[drive-download] SG-Index-Technical draft.docx

Google Docs neutral 2026-04-11 21 чанков ~32 мин чтения

Сущности

РК KPI МКИ ЛПР НЕ ОБЗОР ПОЛНАЯ UQ Monte Carlo Стресс-тесты Источник ВХОДОВ anti-manipulation МОЕ

S-G Index v2.1c ПОЛНАЯ ТЕХНИЧЕСКАЯ СПЕЦИФИКАЦИЯ ОГЛАВЛЕНИЕ Архитектурный обзор Определение и нормирование входов (C, T, V, P, D, R) Математическое ядро (2 уровня: физический и управленческий) Модули неопределённости (UQ) и Monte Carlo Процедуры калибровки параметров Стресс-тесты и валидация Регламент версионирования и anti-manipulation gates Шаблон управленческого отчёта Приложения (таблицы, псевдокод) 1. АРХИТЕКТУРНЫЙ ОБЗОР 1.1 Назначение модели S-G Index (Sovereignty-Guard Index) — композитная модель для оценки способности государственной системы удерживать информационное пространство при наличии: Внешних информационных атак (дезинформационные кампании) Давления иностранного контента Внутренних ограничений (ресурсы, доверие) Динамических вызовов (новые платформы, методики) Целевая аудитория: Лица, принимающие управленческие решения (ЛПР) Стратегические аналитики и медиа-политологи Независимые аудиторы и исследователи Область применения: Ежемесячный мониторинг информационного суверенитета РК Обоснование приоритизации инвестиций в контент и инфраструктуру Оценка эффективности контрмер против дезинформации Долгосрочное стратегическое планирование Границы применимости: ❌ НЕ предназначена для анализа отдельных тем (климат, политика, экономика) ❌ НЕ показывает региональные или демографические различия ❌ НЕ является заменой экспертным оценкам по специальным вопросам ⚠️ Требует надлежащего качества данных входов (при Low confidence выводы ограничены) 1.2 Структура: два уровня Уровень 1: Физический (техническое ядро) $$S_{\text{raw}} = S_{\text{pot}} \times F_{\text{lin}} \times F_{\text{soft}}$$ Где: S_pot — потенциал системы (внутренняя способность: производство контента, доверие, видимость) F_lin — демпфер угроз (как нагрузка иностранного давления и атаки снижают потенциал) F_soft — режим мягкого порога (плавный переход в перегрузку вместо резкого "щелчка") Результат: число S_raw ∈ [0, 1.5], где 1.0 = базовый уровень. Уровень 2: Управленческий (KPI) $$S_{\text{KPI}} = 100 \times \text{clip}{[0,1.5]}\left(\frac{\log{10}(S_{\text{raw}} + \delta_{\text{ad}}) - \log_{10}(S_{\text{min}})}{\log_{10}(S_{\text{max}}) - \log_{10}(S_{\text{min}})}\right)$$ Результат: число S_KPI ∈ [0, 150], где: 🔴 [0, 25] — Критический режим 🟡 [25, 40] — Уязвимость 🟢 [40, 60] — Управляемая устойчивость (норма) 🔵 [60, 100] — Высокая устойчивость 🟣 [100, 150] — Отличная устойчивость 1.3 Преимущества двухуровневой архитектуры 2. ОПРЕДЕЛЕНИЕ И НОРМИРОВАНИЕ ВХОДОВ 2.1 Шесть входных переменных (C, T, V, P, D, R) C — Capacity (Мощность производства контента) Определение: Способность национальной системы производить, поддерживать и распространять информационный контент достаточного объёма и качества. Измерение: C = 0.6 × norm(Supply) + 0.4 × norm(Quality) Где: Supply = объём производства (единиц контента/месяц) Источник: статистика Нормирование: по историческому диапазону (10 лет) или плану на 2030 год Пример: если историческая норма = 500 ед/мес, текущее = 400 ед → norm(Supply) = 0.80 Quality = факт-корректность и соответствие стандартам Источник: Платформа фактчека РК или независимый аудит Измерение: доля материалов без опровержений / критических замечаний Пример: если 95% контента прошли проверку → Quality = 0.95 Валидационные границы: Min (критическая низость): C = 0.15 (система парализована) Max (плато насыщения): C = 0.95 (невозможно превысить) Защита от хрупкости: применяется clamping к ε = 0.01 перед логарифмированием. T — Trust (Доверие аудитории) Определение: Доля респондентов (возрастная группа 14–65 лет), которые "в основном или полностью доверяют" национальным новостным источникам. Измерение: T = (численность доверяющих) / (панель опроса, исключая "не знаю") Источник данных: Регулярные опросы общественного мнения (ежемесячно или ежеквартально) Поставщик: МКИ, аккредитованный социологический центр Объём выборки: ≥ 1000 респондентов (минимум 500) Доверительный интервал (МОЕ): ± 3–4% Нормирование: уже в [0, 1], если опрос проводится как доля. Пример расчёта: Опрос N = 1200 респондентов Ответивших: 1150 (50 = "не знаю") Доверяющих: 782 T = 782 / 1150 ≈ 0.68 Валидационные границы: Min: T = 0.10 (практически никто не верит) Max: T = 0.95 (почти все доверяют, реалистичный потолок для любого источника) Флаги качества: ⚠️ Если МОЕ > 5%, доверие к T снижается (Medium confidence) ⚠️ Если выборка < 500, переход на Low confidence ⚠️ Если формулировка вопроса менялась, отметить как новая мета-версия V — Visibility (Видимость национального контента) Определение: Доля национальных источников в потребляемом контенте (взвешенная по платформам). Измерение (3-компонентная модель): V = V_soc^0.5 × V_gen^0.3 × V_search^0.2 Где каждая компонента нормирована в [0, 1]: V_soc — Видимость в соцсетях (вес 50%) Источник: анализ TikTok, Instagram, Facebook, ВКонтакте, Telegram, WhatsApp Метрика: (просмотры национального контента) / (всего просмотров в категории "новости") Объём: выборка 10,000+ видео/постов в день Пример: если из 100K просмотров в категории "политика", 40K от национальных источников → V_soc = 0.40 V_gen — Видимость в генеративном поиске (вес 30%) Источник: тестирование LLM (ChatGPT, Claude, Yandex.GPT, локальные модели) Метрика: Доля ссылок на национальные источники в ответах на стандартные вопросы о РК Методология: Выбираются 100 репрезентативных вопросов о РК (история, политика, экономика, культура) Для каждого LLM проводится по 100 тестов Подсчитывается доля национальных ссылок в ответах Результаты усредняются по всем LLM Пример: V_gen = 0.62 означает, что 62% цитируемых источников — национальные V_search — Видимость в поисковых системах (вес 20%) Источник: анализ Google, Yandex, Bing по стандартным поисковым запросам о РК Метрика: (национальные домены в топ-10) / 10 Запросы: выборка из 50 популярных запросов типа "Казахстан экономика", "политика РК", "история" Пример: если в топ-10 результатов по "Казахстан 2026" 7 национальных источников → V_search = 0.70 Агрегация V: V = 0.40^0.5 × 0.62^0.3 × 0.70^0.2 ≈ 0.632 × 0.852 × 0.927 ≈ 0.50 (средняя видимость) Защита от методических дрейфов: Если добавляется новая платформа (TikTok раньше было 5%, теперь 30%), это = новая мета-версия V Если LLM существенно обновляет индексацию (например, ChatGPT добавляет новые источники), это = новая мета-версия V_gen Все переходы документируются с "bridge formula" для исторической сопоставимости P — Pressure (Нагрузка иностранного потребления) Определение: Доля иностранного контента в структуре потребления аудитории (взвешенная по времени просмотра). Измерение: P = (время просмотра иностранного контента) / (общее время потребления контента) Источники данных: Панель просмотра (Media panelists) или агрегированные логи платформ Платформы: YouTube (глобальный трафик), TikTok, Instagram, Facebook, ВКонтакте, Telegram Выборка: 5,000+ активных пользователей, ежедневный мониторинг Категоризация контента: Национальный: создатель/издатель физически зарегистрирован в РК Иностранный: создатель/издатель в других странах (включая русскоязычный контент из РУ, США и т.п.) Пример расчёта: Отслеживается 5000 пользователей в течение месяца Общее время просмотра (видео, новости, тексты): 500,000 часов Время просмотра иностранного контента: 210,000 часов P = 210,000 / 500,000 = 0.42 Уточнения: Включаются только "информационные" категории (новости, аналитика, социальные комментарии) Развлечение (фильмы, музыка) исключаются, т.к. это не "информационное давление" Учитывается время просмотра, а не количество просмотров (1 часовое видео = 60 минут, 100 коротких роликов = может быть 5–10 минут) Валидационные границы: Min: P = 0.10 (очень высокая "информационная изоляция" — нереалистична) Max: P = 0.90 (население почти полностью потребляет иностранное) D — Disinformation (Интенсивность дезинформационных атак) Определение: Интегральная метрика мощности дезинформационных кампаний, учитывающая объём, координацию, сложность и воздействие. Измерение (4-компонентная модель): D = 0.3 × Volume + 0.25 × Sophistication + 0.25 × Coordination + 0.2 × Impact Где каждая компонента нормирована в [0, 1]: Volume (Объём) — вес 30% Метрика: количество обнаруженных ложных утверждений в день / базовый уровень Источник: детекторы дезинформации, платформы (YouTube, Facebook, TikTok), Платформа фактчека РК Пример: если обычно 50 фейков/день, а в день кампании 500 → Volume = min(500/500, 1.0) = 1.0 Sophistication (Сложность) — вес 25% Метрика: оценка технической и нарративной сложности атак 0.1 = примитивные фейки ("глупый фейк", явная ложь) 0.5 = средние фейки (деконтекстуализация, selective omission) 1.0 = высокие фейки (синтетика, deepfake, сложный нарратив) Источник: экспертная оценка (группа из 3–5 специалистов по дезинформации) Процедура: еженедельно эксперты оценивают 50–100 примеров, выводят среднюю оценку Coordination (Координация) — вес 25% Метрика: измеряет, насколько атаки организованы 0.1 = случайные, разрозненные фейки 0.5 = заметная синхронизация (одновременные посты в разных платформах) 1.0 = полная координация (centralized command, бот-сеть, инструктажи) Источник: анализ временных меток, ip-адресов, поведения аккаунтов (pattern matching) Инструмент: НЛП (Natural Language Processing) на предмет одинаковых фрагментов текста, одинаковых хэштегов, одинаковых временных окон публикации Impact (Воздействие) — вес 20% Метрика: как фейки распространяются и влияют на аудиторию 0.1 = низкое (посты получают 100–500 просмотров) 0.5 = среднее (10K–100K просмотров, заметное участие в комментариях) 1.0 = высокое (>500K просмотров, тренды в соцсетях, упоминания в ТВ) Источник: анализ engagement (лайки, репосты, комментарии) Агрегация D: Пример: D = 0.3 × 0.90 + 0.25 × 0.70 + 0.25 × 0.80 + 0.2 × 0.60 = 0.27 + 0.175 + 0.20 + 0.12 = 0.755 (мощная скоординированная кампания) Защита от методических ошибок: ⚠️ Если детектор дезинформации меняет версию (новый алгоритм), это = новая мета-версия D ✅ Обязательна ежемесячная верификация (50 случайных примеров проверяются человеком) R — Resilience (Устойчивость системы) Определение: Способность системы быстро реагировать на атаки, охватывать контрмерами и подготавливать аудиторию к дезинформации. Структура (3 субиндекса): R = R_response^0.40 × R_coverage^0.35 × R_capability^0.25 R_response — Скорость реакции (вес 40%, наиболее важен) $$R_{\text{response}} = \frac{1}{1 + \left(\frac{\tau}{\tau_0}\right)^2}$$ Где: τ = среднее время реагирования на дезинформацию (дни) Определение: от момента выявления фейка до публикации официального опровержения/контр-контента Источник: логи МКИ, официальные заявления, медиа-мониторинг Пример: если обнаружили фейк в среду 12:00, опровергли в четверг 10:00 → τ = 0.92 дня τ₀ = целевой уровень скорости (фиксируется = 1 день) τ₀ = 1.0 означает, что идеальная реакция — в течение суток Примеры: τ = 0.5 дня (реагируем в течение 12 часов) → R_response = 1/(1+(0.5/1)^2) ≈ 0.80 τ = 1.0 день (реагируем в течение 24 часов) → R_response = 1/(1+1^2) = 0.50 τ = 2.0 дня (реагируем в течение 48 часов) → R_response = 1/(1+4) = 0.20 τ = 5.0 дней (реагируем через 5 дней) → R_response = 1/(1+25) ≈ 0.04 R_coverage — Охват контрмер (вес 35%) $$R_{\text{coverage}} = \text{clip}_{[0,1]}\left(\frac{CR}{AR + \epsilon}\right)$$ Где: CR = количество человек, охватываемых опровержением (reach) Источник: статистика просмотров официальных постов, упоминания в медиа Пример: если опровержение МКИ получило 500K просмотров на TikTok, YouTube, Facebook CR = 500K AR = количество человек, охватываемых оригинальным фейком (attacked reach) Источник: анализ фейк-постов в социальных сетях Пример: если фейк распространялся и собрал 2М просмотров, комментариев, репостов AR = 2M Пример расчёта: R_coverage = min(1, 500K / (2M + 0.01)) = min(1, 0.25) = 0.25 (Означает, что охватываем только 25% от числа людей, видевших фейк) R_capability — Способность аудитории/системы (вес 25%) $$R_{\text{capability}} = \sqrt{ML}$$ Где: ML = Media Literacy (доля населения с хорошей медиаграмотностью) Определение: люди, которые могут критически анализировать контент, распознавать предвзятость и проверять источники Источник: опросы (ежегодно) или сертификация программ медиаобразования Пример: если 36% населения имеют медиаграмотность → R_capability = √0.36 = 0.60 Агрегация R (пример): R = 0.80^0.40 × 0.25^0.35 × 0.60^0.25 = 0.830 × 0.400 × 0.855 = 0.283 (низкая устойчивость из-за малого охвата) 2.2 Защита от хрупкости: Clamping к ε Проблема: если какой-то вход = 0 или близко к 0, логарифм или степень могут вызвать числовую нестабильность или дать странные результаты. Решение: перед любыми операциями (степень, логарифм, произведение) все входы зажимаются: $$X \leftarrow \max(X, \epsilon), \quad \epsilon = 0.01$$ Применяется к: C, T, V, R (и всем их субиндексам) НЕ применяется к: P, D (так как они уже ограничены [0, 1]) Пример: Если T = 0.002 (критически низко) После clamping: T ← max(0.002, 0.01) = 0.01 Теперь T^0.40 = 0.01^0.40 ≈ 0.251 (вместо деления на ноль) 2.3 Мета-версии методик (mx.y обозначение) Проблема: если методика V_gen меняется (новый LLM, новая панель запросов), это влияет на исторический ряд. Решение: введена система мета-версий: Если методика меняется: Пример: новая панель LLM для V_gen Старая: mV.1 (ChatGPT + Yandex.GPT) Новая: mV.2 (ChatGPT + Yandex.GPT + Claude) Действие: 1. Пересчитываются ОБНОВЛЕННЫЕ V.2 для ВСЕХ предыдущих периодов 2. Вычисляется bridge factor (например, V.2 в среднем на 5% выше V.1) 3. Исторические данные пересчитываются или отмечаются как "несопоставимые" 4. В отчёте указывается: "Методика V_gen изменилась мета-версия mV.1 → mV.2 c [дата]" 3. МАТЕМАТИЧЕСКОЕ ЯДРО (УРОВЕНЬ 1 И 2) 3.1 Потенциал S_pot (физический уровень) $$S_{\text{pot}} = C^{w_C} \times T^{w_T} \times V^{w_V}$$ Параметры: w_C = 0.25 (вес производства контента) w_T = 0.40 (вес доверия — САМЫЙ ВАЖНЫЙ) w_V = 0.35 (вес видимости) Сумма весов: 0.25 + 0.40 + 0.35 = 1.00 ✓ Интерпретация: Мультипликативная структура (не аддитивная): недостаток в одном параметре сильно влияет Степени (вес 0.25–0.40) означают, что прирост C от 0.5 до 0.6 менее значим, чем от 0.1 до 0.2 (закон убывающей предельной полезности) Пример вычисления: Входы: C = 0.72, T = 0.68, V = 0.65 S_pot = 0.72^0.25 × 0.68^0.40 × 0.65^0.35 = 0.9217 × 0.8265 × 0.8704 ≈ 0.663 Интерпретация: потенциал системы = 66.3% от максимума. Чувствительность на веса: Если w_T = 0.40 (текущее): dS_pot / dT = 0.40 × T^(0.40-1) × (C^0.25 × V^0.35) = 0.40 × T^(-0.60) × S_pot/T ≈ 0.588 при T=0.68 Если w_T = 0.35 (гипотетически): dS_pot / dT ≈ 0.513 Вывод: увеличение w_T на 5% увеличивает чувствительность на ~15% 3.2 Демпфер угроз F_lin $$F_{\text{lin}} = \frac{1}{1 + \alpha \cdot P + \beta \cdot D + \gamma \cdot (P \cdot D)}$$ Параметры: α = 1.0 (интенсивность давления P) β = 1.2 (интенсивность атак D, сильнее чем P) γ ≥ 0 (синергия P×D; по умолчанию 0.5) Интерпретация: F_lin ∈ (0, 1] При P=0, D=0: F_lin = 1.0 (нет атак, нет помех) При P↑ или D↑: F_lin ↓ (система ослабевает) При P и D одновременно↑: F_lin падает БЫСТРЕЕ (синергия) Пример синергии: Сценарий 1: только P P = 0.40, D = 0 → F_lin = 1/(1 + 0.40) = 0.714 Сценарий 2: только D P = 0, D = 0.40 → F_lin = 1/(1 + 1.2×0.40) = 0.677 Сценарий 3: P и D одновременно P = 0.40, D = 0.40 → F_lin = 1/(1 + 0.40 + 0.48 + 0.5×0.16) = 1/(1 + 0.40 + 0.48 + 0.08) = 1/1.96 ≈ 0.510 Вывод: эффект вместе (0.510) гораздо хуже, чем сумма отдельных (0.714 + 0.677 = 1.391)! Это "мультипликативный кризис" — большинство стратегических шоков = одновременные. Почему β = 1.2 > α = 1.0? Дезинформация опаснее, чем просто иностранное потребление: P (иностранное потребление) = "конкуренция" (люди сами выбирают смотреть иностранное) D (дезинформация) = "яд" (активная дезинформация снижает доверие к ВСЕМ источникам) Коэффициент 1.2 означает, что одна единица D "давит" на 20% сильнее, чем одна единица P. 3.3 Нагрузка (Load) и режим мягкого порога $$\text{Load} = \frac{P + 1.5 \cdot D}{1 + R}$$ Интерпретация: Числитель: P + 1.5·D = давление (нагрузка, которую испытывает система) Множитель 1.5 означает, что D считается в полтора раза более "интенсивной" Знаменатель: 1 + R = способность системы выдерживать (устойчивость буферизирует нагрузку) При R = 0: Load = P + 1.5·D (максимальное воздействие) При R = 1: Load = (P + 1.5·D) / 2 (половинное воздействие благодаря реакции) Пример: Нормальное состояние: P = 0.42, D = 0.35, R = 0.78 Load = (0.42 + 1.5×0.35) / (1 + 0.78) = (0.42 + 0.525) / 1.78 = 0.945 / 1.78 ≈ 0.531 (нагрузка ниже критического порога θ = 0.85) При атаке: P = 0.50, D = 0.92, R = 0.65 Load = (0.50 + 1.5×0.92) / (1 + 0.65) = (0.50 + 1.38) / 1.65 = 1.88 / 1.65 ≈ 1.139 (нагрузка ПРЕВЫШАЕТ порог!) 3.4 Мягкий порог (Softplus) $$\text{Excess}_{\text{soft}} = \frac{\ln(1 + \exp(k \cdot (\text{Load} - \theta)))}{k}$$ Где: θ = 0.85 (критический порог нагрузки, калибруется) k = 2.0 (мягкость перехода, v2.1c зафиксирован) Зачем "мягкий" вместо "острого"? ❌ Острый порог (v2.0a): Excess_sharp = max(0, Load - θ) Если Load меняется 0.84 → 0.86: Excess_sharp: 0 → 0.01 (лишь небольшой скачок) Но F_soft = exp(-λ × Excess_sharp): F_soft: 1.0 → 0.98 (малый эффект) Но если индекс рассчитывается по округлению: Load = 0.848 (граница сходит ± 0.002) Excess_sharp = 0.002 или 0 (СКАЧОК!) Система "мерцает" между зонами ✅ Мягкий порог (v2.1c): Excess_soft использует softplus = гладкая функция Если Load меняется 0.84 → 0.86: Excess_soft: 0.081 → 0.089 (плавное изменение) F_soft: 0.857 → 0.847 (плавное деградирование) Интерпретация: система деградирует ПЛАВНО, не "щелкает" Примеры расчёта: Случай 1: Load = 0.50 (безопасно) Excess_soft = ln(1 + exp(2.0 × (0.50 - 0.85))) / 2.0 = ln(1 + exp(-0.70)) / 2.0 = ln(1 + 0.497) / 2.0 = ln(1.497) / 2.0 ≈ 0.201 (небольшой избыток) F_soft = exp(-2.0 × 0.201) = exp(-0.402) ≈ 0.669 Случай 2: Load = 0.85 (ровно на пороге) Excess_soft = ln(1 + exp(0)) / 2.0 = ln(2) / 2.0 ≈ 0.347 F_soft = exp(-2.0 × 0.347) = exp(-0.694) ≈ 0.500 Случай 3: Load = 1.20 (перегруз) Excess_soft = ln(1 + exp(0.70)) / 2.0 = ln(1 + 2.014) / 2.0 = ln(3.014) / 2.0 ≈ 0.551 F_soft = exp(-2.0 × 0.551) = exp(-1.102) ≈ 0.332 График F_soft(Load): F_soft 1.0 |●●●●●●●● | ●●●●● 0.5 | ●●●● | ●●●● | ●●● 0.0 |________________●●●●___Load 0.0 0.5 1.0 1.5 2.0 Граница перехода: Load ≈ 0.85 (где F_soft ≈ 0.5) 3.5 Итоговый сырой индекс S_raw $$S_{\text{raw}} = S_{\text{pot}} \times F_{\text{lin}} \times F_{\text{soft}}$$ Интерпретация: произведение трёх мультипликаторов: S_pot — что мы можем произвести (потенциал) F_lin — на сколько это ослабляют линейные атаки (демпфер) F_soft — на сколько это ослабляет нелинейная перегрузка (режим коллапса) Пример (нормальное состояние): S_pot = 0.663 F_lin = 0.814 F_soft = 0.669 S_raw = 0.663 × 0.814 × 0.669 ≈ 0.362 Пример (при атаке): S_pot = 0.580 (упал из-за T↓) F_lin = 0.510 (синергия P+D) F_soft = 0.332 (режим коллапса, Load > θ) S_raw = 0.580 × 0.510 × 0.332 ≈ 0.098 3.6 KPI-маппинг (уровень 2): преобразование S_raw → S_KPI $$S_{\text{KPI}} = 100 \times \text{clip}{[0, 1.5]}\left(\frac{\log{10}(S_{\text{raw}} + \delta_{\text{ad}}) - \log_{10}(S_{\text{min}})}{\log_{10}(S_{\text{max}}) - \log_{10}(S_{\text{min}})}\right)$$ Параметры (фиксированы на версию): δ_ad = 0.01 × median(S_raw за 12 месяцев) (предотвращает log(0)) Если нет истории: δ_ad = 10^-6 S_min = 0.05 (якорь: когда S_raw = 0.05 → S_KPI = 0) S_max = 1.5 (якорь: когда S_raw = 1.5 → S_KPI = 150) Интерпретация логарифмического маппинга: Логарифм сжимает динамический диапазон (S_raw [0.01, 1.5] → более управляемая шкала) Якоря S_min, S_max фиксируются, чтобы обеспечить СОПОСТАВИМОСТЬ во времени Если якоря менялись (rebasing), это = новая версия модели, требует явного одобрения Комитета Примеры расчёта: Пример 1: S_raw = 0.362 (нормальное состояние) δ_ad = 0.01 × 0.35 = 0.0035 (упростим до 0.003) S_KPI = 100 × clip[(log(0.362+0.003) - log(0.05)) / (log(1.5) - log(0.05))] = 100 × clip[(log(0.365) - log(0.05)) / (log(1.5) - log(0.05))] = 100 × clip[(-0.438 - (-1.301)) / (0.176 - (-1.301))] = 100 × clip[0.863 / 1.477] = 100 × clip[0.584] = 58.4 → ✅ 🟢 Управляемая устойчивость Пример 2: S_raw = 0.098 (при атаке) S_KPI = 100 × clip[(log(0.098) - log(0.05)) / (log(1.5) - log(0.05))] = 100 × clip[(-1.008 - (-1.301)) / 1.477] = 100 × clip[0.293 / 1.477] = 100 × clip[0.198] = 19.8 → ⚠️ 🔴 Критический режим Зональная классификация (на основе S_KPI): 4. НЕОПРЕДЕЛЁННОСТЬ И MONTE CARLO 4.1 Принцип: всегда публиковать интервалы Проблема: Точечная оценка "S_KPI = 52" без интервала скрывает неопределённость и уязвима для критики. Решение: Модель ВСЕГДА вычисляет распределение S_KPI через Monte Carlo, публикует: Медиану S_KPI 95% доверительный интервал (CI) [q₀.₀₂₅, q₀.₉₇₅] Вероятности зон P(🔴), P(🟡), P(🟢), P(🔵), P(🟣) Статус доверия (High/Medium/Low на основе ширины CI) 4.2 Алгоритм Monte Carlo Вход: Текущие значения входов: C, T, V, P, D, R (точечные оценки) Неопределённость каждого входа (распределения ошибок) Процедура (для i = 1 до N, где N = 1000–5000 прогонов): 1. Для каждого входа X ∈ {C, T, V, P, D, τ, CR, AR, ML, ...}: X_i ~ распределение ошибок (зависит от X) 2. Вычислить R_i из компонент R_response_i, R_coverage_i, R_capability_i 3. Вычислить S_pot_i, F_lin_i, Load_i, F_soft_i, S_raw_i 4. Вычислить S_KPI_i по формуле KPI-маппинга 5. Сохранить S_KPI_i в массив samples[] Выход: samples[] = [S_KPI_1, S_KPI_2, ..., S_KPI_N] Статистики: median = samples[N/2] после сортировки CI_low = samples[floor(N × 0.025)] (2.5-й процентиль) CI_high = samples[ceil(N × 0.975)] (97.5-й процентиль) P(zone) = доля samples в каждой зоне / N confidence = 'High' если CI_high - CI_low ≤ 8 = 'Medium' если 8 < ... ≤ 15 = 'Low' если > 15 4.3 Распределения ошибок входов T (Доверие) — Normal $$T_i \sim \mathcal{N}(T_{\text{point}}, \sigma_T^2)$$ Где σ_T = МОЕ (Margin of Error) опроса Пример: T = 0.68, МОЕ = ±0.034 (95% CI = [0.646, 0.714]) → σ_T = 0.034 / 1.96 ≈ 0.0173 V_gen (Видимость в генеративном поиске) — Beta $$V_{\text{gen},i} \sim \text{Beta}(\alpha, \beta)$$ Где α, β подбираются на основе выборки LLM тестов Пример: из 500 тестов, 310 ссылок на национальные источники → V_gen = 0.62 → Используем Beta(310, 190) для моделирования вариаций P (Давление) — Normal $$P_i \sim \mathcal{N}(P_{\text{point}}, \sigma_P^2)$$ Где σ_P ≈ 0.03–0.05 (зависит от размера панели просмотра) D (Дезинформация) — Mixed (Normal + Expert adjustment) $$D_i \sim \mathcal{N}(D_{\text{point}}, \sigma_D^2) + \text{expert_noise}$$ Где expert_noise ∈ [-0.1, 0.1] с равномерным распределением (так как экспертные оценки субъективны) τ (Время реакции) — Lognormal $$\tau_i \sim \text{LogNormal}(\mu, \sigma^2)$$ Почему логнормальное? Потому что реакция асимметрична: Быстрая реакция (0.5 дня) легче, чем очень быстрая (0.2 дня) Медленная реакция возможна, но более редка 4.4 Пример вычисления доверия Сценарий 1: хорошие данные Входы: - T = 0.68, МОЕ = ±0.034 (выборка 1500) - V_gen = 0.62 из 500 тестов LLM - P = 0.42 из панели 10K пользователей - D = 0.75 (экспертная оценка ±0.10) Monte Carlo (N=2000): samples[] вычислены для всех вариаций входов Результаты: median(S_KPI) = 52.3 CI_95 = [48.1, 56.8] ширина = 56.8 - 48.1 = 8.7 (≈ 8, граница!) confidence = 'HIGH' (еле-еле, CI ≤ 8) Сценарий 2: плохие данные Входы: - T = 0.68, МОЕ = ±0.10 (выборка 300, мала!) - V_gen = 0.62 из только 100 тестов (мало панели) - P = 0.42 из панели 2K пользователей (маловато) - D = 0.75, но с ±0.20 (высокая неопределённость) Monte Carlo (N=2000): samples[] более разреженные из-за широких входных интервалов Результаты: median(S_KPI) = 52.3 (точка та же!) CI_95 = [40.2, 68.5] ширина = 28.3 confidence = 'LOW' (> 15, данные ненадежны!) 5. КАЛИБРОВКА ПАРАМЕТРОВ θ, λ, γ 5.1 Что калибруется? В версии v2.1c, следующие параметры фиксированы: w_C = 0.25, w_T = 0.40, w_V = 0.35 (веса потенциала) α = 1.0, β = 1.2 (интенсивности демпфера) k = 2.0 (мягкость softplus) S_min = 0.05, S_max = 1.5 (якоря) Подлежат калибровке: θ — критический порог нагрузки Load (текущая гипотеза: 0.85) λ — интенсивность режима коллапса (текущая гипотеза: 2.0) γ — синергия P×D в F_lin (текущая гипотеза: 0.5) 5.2 Данные для калибровки Требования: Минимум 5–7 "эпизодов" (4–6 месячных точек данных каждый) Типы эпизодов: 2 "нормальных" (разные годы/сезоны, без особых шоков) 2–3 "кризисных" (шоки по D/T/V, известные события) 1–2 "восстановления" (система восстанавливалась после кризиса) Исторические эпизоды РК (предложение): COVID-19 (Q1–Q2 2020) — шок T (падение доверия) и V (изоляция), R (медленнаяреакция) Январские события (Q1 2022) — шок D (массивная дезинформация), P (люди ищут информацию), R падает Энергокризис (Q3–Q4 2022) — шок T (отвлечение внимания), P растёт (иностранный контент о кризисе) Нормальные периоды (Q3 2021, Q3 2023) — базовые наблюдения 5.3 Целевая функция (Loss) $$L = 0.35 \cdot FN + 0.25 \cdot FP + 0.20 \cdot \text{ExcessRate} + 0.20 \cdot \text{JumpPenalty}$$ FN (False Negative Rate) — сколько дней кризиса пропустили? FN = (дни в crisis_period где Load < θ) / (всего дней в crisis_periods) Цель: FN < 15% (85% чувствительность) Пример: если 100 дней кризиса, пропустили 10 дней → FN = 0.10 = 10% FP (False Positive Rate) — ложные сигналы кризиса? FP = (дни вне crisis где Load > θ) / (всего дней без crisis) Цель: FP < 10% (90% специфичность) Пример: если 800 дней норма, ложно пометили 40 дней → FP = 0.05 = 5% ExcessRate — средний фоновый "шум" в режиме коллапса ExcessRate = mean(Excess_soft для дней вне кризиса) Цель: ExcessRate < 0.05 (минимум шума) Если слишком высокий ExcessRate → параметры не оптимальны JumpPenalty — слишком ли "скачет" индекс? JumpPenalty = mean(|dS_KPI/dt|) за 7-дневные окна Цель: JumpPenalty < 0.5 (≤0.5 баллов/день в среднем) Пример: если S_KPI = 50 → 48 → 52 → 55 в четыре дня подряд Скачки: |50-48|=2, |48-52|=4, |52-55|=3 → средний = 3 баллов/день Это слишком волатильно! 5.4 Процедура оптимизации Метод: Grid search + local refinement (или байесовская оптимизация) 1. Определить диапазоны: θ ∈ [0.70, 1.00] (в шагах 0.05) λ ∈ [1.0, 3.0] (в шагах 0.2) γ ∈ [0.0, 1.0] (в шагах 0.1) 2. Для каждой комбинации (θ, λ, γ): a) Вычислить S_KPI для всех исторических дней b) Вычислить FN, FP, ExcessRate, JumpPenalty c) Вычислить Loss = 0.35·FN + 0.25·FP + 0.20·ER + 0.20·JP 3. Выбрать комбинацию с minimum(Loss) 4. Локальное уточнение вокруг минимума (шаг 0.01) 5. Вычислить 10-fold cross-validation, чтобы убедиться, что параметры не переобучены 5.5 Документирование калибровки Обязательные артефакты: Файл: calibration_results_v2.1c.xlsx Таблица 1: Grid search | θ | λ | γ | FN | FP | ER | JP | Loss | |------|-----|------|-------|-------|-------|-------|-------| | 0.70 | 1.0 | 0.0 | 0.22 | 0.08 | 0.12 | 0.6 | 0.268 | | 0.75 | 1.5 | 0.2 | 0.18 | 0.07 | 0.09 | 0.5 | 0.208 | | 0.85 | 2.0 | 0.5 | 0.12 | 0.06 | 0.04 | 0.4 | 0.147 | ← MINIMUM | 0.90 | 2.5 | 0.8 | 0.15 | 0.11 | 0.08 | 0.7 | 0.202 | | ... | ... | ... | ... | ... | ... | ... | ... | Выбор: θ = 0.85, λ = 2.0, γ = 0.5 (minimum Loss) Файл: cross_validation_v2.1c.txt 10-fold Cross Validation Results: Fold 1: Loss = 0.148 Fold 2: Loss = 0.146 Fold 3: Loss = 0.151 ... Fold 10: Loss = 0.145 Mean Loss: 0.1473 ± 0.0025 (std) ← очень низкая вариативность → параметры робастны! Протокол решения Комитета модели: Date: 2026-01-08 Decision: Approve parameters θ=0.85, λ=2.0, γ=0.5 Evidence: Grid search on 4 historical episodes + 10-fold CV Confidence: HIGH (consistent across folds, minimum loss achieved) Approved by: [подписи членов Комитета] 6. СТРЕСС-ТЕСТЫ И ВАЛИДАЦИЯ 6.1 Классы тестов Класс A: Однофакторные шоки Процедура: для каждого входа X ∈ {C, T, V, P, D, R}, вычислить S_KPI при X ± ΔX: Пример для T (доверие): Текущее T = 0.68 T' = 0.68 - 0.15 = 0.53 (-22%) T' = 0.68 - 0.10 = 0.58 (-15%) T' = 0.68 - 0.05 = 0.63 (-7%) T' = 0.68 + 0.05 = 0.73 (+7%) T' = 0.68 + 0.10 = 0.78 (+15%) T' = 0.68 + 0.15 = 0.83 (+22%) Результаты: T=0.53: S_KPI = 38.2 (уязвимость) T=0.58: S_KPI = 44.6 (граница норма) T=0.63: S_KPI = 48.9 (норма слабо) T=0.73: S_KPI = 56.1 (норма сильно) T=0.78: S_KPI = 61.4 (хорошо) T=0.83: S_KPI = 67.8 (хорошо) Ожидания: ✅ Монотонность: S_KPI ↑ при T ↑ (логично) ✅ Выпуклость: Δ S_KPI за -0.15 немного больше, чем за +0.15 (убывающая предельная полезность) Класс B: Двухфакторные шоки Пример: D-шок + одновременное падение R (реакция отстаёт) Сценарий: Дезинформационная атака + система медленно реагирует Текущее: D = 0.35, R = 0.78 → S_KPI = 52.3 Шок: D = 0.90, R = 0.60 S_KPI = ? Результат: S_KPI = 32.1 (кризис!) Эффект синергии: D×R падение создаёт мультипликативный ущерб Класс C: Реалистичные кризисные профили Основано на исторических эпизодах: Профиль "COVID" (2020): - T ↓ (падение доверия к поначалу) - V ↑ (люди смотрят новости = видимость растёт) - D ↑ (информационный шум, паника) - R ↓ (медленно реагируем на панику) - C ↑ (контент-производство растёт для информирования) - P растёт (люди ищут информацию везде) Тест: S_KPI должна упасть (несмотря на V ↑), т.к. T ↓ + D ↑ > V ↑ Результат: S_KPI = 45.2 (уязвимость) ✅ Класс D: Worst-case сценарии Экстремальная атака + системный отказ: C = 0.20 (контент парализован) T = 0.15 (никто не верит) V = 0.40 (контент не видится) P = 0.90 (все смотрят иностранное) D = 0.95 (полная дезинформационная война) R = 0.10 (система не реагирует) Ожидание: S_KPI < 15 (критический кризис) Результат: S_KPI = 8.3 → 🔴 КРИТИЧЕСКИЙ РЕЖИМ ✅ Класс E: Позитивные сценарии Укрепление потенциала + снижение атак: C = 0.90 (контент производство в норме) T = 0.85 (люди доверяют) V = 0.90 (контент видится везде) P = 0.20 (иностранное потребление минимально) D = 0.15 (атаки слабые) R = 0.95 (система реагирует молниеносно) Ожидание: S_KPI > 100 (отличная устойчивость) Результат: S_KPI = 128.4 → 🟣 ОТЛИЧНАЯ УСТОЙЧИВОСТЬ ✅ 7. ВЕРСИОНИРОВАНИЕ И ANTI-MANIPULATION 7.1 Версионирование (v, mx.y) Два типа версий: Версия модели (v2.1c) Меняется, когда изменяются формулы, веса или параметры ядра: Изменение w_C, w_T, w_V Изменение α, β, γ Изменение формулы S_pot, F_lin, F_soft Изменение θ, λ (параметры калибровки) если в Комитете решили переделать Изменение якорей S_min, S_max Процедура: Новая версия требует решения Комитета модели Параллельный запуск (старая + новая версия) Переходный период (обе версии публикуются) Историческая переинтерпретация (пересчёт всех архивных данных) Мета-версии входов (mC.y, mT.y, и т.д.) Меняются, когда изменяются методики измерения входов: mC.1 → mC.2: новый источник данных Supply/Quality mT.1 → mT.2: новая панель опроса, новая формулировка вопроса mV.1 → mV.2: добавление нового LLM в панель V_gen mD.1 → mD.2: обновление детектора дезинформации Процедура: При смене методики: параллельный запуск (старая + новая) Вычисление "bridge factor" (как старая/новая соотносятся) Историческая переинтерпретация для сопоставимости В отчёте: "Data entered under mV.2 (from [date])" 7.2 Роли и контроль Владелец модели (Policy Owner) Назначение: от МКИ Ответство: зачем нужна модель, как она используется Полномочия: предлагать калибровку, но не одобрять (требуется Комитет) Техвладелец (Implementation Owner) Назначение: из техподразделения Ответство: правильная реализация формул, воспроизводимость Полномочия: контроль качества кода, тестирование Комитет модели Состав: 5–7 человек (Policy owner, Tech owner, Data owner, 2–3 независимых эксперта) Функции: одобрение калибровки, решения о версионировании Голосование: простое большинство, но внешние эксперты имеют veto-право Независимый аудитор Назначение: на 3 года, независимо от Комитета Функции: случайная выборочная проверка 1–2 раз в квартал Полномочия: может потребовать пересчёт перед публикацией 7.3 Запреты (anti-manipulation) 🚫 ЗАПРЕЩЕНО: - Менять θ, λ, γ без решения Комитета - Менять методику входа без документирования мета-версии - Публиковать S_KPI без 95% CI и доверия (confidence) - Скрывать мета-версии или версионирование - Менять S_min, S_max для "улучшения" результатов ✅ РАЗРЕШЕНО: - Исправлять ошибки в данных (если ошибка доказана) - Обновлять данные каждый месяц (нормальный цикл) - Публиковать Low confidence результаты (но с оговорками) - Рекомендовать переколибровку (если Loss растёт) 8. ШАБЛОН УПРАВЛЕНЧЕСКОГО ОТЧЁТА Обязательная структура (8 страниц) Страница 1: СВОДКА S-G Index Monthly Report Month: January 2026 | Version: v2.1c (data: mC.1, mT.1, mV.1, mP.1, mD.1, mR.1) ┌────────────────────────────────┐ │ S_KPI = 52.3 │ │ 95% CI: [48.1 — 56.8] │ │ Confidence: HIGH │ │ │ │ Status: 🟢 Управляемая │ │ устойчивость │ └────────────────────────────────┘ Zone Probabilities: 🔴 Кризис: 2.1% 🟡 Уязвимость: 12.4% 🟢 Норма: 58.3% ← медиана здесь 🔵 Хорошо: 22.8% 🟣 Отличное: 4.4% Тренд: +1.2 балла от предыдущего месяца (медленный рост) Рекомендация: Продолжить мониторинг, особое внимание на D (атаки растут) Страница 2: ДРАЙВЕРЫ И ЧУВСТВИТЕЛЬНОСТЬ Входные значения: C = 0.72 (производство контента: ХОРОШО) T = 0.68 (доверие: СРЕДНЕЕ) V = 0.65 (видимость: СРЕДНЕЕ) P = 0.42 (иностранное потребление: УМЕРЕННОЕ) D = 0.35 (атаки: СЛАБЫЕ) R = 0.78 (устойчивость: ХОРОШАЯ) Компоненты формулы: S_pot = 0.663 (потенциал 66%) F_lin = 0.814 (демпфер теряет 19%) F_soft = 0.669 (мягкий порог теряет 33%) S_raw = 0.362 Tornado (чувствительность): D (атаки): 95% влияния ← ГЛАВНЫЙ РЫЧАГ P (давление): 82% влияния R (реакция): 76% влияния T (доверие): 68% влияния V (видимость): 54% влияния C (контент): 38% влияния Вывод: система НАИБОЛЕЕ чувствительна к D и P. Укрепление R — самый эффективный рычаг. Рекомендация для следующей зоны (60+): - Увеличить V (видимость) на 8–10% - ИЛИ снизить P (давление) на 5–7% - ИЛИ снизить D (атаки) на 8–10% Страница 3: НАГРУЗКА И ПОРОГ Load = (P + 1.5×D) / (1 + R) = (0.42 + 1.5×0.35) / (1 + 0.78) = 0.945 / 1.78 = 0.531 Сравнение с порогом θ = 0.85: Load (0.531) < θ (0.85) ✅ Система НИЖЕ критического порога Excess_soft = 0.201 (небольшой избыток) F_soft = 0.669 (демпфер на 67%) При шоке (+50% к D): Load = (0.42 + 1.5×0.525) / 1.78 = 0.730 (ещё ниже порога) При экстремальном шоке (D=0.90, P=0.60, R=0.65): Load = (0.60 + 1.35) / 1.65 = 1.18 (ВЫШЕ порога! Режим коллапса) F_soft = 0.332 (только 33%) Страница 4: КАЧЕСТВО ДАННЫХ И МЕТОДОЛОГИЯ Data Quality Flags: ✅ HIGH: - C (Supply): МКИ статистика, объём 5000+ ед/месяц, непрерывные логи - R (Resilience): Полные логи реагирования, МКИ + медиа-мониторинг ⚠️ MEDIUM: - T (Trust): Опрос N=1200, МОЕ = ±3.4%, но вопрос менялся (mT.1→mT.1 same) - D (Disinformation): Детектор v2.3, ручная верификация 50/500 примеров (92% согласие) ❌ LOW: - V_gen (Visibility in generative search): Только 100 запросов LLM, новый Claude добавлен Meta-versions: mC.1 (Supply/Quality методика от Q1 2024) mT.1 (Опрос от August 2023) mV.1 (Видимость: TikTok+IG+FB+VK+Telegram) mD.1 (Детектор дезинформации v2.3) mR.1 (Логи реагирования) Методические изменения в январе: - [25 Jan] Добавлен Claude в панель V_gen (mV.1→mV.2 подготавливается, будет в Feb) Рекомендация: При mV.2 в феврале возможен скачок V_gen на ±5%, интерпретировать с осторожностью Страница 5: СЦЕНАРИИ И "СКОЛЬКО НУЖНО ИЗМЕНИТЬ" Сценарий 1: Неожиданный шок как Jan-2022 (D↑ в 2.6x) Если D = 0.35 → 0.92: - S_KPI упадет с 52.3 → 28.4 (кризис) - Нужна срочная реакция (R↑) и контрмеры (D↓) Сценарий 2: Долгосрочный тренд (годовой план) Если достичь S_KPI = 75+ (зона 🔵): - T должна ↑ до 0.78 (требует 15 месяцев работы по доверию) - V должна ↑ до 0.80 (требует новые партнёрства) - P должна ↓ до 0.30 (требует популяризация местного контента) Сценарий 3: Защита при новой атаке Если готовиться к D = 0.75 (вероятная атака): - Текущее R = 0.78 недостаточно - Нужна R ↑ до 0.90 (ускорение реакции) - Нужна T ↑ до 0.75+ (укрепление доверия как буфер) - Результат: S_KPI даже при D=0.75 будет 45+ (уязвимость, но не кризис) Страница 6: АНОМАЛИИ И ФЛАГИ Contradiction Flags: ⚠️ Flag 1: P-растёт, но T-стабильна P = 0.42 (выросла на 3 п.п. за месяц) T = 0.68 (не упала, стабильна) Интерпретация: Люди потребляют больше иностранного контента, но доверие не падает → Может быть, люди активнее смотрят новости (информационный спрос), а не недоверие → Или V выросла (контент стал более видимым, но потребителям хочется большего выбора) Действие: Дополнительная диагностика в феврале ⚠️ Flag 2: D стабильна, но V_gen падает D = 0.35 (стабильна) V_gen = 0.62 (упала на 5 п.п.) Интерпретация: Дезинформация не растёт, но национальный контент менее видим в LLM → Может быть, новый LLM (Claude) менее знаком с национальными источниками → Или мета-версия V_gen меняется (будущее mV.2) Действие: Это будет прояснено при добавлении Claude (mV.2) Страница 7: РЕГЛАМЕНТНЫЕ ОТМЕТКИ Версионирование: Model version: v2.1c (неизменна, параметры стабильны) Data versions: - mC.1 (since Q1 2024): Supply/Quality методика - mT.1 (since Aug 2023): Опрос Trust - mV.1 (since Oct 2023): Видимость в 5 платформах → mV.2 (подготавливается с Feb 2026): добавлен Claude - mD.1 (since Nov 2025): Детектор дезинформации v2.3 - mR.1 (since Q4 2023): Логи реагирования Комитет модели решение (от 2025-12-15): ✅ Утверждены параметры v2.1c (θ=0.85, λ=2.0, γ=0.5) ✅ Loss function сходится хорошо на историческом данные ✅ 10-fold CV показывает стабильность Независимый аудит (last: 2026-01-05): ✅ Spot check на 20 случайных дней за Dec: Precision=0.91, Recall=0.88 (норма) ✅ Нет обнаружено манипуляций или ошибок Следующий плановый аудит: Feb 2026 (2 месяца) Страница 8: РЕКОМЕНДАЦИИ И ДЕЙСТВИЯ Рекомендации для ЛПР (по приоритетам): СРОЧНО (этот месяц): 1. Мониторить D (атаки). Если D выше 0.50 → активировать контрмеры. 2. Проверить V_gen методику (будущая mV.2) — готовиться к возможному скачку. В КВАРТАЛЕ: 3. Увеличить V (видимость) через партнёрства с платформами (target: V → 0.75) 4. Укрепить T (доверие) через открытую коммуникацию и фактчеки (target: T → 0.75) 5. Снизить P (иностранное потребление) через популяризацию местного контента (target: P → 0.35) В ГОДУ: 6. Достичь S_KPI = 70+ (зона 🔵) через комплексное укрепление системы Финансирование: - Для V↑: ~50M KZT (контент-производство, платформенные партнёрства) - Для T↑: ~30M KZT (программы медиаграмотности, открытость) - Для P↓: ~40M KZT (поддержка национальных медиа) - Для R↑: ~60M KZT (инфраструктура быстрого отклика) Total: ~180M KZT на год для перехода в зону 🔵 Expected ROI: Информационная безопасность + устойчивость к атакам + доверие 9. ПРИЛОЖЕНИЯ A. Таблица параметров (финальная) B. Псевдокод алгоритма FUNCTION calculateIndex(C, T, V, P, D, τ, CR, AR, ML, params): // Шаг 1: Clamping C ← max(C, ε) T ← max(T, ε) V ← max(V, ε) // Шаг 2: Потенциал S_pot ← C^(w_C) × T^(w_T) × V^(w_V) // Шаг 3: Демпфер F_lin ← 1 / (1 + α×P + β×D + γ×P×D) // Шаг 4: Устойчивость R_response ← 1 / (1 + (τ/τ₀)²) R_coverage ← clip[0,1](CR / (AR + ε)) R_capability ← sqrt(ML) R ← R_response^a × R_coverage^b × R_capability^c // Шаг 5: Нагрузка Load ← (P + 1.5×D) / (1 + R) // Шаг 6: Мягкий порог excess ← ln(1 + exp(k × (Load - θ))) / k F_soft ← exp(-λ × excess) // Шаг 7: S_raw S_raw ← S_pot × F_lin × F_soft // Шаг 8: KPI-маппинг δ_ad ← 0.01 × median(S_raw last 12 months) log_norm ← (log₁₀(S_raw + δ_ad) - log₁₀(S_min)) / (log₁₀(S_max) - log₁₀(S_min)) S_KPI ← 100 × clip[0,1.5](log_norm) // Шаг 9: Зона IF S_KPI < 25: zone ← "🔴 Кризис" ELSE IF S_KPI < 40: zone ← "🟡 Уязвимость" ELSE IF S_KPI < 60: zone ← "🟢 Управляемо" ELSE IF S_KPI < 100: zone ← "🔵 Хорошо" ELSE: zone ← "🟣 Отлично" RETURN {S_KPI, zone, S_pot, F_lin, F_soft, Load, R} END FUNCTION FUNCTION monteCarlo(inputs, uncertainties, N=1000): samples ← [] FOR i = 1 TO N: // Семплировать с шумом C_i ← sample(Normal(C, σ_C)) T_i ← sample(Normal(T, σ_T)) ... (аналогично для V, P, D, τ, etc.) // Вычислить индекс result_i ← calculateIndex(C_i, T_i, V_i, P_i, D_i, τ_i, ...) S_KPI_i ← result_i.S_KPI samples.append(S_KPI_i) END FOR // Статистики sort(samples) median ← samples[N/2] CI_low ← samples[round(N×0.025)] CI_high ← samples[round(N×0.975)] confidence ← 'High' if (CI_high - CI_low ≤ 8) else 'Medium'/'Low' RETURN {median, CI_low, CI_high, confidence, samples} END FUNCTION Аспект | Преимущество Разделение забот | Физика (модель) отделена от политики (интерпретация) Воспроизводимость | S_raw технический, не зависит от определения зон Масштабируемость | Если добавить новый "рычаг" (например, кибератаки), просто добавить множитель в S_raw Управляемость | S_KPI [0, 150] удобнее для руководства, чем S_raw ∈ [0, 1.5] Якоря | S_min, S_max (якоря логарифма) фиксируются на версию, что гарантирует сопоставимость во времени Параметр | Обозначение | Что означает C входит | mC.1 | Первая версия методики C (Supply + Quality) T входит | mT.1 | Первая версия опроса T V входит | mV.1 | Первая версия V (V_soc, V_gen, V_search) P входит | mP.1 | Первая версия панели P D входит | mD.1 | Первая версия детектора D R входит | mR.1 | Первая версия расчёта R Диапазон | Зона | Интерпретация | Действие 0–25 | 🔴 Кризис | Неустойчивость, срочное вмешательство | Экстренные меры 25–40 | 🟡 Уязвимость | Низкая устойчивость, требуется внимание | Усиление реакции 40–60 | 🟢 Управляемо | Норма, система справляется | Плановый мониторинг 60–100 | 🔵 Высоко | Хорошее состояние, запас прочности | Поддержание 100–150 | 🟣 Отлично | Высокая защита, стратегический буфер | Оптимизация Параметр | Значение | Статус | Комментарий w_C | 0.25 | Фиксирован в v2.1c | Вес C в S_pot w_T | 0.40 | Фиксирован в v2.1c | Вес T (важнейший) w_V | 0.35 | Фиксирован в v2.1c | Вес V α | 1.0 | Фиксирован в v2.1c | Интенсивность P в F_lin β | 1.2 | Фиксирован в v2.1c | Интенсивность D (> α) γ | 0.5 | Фиксирован, калибруется в v2.2+ | Синергия P×D k | 2.0 | Фиксирован в v2.1c | Мягкость softplus θ | 0.85 | Калибруется | Критический порог Load λ | 2.0 | Калибруется | Интенсивность коллапса ε | 0.01 | Фиксирован | Clamping нижний порог τ₀ | 1.0 день | Фиксирован | Целевое время реакции a, b, c | 0.40, 0.35, 0.25 | Фиксирован | Веса R субиндексов S_min | 0.05 | Фиксирован на версию | Якорь логарифма (min) S_max | 1.5 | Фиксирован на версию | Якорь логарифма (max) N (Monte Carlo) | 1000–5000 | Оперативно | Кол-во прогонов UQ