Модели и методы экспресс-анализа инвестиционных проектов на основе теории нечетких множеств и искусственных нейронных сетей тема диссертации и автореферата по ВАК РФ 08.00.13, кандидат экономических наук Забоев, Михаил Валерьевич

• Забоев, Михаил Валерьевич
• кандидат экономических наук
• 2009

Оглавление диссертации кандидат экономических наук Забоев, Михаил Валерьевич

Список используемых сокращений.

Введение.

Глава 1. Проведение экспресс-анализа инвестиционных проектов: особенности, важность, методы.

1.1. Специфика и тенденции развития промышленности в России на примере строительной отрасли.

1.2. Особенности экономического анализа инвестиционного проекта на разных стадиях его реализации.

1.3. Эволюция количественных методов в экономическом анализе.

1.4. Виды неопределенности и риска, связанные с реализацией инвестиционных проектов, и методы их учета.

Глава 2. Использование элементов гибридных систем в инвестиционном анализе.

2.1. Методологические основы теории нечетких множеств, и их использование в построении систем управления и принятия решений.

2.2. Методы расчета показателей эффективности инвестиционных проектов при исходной нечеткой информации.

2.3. Современные вычислительные структуры - искусственные нейронные сети.

2.4. Модификации алгоритма обратного распространения ошибки и другие методы обучения ИНС, учитывающие специфику данных экономической природы.

2.5. Использование гибридных систем для проведения экспертного анализа: преимущества, адаптированный алгоритм обучения ненро-нечетких сетей.

2.6. Возможности использования нечетких регрессионных моделей в эконометрнческом анализе.

Глава 3. Практическое применение и программная реализация методов и моделей экспресс-анализа на основе элементов ТНМ и ИНС для оценки инвестиционно-строительных проектов.

3.1. Использование нечеткого регрессионного анализа для прогнозирования потока поступлении инвестиционно-строительного проекта.

3.2. Снижение дефицита информации при принятии инвестиционных решений с помощью нейросетевых моделей обработки данных.

3.3. Построение экспертной системы анализа себестоимости ИСП на базе систем нечеткого вывода и нечетких нейронных сетей.

3.4. Обоснование эффективности инвестиционного проекта с использованием элементов ТНМ и ИНС на примере оценки ИСП.

Введение диссертации (часть автореферата) на тему «Модели и методы экспресс-анализа инвестиционных проектов на основе теории нечетких множеств и искусственных нейронных сетей»

Актуальность исследования. В настоящее время очевидны общемировые тенденции к возрастанию нестабильности финансовых и экономических систем. В то же время в России продолжается процесс развития рыночных отношений, что создает специфические условия для функционирования отечественных предприятий. Компании вынуждены принимать решения, находясь в рамках рыночной конъюнктуры, все еще проходящей этап становления, который сопровождается высокой степенью неопределенности внешней среды. Важной предпосылкой успешного развития любой крупной компании в высоко конкурентной среде является ее активная и непременно эффективная инвестиционная деятельность. Процесс формирования оптимальной инвестиционной политики компанией состоит в рассмотрении всего множества потенциальных проектов и обоснованном выборе наиболее выгодных из них в конкретной ситуации. Важность правильного выбора тем больше, чем масштабнее проект и чем сложнее его модифицировать или выйти из него уже после начала реализации. В наибольшей степени это справедливо по отношению к предприятиям, реализующим социально значимые инвестиционные проекты, носящие инновационный характер, нацеленные на развитие инфраструктуры, которые рассматриваются как приоритетные для российской экономики и поддерживаются государством, а значит, являются объектами особенно острой конкурентной борьбы. В полной мере приведенным характеристикам соответствуют предприятия строительной отрасли, инвестиционно-строительная деятельность которых будет рассматриваться в данной работе в качестве области, где результаты диссертационного исследования могут быть успешно использованы.

Компаниям необходимо максимально качественно и за короткое время оценивать потенциальные инвестиционные проекты (ИП), степень проработанности которых крайне низка и, следовательно, в распоряжении имеются весьма ограниченные, неполные, неточные сведения. В подобных противоречивых условиях в рамках проведения экспресс-анализа проекта из-за недостатка информации о проекте затруднено и нецелесообразно как применение стандартных подходов оценки эффективности проектов, так и использование имеющихся автоматизированных программных средств анализа, среди которых отсутствуют продукты, адаптированные к условиям экспресс-анализа ИП. В описанной ситуации оправдано и эффективно использование элементов теории нечетких множеств (ТНМ) и искусственных нейронных сетей, благодаря чему многие факторы неопределенности могут быть формализованы и корректно учтены в процессе оценки проекта.

Искусственные нейронные сети (ИНС) представляют собой современные вычислительные системы способные преобразовывать информацию подобно тому, как это происходит в процессе мыслительной деятельности человека, и, таким образом, решать сложные неструктурированные задачи. Нейронные сети имеют возможность автоматического обучения на основе существующей базы знаний, с их помощью решают задачи распознавания образов, прогнозирования, управления сложными системами. Дополнительными преимуществами обладают сети гибридной структуры, объединяющие в себе нейросетевые и нечетко-множественные подходы к анализу данных. Нейро-нечеткие сети позволяют учесть одновременно и знания и предположения экспертов, и статистическую информацию, накопленную в процессе функционирования организации, тем самым уменьшая субъективность оценки проекта, так как часть параметров определяется автоматически в процессе обучения. Одновременно, становится логичной структура нейронной сети, так как каждый слой нейронов выполняет свою, заранее определенную роль, а сложившиеся в результате обучения параметры элементов сети обретают понятный исследователю смысл. Использование на практике подобных сложных и ресурсоемких, но эффективных систем обработки данных и извлечения знаний из располагаемой информации, стало возможным благодаря бурному развитию и широкому распространению в последние десятилетия вычислительной техники, а таюке доступность и большой выбор соответствующих программных продуктов.

Актуальность темы диссертации определена тем, что отечественные компании остро нуждаются в эффективных методах оценки ИП в рамках экспресс-анализа, которые могли бы максимально полно использовать всевозможную информацию о проекте и при этом имели бы широкие 1 возможности автоматизации. Таким образом, возникла необходимость написания научной работы, в рамках которой обосновывается эффективность использования элементов ТНМ и ИНС при оценке инвестиционных проектов и разрабатываются соответствующие методы экспресс анализа.

Степень разработанности темы исследования. Проблемам стратегического управления предприятиями и обоснования инвестиционных решений посвящено много работ зарубежных и отечественных авторов таких, как Мескон М., Хедоури Ф., Шарп У., Воронцовский А.В. Специфика инвестиционной деятельности применительно к строительной отрасли в рамках ее развития на данном этапе в России раскрывается в трудах отечественных авторов: Асаула Н.А, Бузырева В.В., Заренкова В.А. Проблемы решения задач многокритериального оценивания, в том числе, в рамках инвестиционного анализа, изложены в работах: Хованова Н.В., Царева В.В.

Основные положения теории нечетких множеств и возможности их практического применения широко излагаются и исследуются в работах Заде JI. А., Леоненкова А.В., Кофмана А., Недосекина А.О., Хил Алуха X., Ярушкиной Н.Г., данное направление очень популярно среди японских авторов: Tanaka Н., Uejima S., Yun-His О. Chang и др.

Исследования в области построения и использования аппарата искусственных нейронных сетей представлены в работах Круглова В.В., МакКаллока У., Минского М., Пайперта С., Пилиньского М., Розенблатта Ф.

Подробный анализ публикаций показал глубокую степень разработки теоретических основ ТНМ и ИНС, а также их приложений в технических областях знаний и отраслях производства, однако отчетливо выявился недостаток комплексного использования подобных методов в финансовом, экономическом и инвестиционном анализе. Возможности оценки с помощью ТНМ и ИНС инвестиционной привлекательности строительных проектов столь значимых в рамках экономики региона и даже страны в литературе практически не представлены, что говорит о необходимости проведения исследований в данном направлении и подтверждает актуальность заявленной темы диссертации.

Цель и задачи исследования. Целью диссертационного исследования является разработка комплекса методов и моделей проведения экспресс-анализа ИП в условиях высокой степени неопределенности, присущей стадии инициации проекта, на основе аппарата ТНМ и ИНС.

Для достижения указанной цели необходимо решить следующие задачи: выявить и исследовать основные факторы неопределенности и риска, характерные для начальных этапов оценки и реализации ИП; систематизировать существующие методы учета неопределенности и риска при принятии инвестиционных решений и проанализировать их эффективность; провести анализ теоретических основ ТНМ и ИНС и возможности комплексного использования элементов этих теорий для обоснования эффективности инвестиций в условиях недостаточной и неточной информации; разработать экономико-математические модели расчета показателей ИП в нечетко-множественной форме; разработать методы проведения экспресс-анализа инвестиционных проектов на стадии инициации, опирающиеся на элементы ТНМ и ИНС и использующие возможности современных программных продуктов; осуществить практическую реализацию полученных методов в рамках оценки показателей эффективности реального ИСП.

Объектом исследования являются предприятия различных организационно-правовых форм, осуществляющие инновационную и инвестиционную деятельность.

Предметом исследования является процесс принятия решения о целесообразности реализации инвестиционного проекта в рамках его предварительного экспресс-анализа.

Методология исследования. Теоретической и методологической основой диссертационного исследования являются монографии, пособия и публикации в периодической печати российских и зарубежных авторов, посвященные таким областям научного знания, как теория нечетких множеств, искусственные нейронные сети, мягкие вычисления, имитационное моделирование, математическое программирование, управление инвестициями, экономика недвижимости, разработка экспертных систем, а также ресурсы сети Интернет и материалы семинаров и конференций.

В рамках проведения исследований в работе использовались следующие научные методы: системный анализ, методы инвестиционного анализа, методы математического программирования, методы ТНМ и ИНС, метод экспертных оценок, метод верификации.

Инструментальная поддержка разработанных методов заключается в использовании таких программных средств, как интегрированная программная среда Matlab и ее приложения, язык программирования Matlab, программное обеспечение для моделирования и анализа динамических систем Simulink, пакет статистического анализа EViews, аналитическая платформа Deductor.

Информационную базу исследования составили данные по основным показателям развития экономики России, данные, характеризующие состояние рынка недвижимости Санкт-Петербурга, информация о деятельности строительных компаний.

Научная новизна состоит в том, что в диссертационном исследовании дано оригинальное решение актуальной научно-практической задачи оценки компанией ИП на стадии из инициации, заключающееся в разработке методов экспресс-анализа ИП, позволяющих учесть весь имеющийся объем неоднородной информации о проекте.

Научная новизна диссертационного исследования определяется следующими результатами, выносимыми на защиту:

- произведена классификация ситуаций риска и неопределенности и характеристика традиционных методов обоснования инвестиций в условиях неопределенности с точки зрения их эффективности при анализе инвестиционных проектов;

- разработаны методы оценки показателей эффективности инвестиционных проектов при условии представления исходной неточной, неполной информации в нечетко-множественном виде, которые дают возможность получить гораздо более информативные для инвестора показатели, содержащие, в том числе, информацию о риске проекта: о метод расчета чистой настоящей стоимости (NPV) в виде нечетких чисел стандартной и произвольной формы, что позволяет инвестору формировать объективную оценку проекта и принимать обоснованное решение об экономической оправданности его реализации; о методы расчета показателей дисконтированного срока окупаемости (DPP) в точной форме и внутренней нормы доходности (IRR) в точной форме и в виде нечеткого числа стандартной формы в ситуации, когда компоненты чистого денежного потока представлены нечеткими числами произвольной формы;

- разработан метод применения аппарата искусственных нейронных сетей для построения графика распределения затрат на реализацию ИП во времени, который позволяет рассмотреть проект не изолированно, а с учетом специфики деятельности конкретной организации;

- построена модель экспертной системы, содержащая элементы «мягких вычислений»: механизм нечеткого вывода, в котором параметры оптимальным образом настраиваются с помощью ИНС, целью которой является определение себестоимости ИП на основе ограниченного объема информации о параметрах проекта;

- предложен пример проведения экспресс-анализа ИСП в условиях неопределенности на основе ТНМ и ИНС, на базе информационного материала строительного холдинга и данных ранка недвижимости Санкт-Петербурга.

Теоретическая и практическая значимость работы заключается в следующих основных результатах:

- в диссертационном исследовании разработаны методы расчета показателей эффективности инвестиционных проектов в нечеткой форме, что дает возможность эффективно решить научно-экономическую задачу обоснования компаниями инвестиционных проектов в рамках экспресс-анализа;

- результаты обобщения и развития теоретических основ нечетко-множественного анализа, теории искусственных нейронных сетей, а также гибридных систем и нечеткого регрессионного анализа, содержащиеся в работе, могут быть использованы для дальнейших научных исследований, а также в решении широкого круга практических задач в различных областях деятельности;

- практическая значимость диссертации состоит в универсальности разработанных моделей и методов и доступности используемых инструментальных средств, что позволяет предприятию любой организационно-правовой формы, осуществляющему инновационную и инвестиционную деятельность, применять основные результаты диссертационного исследования в процессе экспресс-анализа инвестиционных проектов;

- аналитический материал и научные результаты, изложенные в диссертации, могут быть включены в учебные программы ВУЗов в рамках дисциплин, посвященных вопросам искусственного интеллекта, инвестиционного анализа, экономики недвижимости.

Научная апробация и внедрение результатов исследования. Основные положения и результаты, полученные в диссертационном исследовании, обсуждались и изложены в материалах:

- Ежегодной научно-практической конференции «Актуальные проблемы менеджмента в России на современном этапе: пути достижения высокой конкурентоспособности», Санкт-Петербург, СПбГУ, Экономический факультет, 16 декабря 2005 года;

- Политехнического Симпозиума: «Молодые ученые — промышленности Северо-Западного региона», Санкт-Петербург, СПбГПУ, 8 декабря 2006 года;

- Международной научной конференции: «Экономическое развитие: теория и практика», Санкт-Петербург, СПбГУ, Экономический факультет 5-7 апреля 2007 года;

- 8-го Всероссийского симпозиума по прикладной и промышленной математике, Сочи-Адлер, 29 сентября — 7 октября 2007 года;

- 13-ой международной конференции «Предпринимательство и реформы в России», Санкт-Петербург, СПбГУ, Экономический факультет, 25-26 октября 2007 года;

- Всероссийского форума студентов, аспирантов и молодых ученых «Наука и инновации в технических университетах», Санкт-Петербург, СПбГПУ, 10-12 октября 2007 года;

- Политехнического Симпозиума: «Молодые ученые — промышленности Северо-Западного региона», Санкт-Петербург, СПбГПУ, 6 декабря 2007 года.

Основные результаты исследования были приняты к внедрению в практическую деятельность ЗАО Управляющая компания — Строительный холдинг «Эталон-ЛенСпецСМУ» в процессе проведения экспресс-анализа потенциальных ИСП в рамках стратегического планирования развития организации. Отдельные материалы диссертации были использованы при проведении лекционных и семинарских занятий на экономическом факультете СПбГУ в рамках дисциплин: «Информатика» и «Информационные технологии в экономике».

Публикации. Основные результаты диссертационного исследования опубликованы в трех научных статьях и тезисах материалов конференций общим объемом 1,5 п.л.

Объем и структура работы. Диссертация состоит из введения, трех глав, заключения, списка использованной литературы и 9 приложений. Диссертация изложена на 181 странице, включает 15 таблиц, 30 рисунков, 1 диаграмму.

Заключение диссертации по теме «Математические и инструментальные методы экономики», Забоев, Михаил Валерьевич

Выводы, которые можно сделать, анализируя график на рисунке 3.11, аналогичны, тем, что были сделаны ранее в текущем параграфе применительно к значению NPV треугольной формы: в данном случае нечеткость NPV выше, что естественно, так как все параметры, влияющие на значение показателя, имеют форму нечетких чисел. Существует возможность получения отрицательных значений чистой настоящей стоимости, однако и верхняя граница гораздо выше;

- в рассматриваемом случае наиболее ожидаемым является не отдельное числовое значение, а целый отрезок [210; 437] млн. руб.;

- дефазификация по методу центра тяжести дает результат 427 млн. руб.

Алгоритм поиска IRR в форме треугольного асимметричного нечеткого числа реализован автором с помощью средств программирования Matlab (см. приложение 9), его результаты в виде функций принадлежности нечетких значений квартального и годового IRR представлены на рисунке 3.12.

Рисунок 3.12. Функции принадлежности квартального и годового IRR

Полученные значения IRR и NPV в нечеткой форме содержат большой объем информации для аналитика: помимо тех выводов, которые были представлены выше относительно значения NPV, построенные функции принадлежности показателей позволяют определить столь важную характеристику, как риск проекта [33]. Приводимый ниже анализ основывается на втором методе сравнения нечетких чисел, приведенном в параграфе 2.1, используя понятие нечетких отношений.

Предположим, что NPV проекта был оценен согласно первой методике, в результате чего NPV = (317,1; 457,3; 917,7) — нечеткое число. При этом инвестор желает иметь чистую дисконтированную стоимость проекта на некотором уровне Р, равном, например, 400 млн. руб. (предпочтения инвестора могут быть сформулировано и в нечетком виде, в этом случае расчеты риска будут принципиально аналогичными [33]). Графическая интерпретация взаимоотношения желаемого и оцененного значений NPV представлена на рисунке 3.13. s 1 I

§ 0.8

I- 0.4 м ал

I 02 а> Iо О

О 100 200 300 400 500 600 700 800. 900 "1000 млн руб

Рисунок 3.13. Оценка NPV и желаемый уровень NPV

Для определения уровня риска в ситуации, которой соответствует рисунок 3.13, проанализируем варианты взаиморасположения функции принадлежности нечеткого числа и желаемого уровня Р = 400 млн. руб. в зависимости от степени принадлежности. Если степень принадлежности находится в интервале от 1 до ординаты точки А (значения функции принадлежности* нечеткого NPV в точке с абсциссой 400: ал =0,59), то значение NPV заведомо выше желаемого уровня, что очевидно из рисунка 3.13, следовательно, для данного интервала величина риска равна нулю. Для степеней принадлежности меньших аА, например, ах= 0,4 уже существуют ситуации, когда возможные значения чистой настоящей стоимости (имеющие степень принадлежности большую, чем зафиксированная) ниже желаемого уровня. Так как для каждого уровня принадлежности все возможные реализации нечеткого числа NPV одинаково ожидаемы, то степень риска в данном случае — отношение длин отрезков BC/BD. Окончательное значение степени риска проекта (Rp) в рассматриваемом примере определяется интегрированием выражения, описывающего отношение длин отрезков на интервале [0, аА], которое представимо явной функцией от степени принадлежности, так как нечеткое число имеет стандартную форму.

3.13)

ВСа = 82,9-140,2а;

BDa =600,6-600,6а.

В рассмотренном случае риск оценивается на уровне 5,3%.

В случае, когда функция принадлежности NPV имеет сложную форму, как на рисунке 3.11, и интегрируемое отношение выписать в общем виде невозможно, предлагается воспользоваться дискретным представлением функции принадлежности, которое используется для вычислений в среде Matlab. Таким образом, риск, связанный с желанием получить чистую настоящую стоимость в размере 400 млн. руб., составляет 54%. Аналогичным образом может быть проведен анализ и в отношении показателя IRR, представленного в виде нечеткого числа (см. рисунок 3.12).

Для расчета DPP обратимся к примеру, основанному на данных, полученных согласно методике, где значения потока затрат имеют форму точных чисел. В случае использования точного значения ставки дисконтирования и метода центра тяжести для приведения к четкости треугольных функций принадлежности, формула для определения срока окупаемости имеет вид:

DPP - дисконтированный срок окупаемости (искомый параметр), COG — функция, используемая для дефазификации в методе центра тяжести, а все другие обозначения соответствуют параметрам, введенным ранее.

Выберем ставку дисконтирования в размере 3% в квартал, тогда, основываясь на данных таблицы 3.8 о значениях чистого денежного потока, можно построить таблицу 3.9, в которой представлены значения COGQ•) из формулы (3.14) для различных значений искомого параметра DPP.

3-14)

Заключение

В рамках проведенного диссертационного исследования сделаны следующие выводы: на современном этапе развития экономика России характеризуется тенденциями к укрупнению входящих в нее организационных структур и высоким уровнем конкуренции между ними в борьбе за сферы влияния. Таким образом, для успешного качественного развития компаниям необходимо принимать в рассмотрение и оценивать большой объем потенциальных проектов, а значит, они остро нуждаются в современных методах оценки ИП, учитывающих высокую степень неопределенности и риска и поддерживающих автоматизацию и тиражирование; классические методы обоснования инвестиционных решений в условиях неопределенности имеют существенные недостатки применительно к оценке ИП, находящихся на самом раннем этапе их реализации — стадии инициации; использование аппарата ТНМ позволяет максимально полно учесть имеющуюся в распоряжении недостаточную и неоднородную информацию об ИП, обработать ее и представить в интуитивно понятной для аналитика форме; разработанные диссертантом методы определения основных параметров ИП - распределенных во времени потоков поступлений и затрат — опираются на элементы ТНМ и ИНС. Благодаря этому предложенные методы позволяют получить полную и максимально информативную оценку ИП, так как позволяют использовать большой объем разнородной информации, в том числе, неточной и трудноформализуемой, относящейся как к специфике деятельности самого предприятия, так и особенностям конкретного проекта; разработанные в диссертации методы получения и анализа основных показателей эффективности (NPV, IRR, DPP) в виде нечетких чисел треугольной и произвольной формы предоставляют инвестору необходимые сведения для принятия решения относительно целесообразности реализации рассматриваемого проекта с точки зрения ожидаемого эффекта и связанного с реализацией риска, а также дают возможность осуществить обоснованный выбор наиболее предпочтительного проекта из набора имеющихся альтернатив; выбор программных средств (Matlab, Simulink, EViews, Deductor) для реализации моделей и методов, предложенных в диссертационном исследовании, позволяет на высоком качественном уровне и с требуемой точностью обрабатывать большие объемы данных различной природы и допускает широкие возможности интеграции с другими современными отечественными и зарубежными программными продуктами; апробация методов, предложенных диссертантом, в рамках построения имитационных моделей, а также посредством их внедрения в практическую деятельность строительной организации, показала их адекватность актуальным потребностям и возможностям российских строительных компаний, способность решать поставленные в исследовании задачи и способствовать оптимизации принимаемых инвестиционных решений, что является неотъемлемым условием долгосрочного устойчивого развития компании.

Направление дальнейшей исследовательской деятельности предположительно будет связано с анализом возможностей детального учета рисков еще более сложной природы, имеющих место при реализации крупных проектов, которые особенно актуальны в России. К подобным рискам относятся возможные потери, связанные с человеческим фактором: недостаточная квалификация работников и проблемы мотивации и стимулирования, склонность к недобросовестному выполнению обязанностей, стремление к личной выгоде в ущерб интересам , компании, политические, юридические риски. Перечисленные факторы риска присутствуют в деятельности любой компании, тем более в сложных иерархических структурах таких, как инвестиционные холдинги, где зачастую штат управленческого персонала чрезмерно раздут, что влечет неэффективность управления, дублирование полномочий и зон ответственности, инерционность в принятии решений, а значит, делает компанию уязвимой перед быстро изменяющейся внешней средой, не способной идти курсом инновационного развития. Потери, связанные с указанными факторами очень значительны, они могут на практике более чем на треть сокращать плановые показатели прибыли (нереалистично большие проценты доходности условного ИСП, полученные в параграфе 3.4 данной работы во многом объясняются недостаточным учетом именно подобных факторов), следовательно, их необходимо, как бы это ни было сложно, учитывать и даже на стадии экспресс-анализа проектов, что позволит, с одной стороны, объективно оценивать потенциальный эффект инвестиций, а с другой — сможет указать на имеющийся потенциал к сокращению затрат путем оптимизации структуры компании, схем управления и процесса производства работ. Перечисленные выше факторы риска в основном связаны с особенностями человеческой личности и законами функционирования коллектива и общества и, следовательно, адекватно могут быть учтены с помощью «мягких вычислений», лежащих в основе такого направления, как искусственный интеллект, претендующего на то, чтобы быть подобным или даже превосходить возможности живого человеческого разума.

Список литературы диссертационного исследования кандидат экономических наук Забоев, Михаил Валерьевич, 2009 год

1. Абрамов JT.M. Математическое программирование. JL: Изд-во ЛГУ, 1981.-328 с.

2. Алтунин А.Е., Семухин М.В. Модели и алгоритмы принятия решений в нечетких условиях. Тюмень.: Изд-во Тюменского гос. ун-та, 2000. — 352 с.

3. Асаул А.Н. Экономика недвижимости. — СПб.: Гуманистика, 2003. — 406 с.

4. БН.ру Бюллетень Недвижимости (информационный портал), http ://www.bn.ru

5. Большая Советская Энциклопедия в 30-ти томах. / Гл. ред.: А. М. Прохоров. 3-е изд. М.: Советская энциклопедия, 1974.

6. Бочарников В.П. Fuzzy-технология: математические основы. Практика ' моделирования в экономике. СПб.: Наука, 2001. — 328 с.

7. Брейли Р., Майерс С. Принципы корпоративных финансов: Учебник для студентов экономических специальностей высших учебных заведений. — М.: Олимп-Бизнес, 1997. 1087 с.

8. Виленский П.Л., Лившиц В.Н., Смоляк С.А. Оценка эффективности инвестиционных проектов: теория и практика. М.: Дело, 2004. - 888 с.

9. Винер Н. Кибернетика, или управление и связь в животном и машине. / Пер. с англ. И.В. Соловьева и Г.Н. Поварова; Под ред. Г.Н5. Поварова. 2-е издание. - М.: Наука, 1983. - 344 с.

10. Ю.Воронцовский А.В. Методы обоснования инвестиционных проектов в условиях определенности: учебное пособие. СПб.: ОЦЭиМ, 2008. — 216 с.

11. П.Воронцовский А.В. Управление рисками: Учеб пособие. СПб.: Изд-во С.-Петерб. Ун-та, 2000. - 206 с.

12. Горшков Р.К. Организация коммерческой деятельности в строительстве: учебное пособие. М.: Экслибрис-Пресс, 2005. — 213 с

13. Донцова Л.В. Инвестиционно-строительный сектор российской экономики: проблемы формирования и инновационного обновления. — М.: Диалог-МГУ, 1999. 269 с.

14. Ендовицкий Д.А. Комплексный анализ и контроль инвестиционной деятельности: методология и практика. М.: Финансы и статистика, 2001. - 400 с.

15. Забоев М.В. Характеристика различных видов неопределенности и методы их учета в процессе обоснования инвестиционно-строительных проектов // Проблемы современной экономики. — СПб., 2008, №3 (27).

16. Интеллектуальные методы анализа экономической информации: электронный курс лекций. — BaseGroup Labs 2005.

17. Исследование операций: в 2-х томах / Пер. с англ. И. М. Макарова, И. М. Бескровного; под ред. Дж. Моудера, С. Элмаграби. М.: Мир, 1981.

18. Капустин В.Ф. Неопределенность: виды, интерпретации, учет при моделировании и принятии решений // Вестник СПбГУ, 1993, вып. 2, с. 108-114.

19. Ковалев В.В. Методы оценки инвестиционных проектов. М.: Финансы и статистика, 1998. - 143 с.

20. Количественные методы в экономических исследованиях / под ред. М. В. Грачева, Л. Н. Фадеева, Ю. Н. Черемных. М.: ЮНИТИ, 2004. - 791 с.

21. Круглов В.В., Дли М.И., Голунов Р.Ю. Нечеткая логика и искусственные нейронные сети: Учеб. пособие. М.: Издательство Физико-математической литературы, 2001. - 224 с.

22. Леоненков А.В. Нечеткое моделирование в среде Matlab и fuzzy TECH. -СПб.: БХВ-Петербург, 2003. 719 с.

23. Мельников А.В., Волков С.Н. Математика финансовых обязательств. -М.: ГУ ВШЭ, 2001.-253 с.

24. Методические рекомендации по оценке эффективности инвестиционных проектов: методический материал / В. В. Коссов, В. Н. Лившиц, А. Г. Шахназаров и др. М.: Экономика, 2000. - 422 с.

25. Мыльник В.В. Инвестиционный менеджмент: учебное пособие для вузов. М.: Академический Проект, 2002. - 272 с.

26. Найт Ф.К. Риск неопределенность и прибыль. М.: Дело, 2003. - 360с.

27. Недосекин А.О. Нечетко-множественный анализ риска фондовых инвестиций. СПб.: Б. и., 2002. - 181 с.

28. Нечеткие множества в системах управления / Пивкин В.Я., Бакулин Е.П., Кореньков Д.И.; под ред. д.т.н., проф. Ю.Н. Золотухина // Fuzzy Technologies Lab. http://idisys.iae.nsk.su/fuzzybook/content.html.

29. Ногин В. Д. Принятие решений в многокритериальной среде. Количественный подход. М.: Физматлит, 2002. - 176 с.

30. Обзор рынка недвижимости Россия'08. — Colliers International, http://www.coniers.spb.ru/images/analitika/pdf/2008rus.pdf.

31. Орловский С.А. Проблемы принятия решений при нечеткой исходной информации. М.: Наука, 1981. - 206 с.

32. Основы теории нечетких множеств. Интернет-Университет Информационных Технологий, http://www.intuit.ru.

33. Печерский C.JI. Теория игр для экономистов: вводный кур. СПб.: Европейский ун-т, 2001. - 342 с.

34. Смоляк С.А. Оценка эффективности инвестиционных проектов в условиях риска и неопределенности (теория ожидаемого эффекта). М.: Наука, 2002. - 182 с.

35. Тисенко В.Н. Нечеткие множества в задачах комплексных испытаний при реализации инновационных проектов. СПб.: Политехника, 1998. - 103 с.

36. Управление проектом: основы проектного управления/ под ред. д.э.н., проф., засл. деят. науки Рос. Федерации M.JI. Разу. М.: Кнорус, 2007. -759 с.

37. Федеральная служба государственной статистики — www.gks.ru

38. Финн В.К. Об интеллектуальном анализе данных// Новости Искусственного интеллекта, № 3, 2004.

39. Хайкин С. Нейронные сети: полный курс. — М.: Вильяме, 2006. — 1103 с.

40. Хованов Н.В. Анализ и синтез показателей при информационном дефиците. СПб.: Изд-во С.-Петерб. Ун-та, 1996. - 196 с.

41. Хованов Н.В. Математические модели риска и неопределенности. СПб.: Изд-во СПбГУ, 1998. - 201 с.

42. Царев В.В. Оценка экономической эффективности инвестиций. СПб.: Питер, 2004. - 460 с.

43. Шахов В.В. Введение в страхование. М.: Финансы и статистика, 2001. -287 с.

44. Экономика строительства / под. общ. ред. В.В. Бузырева. М.: Изд. центр "Академия", 2006. - 336 с.

45. Ярушкина Н.Г. Нечеткие нейронные сети с генетической настройкой // Лекции по нейроинформатике Часть 1, По материалам школы-семинара "Современные проблемы нейроинформатики", Москва, 2004, сс. 151-197.

46. Ярушкина Н.Г. Основы теории нечетких и гибридных систем: учеб. пособие. М.: Финансы и статистика, 2004. — 320 с.

47. Cheng В., Titterington D.N. Neural Networks: A Review from a Statistical Perspective // Statistical Science, vol. 9, No. 1, 1994, pp. 2-30.

48. Christ С. F. The Cowles Commission's Contributions to Econometrics in Chicago, 1939-1955 // Journal of Economic Literature, Mar., 1994, Vol. 32, No. l,pp. 30-59.

49. Figueiredo M, Gomide F. Design of Fuzzy Systems Using Neurofiizzy Networks // IEEE Transactions on Neural Networks, vol. 10, No. 4, 1999, pp. 815-827.

50. Fletcher, R., Reeves C.M. Function minimization by conjugate gradients // Computer Journal, vol. 7, 1964, pp. 149-154.

51. Foresee, F.D., Hagan M.T. Gauss-Newton approximation to Bayesian regularization // Proceedings of the 1997 International Joint Conference on Neural Networks, 1997, pp. 1930-1935.

52. FrishR. Editorial // Econometrica, Jan., 1933, Vol. 1, No. 1, pp. 1-4.

53. Hagan, M.T., Demuth H.B., Beale M.H. Neural Network Design. Boston, MA: PWS Publishing, 1996.

54. Jamshidi Mo Tools for Intelligent Control: Fuzzy Controllers, Neural Networks and Genetic Algorithms // Philosophical Transactions: Mathematical, Physical and Engineering Sciences, vol. 361, No 1809, August, 2003, pp. 1781-1808.

55. Jing-Rung Yu, Gwo-Hshiung Tzeng, Han-Lin Li General fuzzy piecewise regression analysis with automatic change-point detection // Fuzzy Sets and Systems, No. 119, 2001, pp. 247-257.

56. Leng G, McGinnity Th. M. Design for Self-Organizing Fuzzy Neural Networks Based on Genetic Algorithms // IEEE Transactions on Fuzzy Systems, vol. 14, No. 6, 2006, pp. 755-766.

57. Lin C.T., Lee S.C.G Neural-network-based fuzzy logic control and decision system // IEEE Transactions on Computers, vol. 40, 1991 pp. 1320-1336.

58. MacKay, D.J.C. Bayesian interpolation // Neural Computation, vol. 4, No. 3, 1992, pp. 415-447.

59. Mamdani E.H. Advances in the linguistic synthesis of fuzzy controllers // International Journal of Man-Machine Studies, vol. 8, 1976, pp. 669-678.

60. Mamdani E.H. Application of fuzzy algorithms for control of simple dynamic plant // Proceedings of the IEEE, Control and Science, vol. 121, No 12, 1974, pp. 1585-1588.

61. Mamdani E.H. Assilian S., An experiment in linguistic synthesis with a fuzzy logic controller // International Journal of Man-Machine Studies, vol. 7, No 1, 1975, pp. 1-13.

62. Riedmiller, M., Braun H. A direct adaptive method for faster backpropagation learning: The RPROP algorithm // Proceedings of the IEEE International Conference on Neural Networks, 1993.

63. Ruoning Xu, Chulin Li, Multidimensional least-squares fitting with a fuzzy model // Fuzzy sets and systems, 2001, No 119, pp. 215-223.

64. Russo M. FuGeNeSys—A Fuzzy Genetic Neural System for Fuzzy Modeling // IEEE Transactions on Fuzzy Systems, vol. 6, No. 3, 1998, pp. 373-388.

65. Takagi Т., Sugeno M. Fuzzy identification of systems and its applications to modeling and control // IEEE Transactions on Systems, Man and Cybernetics, vol. 15, 1985, pp. 116-132.

66. Tanaka H., Uejima S., Asai K., Linear regression analysis with fuzzy model // IEEE Transactions on Systems, Man and Cybernetics, 1982, pp. 903-907.

67. Wael A. Farag, Quintana V.H, Lambert-Torres G. A Genetic-Based Neuro-Fuzzy Approach for Modeling and Control of Dynamical Systems // IEEE Transactions on Neural Networks, vol. 9, No. 5, 1998, pp. 756-767.

68. Ward T.L. Discounted Fuzzy Cashflow Analysis // Proceeding of Full Industrial Engineering Conference, 1985, pp. 476-481.

69. Yun-His O. Chang, Bilal M. Ayyub Fuzzy regression methods a comparative assessment // Fuzzy Sets and Systems, No. 119, 2001, pp. 187-203.

70. Основные понятия теории нечетких множеств