Книжная полка Сохранить
Размер шрифта:
А
А
А
|  Шрифт:
Arial
Times
|  Интервал:
Стандартный
Средний
Большой
|  Цвет сайта:
Ц
Ц
Ц
Ц
Ц

Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета, 2015, №110

Покупка
Основная коллекция
Артикул: 641391.0001.99
Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета, 2015, вып. №110 - Краснод.:КубГАУ, 2015. - 1847 с.:. - Текст : электронный. - URL: https://znanium.com/catalog/product/641836 (дата обращения: 29.03.2024). – Режим доступа: по подписке.
Фрагмент текстового слоя документа размещен для индексирующих роботов. Для полноценной работы с документом, пожалуйста, перейдите в ридер.
Научный журнал КубГАУ, №110(06), 2015 года 

http://ej.kubagro.ru/2015/06/pdf/01.pdf 

1

УДК 303.732.4 
 
01.00.00 Физико-математические науки 
 

UDC 303.732.4 
 
Physical-Mathematical sciences 

АСК-АНАЛИЗ ВЛИЯНИЯ ЭКОЛОГИЧЕСКИХ 
ФАКТОРОВ НА КАЧЕСТВО ЖИЗНИ 
НАСЕЛЕНИЯ РЕГИОНА1 
 
 

ASC-ANALYSIS OF THE IMPACT OF 
ENVIRONMENTAL FACTORS ON THE 
QUALITY OF LIFE OF THE POPULATION OF 
THE REGION 

Луценко Евгений Вениаминович 
д.э.н., к.т.н., профессор  
РИНЦ SPIN-код: 9523-7101 
prof.lutsenko@gmail.com

Lutsenko Eugeny Veniaminovich 
Dr.Sci.Econ., Cand.Tech.Sci., professor  
SPIN-code: 9523-7101 
prof.lutsenko@gmail.com

Кубанский государственный аграрный университет, Россия, 350044, Краснодар, Калинина, 13,  
 

Kuban State Agrarian University, Krasnodar, Russia 
 

Без опоры на науку невозможно становление полноценного экологического сознания. Чтобы повысить обоснованность и вес выводов о влиянии экологии на качество жизни, необходимо количественно оценить силу и направление влияния на 
него разнородных экологических факторов. Однако, оказывается, что сделать это довольно проблематично по целому ряду причин. Во-первых, это 
отсутствие или малодоступность необходимых для 
подобных исследований исходных данных. Те же 
данные, которые все же удается найти, охватывают 
небольшие периоды наблюдений (малый лонгитюд), а их восполнение, в т.ч. путем проведения 
экспериментов, принципиально невозможно. В 
результате невозможно требовать от таких данных 
полных повторностей, что является необходимым 
условием корректного применения факторного 
анализа. Во-вторых,  экологические факторы описываются разнородными показателями, измеренными в различных типах измерительных шкал 
(номинальных, порядковых и числовых) и в различных единицах измерения. Математические методы сопоставимой обработки подобных данных, а 
также реализующий эти методы программный инструментарий, фактически отсутствуют.  Втретьих, подобные задачи относятся к задачам 
большой размерности, т.е. в них идет речь не о 5 
или максимум 7 факторах, как в факторном анализе, а о сотнях и тысячах.  В четвертых исходные 
данные зашумлены и требуют устойчивых методов. В-пятых, экологические  факторы взаимосвязаны и требуют нелинейных непараметрических 
подходов. Для решения этих проблем предлагается 
применить новую инновационную интеллектуальную технологию: автоматизированный системнокогнитивный анализ и его программный инструментарий – систему «Эйдос». Приводится краткий 
численный пример оценки влияния экологических 
факторов на продолжительность жизни и причины 
смерти 

Without science it would be impossible to form a full 
environmental consciousness. To increase the validity 
and weight of the findings on the impact of environment on quality of life, it is necessary to quantify the 
strength and direction of the influence of diverse environmental factors. However, it appears that this is 
quite problematic for a number of reasons. First, it is 
the lack or inaccessibility of source of data which is 
necessary for such type of research. The same data, 
which still can be found cover just small periods of 
observations (small longitudinal research data), and 
their completion, including performing experiments, is 
fundamentally impossible. As a result, it is impossible 
to require such full data replications, which is a necessary condition for correct applying of factor analysis. 
Secondly, environmental factors are described with 
heterogeneous indices measured in different types of 
measurement scales (nominal, ordinal and numerical) 
and in different measurement units. Mathematical 
methods of comparable processing of such data, and 
the right software tools for these methods, generally 
speaking, do not exist. Third, these tasks are largescale problems, i.e. they are not talking about 5 or max 
7 factors as it was in factor analysis, but about hundreds and thousands. Fourthly, the original data is 
noisy and require sustainable methods. Fifthly, environmental factors are interrelated and require nonlinear 
nonparametric approaches. To solve these problems it 
is proposed to apply a new innovative intelligent technology: automated system-cognitive analysis and its 
software tool – a system called "Eidos". We have also 
given a brief numerical example of assessing the impact of environmental factors on life expectancy and 
causes of death 

                                                 
1 Работа выполнена при финансовой поддержке РГНФ  (проект РГНФ №13-02-00440а)  
и РФФИ (проект РФФИ №15-06-02569 А). 

Научный журнал КубГАУ, №110(06), 2015 года 

http://ej.kubagro.ru/2015/06/pdf/01.pdf 

2

Ключевые слова:   АСК-АНАЛИЗ, СИСТЕМА 
«ЭЙДОС», АВТОМАТИЗИРОВАННЫЙ 
СИСТЕМНО-КОГНИТИВНЫЙ АНАЛИЗ, 
КАЧЕСТВО ЖИЗНИ, РЕГИОН, 
ЭКОЛОГИЧЕСКИЕ ФАКТОРЫ  

Keywords: ASC-ANALYSIS, "EIDOS" SYSTEM, 
AUTOMATED SYSTEM-COGNITIVE ANALYSIS, 
QUALITY OF LIFE, REGION, ENVIRONMENTAL 
FACTORS 

 
СОДЕРЖАНИЕ 

 

1. ФОРМУЛИРОВКА ПРОБЛЕМЫ ............................................................................................................... 2 

2. ТРАДИЦИОННЫЕ ПОДХОДЫ К РЕШЕНИЮ ПРОБЛЕМЫ И ИХ НЕДОСТАТКИ ..................... 3 

3. ПРЕДЛАГАЕМОЕ РЕШЕНИЕ ПРОБЛЕМЫ С ПРИМЕНЕНИЕМ АСК-АНАЛИЗА И 
СИСТЕМЫ «ЭЙДОС» ....................................................................................................................................... 5 

4. СУТЬ МЕТОДА АСК-АНАЛИЗА – ПРЕОБРАЗОВАНИЕ ИСХОДНЫХ ДАННЫХ В 
ИНФОРМАЦИЮ, А ЕЕ В ЗНАНИЯ ПУТЕМ МЕТРИЗАЦИИ ИЗМЕРИТЕЛЬНЫХ ШКАЛ ............. 5 

5. КРАТКИЙ ЧИСЛЕННЫЙ ПРИМЕР........................................................................................................ 11 

5.1. ИСТОЧНИКИ ИСХОДНЫХ ДАННЫХ ............................................................................................................ 11 
5.2. КОГНИТИВНАЯ СТРУКТУРИЗАЦИЯ И ФОРМАЛИЗАЦИЯ ПРЕДМЕТНОЙ ОБЛАСТИ ........................................ 14 
5.3. СИНТЕЗ И ВЕРИФИКАЦИЯ МОДЕЛИ ............................................................................................................ 16 
5.4. РЕШЕНИЕ ЗАДАЧ НА ОСНОВЕ СОЗДАННОЙ МОДЕЛИ .................................................................................. 20 

5.4.1. Идентификация и прогнозирование ............................................................................................... 22 
5.4.2. Принятие решений .......................................................................................................................... 23 
5.4.3. Исследование моделируемого объекта .......................................................................................... 25 

6. ВЫВОДЫ........................................................................................................................................................ 30 

7. ПРЕДЛОЖЕНИЯ .......................................................................................................................................... 31 

ЛИТЕРАТУРА ................................................................................................................................................... 31 

================================== 
 
 

«Системы искусственного интеллекта позволяют решать сложнейшие проблемы, которые не возникали, пока этих систем не было» 

/Mahaguru I.T./ 

1. Формулировка проблемы 

 
Все в принципе согласны с тем, что «хорошая экология – это хорошо, а плохая экология – это плохо».  Чтобы дать подобную оценку на качественном уровне нет необходимости в проведении каких-то специальных 
научных исследований, т.е. это не сложно. Соответственно и влияние подобных малосодержательных по существу выводов на экологическое сознание и на принятие решений руководителями различных уровней не недостаточно.  
Чтобы повысить обоснованность подобных выводов и их вес в формировании экологического сознания необходимо количественно оценить 
силу и направление влияния разнородных экологических факторов, 
например, таких как уровень загрязнения окружающей среды (воздуха, вод 
и почв), на какие-то значимые интегральные показатели, непосредственно 

Научный журнал КубГАУ, №110(06), 2015 года 

http://ej.kubagro.ru/2015/06/pdf/01.pdf 

3

касающиеся основной массы населения, например на качество жизни населения региона [1-4].  
Совершенно четко однозначно сформулируем основополагающую на 
наш взгляд мысль: «Экология важна не только сама по себе, но и потому, 
что она оказывает существенное влияние на то, что важно для нас: на 
наше физическое и психическое здоровье, качество жизни, рождаемость 
и смертность, физическая продолжительность жизни, а также продолжительность активной и творческой жизни и работоспособного состояния и многое-многое другое». 

Чтобы исследовать влияние экологических факторов на все эти ас
пекты жизни недостаточно лишь экологических баз данных о степени загрязнения земли, воды, воздуха, пищи, строительных материалов, одежды, 
мебели, игрушек и т.п. и т.д. Необходимы также базы данных, отражающие наше физическое и психическое здоровье, качество жизни, рождаемость и смертность, продолжительность жизни, продолжительность активной и творческой жизни и работоспособного состояния. И все эти базы 
данных необходимо обрабатывать совместно в сопоставимой форме по 
одной методологии, технологии и методике и в одной реализующей их 
программной системе. Проблема состоит не в том, что такой методологии, 
технологии, методики программной системы нет, т.к. они есть, а в том, что 
они совершенно неизвестны специалистам в конкретных областях, для которых они предназначены, в частности совершенно неизвестны экологам. 
 
 

2. Традиционные подходы к решению проблемы и их не
достатки 
 
Экологи до сих пор надеются на то, что их задачи позволит решить 
MS Excel и системы «Статистика» и SPSS. Но постепенно их иллюзии рассеиваются, и они начинают понимать, что возможности инструмента решения проблемы должны соответствовать сложности проблемы, и что для 
этого малопригодны математические методы, разработанные 100 лет назад 
и более, например факторный анализ. 
Экологи с завидным упорством пытаются применять эти методы, однако оказывается, что корректно сделать это довольно проблематично 
по целому ряду вполне объективных, независимых от исследователей, реально имеющих место причин. Мы назовем лишь некоторые из них.  
Во-первых, это отсутствие или малодоступность необходимых для 

подобных исследований исходных данных. Те же данные, которые все же 
удается найти, охватывают небольшие периоды наблюдений (малый лонгитюд), а их восполнение, в т.ч. путем проведения экспериментов, принципиально невозможно. В результате невозможно требовать от таких дан
Научный журнал КубГАУ, №110(06), 2015 года 

http://ej.kubagro.ru/2015/06/pdf/01.pdf 

4

ных полных повторностей, что является необходимым условием корректно 
применения факторного анализа.  
Во-вторых,  экологические факторы описываются разнородными по
казателями, измеренными в различных типах измерительных шкал (номинальных, порядковых и числовых) и в различных единицах измерения. 
Математические методы сопоставимой обработки подобных данных, а 
также реализующий эти методы программный инструментарий, фактически отсутствуют.   
В-третьих, подобные задачи относятся к задачам большой размерно
сти, т.е. в них идет речь не о 5 или максимум 7 факторах, как в факторном 
анализе, а о сотнях и тысячах.  Обычно в руководствах по факторному 
анализу начинаются с сакраментальной фразы: «Выберем небольшое число наиболее важных факторов, которые будем исследовать». Но при этом 
авторы этих руководств благоразумно воздерживаются от рассмотрения 
методологических, методических и практических подходов к тому, как это 
сделать, т.к. они просто отсутствуют или малоизвестны, как и необходимый для этого программный инструментарий. На практике обычно все 
сводится не к исследованию объекта, который надо исследовать, а к исследованию данных, которые фактически есть и удовлетворяют этим жестким 
требованиям, но мягко говоря, не очень полно отражают исследуемый 
объект. 
В-четвертых, факторный анализ является неустойчивым методом  в 

том смысле, что, даже небольшие вариации значений исходных данных 
приводят к сильному изменению результатов применения метода, т.е. требует, чтобы исходные данные были абсолютно точными. Ясно, что реальные исходные данные сильно зашумлены и не удовлетворяют этому требованию. Да и даже в принципе вряд ли можно всерьез говорить о каких-то 
гипотетических абсолютно точных данных, т.е. ясно, что это некая абстракция, которой в полной мере практически ничего в действительности 
не соответствует. 
В-пятых, факторный анализ является линейным, параметрическим 

методом, т.е. требует выполнения нормального распределения и независимости исследуемых факторов. Дело в том, что нормальное распределение 
выполняется только при действии большого числа случайных и независимых друг от друга аддитивных факторов, а на практике они конечно не 
случайны и часто взаимозависимы, не аддитивны, зависят от каких-то третьих более фундаментальных факторов. 
 
 
 

Научный журнал КубГАУ, №110(06), 2015 года 

http://ej.kubagro.ru/2015/06/pdf/01.pdf 

5

3. Предлагаемое решение проблемы с применением АСК
анализа и системы «Эйдос» 
 
Для решения подобных задач предлагается применить новую инновационную интеллектуальную технологию: автоматизированный системно-когнитивный анализ (АСК-анализ) и его программный инструментарий 
– систему «Эйдос».  
АСК-анализ имеет ряд особенностей, которые обусловили его выбор 
в качестве метода решения проблемы: 
1. Имеет теоретическое обоснование, основой которого является 
семантическая мера целесообразности информации А.Харкевича. 
2. Обеспечивает корректную сопоставимую количественную обработку разнородных по своей природе взаимосвязанных факторов, измеряемых в различных единицах измерения, высокую точность и независимость 
результатов расчетов от единиц измерения исходных данных. 
3. Обеспечивает построение многомерных моделей объекта моделирования непосредственно на основе неполных (фрагментированных) и зашумленных (искаженных) эмпирических данных о нем. 
4. Имеет развитую и доступную программную реализацию в виде 
универсальной когнитивной аналитической системы «Эйдос» (открытое 
программное обеспечение: http://lc.kubagro.ru/aidos/_Aidos-X.htm). 

Об АСК-анализе написано довольно много. На момент написания 
данной статьи это 21 монография и учебное пособие [5-25] и сотни статей 
в изданиях, входящих в Перечень ВАК РФ [26]. На программный инструментарий АСК-анализа – интеллектуальную систему «Эйдос» и различные 
ее режимы и подсистемы получено 27 свидетельств РосПатента [27]. Краткое описание АСК-анализа дано в работе [28], в которой есть и основные 
необходимые ссылки. 
По этим причинам нет необходимости в описании теоретических основ, математической модели, методики численных расчетов (т.е. алгоритмов и структур данных) и программного инструментария АСК-анализа и 
мы кратко остановимся лишь на двух ключевых моментах: метризации измерительных шкал и нелинейности моделей в АСК-анализе. 
 

4. Суть метода АСК-анализа – преобразование исходных 

данных в информацию, а ее в знания путем метризации измерительных шкал 
 
АСК-анализ представляет собой один из современных инновационных методов искусственно интеллекта, который имеет теоретическое 
обоснование и оснащен широко и успешно апробированным универсальным программным инструментарием, позволяющим решить эти вопросы 

Научный журнал КубГАУ, №110(06), 2015 года 

http://ej.kubagro.ru/2015/06/pdf/01.pdf 

6

не только как обычно на теоретическом концептуальном уровне, но и на 
практике [5, 29].  
Модели знаний АСК-анализа основаны на нечеткой декларативной 
модели представления знаний, предложенной автором в 1979 году и являющейся гибридной моделью, сочетающей в себе преимущества фреймовой, нейросетевой и четкой продукционной моделей и обеспечивающей 
создание моделей очень больших размерностей до 10 млн. раз превышающих максимальные размерности моделей знаний экспертных систем с четкими продукциями: 
– от фреймовой модели модель представления знания системы «Эйдос» отличается существенно упрощенной программной реализацией и более высоким быстродействием без потери функциональности; 
– от нейросетевой тем, что обеспечивает хорошо обоснованную теоретически содержательную интерпретацию весовых коэффициентов на рецепторах и обучение методом прямого счета; 
– от четкой продукционной модели – нечеткими продукциями, представленными в декларативной форме, что обеспечивает эффективное использование знаний без их многократной генерации для решения задач 
идентификации, прогнозирования, принятия решений и исследования моделируемого объекта. 

АСК-анализ является непараметрическим методом, устойчивым к 

шуму в исходных данных, позволяющий корректно обрабатывать неполные (фрагментированные) исходные данные, описывающие воздействие 
взаимозависимых факторов на нелинейный объект моделирования. 
Суть метода АСК-анализа в том, что он позволяет рассчитать на основе исходных данных какое количество информации содержится в значениях факторов, обуславливающих переходы объекта моделирования в различные будущие состояния, причем как в желательные, так и в нежелательные [9]2.  
Он состоит в целенаправленном последовательном повышении степени формализации исходных данных до уровня, который позволяет ввести исходные данные в компьютерную систему, а затем преобразовать исходные данные в информацию; информацию преобразовать в знания; использовать знания для решения задач прогнозирования, принятия решений 
и исследования предметной области. 
Рассмотрим подробнее вопросы выявления, представления и использования знаний в АСК-анализе и системе «Эйдос». 
Данные – это информация, записанная на каком-либо носителе 

или находящаяся в каналах связи и представленная на каком-то языке или в системе кодирования и рассматриваемая безотносительно к 
ее смысловому содержанию. 

                                                 
2 Вопреки тому, как его поняли некоторые авторы 

Научный журнал КубГАУ, №110(06), 2015 года 

http://ej.kubagro.ru/2015/06/pdf/01.pdf 

7

Исходные данные об объекте управления обычно представлены в 
форме баз данных, чаще всего временных рядов, т.е. данных, привязанных 
ко времени. В соответствии с методологией и технологией автоматизированного системно-когнитивного анализа (АСК-анализ) для управления и 
принятия решений использовать непосредственно исходные данные не 
представляется возможным. Точнее сделать это можно, но результат 
управления  при таком подходе оказывается мало чем отличающимся от 
случайного. Для реального же решения задачи управления необходимо 
предварительно преобразовать данные в информацию, а ее в знания о том, 
какие воздействия на объект моделирования к каким его изменениям приводят. 
Информация есть осмысленные данные.  
Смысл данных, в соответствии с концепцией смысла ШенкаАбельсона, состоит в том, что известны причинно-следственные зависимости между событиями, которые описываются этими данными. Таким образом, данные преобразуются в информацию в результате операции, которая 
называется «Анализ данных», которая состоит из двух этапов: 
1. Выявление событий в данных (разработка классификационных и 
описательных шкал и градаций и преобразование с их использованием исходных данных в обучающую выборку, т.е. в базу событий – эвентологическую базу). 
2. Выявление причинно-следственных зависимостей между событиями. 
В случае систем управления событиями в данных являются совпадения определенных значений входных факторов и выходных параметров 
объекта управления, т.е. по сути, случаи перехода объекта управления в 
определенные будущие состояния под действием определенных сочетаний 
значений управляющих факторов. Качественные значения входных факторов и выходных параметров естественно формализовать в форме лингвистических переменных. Если же входные факторы и выходные параметры 
являются числовыми, то их значения измеряются с некоторой погрешностью и фактически представляют собой интервальные числовые значения, 
которые также могут быть представлены или формализованы в форме 
лингвистических переменных (типа: «малые», «средние», «большие» значения экономических показателей).  
Какие же математические меры могут быть использованы для количественного измерения силы и направления причинно-следственных зависимостей?  
Наиболее очевидным ответом на этот вопрос, который обычно первым всем приходит на ум, является: «Корреляция». Однако, в статистике 
это хорошо известно, что это совершенно не так.  Для преобразования исходных данных в информацию необходимо не только выявить события в 
этих данных, но и найти причинно-следственные связи между этими собы
Научный журнал КубГАУ, №110(06), 2015 года 

http://ej.kubagro.ru/2015/06/pdf/01.pdf 

8

тиями. В АСК-анализе предлагается 7 количественных мер причинноследственных связей, основной из которых является семантическая мера 
целесообразности информации по А.Харкевичу. 
Знания – это информация,  полезная для достижения целей3. 
Значит для преобразования информации в знания необходимо: 
1. Поставить цель (классифицировать будущие состояния моделируемого объекта на целевые и нежелательные). 
2. Оценить полезность информации для достижения этой цели (знак 
и силу влияния). 
Второй пункт, по сути, выполнен при преобразовании данных в информацию. Поэтому остается выполнить только первый пункт, т.к. классифицировать будущие состояния объекта управления как желательные 
(целевые) и нежелательные. 
Знания могут быть представлены в различных формах, характеризующихся различной степенью формализации: 
 – вообще неформализованные знания, т.е. знания в своей собственной форме, ноу-хау (мышление без вербализации есть медитация); 
– знания, формализованные в естественном вербальном языке; 
– знания, формализованные в виде различных методик, схем, алгоритмов, планов, таблиц и отношений между ними (базы данных); 
– знания в форме технологий, организационных, производственных, 
социально-экономических и политических структур; 
– знания, формализованные в виде математических моделей и методов представления знаний в автоматизированных интеллектуальных си-
стемах (логическая, фреймовая, сетевая, продукционная, нейросетевая, нечеткая и другие). 
Таким образом, для решения сформулированной проблемы необходимо осознанно и целенаправленно последовательно повышать степень 
формализации исходных данных до уровня, который позволяет ввести 
исходные данные в интеллектуальную систему, а затем: 
– преобразовать исходные данные в информацию; 
– преобразовать информацию в знания; 

                                                 
3 Основные публикации автора по вопросам выявления, представления и использования знаний: 
– http://www.twirpx.com/file/793311/
– Луценко Е.В. Системно-когнитивный анализ как развитие концепции смысла Шенка – Абельсона / 
Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного 
аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. – Краснодар: КубГАУ, 2004. 
– №03(005). С. 65 – 86. – IDA [article ID]: 0050403004. – Режим доступа: 
http://ej.kubagro.ru/2004/03/pdf/04.pdf, 1,375 у.п.л. 
– Луценко Е.В. Методологические аспекты выявления, представления и использования знаний в АСКанализе и интеллектуальной системе «Эйдос» / Е.В. Луценко // Политематический сетевой электронный 
научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) 
[Электронный ресурс]. – Краснодар: КубГАУ, 2011. – №06(070). С. 233 – 280. – Шифр Информрегистра: 
0421100012\0197, IDA [article ID]: 0701106018. – Режим доступа: http://ej.kubagro.ru/2011/06/pdf/18.pdf, 3 
у.п.л. 

Научный журнал КубГАУ, №110(06), 2015 года 

http://ej.kubagro.ru/2015/06/pdf/01.pdf 

9

– использовать знания для решения задач управления, принятия решений и исследования предметной области. 
Соответственно, АСК-анализ имеет следующее этапы: 
АСК-анализ имеет следующие этапы [5-25]: 
– когнитивно-целевая структуризация предметной области; 
– формализация предметной области (формирование классификационных и описательных шкал и градаций и обучающей выборки); 
– синтез и верификация статистических и системно-когнитивных 
моделей; 
– решение задач идентификации, прогнозирования, принятия решений и исследования предметной области в наиболее достоверных из созданных моделей. 
Единственный неавтоматизированный в системе «Эйдос» этап – это 
первый, а остальные приведены на рисунках 1 и 2: 
 

 
Рисунок 1. Соотношение содержания понятий:  
«Данные», «Информация», «Знания» 

Научный журнал КубГАУ, №110(06), 2015 года 

http://ej.kubagro.ru/2015/06/pdf/01.pdf 

10

 
Рисунок 2. Этапы последовательного повышения степени формализации 
модели от данных к информации, а от нее к знаниям 
 
После выполнения когнитивной структуризации и формализации 
предметной области осуществляется синтез статистических моделей и моделей знаний, в которых все шкалы, в которых описаны исходные данные, 
преобразуются к одному типу: числовому, и к одним единицам измерения: 
единицам измерения информации, т.е. проводится метризация шкал. В 
настоящее время в системе «Эйдос» применяется 7 способов метризации 
шкал [29]. 
В АСК-анализе факторы формально описываются шкалами, а значения факторов – градациями шкал. Существует три основных группы факторов: физические, социально-экономические и психологические (субъективные) и в каждой из этих групп есть много различных видов факторов, 
т.е. есть много различных физических факторов, много социальноэкономических и много психологических, но в АСК-анализе все они рассматриваются с одной единственной точки зрения: сколько информации 
содержится в их значениях о переходе объекта, на который они действу