Znalostní evaluace společenské odpovědnosti firem

Znalostní evaluace společenské odpovědnosti firem Miroslav POKORNÝ, Dana POKORNÁ Moravská vysoká škola Olomouc, o.p.s., Jeremenkova 42, 772 00 Olomouc Abstrakt Nedílnou součástí moderního podnikání je oblast, zahrnující aktivity společenské odpovědnosti firem (CSR). Z hlediska obecné teorie systémů lze CSR pojímat jako jeden ze systémů, které lze na objektu podniku vymezit a definovat. Chování a vlastnosti takového systému můžeme studovat simulacemi pomocí jeho abstraktního modelu. Pro kvantitativní evaluaci společenské odpovědnosti firmy je v referátu uvažován systém, jehož vstupní veličiny jsou její specifické aktivity v oblasti ekonomické, sociální a environmentální, výstupní veličinou pak stupeň úrovně její CSR. Jelikož systém CSR je nutno považovat za systém složitý (komplexní), bylo pro vytvoření jeho modelu použito metody nenumerického znalostního (jazykového) modelování. Fuzzy-logický pravidlový model CSR byl tak navržen a realizován v programovém prostředí MATLAB, jeho funkce byla ověřena simulačními experimenty. Klíčová slova: společenská odpovědnost firem CSR, komplexní systém, znalosti, mentální model, umělá inteligence, jazykový fuzzy model, simulace 1. Úvod Nedílnou součástí moderního podnikání je oblast, zahrnující aktivity společenské odpovědnosti firem (CSR). Aktivity, spojené se společenskou odpovědností firmy, je možno rozdělit do tří základních oblastí - ekonomické, sociální a environmentální. Stupeň společenské odpovědnosti firmy může být měřen a kvantifikován tím, jak organizace zvažuje a realizuje veškerá svá opatření s ohledem na dopady na sebe samu i své okolí. Úloha objektivního (numerického) hodnocení stupně CSR je zřejmě úlohou složitou. Objektivizace stanovení stupně CSR firmy je především otázkou vytvoření odpovídajícího matematického modelu. Kvantifikace jednotlivých aktivit, stanovení jejich vlivu a váhy na 1

stupeň CSR a definice odpovídajících funkčních závislostí vyžadují zjednodušování, která mohou být příčinou nedostatečné adekvátnosti výsledného modelu. Na druhé straně je evidentní, že zkušený odborník dovede ohodnotit stupeň CSR subjektivně, na základě svých odborných znalostí a hlavně praktických zkušeností. Je vybaven příslušnými znalostmi a ve svém mozku má vytvořen mentální model řešeného problému. Tento model je zřejmě nenumerický, avšak velmi efektivní. Objektivizace stanovení stupně CSR je tedy především otázkou počítačové formalizace takového expertního mentálního modelu a nalezení vhodných procedur (algoritmů), které při respektování konkrétních dat určité firmy dovedou vyvodit stejně kvalitní závěry. Metody takových postupů jsou oblastí zájmu vědního oboru umělá inteligence [5]. V jejím rámci byly vyvinuty nástroje, pomocí nichž lze na expertních znalostech postavený mentální model formalizovat jako jazykový nenumerický model pravidlový. Referát přibližuje použité principy a jejich aplikaci. Pro kvantitativní evaluaci společenské odpovědnosti firmy je uvažován systém, jehož vstupní veličiny jsou specifické aktivity v oblasti ekonomické, sociální a environmentální, výstupní veličinou pak stupeň úrovně její CSR. Pro vytvoření abstraktního modelu takového systému bylo využito metody nenumerického znalostního (jazykového) fuzzy modelování. Znalostní fuzzy-logický pravidlový model CSR byl navržen a realizován v programovém prostředí MATLAB, jeho funkce byla ověřena simulačními experimenty. 2. Společenská odpovědnost firem CSR Společenskou odpovědností firem (CSR - Corporate Social Responsibility) se v obecné rovině rozumí pozitivní postoje, praktiky či programy, zakomponované do podnikatelské strategie firmy na úrovni jejího nejvyššího vedení [1]. Podnik je však přímou součástí společnosti, ve které vyvíjí své aktivity. Jejich prvotním cílem je tvorba zisku. Maximalizace zisku však musí jít ruku v ruce s odpovědností vůči společnosti, protože podnik není izolovanou jednotkou, ale je součástí širšího systému vztahů. Jeho finální prosperita bude záviset na zdraví okolní společnosti a v neposlední řadě i na náladě okolní společnosti vůči němu. Evropská unie definuje CSR jako dobrovolnou integraci sociálních a ekologických hledisek do každodenních firemních operací a interakcí [2]. Charakteristickým rysem je pak přijímání závazků, které jdou nad zákonný rámec. Odpovědné firmy se tak dobrovolně rozhodují dělat i to, co není přímo zákonem nařízeno. Přistoupení k CSR tak vyžaduje posun 2

pohledu na vlastní společenskou roli z úrovně profit only k širšímu kontextu pohledu people planet profit. Jde tedy především o přistoupení k etické dimenzi v podnikání. Aktivity, spojené se společenskou odpovědností firmy, je možno rozdělit do tří základních oblastí: - oblasti ekonomické etický kodex, protikorupční postoje, transparentnost, ochrana duševního vlastnictví, vztahy se zákazníky a investory, dodavateli i odběrateli, kvalita a bezpečnost produktů a služeb; - oblasti sociální firemní dobrovolnictví, zaměstnanecká politika, zdraví, bezpečnost, vzdělávání, rekvalifikace, zaměstnávání minoritních a ohrožených skupin obyvatelstva, rovnost mužů a žen, odmítnutí dětské práce, lidská práva, spolupráce s místní správou a zájmovými skupinami, zlepšování sociálního klimatu; - oblasti environmentální ekologie, ochrana přírodních zdrojů, investice do ekologie, ekologická firemní kultura. Stupeň společenské odpovědnosti firmy může být měřen a kvantifikován tím, jak organizace zvažuje a realizuje veškerá svá opatření s ohledem na dopady na sebe samu i své okolí. Tyto dopady lze tedy pozorovat - vně firmy ve větší přitažlivosti pro investory, větší transparentnosti a posílení důvěryhodnosti, dlouhodobé udržitelnosti firmy, budování si reputace a z ní vyplývající posílení pozice na trhu, odlišení od konkurence, růstu prodeje a věrnosti zákazníků, budování politického kapitálu, větší atraktivitě pro potencionální strategické partnery, v lepší pověsti firmy i značky, - uvnitř firmy - v posílení firemní kultury, vytváření nových pracovních příležitostí, možnosti získávat a udržet si loajální zaměstnance a ve sníženém riziku bojkotů a stávek [1]. 3. CSR jako systém a jeho modelování Z hlediska obecné teorie systémů lze CSR, popsanou v předchozí podkapitole, pojímat jako jeden ze systémů, které lze na objektu podniku vymezit a definovat (takovými systémy mohou být např. systém výrobní, systém zásobovací, systém skladovací, systém údržby, systém odměňování) [3]. 3

Z hlediska systémové teorie je každý systém definován svými prvky a jejich vazbami [2]. Vícerozměrný systém CSR tak lze definovat množinou jeho m- vstupů X a množinou jeho n- výstupů Y, které jsou vázány vztahy přenosové funkce F Y F(X ) (1) Jako vstupní veličiny systému CSR můžeme považovat aktivity podniku v oblasti ekonomické, sociální i environmentální. Za výstupní veličiny systému CSR můžeme považovat interní i externí dopady aktivit CSR. Obojí jsou vyjmenovány v kap. 2. Vzhledem k složitosti a multidimenzionálnosti funkční závislosti F systému CSR jej řadíme do třídy systémů komplexních (složitých). Vyšetřování vlastností takového systému a studium jeho chování můžeme provádět nejlépe s využitím jeho abstraktního modelu simulacemi na počítači [3]. Proces vytvoření abstraktního modelu systému spočívá pak v nalezení struktury modelu a následně v identifikaci jeho parametrů tak, aby chování modelu a chování modelovaného systému bylo co nejvíce shodné. Klíčovou pozici v metodologii abstraktního modelování zaujímají modely matematické (numerické). Takové modely považujeme za modely konvenční. Využívají matematického formálního aparátu (rovnice, soustavy rovnic, vztahy z teorie klasických množin, algebry, teorie pravděpodobnosti, matematické statistiky a logiky). Matematické modely odrážejí obecně platné zákonitosti a jsou ve své podstatě modely precizními. Mohou být adekvátní pouze tehdy, předpokládáme-li také preciznost a určitost chování modelované soustavy [4]. Matematické (numerické) modely nemohou být zcela a vždy adekvátní realitě světa, která je vždy přirozeně nepřesná a více či méně neurčitá. Informace, které máme k dispozici jako základ pro tvorbu modelů, jsou často ne zcela přesné nebo i neúplné. Taková situace je typická zvláště v případech modelování komplexních soustav a plně platí i pro případ soustavy CSR. Snaha o zvýšení adekvátnosti matematického modelu prohlubováním jeho složitosti nemusí vést k cíli, protože složité modely vyžadují informace, které jsou náročné způsobem svého získávání a nesou i vysoké nároky na svoji kvalitu. Tato skutečnost je formulována Zadehovým principem inkompatibility [5]: Tak, jak roste složitost systému, klesá naše schopnost činit precizní a přitom ještě použitelná tvrzení o jeho chování. Existuje práh, po jehož překonání se stávají preciznost a použitelnost téměř vzájemně se vylučujícími charakteristikami. 4

Rozšiřování a prohlubování složitosti matematických modelů (např. zahrnování dalších, dosud neuvažovaných vstupních veličin, používání nelineárních závislostí namísto dosavadní linearizace, zavádění dynamiky do popisu chování soustavy) k vyřešení kvalitního a adekvátního a přitom robustního a v praxi spolehlivého modelu k cíli vždy nevede. 4. Umělá inteligence a její přístupy modelování Je všeobecně známo, že v řadě případů - zvláště při analýze a predikci chování komplexních soustav - jsou v praxi úspěšné úsudky a závěry, které získává zkušený odborník (expert) na základě rozhodovacích procesů ve svém mozku. Tyto závěry jsou stejně jako v případě klasické matematické analýzy postaveny na zpracování informací, k jejich vyvození je však použito jiného než matematického (numerického) aparátu. Matematické modely jsou postaveny na obecných (objektivních) zákonitostech v oblastech techniky, přírody a společnosti. Podstatná je skutečnost, že expert má k dispozici kromě takových znalostí obecných zákonitostí i znalosti subjektivní, získané dlouhodobou praxí a osobními zkušenostmi. Jsou to nejrůznější poznatky, heuristiky, intuice až metaznalosti. Jsou to znalosti, jejichž platnost nelze často ani obecně dokázat expert však ví, že mu v řadě případů pomohly ke správnému řešení. Právě tyto znalosti z něj dělají experta a odlišují jej od běžných profesních pracovníků. Obecně je zahrnujeme pod pojem know-how. Víme, jaký má know-how význam pro kvalitu lidské činnosti. Rozhodovací procesy v mozku jsou sice postaveny i na využití obecných znalostí jejich vyšší kvalita je však především dána využitím znalostí subjektivních. K vyvozování závěrů jsou pak používány vysoce efektivní (a přitom zřejmě jednoduché) nenumerické přístupy. Zde je třeba si uvědomit zásadní skutečnost vyvozovací procesy v mozku nejsou postaveny na matematických, numerických přístupech, nýbrž na přístupech jazykových a slovních. Jedná se totiž o nenumerické modely mentální. Lidské uvažování a řešení problémů není principiálně postaveno na výpočtech. Velký význam mají mentální modely zvláště dnes, kdy superturbulentní doba přináší stále častější a nečekané odchylky od obecných zákonitostí. Např. klasické metody predikce chování soustav (obecné statistické metody, založené na extrapolaci, trendech, vlastnostech řad) jsou stále méně použitelné a stéle větší význam má využití znalostí, zkušeností, heuristik až intuice. Uvažujeme-li problém vybudování takového programového systému, který by řešil daný problém stejně kvalitně jako expert, musíme vyřešit dvě základní úlohy: 5

a) jakým způsobem formalizovat v počítači lidské znalosti hlavně subjektivní (tj. formalizovat v počítači mentální model) b) na jakých principech vybudovat logické algoritmy, které budou nad těmito znalostmi operovat a vyvozovat pomocí nich závěry. Řešení těchto problémů spadá do oblasti zájmu nekonvenčního vědního oboru umělá inteligence. V jejím rámci byly vyvinuty metody znalostního modelování, na jejichž principech je možno budovat jazykové, slovní (a tudíž nenumerické) modely a realizovat nekonvenční lingvistické logiky [4], [5]. 5. Znalostní modelování komplexních systémů Uvažujme proces hodnocení CSR expertem. V procesu svého rozhodování o evaluaci musí uplatnit jak informace o konkrétní situaci, tak i své dosavadní znalosti z oblasti projevů a efektů CSR. Tyto znalosti tvoří jeho mentální model CSR. Jak již bylo řečeno, takový mentální model, reflektující komplexní CSR systém, může být značně složitý. Na základě znalostí a mentálního modelu lze pomocí přístupů znalostního modelování vytvořit odpovídající abstraktní znalostní model, implementovatelný v počítači. Pokud tedy existuje expert, který dovede pomocí svého mentálního modelu CSR správně hodnotit, lze vytvořit odpovídající model znalostní, který v procesu počítačové simulace musí dát výsledek obdobně kvalitní. Jak již bylo řečeno, problémy počítačové reprezentace mentálních modelů a jejich efektivního využití jsou jednou z oblastí zájmu vědního oboru umělá inteligence. Základním faktem, který je třeba při řešení takových problémů uvážit, je skutečnost, že znalosti nejsou v lidském mozku uloženy formou matematických analytických výrazů (např. rovnic). K závěrům při řešení složitých problémů nedospíváme pomocí numerických výpočtů. Výzkumy ukázaly, že základem konstrukce mentálních modelů v lidském mozku jsou nenumerické, a to jazykové výrazy, jejichž bohatý sortiment je schopen vyjádřit i velmi složité poznatky a jejich vzájemné vazby. Podstatným rysem slovního výrazu je jeho jazyková neurčitost - vágnost. Je prokázáno, že právě schopnost efektivního využití vágnosti jazykových výrazů je základem vysoké kvality mentálních modelů. K tomu přispívá i vysoká efektivita mozkových vyvozovacích logických procedur [5]. 6

Chceme-li vytvořit počítačový program, který by vykazoval stejnou kvalitu řešení problémů jako expert, musíme vyřešit problém počítačové (tedy nutně numerické) reprezentace znalostí (jejichž povaha je nenumerická) a vytvořit logické procedury, které by operacemi nad uloženými znalostmi vyvodily závěry. Jak již bylo řečeno, podstatná je přitom nutná formalizace neurčitosti jazykových výrazů a schopnost jejího využití [6]. V referátu je uvedena jedna z možností řešení těchto problémů - využití přístupů fuzzy množinové matematiky a fuzzy logiky. Vágní jazykové výrazy, které odborník používá ve svých mentálních pochodech, (NÍZKÝ ODBYT, VYSOKÝ ODBYT, MALÝ ZISK, VELKÝ ZISK) jsou v jazykových (slovních) fuzzy modelech formalizovány pomocí fuzzy množin a vystupují v úloze vstupních a výstupních jazykových proměnných (ODBYT, ZISK) a jejich jazykových hodnot (NÍZKÝ, VYSOKÝ, MALÝ, VELKÝ). Vyvozovací procedury využívají principů vícehodnotové jazykové fuzzy logiky. Znalosti jsou uloženy pomocí vět přirozeného jazyka ve standardní formě podmíněných pravidel (báze znalostí), vyvozovací procedury jsou reprezentovány algoritmy s fuzzy-logickými operacemi (inferenční nebo řídicí mechanizmus) [6]. Jazykové modely využívají k reprezentaci znalostí o chování systémů standardních pravidel typu JESTLIĚ PAK (anglicky IF THEN). Obecný tvar pravidla R, které reprezentuje znalost, že při vzniku situace existence n- určitých předpokladů P 1 až P n je třeba učinit závěr Z, je R: IF (P 1 ) and and (P n ) THEN (Z) (2) Takové pravidlo můžeme považovat za jednoduchý jazykový fuzzy model FM s n- vstupními jazykovými proměnnými (předpoklad P 1 ),, (předpoklad P n ) a jednou jazykovou proměnnou výstupní (závěr Z) Obr.1. Složité fuzzy modely jsou pak představovány soustavami takových pravidel (2). Obr.1 Schéma fuzzy modelu FM Jako ilustrační příklad uvažujme fragment mentálního modelu závislosti zisku na velikosti odbytu a nákladů. Nechť takový model zahrnuje mj. takovou znalost: 7

V situaci, kdy odbyt je vysoký a náklady jsou nízké, bude zisk vysoký. Pokud je však odbyt pouze střední vysoký a náklady zůstanou vysoké, bude zisk pouze střední. Označme dvě vstupní jazykové proměnné modelu ODB a NAKL, jejich jazykové hodnoty (které budeme pro formalizaci naší znalosti v počítači potřebovat) VYS, NIZ a STR. Výstupní jazykovou proměnnou označme identifikátorem Z a její potřebné jazykové hodnoty VEL a STR. Taková znalost bude v jazykovém fuzzy modelu formalizována dvěma pravidly R 1 a R 2, která budou mít podle (2) tvar: R1: IF (ODB is VYS) and (NAKL is NIZ) THEN (Z is VEL) R2: IF (ODB is STR) and (NAKL is VYS) THEN (Z is STR) (3) Pravidla R 1 a R 2 představují jen fragment fuzzy modelu úplný popis závislosti zisku na odbytu a nákladech by vyžadoval deklaraci dalších pravidel, jejichž soustava pak bude tvořit model úplný. Způsob zápisu vágních jazykových výrazů pomocí fuzzy množin uvedeme na příkladu jazykových hodnot proměnné NÁKLADY (NAKL). Tři fuzzy množiny, formalizující hodnoty NÍZKÉ, STŘEDNÍ a VYSOKÉ náklady, jsou na Obr.2 vyjádřeny svými funkcemi příslušnosti a označeny NIZ, STR a VYS. Obr.2 Funkce příslušnosti fuzzy množin jazykových hodnot proměnné NAKL Tyto funkce příslušnosti umožňují přiřadit jakékoliv konkrétní výši nákladů v tiskč stupeň jejich příslušnosti 8

NAKL 0, 1 (4) k jednotlivým jazykovým hodnotám. Tak lze vyjádřit, nakolik považujeme konkrétní výši nákladů jako nízkou, střední nebo vysokou. Na Obr.2 je uveden příklad takového ohodnocení nákladů ve výši 110tisKč. Podle tvarů funkcí příslušnosti je tato suma považována za nízkou se stupněm příslušnosti NIZ NAKL 0 střední se stupněm příslušnosti STR NAKL 0, 7 a vysokou se stupněm příslušnosti NAKL 0, 4. VYS Slovně lze tak interpretovat výši nákladů takto: Náklady ve výši 110tisKč nejsou ani střední, ani vysoké, lze je považovat za spíše střední. V žádném případě je však nelze považovat za nízké. Významná je skutečnost, že se nenumerický slovní fuzzy model chová (uvažujeme-li jej jako jako černou skříňku) stejně jako konvenční model matematický vstupní proměnné mohou mít tvar čísel a také výstupní hodnota může mít číselný tvar. Procedura, jíž se vstupní číselné proměnné transformují do formy kterou fuzzy model vyžaduje probíhá podle Obr.2 a nazývá se fuzzifikace. Výstupem fuzzy modelu je sice fuzzy množina - tu však lze v případě potřeby opět transformovat do formy obyčejného čísla procedurou deffuzifikace. Proces vyvození výstupní hodnoty fuzzy modelu na základě konkrétních vstupních hodnot je schématicky nakreslen na Obr.3. 9

Obr.3 Proces vyvození výstupní hodnoty slovního fuzzy modelu Vysvětlení teoretických principů procesu z Obr.3 se vymyká účelu tohoto referátu a lze je nalézt v doporučené literatuře. Problematice jazykového fuzzy modelování a jeho využití v praxi bude pro odbornou veřejnost připravena speciální přednáška na MVSO. Následující podkapitoly jsou věnovány případové studii, v níž bude proveden ilustrační návrh a simulační ověření funkce experimentálního jazykového fuzzy modelu pro stanovení stupně CSR firmy. 6. Znalostní jazykový fuzzy model systému CSR Sestavme ilustrační experimentální jazykový model společenské odpovědnost firmy. Úroveň CSR budeme vypočítávat (vyvozovat) v závislosti na velikosti tří vybraných aktivit: UPZ (úroveň péče o zaměstnance), IET (výše investic do ekologických technologií), DOV (úroveň dodavatelsko-odběratelských vztahů). Mentální model tohoto (zřejmě zjednodušeného, proto experimentálního, ilustračního) systému je jednoduchý všechny tři vstupní proměnné ovlivňují velikost CSR jako proměnné výstupní pozitivně. Blokové schéma takového systému je uvedeno na Obr.4 (porovnej s Obr.1). Obr. 4 Schéma experimentálního systému CSR 10

Jak již bylo řečeno, vstupní jazykové proměnné fuzzy modelu byly vybrány tak, aby závislost stanovení stupně CSR na jejich velikosti byla evidentní a každý si ji mohl zkontrolovat V případ reálně použitelného modelu by bylo potřeba zahrnout další aktivity, rozšířit počet jazykových proměnných modelu i jejich jazykových hodnot a rozšířit jazykový model. Jména a identifikátory jazykových hodnot uvažovaných jazykových proměnných našeho modelu jsou následující: CSR UPZ IET Společenská odpovědnost firmy (výstupní - závisle proměnná modelu) Nízká (NIZ) Snížená (SNI) Uspokojivá (USP) Dobrá (DOB) - Velmi dobrá (VED) Výborná (VYB) Špičková (SPI) Úroveň péče o zaměstnance Nízká (NIZ) Střední (STR) Vysoká (VYS) Výše investic do ekologických technologií Nízká (NIZ) Střední (STR) Vysoká (VYS) DOV Úroveň dodavatelsko-odběratelských vztahů Uspokojivá (USP) Dobrá (DOB) Výborná (VYB) Jazykové hodnoty jazykových proměnných fuzzy modelu jsou v počítači reprezentovány fuzzy množinami, podobně jako na Obr.2. Pravidla jazykového modelu jsou formulována pro tři vstupní proměnné (UPZ, IET a DOV) a jednu proměnnou výstupní, kterou je CSR. Pravidla formuluje expert v našem případě reflektují v podstatě pouze obecné znalosti a jsou proto transparentní. Formu pravidel - porovnej s (2) a (3) - můžeme lehce zkontrolovat. Např. IF- THEN pravidlo R1 modelu v Tab.1 má tvar R1: IF (UPZ is VYS) and (IET is VYS) and (DOV is VYB ) THEN (CSR is SPI ) a formalizuje tuto znalost: Jestliže úroveň péče o zaměstnance firmy je vysoká, investice do ekologických technologií firmy jsou rovněž vysoké a úroveň dodavatelsko-odběratelských vztahů firmy je výborná, pak úroveň společenské odpovědnosti takové firmy můžeme považovat za špičkovou. Obdobně můžeme interpretovat sami i pravidla ostatní. Jazykový model (typu Mamdani) [6], uvedený svými 27 pravidly v Tab.1, tvoří tzv. bázi znalostí, nad níž operují algoritmy tzv. 11

jazykové fuzzy logiky (inferenční řídicí mechanizmus), který provádí proceduru výpočtu (vyvození) tvaru výstupní fuzzy množiny CSR. Báze znalostí je formalizací mentálního modelu CSR. Abychom mohli tento model použít k simulacím a vyvozování velikosti CSR, je nutno jej implementovat ve vhodném vývojovém programovém prostředí, vybaveném potřebnými procedurami pro zadávání vstupních hodnot, vyvozování a prezentaci výsledků. 7. Programová realizace modelu CSR Jazykový model byl vytvořen v prostředí Fuzzy ToolBoxu systému MATLAB v7.7 [7]. Tento program je vybaven možností interaktivní editace jazykových proměnných, jejich jazykových hodnot jakož i inferenčním fuzzy-logickým mechanizmem s možností nastavení všech jeho parametrů. Systém umožňuje ladění modelu i jeho interaktivní simulaci. Na Obr.5 a Obr.6 jsou uvedeny obrazovky editace funkcí příslušnosti fiuzzy množin jazykových hodnot vstupní jazykové proměnné UPZ a výstupní jazykové proměnné CSR. 12

Obr.5 Funkce příslušnosti fuzzy množin hodnot proměnné UPZ Obr.6 - Funkce příslušnosti fuzzy množin hodnot proměnné CSR 8. Experimentální ověření modelu Pro editaci jazykových fuzzy modelů a provádění simulačních výpočtů existuje celá řada počítačových programových nástrojů. Jako příklad uveďme použitý Fuzzy ToolBox programového systému MATLAB [7]. Simulační výpočty provádíme tak, že jako vstupy modelu dosazujeme číselné hodnoty vstupních proměnných a model vypočítává odpovídající hodnotu společenské odpovědnosti. Hodnoty vstupních veličin jsou zadávány jako normované číselné hodnoty v rozsahu 0 100. Pro získání výstupní veličiny ve formě čísla (opět v rozsahu 0 100) je použita defuzifikační metoda COG (Center of Gravity) [6] viz Obr.3. Příklady simulací a jejich výsledků jsou uvedeny v Tab.2. 13

UPZ IET DOV CSR 10 20 20 26,4 30 40 50 32,9 50 50 50 50,0 70 60 80 67,2 70 70 90 71,2 Tab.2 Příklady výsledků simulačních výpočtů Na Obr.7 je uvedena interaktivní obrazovka pro simulace. Nastaveny jsou hodnoty, odpovídající druhému řádku Tab.2, který je v ní vyznačen tučným písmem. Obr.7 Interaktivní simulační obrazovka R1 IF (UPZ is VYS) and (IET is VYS) and (DOV is VYB ) THEN (CSR is SPI ) 14

R2 IF (UPZ is VYS) and (IET is VYS) and (DOV is DOB) THEN (CSR is VYB) R3 IF (UPZ is VYS) and (IET is VYS) and (DOV is USP) THEN (CSR is VED) R4 IF (UPZ is VYS) and (IET is STR) and (DOV is VYB) THEN (CSR is VYB) R5 IF (UPZ is VYS) and (IET is STR) and (DOV is DOB) THEN (CSR is VED) R6 IF (UPZ is VYS) and (IET is STR) and (DOV is USP ) THEN (CSR is DOB) R7 IF (UPZ is VYS) and (IET is NIZ) and (DOV is VYB) THEN (CSR is VED) R8 IF (UPZ is VYS) and (IET is NIZ) and (DOV is DOB) THEN (CSR is DOB) R9 IF (UPZ is VYS) and (IET is NIZ) and (DOV is USP) THEN (CSR is USP) R10 IF (UPZ is STR) and (IET is VYS) and (DOV is VYB ) THEN (CSR is VYB) R11 IF (UPZ is STR) and (IET is VYS) and (DOV is DOB) THEN (CSR is VED) R12 IF (UPZ is STR) and (IET is VYS) and (DOV is USP) THEN (CSR is DOB) R13 IF (UPZ is STR) and (IET is STR) and (DOV is VYB) THEN (CSR is VED) R14 IF (UPZ is STR) and (IET is STR) and (DOV is DOB) THEN (CSR is DOB) R15 IF (UPZ is STR) and (IET is STR) and (DOV is USP) THEN (CSR is USP) R16 IF (UPZ is STR) and (IET is NIZ) and (DOV is VYB) THEN (CSR is DOB) R17 IF (UPZ is STR) and (IET is NIZ) and (DOV is DOB ) THEN (CSR is USP) R18 IF (UPZ is STR) and (IET is NIZ) and (DOV is USP ) THEN (CSR is SNI) R19 IF (UPZ is NIZ) and (IET is VYS) and (DOV is VYB) THEN (CSR is VED ) R20 IF (UPZ is NIZ) and (IET is VYS) and (DOV is DOB ) THEN (CSR is DOB) R21 IF (UPZ is NIZ) and (IET is VYS) and (DOV is USP) THEN (CSR is USP) R22 IF (UPZ is NIZ) and (IET is STR) and (DOV is VYB ) THEN (CSR is DOB) R23 IF (UPZ is NIZ) and (IET is STR) and (DOV is DOB) THEN (CSR is USP) R24 IF (UPZ is NIZ) and (IET is STR) and (DOV is USP) THEN (CSR is SNI) R25 IF (UPZ is NIZ) and (IET is NIZ) and (DOV is VYB) THEN (CSR is USP) R26 IF (UPZ is NIZ) and (IET is NIZ) and (DOV is DOB) THEN (CSR is SNI) R27 IF (UPZ is NIZ) and (IET is NIZ) and (DOV is USP) THEN (CSR is NIZ) Tab.1 - Tabulka pravidel báze znalostí 9. Závěr Společenská odpovědnost firem CSR zahrnuje takové aktivity z oblasti ekonomické, sociální a environmentální, které představují etickou dimenzi podnikání. Kvantitativní hodnocení stupně CSR je problémem, jehož efektivní řešení nabízí počítačové využití kvalitních subjektivních mentálních modelů zkušených expertů. Mentální modely jsou přitom postaveny na znalostech a expertních zkušenostech. Reprezetace mentálního modelu v počítači formou znalostního jazykového pravidlového modelu a vývoj algoritmů, které by operacemi nad takovým modelem vyvodily s ohledem na kvalitu konkrétních aktivit firmy 15

odpovídající velikost stupně její CSR, jsou středem zájmu vědního oboru umělá inteligence. V referátu jsou vysvětleny základní principy jazykového modelování a jejich použití v případě návrhu ilustračního jazykového modelu systému pro stanovení stupně CSR. Jazykový model a vyvozovací algoritmy využívají přístupů fuzzy množinové matematiky a vícehodnotové jazykové fuzzy logiky. Model byl implementován ve vývojovém prostředí Fuzzy ToolBoxu systému MATLAB a jeho funkce byla potvrzena simulačními experimenty. Využití metody znalostního modelování dovoluje vytvořit jazykový model, který umožňuje zahrnout do procedury stanovení velikosti výstupní proměnné expertní znalosti, zkušenosti, heuristiky a intuici (know-how). Hlubší vysvětlení teoretických principů procedur znalostního jazykového fuzzy modelování a jeho aplikace jsou nad rámcem tohoto referátu. Problematice jazykového fuzzy modelování a jeho využití v praxi bude na MVSO věnován příspěvek do jejího odborného časopisu EMI, pro odbornou veřejnost bude o problematice znalostního modelování připravena na MVSO v Olomouci speciální přednáška. Poděkování Tento příspěvek vznikl s využitím finanční podpory projektu CZ.1.07/2.3.00/09.0134: Aplikovatelný systém dalšího vzdělávání ve VaV. Literatura [1] PETŘÍKOVÁ,R. A KOL.Společenská odpovědnost organizací, DTO CZ, sro., 2008 [2] The European Business Network for Corporate Social Responsibility, http://www.csreurope.org/pages/en/about_us.html [3] POKORNÝ,M., LAVRINČÍK,J.Teorie systémů I, MVSO Olomouc, 2009 [4] POKORNÝ,M.Modelování systémů v oblasti společenských věd, APSYS, MVSO, 2010 [5] MAŘÍK,V A KOL.Umělá inteligence,academia Praha,2000, ISBN 80-200-0502-1 2010 [6] NOVÁK,V. Základy fuzzy modelování, BEN Praha, 2000, ISBN 80-7300-009-1 [7] MathWorks, Inc. MATLAB 7.7, Natick, MA 2003 16