Юридические препятствия в реализации прав и законных интересов, вопросы идентификации и преодоления - стр. 80

Очень хорошо прослеживается снижение уровня применения математики в экономике на примере оптимизации маршрутных задач. Достаточно сравнить матаппарат весьма «эмпиричной» науки логистика и классической транспортной задачи, и вопрос об уровне подготовки применяющих их менеджеров становится очевиден.

В свою очередь, такая ситуация становится понятной при изучении программ обучения специалистов в данной сфере.

Ни на одном профиле направления «Менеджмент»213 нет ни одного предмета, связанного с математическими методами оптимизации214. Там присутствуют: товарный менеджмент, логистика, финансовая (?) математика. Последняя в довольно серьезном объеме – 216 часов. Однако более подробное знакомство с этим курсом оптимизма не вызывает. Даже задача обучения ставится несколько странно: «владеть математическим аппаратом для вычисления простых и сложных процентов» (?!). А конкретные задачи (для экзамена!) могут повергнуть в шок: «Задача 2. Клиент положил в банк 70 тыс. руб. под простую процентную ставку 11,5 % годовых. Какая сумма будет на счете клиента через а) 5 мес.; б) 2 года; в) 3 года, 7 мес.?»215. Возможно, автор сильно отстал от жизни, но представляется, что это задача для 5 класса средней школы.

Вернемся к задаче построения заявленной модели. Что же касается конкретного метода для решения задачи моделирования преодоления юридических препятствий, то, по мнению автора, здесь целесообразно применить математический аппарат теории распознавания образов216. Как показывает опыт автора, этот аппарат достаточно доступен гуманитарию и, следовательно, успешно может быть применен именно при моделировании правовых процессов217.

Именно теория распознавания образов – адекватный математический инструментарий решения этой задачи. С помощью этого аппарата разработчики и пользователи имеют возможность понять и промоделировать такие функции мозга, как способность «находить сходство», «обобщать», «создавать обобщенные понятия» и т. п.

Задача распознавания (точнее, классификации) объекта ставится следующим образом. Имеется некоторый способ кодирования объектов, принадлежащих заранее известному конечному множеству классов C={C1 ,…, Cq}, и некоторое конечное множество объектов (обучающее множество), про каждый из которых известно, какому классу он принадлежит. Нужно построить алгоритм, который по любому входному объекту, не обязательно принадлежащему обучающему множеству, решает, какому классу этот объект принадлежит, и делает это достаточно хорошо. Качество распознавания оценивается как вероятность (т. е. частота) ошибки классификации на другом конечном множестве объектов с заранее известными ответами (тестовом множестве). В нашем случае объекты – законодательные и правоприменительные ситуации, а классы – юридические препятствия (уровень препятствий в неких условных баллах).