, вернулся в Англию, где в Кембриджском университете защитил вторую диссертацию
, на этот раз по истории науки,
переехал в США и стал консультантом Смитсоновского института и
сотрудником Института перспективных исследований. Вплоть до
кончины он был профессором истории науки в Йельском университете [4]. В 1963 г. им издана книга «Малая наука, большая наука», в
которой и изложены основные положения его концепции [5].
Д. Прайс
предложил рассматривать науку как информационный
процесс и следить во времени за ростом числа научных публикаций,
считая их носителями информации. В его представлениях современная наука вступила в новую фазу развития (малая наука перешла в
большую науку), связанную с некоторым кризисом роста. Он объяс-
. Стали
160
Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]