Интеллектуальная информационно-аналитическая система поддержки планирования налоговых доходов регионального бюджета тема диссертации и автореферата по ВАК РФ 05.13.10, кандидат технических наук Осипова, Ирина Валерьевна

• Осипова, Ирина Валерьевна
• кандидат технических наук
• 2005

Оглавление диссертации кандидат технических наук Осипова, Ирина Валерьевна

ИСПОЛЬЗУЕМЫЕ В ТЕКСТЕ СОКРАЩЕНИЯ. ВВЕДЕНИЕ.

1. АНАЛИЗ ПРОБЛЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ ПРИ ПЛАНИРОВАНИИ НАЛОГОВЫХ ДОХОДОВ РЕГИОНАЛЬНОГО БЮДЖЕТА.

1.1. Анализ процесса планирования налоговых доходов регионального бюджета. ф 1.2. Существующие подходы к информационно-аналитической поддержке принятия решений при планировании налоговых доходов # регионального бюджета.

1.2.1 Обзор существующих концепций и программных комплексов систем поддержки принятия решений при планировании регионального бюджета.

1.2.2 Анализ методов и моделей прогнозирования экономических показателей.

1.3. Подход к информационно-аналитической поддержке планирования налоговых доходов регионального бюджета на основе инженерии знаний.

Шф Выводы к 1 главе.

2. МОДЕЛИ ФОРМАЛИЗАЦИИ ЗНАНИЙ О ПРОЦЕССЕ ПЛАНИРОВАНИЯ НАЛОГОВЫХ ДОХОДОВ РЕГИОНАЛЬНОГО БЮДЖЕТА.

2.1. Извлечение и представления знаний для интеллектуальной информационно-аналитической системы поддержки планирования налоговых доходов регионального бюджета.

2.2. Разработка комплекса объектно-ориентированных моделей процесса планирования налоговых доходов регионального бюджета.

Выводы ко 2 главе.

ГЛАВ АЗ. АЛГОРИТМЫ ИНТЕЛЛЕКТУАЛЬНОЙ ИНФОРМАЦИОННО-АНАЛИТИЧЕСКОЙ ПОДДЕРЖКИ ПЛАНИРОВАНИЯ НАЛОГОВЫХ ДОХОДОВ РЕГИОНАЛЬНОГО БЮДЖЕТА.

3.1. Модель прогнозирования налоговых доходов регионального бюджета на основе адаптивной нечеткой базы знаний.

3.1.1 Структуризация адаптивной нечеткой базы знаний.

3.1.2 Проектирование системы нечеткого вывода.

3.1.3.Формирование нечеткой базы знаний.

3.1.4 Настройка нечеткой базы знаний.

3.1.5 Тестирование нечеткой базы знаний.

3.2 Структура интеллектуальной информационно-аналитической системы поддержки планирования налоговых доходов регионального бюджета.

3.3 Алгоритмы интеллектуальной информационно-аналитической 85 поддержки планирования налоговых доходов регионального бюджета.

3.4 Методика построения интеллектуальной информационно-аналитической системы поддержки планирования налоговых доходов регионального бюджета.

Выводы к 3 главе.

4. РЕАЛИЗАЦИЯ ИНТЕЛЛЕКТУАЛЬНОЙ ИНФОРМАЦИОННО-АНАЛИТИЧЕСКОЙ СИСТЕМЫ ПОДДЕРЖКИ ПЛАНИРОВАНИЯ НАЛОГОВЫХ ДОХОДОВ РЕГИОНАЛЬНОГО БЮДЖЕТА И ОЦЕНКА

ЕЕ ЭФФЕКТИВНОСТИ.

4.1 Имитационное моделирование прогнозирования налоговых доходов бюджета в среде МАТЬАВ.

4.2 Сравнительная оценка эффективности методов прогнозирования с использованием искусственной нейронной сети.

4.3 Разработка исследовательского прототипа интеллектуальной информационно-аналитической системы поддержки планирования налоговых доходов регионального бюджета.

Выводы к 4 главе.

Введение диссертации (часть автореферата) на тему «Интеллектуальная информационно-аналитическая система поддержки планирования налоговых доходов регионального бюджета»

Актуальность

Эффективность работы бюджетной системы оказывает непосредственное влияние на качество жизни населения и является необходимым условием успешного функционирования и социально-экономического развития территориального образования. Аккумулируя с помощью бюджета денежные средства, государство через финансовые механизмы осуществляет выполнение возложенных на него обществом политических, экономических и социальных функций.

В рамках бюджетного планирования задачей первостепенной важности является прогноз ожидаемых налоговых поступлений как основного источника доходной базы, ключевым вопросом при этом является учет особенностей социально-экономической ситуации в регионе и возможных сценариев ее развития.

Задача планирования экономической деятельности и прогнозирования ее результатов является одной из самых сложных, что обусловлено нестационарностью экономических процессов, нестабильным состоянием современной экономики, вследствие чего принятие управленческих решений содержит фактор неопределенности. В данных условиях особую актуальность приобретает подход к информационной поддержке принятия решений в процессе прогнозно-аналитической деятельности бюджетного планирования на основе инженерии знаний.

Проблемы поддержки принятия решений, в том числе с использованием методов искусственного интеллекта, изучали такие отечественные ученые, как Г.С. Поспелов, Д.А. Поспелов, В.И. Вагин, Э.В. Попов, Э.А. Трахтенгерц и др. Большой вклад в развитие систем управления сложными динамическими объектами в условиях неопределенности внесли Б.Г. Ильясов, Л.А. Исмагилова, Н.И. Юсупова, В.В Миронов, В.И. Васильев. В трудах зарубежных ученых Л. Заде, М. Сугэно, С. Осовского, Д. Рутковской излагаются теоретические и прикладные аспекты моделирования систем, использующих концепцию "мягких вычислений". Работы Т.А. Гавриловой, В. Ф. Хорошевского, Ю.В. Тельнова посвящены вопросам инженерии знаний и разработки интеллектуальных информационных систем. Вопросами анализа и планирования региональных финансов, прогнозирования социально-экономического развития региона на основе математического моделирования, в том числе разработки соответствующих автоматизированных систем, занимались Д. Л. Андрианов, Г. Р. Хасаев. Применение интеллектуальных технологий для повышения эффективности налогового контроля рассматривается в работах С.А. Горбаткова. Вопросы разработки и использования нейросетевых моделей для решения задач экономического анализа и прогноза, в том числе налоговых поступлений, исследуются в работе Д.-Э. Бэстенса.

Вместе с тем недостаточно исследованным является вопрос автоматизированной разработки интеллектуальной предметно-ориентированной информационно-аналитической системы для поддержки решения задач регионального бюджетного планирования, на основе формализованного представления и использования экспертных знаний, что обуславливает актуальность выбранного направления исследований.

Диссертационные исследования проведены в рамках гранта РФФИ (проект № 03-06-80012а) «Экономико-математические модели управления межбюджетными отношениями в регионе (на примере Республики Башкортостан)».

Цель и задачи исследования

Целью диссертационной работы является разработка моделей и алгоритмов интеллектуальной информационно-аналитической поддержки для повышения эффективности процесса планирования налоговых доходов регионального бюджета.

Для достижения поставленной цели решаются следующие задачи:

1. Построить комплекс моделей процесса планирования налоговых доходов регионального бюджета на основе объектно-ориентированного анализа предметной области.

2. На основе результатов объектно-ориентированного моделирования разработать структуру интеллектуальной информационно-аналитической системы поддержки планирования налоговых доходов регионального бюджета, включающую адаптивную нечеткую базу знаний иерархического типа.

3. Разработать модель прогнозирования налоговых доходов регионального бюджета на основе адаптивной нечеткой базы знаний иерархического типа.

4. Разработать методику построения интеллектуальной информационно-аналитической системы поддержки планирования налоговых доходов регионального бюджета.

5. Разработать алгоритмическое, программное обеспечение интеллектуальной информационно-аналитической системы поддержки планирования налоговых доходов регионального бюджета и исследовать ее эффективность.

Методика исследования

Результаты исследований базируются на методах системного анализа, методологии объектно-ориентированного анализа и моделирования информационных систем, методологии построения экспертных систем, теории искусственных нейронных сетей, теории нечеткой логики.

Результаты, выносимые на защиту

На защиту выносятся:

1. Комплекс объектно-ориентированных моделей процесса планирования налоговых доходов регионального бюджета, включающий модели структуры классов процесса планирования налоговых доходов регионального бюджета, логические модели интеллектуальных компонентов информационно-аналитической системы и модели динамики ее функционирования.

2. Структура интеллектуальной информационно-аналитической системы поддержки планирования налоговых доходов регионального бюджета, включающая интеллектуальные компоненты в виде адаптивной нечеткой базы знаний иерархического типа, и нейро-нечеткой сети для настройки ее параметров.

3. Модель прогнозирования налоговых доходов регионального бюджета на основе адаптивной нечеткой базы знаний иерархического типа, позволяющая интегрировать экспертные знания и фактографическую информацию, используемую для обучения нейро-нечеткой сети.

4. Методика построения интеллектуальной информационно-аналитической системы поддержки планирования налоговых доходов регионального бюджета.

5. Алгоритмическое и программное обеспечение для реализации интеллектуальной информационно-аналитической системы поддержки планирования налоговых доходов регионального бюджета в соответствии с предложенными формальными моделями.

Научная новизна

Новизна структуры интеллектуальной информационно-аналитической системы поддержки планирования налоговых доходов регионального бюджета состоит в наличии интеллектуальных компонентов в виде адаптивной нечеткой базы знаний иерархического типа, построенной на основе результатов объектно-ориентированного моделирования, и нейро-нечеткой сети для настройки ее параметров.

Новизна разработанной модели прогнозирования налоговых доходов регионального бюджета состоит в формировании прогноза на основе экспертных знаний, содержащихся в нечетких правилах, и фактографической информации, описывающей текущие социально-экономические условия.

Новизна предложенной методики построения интеллектуальной информационно-аналитической системы поддержки планирования налоговых доходов регионального бюджета заключается в использовании результатов объектно-ориентированного моделирования на этапе концептуализации знаний и настройке параметров адаптивной нечеткой базы знаний на этапе формализации.

Практическая значимость

Практическую значимость имеют:

- методика, в соответствии с которой осуществляется автоматизированная разработка интеллектуальной информационно-аналитической системы поддержки планирования налоговых доходов регионального бюджета.

- программное обеспечение, реализующее исследовательский прототип интеллектуальной информационно-аналитической системы поддержки планирования налоговых доходов регионального бюджета, позволяющее проводить анализ и прогнозирование на основе интеграции фактографической информации с экспертными знаниями и повысить эффективность процесса принятия решений.

Основные результаты диссертационной работы в виде моделей, методики и программного обеспечения исследовательского прототипа интеллектуальной информационно-аналитической системы поддержки планирования налоговых доходов регионального бюджета внедрены в Институт социально-экономических исследований УНЦ РАН и в Министерство финансов Республики Башкортостан. Кроме того, результаты диссертационной работы внедрены в учебный процесс на базе Уфимского государственного авиационного технического университета и изложены в методических указаниях к лабораторным работам.

Апробация работы

Основные результаты работы докладывались и обсуждались на 6 научно — технических конференциях, в том числе на международной научно-практической конференции "Саморазвитие регионов", г. Уфа, 2002 г., V международной конференции «Проблемы управления и моделирования в сложных системах», г.Самара, 2003 г., VII международной научно-практической конференции «Системный анализ в проектировании и управлении», г. Санкт-Петербург, 2003 г., V международной конференции «Computer Science and Information Technologies CSIT'2003», г.Уфа, 2003 г., VI международной конференции «Computer Science and Information Technologies CSIT'2004», г.Будапешт, 2004 г., VII международной конференции «Computer Science and Information Technologies CSIT'2005», г.Уфа, 2005 г.

Публикации

Основные результаты исследования по теме диссертации опубликованы в 11 работах - в том числе 9 статей, 2 тезисов докладов, 1 методические указания к лабораторным работам для студентов специальностей «Прикладная информатика в экономике» и «Математические методы и исследование операций в экономике».

Заключение диссертации по теме «Управление в социальных и экономических системах», Осипова, Ирина Валерьевна

Выводы к 4 главе

1. Проведено имитационное моделирование интеллектуальной информационно-аналитической системы в среде МАТЬАВ и прогнозирование динамики налоговых доходов (на примере налога на прибыль), в ходе которого спроектирована система нечеткого вывода и осуществлена настройка ее параметров по блокам «Объем производства» и «Затраты» посредством обучения нейро-нечеткой сети. Показано, что разработанная модель имеет удовлетворительные характеристики качества прогноза, проверка адекватности полученной модели с использованием ретроспективных данных позволяет утверждать, что среднее отклонение от фактических значений не превышает 5%.

2. Проведена сравнительная оценка эффективности методов прогнозирования с использованием искусственной нейронной сети. При обучении и проверке работы нейронной сети на идентичном наборе данных получены результаты, близкие к тем, что формируются с помощью нейро-нечеткой сети. Преимуществом разработанной модели на основе адаптивной нечеткой базы знаний является ее логическая прозрачность и возможность корректировки (адаптации) как параметров базы знаний, так и самих правил при качественных изменениях в социально-экономической среде.

3. Разработано программное обеспечение, на основе которого реализован прототип интеллектуальной информационно-аналитической системы поддержки планирования налоговых доходов регионального бюджета.

4. Предложенные средства интеллектуальной информационно-аналитической поддержки позволяют улучшить качественные характеристики эффективности процесса бюджетного планирования за счет автоматизации прогнозно-аналитической деятельности, повышая ее оперативность и обоснованность формируемых рекомендаций для принятия решений в условиях неопределенности.

111

ЗАКЛЮЧЕНИЕ

В ходе проведенного исследования автором сделан ряд выводов и получены следующие результаты:

1. Разработан комплекс объектно-ориентированных моделей процесса планирования налоговых доходов регионального бюджета, включающий модели структуры классов предметной области и метамодели представления и обработки знаний, а также модели динамики функционирования интеллектуальной информационно-аналитической системы. Результаты моделирования используются для формального представления и разработки адаптивной нечеткой базы знаний.

2. На основе результатов объектно-ориентированного моделирования разработана структура интеллектуальной информационно-аналитической системы поддержки планирования налоговых доходов регионального бюджета, включающая интеллектуальные компоненты в виде адаптивной нечеткой базы знаний и нейро-нечеткой сети для настройки ее параметров.

3. Предложена модель прогнозирования налоговых доходов регионального бюджета, позволяющая формировать прогноз на основе адаптивной нечеткой базы знаний иерархического типа. Интеграция фактографической информации с экспертными знаниями позволяет обеспечить адаптацию базы знаний к текущим социально-экономическим условиям, подверженным качественным изменениям.

4. Предложена методика, позволяющая автоматизировать построение интеллектуальной информационно-аналитической системы поддержки планирования налоговых доходов регионального бюджета. Особенность предложенной методики заключается в использовании результатов объектно-ориентированного моделирования на этапе концептуализации знаний и настройке параметров адаптивной нечеткой базы знаний на этапе формализации.

5. Разработано алгоритмическое и программное обеспечение, реализующее методы инженерии знаний в соответствии с предложенными формальными моделями, на основе которых разработан исследовательский прототип интеллектуальной информационно-аналитической системы. Исследована эффективность интеллектуальной информационно-аналитической системы поддержки планирования налоговых доходов регионального бюджета. Показано, что использование модели прогнозирования налоговых доходов регионального бюджета на основе адаптивной нечеткой базы знаний позволяет получить прогноз удовлетворительного качества. Проверка адекватности полученной модели с использованием ретроспективных данных позволяет утверждать, что среднее отклонение от фактических значений не превышает 5%.

Кроме того, предложенные средства интеллектуальной информационно-аналитической поддержки позволяют улучшить качественные характеристики эффективности процесса бюджетного планирования за счет автоматизации прогнозно-аналитической деятельности, повышая ее оперативность и обоснованность формируемых рекомендаций для принятия решений в условиях неопределенности.

Список литературы диссертационного исследования кандидат технических наук Осипова, Ирина Валерьевна, 2005 год

1. Бюджетный кодекс Российской Федерации. М.: Омега-Jl, 2005. -206 с.

2. Налоговый кодекс Российской Федерации. М., 1998. 4.1.

3. Бюджетное послание на 1999 год президента РБ Рахимова М.Г. Государственному Собранию РБ. С. 54-55.

4. Бюджетное послание на 2000 год Президента РБ Рахимова М.Г. Государственному Собранию РБ. С. 47-48.

5. Бюджетное послание на 2001 год Президента РБ Рахимова М.Г. Государственному Собранию РБ. С. 56-58.

6. Проект Закона РБ "О республиканском бюджете РБ на 2002 год".-С.56-58.

7. Проект Закона Республики Башкортостан "О республиканском бюджете Республики Башкортостан на 2003 год". Кабинет Министров Республики Башкортостан. 2002 г. С. 147-148.

8. Проект Закона Республики Башкортостан "О республиканском бюджете Республики Башкортостан на 2004 год". Кабинет Министров Республики Башкортостан. 2003 г.

9. Автоматизированное проектирование информационно управляющих систем. Проектирование экспертных систем на основе системного моделирования/ Г.Г.Куликов, А.Н.Набатов, А.В.Речкалов, Л.Р.Черняховская и др.; Уфимск. Гос. авиац. Техн. ун-т. - Уфа, 1999. -223с.

10. Андрианов Д. и др. Построение систем учета, анализа и прогнозирования государственных финансов // Проблемы теории и практики управления. -2003.-№2.-С. 12

11. Бадамшин P.A., Ильясов Б.Г., Черняховская JI.P. Проблемы управления сложными динамическими объектами в критических ситуациях на основе знаний. -М.: Машиностроение, 2003. -240 с.

12. Базы знаний интеллектуальных систем/ Т.А.Гаврилова, В.Ф.Хорошевский СПб: Питер, 2000. - 384 с.

13. Баканов М.И., Шеремет А.Д. Теория экономического анализа: Учебник. -М.: Финансы и статистика, 1997. 416 с.

14. Ю.Борисов А.Н., Крумберг O.A. Федоров И.П. Принятие решений на основе нечетких моделей. Рига, Зинатне, 1990. — 416 с.

15. И.Букаев Г.И., Бублик Н.Д., Горбатков С.А., Саттаров Р.Ф. Модернизация системы налогового контроля на основе нейросетевых информационных технологий. М.: Наука, 2001. - 344 с.

16. Буч Г. Объектно-ориентированный анализ и проектирование: с примерами приложений на С++. "Издательство Бином", "Невский диалект", 1998. -560 с.

17. Бэстенс Д.-Э., ван den Берг В.-М., Вуд Д. Нейронные сети и финансовые рынки: принятие решений в торговых операциях. Москва: ТВП, 1997. — 236 с.

18. Бюджетная система России: Учебник для вузов / Под ред. проф. Г.Б. Поляка. М.: ЮНИТИ-ДАНА, 2003. - 540 с.

19. Вагин В.Н. Дедукция и обобщение в системах принятия решений. М.: Наука, 1988.-384 с.

20. Гаврилова Т.А., Червинская K.P. Извлечение и структурирование знаний для экспертных систем. М.: Радио и связь, 1992. - 200 с.

21. Гаскаров Д.В. Интеллектуальные информационные системы. Учеб. для вузов. М.: Высш. Шк., 2003. - 431 с.

22. Горбанъ А.Н. Обучение нейронных сетей. М.: СП Пара Граф, 1990.

23. Городецкий В.И., Самойлов В.В., Малое А.О. Современное состояние технологии извлечения знаний из баз и хранилищ данных // AI NEWS №4 02(52). -С. 3-10.

24. Гранберг А.Г. Основы региональной экономики: Учебник для вузов. М.: ГУ ВШЭ, 2001.-495 с.

25. Ъ\.Дюбин В. В. Бюджетная система Российской Федерации: учебное пособие для вузов, Петрозаводск, 2003. — 118с. Электронный ресурс. http://openbudget.karelia.ru/tutorials/book2/book2.pdf

26. Ъ2Дюк В., Самойленко A. Data Mining: учебный курс. Спб: Питер, 2001. -368 с.

27. ЪЪ.Елисеева Т.М., Юзбашев М.М. Общая теория статистики: Учебник. — М.: Финансы и статистика, 2002. -248 с.

28. Ерохин В.Г. Индикативное планирование в системах управления социально экономическими процессами. Электронный ресурс. http://www.budgetrf.ru/Publications/Education/rnsu/econbacrnanagernent

29. Интеллектуальные системы управления с использованием нечеткой логики: Учебное пособие / В.И. Васильев, Б.Г. Ильясов; Уфимск. гос. авиац. техн. ун-т. Уфа, 1995. - 80 с.

30. Интеллектуальное управление производственными системами. Кусимов С.Т., Ильясов Б.Г., Исмагилова Л.А., Валеева Р.Г. М.: Машиностроение, 2001.-327 с.

31. Кадочников П.А., Луговой О.В., Синельников-Мурылев С.Г., Трунил И.В. Оценка налогового потенциала и расходных потребностей субъектов Российской Федерации Электронный ресурс. http://www.iet.ru/publication.php

32. Кватрани Т. Rational Rose 2000 и UML. Визуальное моделирование: Пер. с англ. М.: ДМК Пресс, 2001. - 176 с.

33. АЪ.Киселев М., Соломатин Е. Средства добычи знаний в бизнесе и финансах // Открытые системы. 1997. - № 4. - С.41-44.

34. Кобринский Н.Е, Майминас Е.З, Смирнов А.Д. Введение в экономическую кибернетику. Учеб. пособие. -М.: "Экономика", 1975. 176 с.

35. Коломиец A.JT. Анализ концептуальных подходов и методов оценки налогового потенциала регионов // Налоговый вестник. — 2000. № 2. -С.1-3.

36. АП.Корнеев В.В., Гареев А.Ф., Васютин C.B., Paîbc В.В. Базы данных. Интеллектуальная обработка информации. М.: Издатель Молгачева C.B., Издательство Нолидж, 2001. - 496 с.

37. Круглое В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. — М.: Горячая линия Телеком, 2001. - 382 с.

38. SX Ларичев О.И., Мошкович Е.М. Качественные методы принятия решений. М.: Наука. Физматлит, 1996. 304 с.

39. Леоненков A.B. Нечеткое моделирование в среде MATLAB и fuzzy TECH. -СПб.: БХВ-Петербург, 2003. 304 с.

40. Максимов В. Развитие моделей принятия решений: проблемы, парадоксы и перспективы. // Банковские Технологии. — 2000. №3. - С. 205$.Мартынов H.H. Введение в MATLAB 6. М.: КУДИЦ-ОБРАЗ, 2002 -352с.

41. Методы робастного, нейро-нечеткого и адаптивного управления: Учебник / Под ред. Н.Д. Егупова. М.: Изд-во МГТУ им. Баумана, 20002. - 744 с.

42. Нейронные сети. STATJSTICA Neural Networks: Пер. с англ. М.: Горячая линия — Телеком. 2000. - 182 с.

43. Нечеткие множества в моделях управления и искусственного интеллекта/ Под ред. Д.А.Поспелова. М.: Наука, 1986. - 312 с.

44. Никитин Д.А., Тулупьев A.JJ., Ромашова М.Н. Вычисление согласованных оценок истинности в вероятностных и нечетких фрагментах знаний // Труды СПИИРАН. В. 1, т.2 Спб: СПИИРАН, 2002. - 312 с.

45. Осипов Г.С. Приобретение знаний интеллектуальными системами. М.: Наука, 1997.-312 с.

46. Осипова И.В. Анализ проблемы и методов прогнозирования налоговых поступлений регионального бюджета. "Региональная экономика: взгляд молодых. Труды молодых ученых и специалистов. Вып.З." Уфа: Гилем, 2004. - С.109-115.

47. Орловский С.А. Проблемы принятия решений при нечеткой исходной информации. -М.: Наука, 1981. 312 с.

48. Осовский С. Нейронные сети для обработки информации / Пер. с польского И.Д. Рудинского. М.: Финансы и статистика, 2002. - 344с.

49. Представление и использование знаний: Пер. с япон. / Под ред. X. Уэно, М. Исидзука. М.: Мир, 1989. - 220 с.

50. Прикладные нечеткие системы: Пер. с япон./ К. Асаи, Д. Ватада, С. Иваи и др.; под редакцией Т. Тэрано, К. Асаи, М. Сугэно. М.: Мир, 1993.- 368 с.

51. Проект СИРЕНА: влияние государственной политики на региональное развитие. Под ред. С.А. Суспицына — Новосибирск: Изд-во ИЭОПП СО РАН, 2002.-360 с.

52. Разработка прогнозов социально-экономического развития регионов с использованием комплексной имитационной модели Электронный ресурс. http://www.prognoz.ru/company/publications7.asp.htm

53. Ракитов А.И. Философия компьютерной революции. М.: Политиздат, 1991.-287 с.

54. Региональная статистика: Учебник / Под ред. Рябцева В.М., Чудилина Г.И. М., 201. - 380 с.

55. Розенберг Д., Скотт К. Применение объектного моделирования с использованием UML и анализ прецедентов: Пер. с англ. М.: ДМК Пресс, 2002. - 160 с.

56. Романов А.Н., Одинцов С. Советующие информационные системы в экономике: Учеб. пособие для вузов. М.: ЮНИТИ, 2000. - 312 с.

57. Рутковская Д., Пилиньский М., Рутковский Я. Нейронные сети, генетические алгоритмы и нечеткие системы: Пер. с польск. И.Д. Рудинского. — М.: Горячая линия Телеком, 2004. - 452 с.

58. Самойлов В.В. Системы объединения данных из разнородных источников: принципы реализации и архитектура обработки данных для обучения систем принятия решений // Труды СПИИРАН. В. 1, т.2 Спб: СПИИРАН, 2002.-312 с.

59. Сидорова Н. Налоговое регулирование на уровне субъектов РФ: приоритеты, технология, методы Электронный ресурс. http://www.ptpu.ru/issues/6 02/9 6 02.htm

60. Система анализа и планирования финансов региона САПФИР Электронный ресурс. http://www.cift.ru

61. Скотт К. UML. Основные концепции: Пер. с англ. М.: Издательский дом "Вильяме", 2002. - 144 с.

62. Щ.Спирли Э. Корпоративные хранилища данных. Планирование, разработка, реализация. Том. 1.: Пер. с англ. — М.: Издательский дом "Вильяме", 2001. 400 с.

63. Статические и динамические экспертные системы: Учеб. пособие / Э.В. Попов, И.Б. Фоминых, Е.Б. Кисель, М.Д. Шапот. М.: Финансы и статистика, 1996. - 320 с.

64. Территориальная автоматизированная информационная система «ТАИС» Электронный ресурс. http://www.ais.vis.ru/site/taisl .nsf/wpagesl/01019Ъ.Тельнов Ю.В. Интеллектуальные информационные системы в экономике: Учебное пособие. М.: СИНТЕГ, 2002. - 316 с.

65. Тельное Ю.Ф. Проектирование систем управления знаниями // AI NEWS №4 02 (52).-С. 29-34

66. Федеральный бюджет и регионы: структура финансовых потоков/ Институт "Восток-Запад". М.: МАКС Пресс, 2001. - 312 с.

67. Форрестер Дж. Мировая динамика. М., 1978. - 168 с.

68. Хасаев Г., Иванова Л., Цыбатов В., Поварова Е.К. К применению автоматизированных средств прогнозирования регионального развития // Российский экономический журнал. 2000. - №2. - С. 22

69. Частиков А.П., Гаврилова Т.А., Белов Д.Л. Разработка экспертных систем. Среда CLIPS. СПб.: БХВ-Петербург, 2003. - 608 с.

70. Черник Д.Г., Починок А.П., Морозов В.П. Основы налоговой системы: Учеб. пособие для вузов. / Под ред. Д.Г. Черника. М.: Финансы, ЮНИТИ, 1998.-422 с.

71. Черняховская JJ.P., Шкундина P.A., Осипова И.В. Объектно-ориентированные модели представления корпоративных знаний. // Успехи современного естествознания. 2003. - №7. - С.88

72. Шапот М. Интеллектуальный анализ данных в системах поддержки принятия решений // Открытые системы. 1997. - № 4. - С.30-35.

73. Шикин Е.В., Чхартишвили А.Г. Математические методы и модели в управлении: Учеб. пособие. М.: Дело, 2002. - 440 с.

74. Штовба С.Д. Введение в теорию нечетких множеств и нечеткую логику. Электронный ресурс. http://matlab.exponenta.ru/flizzylogic/bookl

75. Щавелёв Л. В. Способы аналитической обработки данных для поддержки принятия решений // СУБД. 1998. - № 4-5. - С. 18

76. Экономико-математические модели оценки крупномасштабных инвестиционных проектов: Учебное пособие/ Р.В.Фаттахов; под ред. акад. Д.С Львова. Уфа: УГАТУ, 2001.-100 с.

77. Юсупова Н.И, Фаттахов Р.В., Фридлянд A.M., Тарасова Т.Д. Интеллектуальный подход к прогнозированию экономических показателей и модели оценки проектов в условиях нестабильной экономики: Препринт монографии/УНЦ РАН. Уфа, 2001 48с.

78. Ярушкина Н.Г. Основы теории нечетких и гибридных систем: Учеб. пособие. М.: Финансы и статистика, 2004. - 320 с.

79. Osipova I.V. An Approach to Income Tax Forecasting using Neural-Fuzzy Knowledge Base // Proc. of the 7th Int. Workshop on Computer Science and Information Technologies. Ufa, Russia, 2005. V. 2. P. 234-237.