Разработка моделей прогнозирования развития многоотраслевой корпорации тема диссертации и автореферата по ВАК РФ 08.00.13, кандидат наук Макаревич, Лилия Олеговна

• Макаревич, Лилия Олеговна
• кандидат наук
• 2013

Оглавление диссертации кандидат наук Макаревич, Лилия Олеговна

СОДЕРЖАНИЕ

ВВЕДЕНИЕ

ГЛАВА 1. ОБОСНОВАНИЕ ВЫБОРА МЕТОДА ПРОГНОЗИРОВАНИЯ

1.1. Характеристика объекта прогнозирования и обоснование требований к методу прогнозирования

1.2. Сравнительный анализ методов прогнозирования

1.2.1. Классификация методов прогнозирования

1.2.2. Характеристика классических методов

1.2.3. Преобразование исходных данных в информацию, а ее в знания

1.2.4. Характеристика интеллектуальных методов

1.3. Описание метода системно-когнитивного анализа

1.3.1. Теоретические основы СК-анализа

1.3.2. Математическая модель СК-аначиза, основанная на системной теории информации

1.3.3. Получение матрицы информативностей

1.4. Выводы

ГЛАВА 2. СОВЕРШЕНСТВОВАНИЕ МЕТОДИКИ СИСТЕМНО КОГНИТИВНОГО АНАЛИЗА И ЕЕ АДАПТАЦИЯ ДЛЯ ПРОГНОЗИРОВАНИЯ ЗНАЧЕНИЙ ЭКОНОМИЧЕСКИХ ПОКАЗАТЕЛЕЙ РАЗВИТИЯ КОРПОРАЦИИ

2.1 Методика СК-анализа

2.1.1. Базовые когнитивные операции СК анализа

2.1.2. Структура семантической информационной модели СК-анализа

2.1.3. Программный инструментарий СК-анализа — когнитивная аналитическая система «Эйдос»

2.2. Технология применения системно-когнитивного анализа

2.2.1. Система критериев оценки достоверности моделей в СК-анализе

2.2.2. Этапы СК-анализа

2.3. Модели прогнозирования значении экономических показателей

2.3.1. Постановка задачи и формализация предметной области

2.3.2. Создание модели и проверка ее достоверности

2.3.3. Определение силы влияния предприятий пи корпорацию

2.4. Выводы

ГЛАВА 3. РАЗРАБОТКА МОДЕЛЕЙ ПРОГНОЗИРОВАНИЯ СЦЕНАРИЕВ ИЗМЕНЕНИЯ ЗНАЧЕНИЙ ЭКОНОМИЧЕСКИХ ПОКАЗАТЕЛЕЙ

3.1. Постановка задачи и формализация предметной области

3.1.1. Когнитивная структуризация предметной области

3.1.2. Формализация предметной области

3.2. Создание моделей прогнозирования сценариев

3.2.1. Оценка степени адекватности моделей

3.2.2 Прогнозирование сценариев изменения значений экономических показателей

3.2.3. Определение зависимостей между прошлыми и будущими сценариями

3.2.4. Методика взвешивания сценариев для прогнозирования

3.3. Исследование прогнозов сценароев с использованием разработанных моделей

3.4. Выводы

ЗАКЛЮЧЕНИЕ

ЛИТЕРАТУРА

ПРИЛОЖЕНИЯ:

Приложение 1 -прогнозирование значений показателей

Приложение 2 -прогнозирование сценариев значений показателей

Введение диссертации (часть автореферата) на тему «Разработка моделей прогнозирования развития многоотраслевой корпорации»

ВВЕДЕНИЕ

Современные тенденции глобализации, интеграции и усиления конкуренции привели к возрастанию роли корпорации как объединения предприятий, функционирующих с общими экономическими целями. Корпорации играют определяющую и ведущую роль в экономике современной России. Достаточно сказать, что 400 крупнейших российских корпораций создают более половины ВВП страны: лишь на первую десятку из них приходится 22% ВВП, 31% налоговых поступлений и 32% экспорта.

По своей экономической природе корпорации являются сложными многофункциональными системами, характеризующимися большим количеством входных и выходных параметров и наличием сложных нелинейных связей между ними. Особенно сложной структурой обладают многоотраслевые корпорации, в состав которых входят предприятия различных видов экономической деятельности и сфер народного хозяйства. Управление такими системами невозможно без применения адекватных методов планирования и прогнозирования.

Применение классических методов прогнозирования применительно к многоотраслевой корпорации наталкивается на ряд определенных сложностей, обусловленных ее экономической природой. В отличие от других хозяйствующих субъектов, многоотраслевые корпорации характеризуются многомерными массивами данных с высокой долей искажения и фрагменти-рованности информации, что обусловлено кумулятивным эффектом неполноты и искажения отчетной информации, поступающей от входящих в нее предприятий. В этих условиях применяемые методы и инструментарий должны обладать высокой разрешающей способностью и эффективно работать с большими базами данных в условиях неполноты информации, обеспечивать корректную совместную сопоставимую количественную обработку разнородных по своей природе факторов, измеряемых в различных единицах измерения. Поэтому необходимо выбрать или разработать методы, способные работать со сложными слабо формализуемыми задачами. Данное обстоятельство обосновывает актуальность проблемы разработки моделей, методик и инструментария для решения задачи прогнозирования развития многоот-

раслевой корпорации. Этим вопросам посвящена данная работа, что и делает ее актуальной.

Степень научной проработанности темы.

Теоретическим и методологическим основам прогнозирования посвящены труды таких ученых как Б.М. Бестужев-Лада, А.И. Гладышевский, A.A., Френкель, Г.Д. Хаупггейн, Г. Тейл, В.М. Ланцов, А.И. Клебанов, А.И. Глаголев, С.С. Демин, Ю.Н. Орлов, Л.П. Владимирова, Н.М. Найбороденко и других.

Традиционные методы прогнозирования, разработанные в трудах К. Гаусса, Бокса-Дженкинса, Ч. Спирмена, Д. Смита, Л. Терстоуна, К. Лыоса и других, однако они применимы лишь для достаточно простых систем.

Методы прогнозирование сложных систем, в частности, такие как имитационный и эволюционно-симулятивный методы, получили развитие в работах И. Н. Коваленко, Р. Калмана, П. Фалба, М. Арбиба, В. В. Калашникова, Р. Рорера, В. Е.Лихтенштейна, Г.В. Росса, но и их проблематично применить для прогнозирования столь сложного и динамичного объекта, как корпорация. Для этого больше подходят методы искусственного интеллекта, которые представлены в трудах В. М. Глушкова, Г. С. Осипова, Э. В. Попова, Д. А. Попелова, Т. А. Гаврилова, A.B. Андрейчикова, Г. С. Поспелова, Г.В. Рыбина, В.Б.Тарасова, Ю.Ф. Тельнова, В.В. Дика, А.И. Уринцова, В.К.Финна, Е.В. Луценко, Л.Заде, Р. Стэнфилда, М. Мински, Дж. Маккарти, Фр. Ро-зенблатта, А. Ныоэлла, Г. Саймона и др.

Особенно перспективными для прогнозирования представляются методы и системы когнитивного моделирования, развиваемые в трудах таких ученых как: А.Н.Аверкин, Н.М.Абдикеев, О.П.Кузнецов, А.А.Кулинич, Н.В Титова, В.И. Максимов, И.В. Прангишвили, А.Н. Райков, Е.К.Корноушенко, С.В.Качаев, А.К.Григорян, Е.А.Гребенюк, Ю.П.Адлер, Б. М.Лапидус, Е. Ю.Хрустал ев.

В доступных для анализа источниках в недостаточной мере освещаются возможности адаптации методов искусственного интеллекта для решения задач прогнозирования на уровне корпорации, а также не рассматривается вопрос о наличии поддерживающего эти методы программного инструментария. Эти недостатки в определенной мере преодолеваются в методе сис-

темно-когнитивного анализа (Е.В.Луценко1), имеющем глубокую теоретическую проработку и развитый программный инструментарий, который обеспечивает создание когнитивных моделей моделируемых систем непосредственно на основе неполных и искаженных эмпирических данных о них. Эти особенности метода системно-когнитивного анализа и обусловили его выбор в качестве метода прогнозирования развития корпорации. Однако его использование для прогнозирования развития многоотраслевой корпорации требует функционально-ориентированной доработки методологии и программного инструментария системно-когнитивного анализа.

Целыо диссертации является разработка методов и моделей прогнозирования развития многоотраслевой корпорации с использованием системно-когнитивного анализа (СКА), направленных на повышение качества принимаемых управленческих решений.

Для достижения поставленной цели в диссертационной работе были сформулированы следующие задачи:

1. Провести анализ методов прогнозирования, обосновать выбор системно-когнитивного анализа как одного из эффективных методов прогнозирования слабоструктурированных задач.

2. Адаптировать и развить метод системно-когнитивного анализа для прогнозирования динамики развития корпорации с учетом сценарного подхода.

3. Разработать модели прогнозирования сценариев изменения основных экономических показателей развития корпорации и оценить их достоверность.

4. Определить в аналитическом виде зависимости между прошлыми и будущими сценариями различных экономических показателей.

4. Разработать аналитические модели взвешивания прогнозируемых сценариев, с учетом всех результатов прогнозирования с положительными уровнями сходства, для повышения уровня достоверности прогнозов.

' Луценко Е.В. Автоматизированный системно-когнитивный анализ в управлении активными объектами (системная теория информации и ее применение в исследовании экономических, социально-психологических, технологических и организационно-технических систем): Монография (научное издание). - Краснодар: КубГАУ. 2002. - 605 с.

5. Разработать процедуру вычисления оценки силы влияния на корпорацию (чувствительность) входящих в нее предприятий.

6. Доработать программный инструментарий СКА до уровня информационной технологии с учетом его адаптации и развития для прогнозирования многоотраслевой корпорации.

Объектом исследования является многоотраслевая корпорация.

Предметом исследования являются модели и методы прогнозирования развития многоотраслевой корпорации с использованием элементов искусственного интеллекта (метода системно когнитивного анализа).

Область исследования. Содержание работы соответствует области исследования, определенной пунктами 1.8. «Разработка и исследование моделей и математических методов анализа микроэкономических процессов и систем: отраслей народного хозяйства, фирм и предприятий, домашних хозяйств, рынков, механизмов формирования спроса и потребления, способов количественной оценки предпринимательских рисков и обоснования инвестиционных решений», 2.3. «Разработка систем поддержки принятия решений для рационализации организационных структур и оптимизации управления экономикой на всех уровнях» и 2.8. «Развитие методов и средств аккумуляции знаний о развитии экономической системы и использование искусственного интеллекта при выработке управленческих решений» паспорта ВАК по специальности 08.00.13 - «Математические и инструментальные методы экономики».

Теоретическую и методологическую основу исследования составили теоретические положения и методологические разработки, представленные в трудах отечественных и зарубежных авторов в области экспертных систем и интеллектуальных технологий для прогнозирования в социально-экономических системах. Методы исследования базируются на теории и практике применения системного и системно-когнитивного анализа для исследования производственных систем, теории прогнозирования, концептуальных положениях экономической теории. В ходе проведения исследований в качестве инструментальных средств использовалась интеллектуальная сис-

тема «Эйдос», являющаяся программным инструментарием системно-когнитивного анализа.

В процессе проводимого исследования применялись методы математической статистики, теории вероятностей, экономико-математического моделирования.

Информационная база исследования представлена научными источниками в виде данных и сведений из нормативно-правовых актов Российской Федерации, монографий, книг, справочно-статистических, аналитических и бухгалтерских материалов ОАО «Южная многоотраслевая корпорация», Федеральной службы государственной статистики, отчетов, публикаций в периодической печати, ресурсов сети Интернет.

Обоснованность и достоверность выносимых на защиту результатов работы обеспечены строгим соблюдением логики проведения научных исследований, обоснованностью исходных гипотез, надежностью подходов и методов решения поставленных задач, корректным применением известных методик, инструментов исследования и процедур обработки данных, проверкой адекватности априорных предложений и конструируемых моделей, а также непосредственным сопоставлением полученных результатов с фактическими данными.

Научная новизна исследования заключается в разработке моделей и аналитических процедур оценки сценариев при прогнозировании развития многоотраслевой корпорации и их программная реализация, которые направлены на совершенствование метода системно-когнитивного анализа.

Наиболее существенные результаты исследования, полученные лично автором, и содержащие элементы научной новизны заключаются в следующем.

1. Обоснован выбор метода системно-когнитивного анализа с целью его применения для прогнозирования развития корпорации и проведено его усовершенствование для решения задач исследования при использовании сценарного подхода.

2. Предложено 16 видов сценариев изменения основных экономических показателей развития корпорации, которые используются в качестве входной и выходной информации при прогнозировании вместо дискретных рядов, что обеспечивает более высокую информативность моделей.

3. Введен новый частный критерий (нормированный вариант коэффициента взаимосвязи) для оценки достоверности моделей прогнозирования, повысивший их достоверность.

4. Определены зависимости между прошлыми и будущими сценариями различных экономических показателей в аналитической и графической формах, используя которые, можно принимать решения и управлять прогнозом.

5. Разработаны модели и методика взвешивания прогнозируемых сценариев, отличительной особенностью которых является возможность учета всех результатов прогнозирования с положительными уровнями сходства, что повышает их уровень достоверности.

6. Предложена аналитическая процедура вычисления оценки силы влияния на корпорацию (чувствительность), входящих в нее предприятий, в основе которой лежат данные измерения количества информации о предприятиях корпорации.

7. Разработана функционально - ориентированная информационная технология прогнозирования развития многоотраслевой корпорации на основе теоретических разработок диссертации, реализованных на алгоритмическом и программном уровне в инструментальной среде СК анализа - системе «Эйдос».

Теоретическая значимость результатов состоит в развитии методологии системно-когнитивного анализа, заключающемся в использовании сценарного подхода при прогнозировании развития многоотраслевой корпорации, а также разработке моделей, методик и процедур, повышающих достоверность прогнозов.

Практическая значимость полученных научных результатов заключается в возможности применения многоотраслевыми корпорациями разработанных в диссертации технологии и методики совместного использования системно-когнитивного анализа и сценарного подхода для прогнозирования развития различных корпораций. Разработанный в диссертации подход был использован для развития и совершенствования программной системы «Эй-дос».

Самостоятельное практическое значение имеют:

- функционально - ориентированная информационная технология прогнозирования развития многоотраслевой корпорации;

- процедуры: определения зависимостей между прошлыми и будущими сценариями различных экономических показателей; взвешивания прогнозируемых сценариев с учетом всех результатов прогнозирования с положительными уровнями сходства; вычисления оценки силы влияния на корпорацию входящих в нее предприятий.

Апробация и внедрение результатов исследования. Результаты диссертации докладывались и обсуждались на международной НПК «Стратегия ускоренной динамики российского общества: экономика, политика, право» (Сочи, 2012); 1-й Международной НПК молодых ученых «Актуальные проблемы современной науки» (Краснодар, Российский университет кооперации, Краснодарский кооперативный институт, 2013).

Результаты исследований прошли апробацию в ОАО «Южная Многоотраслевая Корпорация» при прогнозирования ее развития и принятии на основе прогнозов управленских решений. Отдельные положения были использованы в учебном процессе КубГАУ в рамках дисциплин «Интеллектуальные информационные системы» и «Представление знаний в информационных системах»

Публикации. По теме диссертации опубликовано 10 научных работах общим объёмом 10,17 п.л. (из них авторских 6,43 п. л.), в том числе в 8-х

статьях в журналах, рекомендованных ВАК Минобрнауки России объемом 8,75 п.л. (из них авторских 5,13 п. л.).

Структура н объем работы. Диссертация состоит из введения, трех глав, заканчивающихся выводами, заключения, списка использованной литературы, содержащего 131 наименование, приложений.

В 1-й Главе: «Обоснование выбора метода прогнозирования» в общем виде сформулирована проблема прогнозирования динамики многоотраслевой корпорации, состоящая в том, что оно затруднительно из-за высокой сложности и динамичности внутренней логистики объекта управления, его территориально распределенного и многоотраслевого характера, огромного количества разнородных экономических показателей, характеризующих его деятельность на различных уровнях его организации. Характеристика объекта явилась основой для обосновывания требований к методу прогнозирования. Приводится классификация методов прогнозирования, дается характеристика традиционных и интеллектуальных методов. Предложено и обосновано общее решение означенной проблемы путем применения технологий искусственного интеллекта, в частности метода и инструментария системно-когнитивного анализа.

Во 2-й главе: «Совершенствование методики системно-когнитивного анализа н ее адаптация для прогнозирования значений экономических показателей развития корпорации» описывается методика системно-когнитивного анализа, этапы построения по этой методике моделей прогнозирования значений отдельных экономических показателей. На 3-ем этапе методики СКА система частных критериев знаний для оценки достоверности моделей прогнозирования дополнена еще одним критерием, применение которого дает увеличение степени достоверности. Разработанные модели использовались для определения силы влияния отдельных предприятий на корпорацию.

В 3-й главе: «Разработка моделей прогнозирования сценариев изменения значений экономических показателей» осуществляется поста-

новка задачи и формализация предметной области, синтез и верификация модели и исследование объекта моделирования путем исследования его модели. На первом этапе здесь в качестве входной и выходной информации в моделях прогнозирования используются сценарии изменения экономических показателей, классификация которых приводится в п. 3.1. Рассматривается методика взвешивания прогнозируемых сценариев. С их использованием разработаны средневзвешенные прогнозы сценариев развития корпорации на 2013 год по 5 основным экономическим показателям.

ГЛАВА 1. ОБОСНОВАНИЕ ВЫБОРА МЕТОДА ПРОГНОЗИРОВАНИЯ

1.1. Характеристика объекта прогнозирования и обоснование требований к методу прогнозирования

Рассматриваемая в работе корпорация представляет собой многопрофильную группу компаний, объединенных единым централизованным корпоративным управлением. Ядром корпорации является ОАО «Южная Многоотраслевая Корпорация», осуществляющая функции стратегического, производственного, финансового планирования, юридического обеспечения, связей с общественностью и инвесторами, управления персоналом, технической поддержки.

Управление корпорацией осуществляется через собрание акционеров, совет директоров и исполнительную дирекцию. Организационная структура корпорации строится по дивизионально-функциональному принципу, характерному для торговых объединений предприятий, горизонтально распределенных внутри широкого товарного рынка.

Структура корпорации включает в себя функциональную, вспомогательную и управленческую составляющие.

Функциональная составляющая представлена следующими направлениями деятельности:

- торгово-коммерческое направление (12 компаний);

- производство (3 компании).

Торгово-коммерческое направление осуществляет оптово-розничные продажи продуктов питания (ЗАО «Кубторг», ООО «Кормилица», ООО «Бакалея», ООО «Рыба», ООО «Юнекс»), кондитерских изделий (ООО «Москвичка»), алкогольной продукции (ООО «Кубань-Алко»), промтоваров (ООО

«Галантерея», ЗАО «Торгодежда», ООО «Хозяюшка»), металлопроката (ООО «Стройтрубосталь») и др.

К производственному направлению относятся предприятия, производящие продукты переработки мяса (ЗАО «Мясокомбинат»), кондитерские изделия (ООО «Кондитерская фабрика»), продукты переработки воздуха (ООО «Южгаз»).

Прогнозирование развития многоотраслевой корпорация, представляющее собой, по сути, опережающее отражение действительности, чрезвычайно востребовано и актуально, т.к. является необходимым условием, обеспечивающим проактивное реагирование на ожидаемые ситуации задолго до их возникновения, являющееся современной альтернативной реактивному реагированию на уже возникшие ситуации с целыо компенсации вызванных ими потерь.

В составе корпорации есть агропромышленные, промышленные, торговые и другие предприятия. Структура и состав корпорации динамичны, т.е. одним предприятия входят в состав корпорации, а другие выходят. Окружающая среда корпорации включает природную среду (погодные и климатические факторы), макроэкономические факторы (спрос на продукцию, конкурентная среда т.д.), микроэкономические факторы (простои оборудования, техническая база, квалификация персонала и т.д.), информационную среду (несовершенство базы исходных данных, искажения и неполнота отчетной информации). Все это означает, что корпорация является суперсложным многопараметрическим объектом, информация о котором фрагментцрована и зашумлена (неполна и искажена), обладающим высокой степенью неопределенности функционирования, поэтому задача прогнозирования поведения этого объекта является слабоструктурированной (рисунок 1).

Природная среда:

погодные и климатические факторы

Ч

N.

Информационная среда:

несовершенство базы исходных данных, искажения и неполнота отчетной информации

Промышленные предприятия

I

Многоотраслевая корпорация

Макроэкономические факторы:

спрос на продукцию, конкурентная

среда, информация и

т.д.

ОП - сложная, многокомпонентная система, функционирующая в условиях неопределённости и неполноты информации

Микроэкономические факторы:

простои оборудования, техническая

база, квалификация персонала и т.д.

Требования к инструментарию прогнозирования

Рисунок 1 - Характеристика объекта прогнозирования

Классификация факторов, действующих на объект прогнозирова-

ния:

1. Внутренние:

- факторы предыстории объекта прогнозирования;

- факторы, отражающие текущее состояние объекта прогнозирования (его признаки).

2. Внешние:

- технологические;

- факторы окружающей среды.

Граница между технологическими факторами и факторами окружающей среды - это граница самого объекта управления и прогнозирования. Критерий отнесения факторов к технологическим или внешним состоит в том, что решение о применении или неприменении технологических факторов принимает человек, а на факторы окружающей среды он повлиять не

может. Но в ряде случаев (далеко не всегда) человек может изменить положение границы объекта управления, включив в его состав часть окружающей среды.

Все эти виды факторов могут быть различной природы и измеряться в различных единицах измерения. Поэтому возникает первая проблема сопоставимости обработки в рамках одной модели объекта управления. Вторая проблема, решаемая при создании такой модели - это проблема выбора количественной меры силы и направления причинно-следственных связей между входными факторами и выходными параметрами. Эта количественная мера должна количественно рассчитываться на основе эмпирических данных и решать проблему сопоставимости обработки факторов различной природы в единой многофакторной модели.

Обоснование требований к методу прогнозирования

Все перечисленные в предыдущем разеделе особенности многоотраслевой корпорация обусловливают сложность построения на основе непосредственно эмпирических данных ее передаточной функции или другой высо-коформализованной модели, на основе которой можно было бы осуществлять достоверное прогнозирование.

Таким образом, данный объект управления и прогнозирования (ОУП) обладает рядом специфических свойств, серьезно затрудняющих разработку научных методов прогнозирования динамики его поведения: он представляет собой сложный многофакторный слабодетерминированный нелинейный объект управления и прогнозирования, информация о котором сильно фрагмен-тирована и зашумлена. Необходимо также отметить практическую невозможность проведения каких-либо экспериментов с данным объектом управления и прогнозирования с целью его изучения или пополнения отсутствующей информации, а также очень большую длительность цикла управления: от одного года до 10 лет.

Необходимо отметить, что решение задач идентификации, прогнозирования и принятия решений в любой системе управления возможно только на

основе модели объекта управления и прогнозирования, отражающей причинно-следственные взаимосвязи между значениями факторов, действующих на объект управления и прогнозирования в прошлом и его поведением в будущем.

Рассмотрим подробнее наиболее специфические свойства объекта прогнозирования.

Из характеристики объекта управления и прогнозирования, приведенной выше, следует, что его модель должна удовлетворять следующим требованиям (рисунок 2):

Рисунок 2. Требования к методу прогнозирования

1. Должна быть достаточно большой размерности, чтобы отразить очень большое количество свойств сложного объекта управления и прогнозирования (сложность ОУП).

2. Должна обеспечивать выявление силы и направления влияния большого количества входных факторов на большое количество выходных параметров объекта управления и прогнозирования (многофакторность ОУП).

3. Должна учитывать не только факторы, сильно влияющие на поведение объекта управления и прогнозирования, но и сравнительно слабо влияющие факторы (слабодетерминированность ОУП).

4. Должна учитывать взаимодействие совместно действующих факторов, т.е. нарушение принципа суперпозиции, из-за которого факторы образуют систему с системным влиянием на результат, при котором результат совместного действия нескольких факторов не является суммой влияний каждого из этих факторов в отдельности (нелинейность ОУП).

5. Должна корректно работать при отсутствии ряда сочетаний значений входных факторов и выходных параметров (повторностей) и на малых выборках (фрагментированность информации об ОУП).

6. Модель должна надежно работать в условиях сильно зашумленных и недостоверных исходных данных (зашумленность информации об ОУП).

Необходимо также подчеркнуть, что метод прогнозирования, должен быть оснащен поддерживающим его программным инструментарием, т.к. в работе ставится задача не концептуального изучения вопроса прогнозирования развития корпорации, а его теоретического и практического решения.

Сформулированные выше требования к методу прогнозирования являются довольно жесткими и резко сужают круг возможных вариантов выбора. При этом общеизвестные и распространенные методы оказываются практически непригодными для решения поставленной задачи. Поэтому выбор адекватного поставленной задаче метода представляет собой проблему, решению которой посвящается глава.

Идея решения проблемы

К решению сформулированной проблемы инструментального прогнозирования развития многоотраслевой корпорации предлагается подходить как к одной из задач, решаемых в процессе управления (рисунок 3):

ЦЕЛЬ УПРАВЛЕНИЯ

УПРАВЛЯЮЩАЯ СИСТЕМА:

ЗАДАЧИ:

Список литературы диссертационного исследования кандидат наук Макаревич, Лилия Олеговна, 2013 год

ЛИТЕРАТУРА

1. Айвазян С.А., Бухштабер В.М., Енюков И. С., Мешалкин Л. Д. Прикладная статистика. Классификация и снижение размерности.- М.: Финансы и статистика, 1989.-607 с.

2. Андрейчиков A.B., Интеллектуальные информационные системы М.: Финансы и статистика, 2004. - 424 с.

3. Афанасьев В.Л. Анализ временных рядов и прогнозирование. М.: Финансы и статистика, 2001. 2.

4. Афанасьев В.Н., Юзбашев М.М. Анализ временных рядов и прогнозирование. М.: Финансы и статистика, 2001.

5. Афанасьев С. Л. Проблемы цикличности, сб. «Циклы природы и общества», Ставрополь, 1998, с. 66 - 83; 1999, с. 86 - 94.

6. Басовский Л.Е. Прогнозирование и планирование в условиях рынка : учеб. пособие. М.: ИНФРА-М, 2004. 2.

7. Бестужев-Лада И.В. Впереди 21 век: перспективы, прогнозы, футурологи, М., Academia, 2000.

8. Бестужев-Лада И.В. Общетиповая методика социального прогнозирования, М., АП, 1981.

9. Бестужев-Лада И.В. Поисковое социальное прогнозирование: перспективные проблемы общества, М., Наука, 1984.

10. Бестужев-Лада И.В. Рабочая книга по прогнозированию, М., Мысль, 1982.

11. Бестужев-Лада И.В., Наместникова Г.А. Социальное прогнозирование, М., Педагогическое общество России, 2001.

12. Бокс Дж., Дженкинс Г. Анализ временных рядов, прогноз и управление: Пер. с англ. // Под ред. В.Ф. Писаренко. - М.: Мир, 1974, кн. 2.-197 с.

13. Бриллинджер Д. Временные ряды. Обработка данных и теория. — М.: Мир, 1980.-535С.

14. Вейценбаум Дж. Возможности вычислительных машин и человеческий разум. От суждений к вычислениям. Пер. с англ. М., Радио и связь 1982. с. 356

15. Винер Норберт Кибернетика, или Управление и связь в животном мире. М.: Наука1968 г. 324 стр.

16. Владимирова ПЛ. Прогнозирование и планирование в условиях рынка. М.: Дашков и К, 2005.

17. Гаазе-Рапопорт М. Г., Поспелов Д. А. От амебы до робота: модели поведения.—М.: Наука., 1987, 286 с

18. Гаврилова Т. А., Хорошевский В. Ф.. Базы знаний интеллектуальных систем. СПб.: Питер. 2003г, 384 С

19. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности. /Вороновский Г.К., Махотило К.В., Петрашев С.Н., Сергеев С.Н. Харьков: Основа. 1997.

20. Герасенко В.П. Прогнозирование и планирование экономики: практикум. Минск : Новое знание, 2003.

21. Глушков В М - Введение в кибернетику Киев, Изд-во АН УССР, 1964. 229 с.

22. Горелов С. Математические методы в прогнозировании. - М.: Прогресс, 1993.

23. Добров Г.М. Рабочая книга по прогнозированию. - М.: 1998

24. Дубров A.M., Мхитарян B.C., Трошин Л.И. "Многомерные статистические методы". Москва, "Финансы и статистика", 1998.

25. Дуброва ТА. Статистические методы прогнозирования. М.: ЮНИТИ, 2003.

26. Егоров ВВ., Парсаданов ГА. Прогнозирование национальной экономики. М.: Высшая школа, 2002.

27. Ефимова М.Р., Петрова Е.В., Румянцев В.Н. Общая теория статистики: Учебник. - М.: ИНФРА-М, 1998.

28. Заде JI. Понятие лингвистической переменной и его применение для принятия приближенных решений. М.: Мир, 1976.

29. Искусственный интеллект: В 3-х кн. Кн. 2. Модели и методы: Справочник / под ред. Д.А. Поспелова. М.: Радио и связь, 1990. - 304с.

30. Найбороденко Н.М. Прогнозирование и стратегия социального развития России. 2-е изд. М. : Маркетинг, 2003.

31. Калберг К. Прогнозирование продаж в Excel для «чайников» : пер. с англ. М.: Диалектика, 2006.

32. Кандаурова ГА., Борисевич В.И. Прогнозирование и планирование экономики. М. : Современная школа, 2005.

33. Кендэл М. Временные ряды. М.: Финансы и статистика, 1981.

34. Клейнер Г.Б. Стратегия предприятия. М.: Издательство «Дело» АНХ, 2008. С. 174-175.

35. Кондратьев И.Д. Проблемы предвидения // Экономика и математические методы. 1988. Т. XXIV. Вып. 2. С. 245-268. 8.

36. Кондратьев Н.Д. Избранные сочинения: Большие циклы конъюнктуры. - М., 1993.

37. Кондратьев НД. Основные проблемы экономической статики. М. : Наука, 1991.

38. Костенко ИЛ. Введение в вероятностное прогнозирование. М. : Регулярная и хаотическая динамика, 2004.

39. Круглов В.В., Дли М.И. Интеллектуальные информационные системы: компьютерная поддержка систем нечеткой логики и нечеткого вывода. М.: Физматлит, 2002.

40. Кугаенко A.A. Основы теории и практики динамического моделирования социально-экономических объектов и прогнозирования их развития. Монография. 2-е изд. М.: Вузовская книга, 2005..

41. Кузык Б.П., Кушлип В.И., Яковец Ю.В. Прогнозирование и стратегическое планирование социально-экономического развития. М.: Экономика, 2006.

42. Кулакин Г.К. Исследование систем управления. Юнита 2. Системный анализ - базовый метод исследования систем управления. - М.: Современный гуманитарный институт (университет), рабочий учебник, 2001

43. Курейчик, В.М. Генетические алгоритмы и их применение/ Курейчик В.М. Таганрог:Изд-во ТРТУ, 2002. - 350с.

44. Леонтьев В.В. Межотраслевая экономика : пер. с англ. М.: Экономика, 1997. 10.

45. Леонтьев В.В. Экономическое Эссе: Теории, исследования, факты и политика. - М., 1990.

46. Литвак Б.Г. Экспертные оценки и принятие решений. М. : Патент, 1996. 11.

47. Лихтенштейн В.Е., Росс Г.В. Введение в теорию развития. Практикум. М.: Финансы и статистика, 2011.

48. Лихтенштейн В.Е., Росс Г.В. Информационные технологии в бизнесе. Практикум. М.: Финансы и статистика, 2009.

49. Луценко Е.В. Автоматизированный системно-когнитивный анализ в управлении активными объектами (системная теория информации и ее применение в исследовании экономических, социально-психологических, технологических и организационно-технических систем): Монография (научное издание). - Краснодар: КубГАУ. 2002. - 605 с.

50. Луценко Е.В. Методологические аспекты выявления, представления и использования знаний в АСК-анализе и интеллектуальной системе «Эйдос» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета, 2011. - № 70. С. 233 -280. — Режим доступа: http://ej.kubagro.ru.

51. Луценко Е.В. Оперативное прогнозирование трендов экономических показателей многоотраслевой корпорации с применением технологий искусственного интеллекта (часть 1-я: постановка задачи и формализация предметной области) / Е.В. Луценко, В.И. Лойко, Л.О. Макаревич // Политематический сетевой электронный научный журнал Кубанского государственного

137

аграрного университета, 2011. - № 70. С. 466 - 477. — Режим доступа: http:// ej .kubagro.ru.

52. Луценко E.B. Оперативное прогнозирование трендов экономических показателей многоотраслевой корпорации с применением технологий искусственного интеллекта (часть 2-я: синтез и верификация модели) / Е.В. Луценко, В.И. Лойко, Л.О. Макаревич // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета, 2011. - №73. С. 478 - 487 - Режим доступа: http://ej.kubagro.ru.

53. Луценко Е.В., Лойко В.И., Семантические информационные модели управления агропромышленным комплексом. Монография (научное издание). - Краснодар: КубГАУ. 2005. - 480 с.

54. Макаревич Л.О. Автоматизированный системно-когнитивный анализ и его применение для управления социально-экономическими системами в АПК / Е.В. Луценко, В.И. Лойко, O.A. Макаревич, Л.О. Макаревич // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета, 2012. - №78. С. 654 - 698. — Режим доступа: http://ej.kubagro.ru.

55. Макаревич Л.О. АСК-анализ и прогнозирование сценариев изменения трендов экономических показателей многоотраслевой корпорации (часть 1) / Л.О. Макаревич // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета, 2012. - №76. С. 124 -145. -Режим доступа: http://ej.kubagro.ru/.

56. Макаревич Л.О. АСК-анализ и прогнозирование сценариев изменения трендов экономических показателей многоотраслевой корпорации (часть 2) / Л.О. Макаревич // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета, 2012. - №76. С. 180 -194. - Режим доступа: http://ej.kubagro.ru.

57. Макаревич Л.О. Оперативное прогнозирование значений экономических показателей многоотраслевой корпорации с применением технологий

искусственного интеллекта (часть 1-я: постановка задачи и формализация

138

предметной области) / E.B. Луценко, В.И. Лойко, O.A. Макаревич, Л.О. Ма-каревич // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета, 2011. - №71. С. 692 - 705. -[Режим доступа: http://ej.kubagro.ru.

58. Макаревич Л.О. Оперативное прогнозирование значений экономических показателей многоотраслевой корпорации с применением технологий искусственного интеллекта (часть 2-я: синтез и верификация модели) / Е.В. Луценко, В.И. Лойко, O.A. Макаревич, Л.О. Макаревич // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета, 2011. - №071. С. 706 - 719. -Режим доступа: http://ej .kubagro.ru.

59. Макаревич Л.О. Прогнозирование сценариев изменения трендов экономических показателей многоотраслевой корпорации. //Стратегия ускоренной динамики российского общества: экономика, политика, право. Материалы международной научно-практической конференции. Часть 2 / Под ред. О.В. Иншакова и др. - Краснодар: ЮИМ, 2012. С. 276-285.

60. Макаревич Л.О. Прогнозирование сценариев изменения экономических показателей многоотраслевой корпорации с применением сценарного метода CK- анализа.: //Актуальные проблемы современной науки. Материалы I международной научно-практической конференции молодых ученых, аспирантов. Соискателей и магистрантов. Краснодар, 2013, 0,5 у.п.л.

61. Макаревич Л.О. Результаты прогнозирования сценариев изменения экономических показателей корпорации. // «Экономические и гуманитарные науки». 2013, №10.

62. Малая Российская энциклопедия прогностики, под ред. Бестужева-Лады И.В., М, Институт экономических стратегий, 2007.

63. Минский М. Фреймы для представления знаний, М.: Издательство Энергия, 1979 с. 142

64. Морозова Т.Г., Пикулькип A.B. Прогнозирование и планирование в условиях рынка. М.: ЮНИТИ, 2003.

65. Нильсон Н. Принципы искусственного интеллекта. М.: Радио и связь, 1985.

66. Оптнер С.А. Системный анализ для решения деловых и промышленных проблем — М.: Советское радио, 1969.

67. Орлов А.И. Эконометрика / Учебник. М.: Экзамен, 2002.

68. Осипов Г.С.Лекции по искусственному интеллекту М.: 2013. - 272 с

69. Основы экономического и социального прогнозирования / Под редакцией Мосина Н. - М.: Высшая школа, 1985.

70. Панасюк Б., Сергиенко И. Прогнозирование развития экономики Украины // Экономика Украины. - 1996. - №1.

71. Панасюк Б., Сменковский А. О некоторых методических подходах к краткосрочному прогнозированию макроэкономических показателей // Экономика Украины. - 1998. - №10.

72. Парсаданов Г.А. Прогнозирование и планирование социально-экономической систем страны. - М.: ЮНИТИ, 2001.

73. Парсаданов Г.А.,Егоров В.В. Прогнозирование национальной экономики. - М.: Высшая школа, 2002.

74. Поляков В.В. Прогнозирование мирового товарного рынка. М. : Экзамен, 2002. 14.

75. Попов В.А. Прогнозирование национальной экономики. Учебное пособие. - М.: Рос.экон. акад., 1997.

76. Попов Э.В. Экспертные системы .- М: Наука, 1987. - 288 с.

77. Поспелов Д.А. Искусственный интеллект. Справочник. Книга 2. Модели и методы, Радио и связь, 1990, 304 с.

78. Построение экспертных систем / Под ред. Ф. Хейеса-Рота и др. М: Мир, 1987.-441 с.

79. Проблемы методологии системного исследования. - М.: «Мысль», 1970.

80. Прогнозирование и планирование в условиях рынка : Учебное пособие / JI. П. Владимирова. - 6-е изд., перераб. и доп. - М. : Дашков и К°, 2006. -398с. :

81. Прогнозирование и планирование в условиях рынка: Учеб. пособие для вузов/Т.Г. Морозова, A.B. Пикулькин, В.Ф. Тихонов и др.; Под ред. Т.Г. Морозовой, A.B. Пикулькина. - М.: ЮНИТИ, 2000.

82. Прогнозирование и планирование в условиях рынка: Учебное пособие для вузов /Под ред. Т.Г. Морозовой, A.B. Пикулькина. — 2-е изд., перераб. и доп. — М.: ЮНИТИ-ДАНА, 2003. — 279 с.

83. Прогнозирование и планирование экономики : Учебник для вузов / Г. А. Кандаурова [и др.] ; ред. Г. А. Кандаурова, ред. В. И. Борисевич. - Минск : Современная школа, 2005. - 479с.

84. Прогностика. Терминология / Под ред. В.И. Сифорова. - М.: Наука, 1990.

85. Рабочая книга по прогнозированию / под ред. И.В. Бестужева-Лады. М.: Мысль, 1982. 15.

86. Розенблатт Ф. Принципы нейродинамики. Перцептроны и теория механизмов мозга М.: Мир, 1965. - 478 с.

87. Рорер Р. Введение в теорию систем, М.: Мир, 1974. - 464 с.

88. Румянцева З.П. Менеджмент организаций. Учебное пособие. - М.: Инфра-М 2001.

89. Саати М.А. Моделирование сложных систем. - М.: Наука, 1993.

90. Саати Т., Керне К. Принятие решений. Метод анализа иерархий. М.: Радио и связь, 1993. 16.

91. Саймон Г. Науки об искусственном М., Мир, 1972 г, с. 153

92. Сафонов B.C. Практическое использование волн Элиота в трейдинге: диагностика, прогнозирование и принятие решений. М. : Альпи- на Паблишер, 2002. 17.

93. Сафронова В.М. Прогнозирование и моделирование в социальной работе: Учеб. пособие для студ. высш. учеб. заведений. - М.: Издательский центр «Академия», 2002. - 192с.

94. Сидельников Ю.В. Теория и организация экспертного прогнозирования. М.: Изд-во ИМЭ и МО АН СССР, 1990.

95. Соколов Н. Динамика ВВП в основных группах стран // Проблемы прогнозирования. - 1998. - №1.

96. Социальная статистика: Учебник / Под ред. чл. - кор. РАН И.И. Елисеевой. - 3-е изд. перераб. и доп. - М.: Финансы и статистика, 2001.

97. Тельнов Ю.Ф. Интеллектуальные информационные системы. Учебное пособие. Московский международный институт эконометрики, информатики, финансов и права, 2003.

98. Терентьев Н. Анализ чувствительности инвестиционного проекта в условиях нелинейности и многофакторности // Инвестиции в России. 2007. № 4. С. 37.

99. Терентьев Н.Е. Многотрендовая модель прогнозирования развития компании с учетом рисков // Финансы и бизнес. 2008. №3. С. 78-92.

100. Терминологический словарь по прогностике, М, 1978 (2 изд. - 1990).

101. Тимофеева Н.М. Рекомендации по технологическому прогнозированию, М., Академия прогнозирования, 2003.

102. Уринцов А.И., Дик В.В. О компьютерных информационных системах формирования знаний и поддержки принятия решений на базе EPSS (ELECTRONIC PERFOMANCE SUPPORT SYSTEM) //Программные продукты и системы,. № 1, 2000.

103. Уринцов А.И., Дик В.В.Системы поддержки принятия решений и управления эффективностью бизнеса. Москва, МЭСИ, 2008.

104. Финн В. К. Искусственный интеллект. Методология, применения, философия, Издательство: Красанд.; 2011 г. 448 стр.

105. Ханк Д.Э., Уичерн Д.У., Райте А.Дж. Бизнес-прогнозирование : пер. с англ. 7-е изд. М. : Вильяме, 2003. 21.

Юб.Харкевич A.A. О ценности информации. //В сб.: «Проблемы кибернетики» Вып. 4. - М.: Физматгиз, 1960. - С.53-57.

107. Хартли P.JI. Передача информации. //В кн.: «Теория информации и ее приложения» /Пер. под ред. А.А.Харкевича. - М.: Физматгиз, 1959. - 305с.

108. Хеннан Г. Анализ временных рядов. М.: Наука, 1964.

Ю9.Хрусталёв Е.Ю. Когнитивная модель развития банковской системы

РФ// Экономика и математические методы, 2011. Т. 47. № 2. С. 117-127.

ПО.Хрусталёв Е.Ю., Хрусталёв O.E. Когнитивное моделирование развития наукоемкой промышленности (на примере оборонно-промышленного комплекса) //Экономический анализ: теория и практика,. 2013,. № 10. С. 2-10.

111. Хрусталёв Е.Ю. Теоретические основы построения семантической системы знаний об инновационном развитии экономики. //Дайджест^ финансы, 2013. № 3. С. 50-60.

112. Цигичко BJI. Прогнозирование социально-экономических процессов. М.: Финансы и статистика, 2007.

ПЗ.Цыгичко В. Основы прогнозирования систем. - М.: Финансы и статистика, 1986.

114. Шеннон К. Работы по теории информации и кибернетике. — М.: Изд-во иностранной литературы, 1963. с. 830

115. Шепитько Г.Е. Основы социального прогнозирования и моделирования, М., Институт социально-экономического прогнозирования и моделирования, 2004.

116. Шепитько Г.Е. Социальное прогнозирование и моделирование, М., РИО Академии ЭБ МВД России, 2005.

117.Шибалкин О.Ю. Проблемы и методы построения сценариев социально-экономического развития. М. : Наука, 1992. 20.

И8.Эддоус М., Стэнсфилд Р. Методы принятия решений : пер. с англ. / под ред. И.И. Елисеевой. М.: Аудит; ЮНИТИ, 1997.

119.Юрченко А. Моделирование социально-экономического развития

общества // Вестник МГУ: Экономика. - 1993. - №2.

143

120.Яковец Ю.В. Теоретические основы и модели долгосрочного макроэкономического прогнозирования, М., МИПС-НК, Технология ЦД, 2004.

121. Янч Э. Прогнозирование научно-технического прогресса. М. : Прогресс, 1974.

122. Ascher W., Forecasting. An Appraisal for Policy-Makers and Planners, Baltimora, The Johns Hopkins University Press, 1978

123. Colander D. The Complexity Revolution and the Future of Economics // Middlebury College Working Paper Series 0319 / Middlebury College, Department officonomics. 2003. P. 4.

124.Martino J. P., Technology Forecasting for Decision Making, 2nd.ed. New York, North-Holland, 1983

125. McCarthy John Recursive Functions of Symbolic Expressions and Their Computation by Machine, Part I. — Communications of the ACM, 1960. — T. 3.—№4.C. 184-195.

126. Meadows D., Charting the Way the World Works, Technology Review, 8, (February-March 1985), pp.55-63

127. Milett S.M. and Honton E.J., A Manager-s Guide to Technology Forecasting and Strategy Analysis Methods, Battelle Press, 1991

128. Minsky M. L., Papert S. A. Perceptrons.—Cambridge, MA: MIT Press

129. Minsky M., "Logical Versus Analogical or Symbolic Versus Connectionist or Neat Versus Scruffy", A1 Magazine, Vol. 65, No. 2, 1991, pp. 34-51

130. Rosenblatt F. The perceptron: A probabilistic model for information storage and organization in the brain // Psychological Review.— 1958.— 65.—

131.Rumelhart D. E., HintonG. E., Williams R.J. 1986. Learning internal re-prentations by error propagation. In Parallel distributed processing, vol. 1, pp. 31862. Cambridge, MA: MIT Press.

132. Sejnowski T. J., Rosenberg C. R. 1987. Parallel networks that learn to pronounce English text. Complex Systems 1:145-68

133. Stulz R. Risk Management Failures: What Are They and When Do They

Happen»//Working paper//SSRN, 2008. October.

144

ПРИЛОЖЕНИЯ: Приложение 1 -прогнозирование значений показателей

_ □! х|

=== ВВОД ИСХОДНЫХ ДАННЫХ ПО МНОГООТРАСЛЕВОЙ КОРПОРАЦИИ В СИСТЕМУ =ЭЙДОС= ===

1. ¡234.

Объединение

Формирование

Формирование

Формирование

Формирование

Формирование

Формирование

Формирование

исходных баз данных (БД) в одну общую БД

БД для модели-1: БД для модели-2: БД для модели-3: БД для модели-4:

показатели -предприятия= =Предприятия-холдинг= показатели -холдинг= показатели -предприятия-холдинг= БД для модели-5: прогнозирование значений показателей холдинга= БД для модели-б: =Прогнозирование динамики показателей холдинга= всех баз данных по очереди: <1-2-3-4-5-б-7-8>

Задайте номер режима: О

Рисунок П 1. Экранная форма меню программы объединения

исходных баз данных

l:\WINDOWS\system32\cmd.exe

ВНИМАНИЕ!!! Данный режим обеспечивает автоматическое формирование классификационных и описательных шкал и градаций, а также обучающей выборки на основе DBF-файла специального формата с исходными данными.

Этот DBF-файл может быть получен в Excel. В строках с 1-й по N-ю этого файла содержится информация о классификационных шкалах и градациях, а в строках с N+1-й по последнюю - об описательных шкалах и градациях. 1-й столбец этого файла должен быть типа: Текстовый, числовой, Дата и содержит информацию о наименованиях шкал. Для классов эти наименования должны быть не более 65 символов, а для признаков - не более 195. Столбцы со 2-го по последний содержат информацию об объектах обучающей выборки. Тип данных в этих столбцах - только числовой. Таким образом данный файл по сути дела является транспонированным файлом стандарта профессора Артура Николаевича Лебедева, система автоматически находит минимальное и максимальное значения в каждой строке классов или признаков и формирует заданное в диалоге количество ОДИНАКОВЫХ интервалов. Строки без чисел игнорируются. С использованием этой информации генерируется обучагацая выборка, в которой каждому столбцу DBF-файла исходных данных, начиная со второго, соответствует одна физическая анкета, содержащая столько логических анкет, сколько уникальных классов в диапазоне строк классов, и коды признаков, соответствующие попаданиям числовых значении в интервалы.

Tí l:\WINDOWS\system32\cmd.exe

1?

\Ш

=== ИМПОРТ ДАННЫХ ИЗ СТРАНСПОНИРОВАННОГО DBF-ФАЙЛА СТАНДАРТА A.H. ЛЕБЕДЕВА ===

=== ГЕНЕРАЦИЯ КЛАССИФИКАЦИОННЫХ ШКАЛ И ГРАДАЦИЙ === === ГЕНЕРАЦИЯ ОПИСАТЕЛЬНЫХ ШКАЛ И ГРАДАЦИИ === === ГЕНЕРАЦИЯ ОБУЧАЮЩЕЙ ВЫБОРКИ ===

Введите имя DBF-файла с исходными данными (не более 5 символов): Inp5 .dbf

Задайте номер последней строки с классами (в исходном файле): 8

КОЛИЧЕСТВО КЛАССИФИКАЦИОННЫХ ШКАП: 8 КОЛИЧЕСТВО ОПИСАТЕЛЬНЫХ ШКАЛ: 347

Задайте МАХ кол-во градации в классификационных и описательных шкалах: 200 11

Считать нули отсутствием данных? [1]-да, [2]-нет: 1

0: 0: 1 0: 0: 0

Генерация описательных шкал и градаций

Рисунок П 2. Экранные формы стандартного программного интерфейса _ 153 системы «Эйдос» для формализации предметной области

l:\WINDOWS\sy5tem32\cmd.exe И-|Е

10:23

Подсистема распознавания. Пакетное распознавание.

*

база результатов распознавания rasp.dbf не пуста и содержит данные по объектам распознаваемой выборки с кодами от 1 до 40.

Процесс распознавания был некорректно прерван и система восстановит данные. Начать процесс распознавания с начала: [1]; продолжить [2]: 1

Стадия выполнения

Пакетное распознавание...... Генерация БД: объект-классы.. Генерация БД: класс-объекты..

Интегральный критерии сходства: [1]-корреляция; [2]-сумма информации: 1

Задайте диапазон кодов распознаваемых объектов:

I \WINDOWSVsy5tem3?Vrmd еже

10:24

Подсистема распознавания. Пакетное распознавание.

N Наименование операции: % исп Стадия выполнения

1 2 3 35.0 _ я

пакетное распознавание...... яшшшшшшш

Генерация БД: объект-классы.. Генерация БД: класс-объекты..

Интегральный критерий сходства: [1]-корреляция; [2]-сумма информации: 1

Процесс распознавания запущен в 10: 23: 55 всего: 22587836 сек.с нач.года

■прошло с начала процесса 0: 1: 2 всего: 62 сек.

■Прогноз длительности исполнения 0: 2: 57 всего: 177 сек.

■ожидаемое время окончания 10: 26: 53 всего: 37613 сек.с нач.суток

■Средн.время идент-ии 1-й анкеты 0: 0: 4 всего: 4.433571 сек.

Ипрогноз времени до окончания 0: 1: 55 всего: 115 сек.

Класс распознавания с кодом: 50 не описан !!!

Рисунок П 3. Экранные формы режима прогнозирования системы «Эйдос» (_42)

Таблица-П 1 - Справочник классификационных шкал и градаций

ксю МАМЕ

1 В 1-м кв.: ВС.ПО ХОЛД.: Выручка от -1/5-{1162892.96, 2670154.94}

2 В 1-м кв.: ВС.ПО ХОЛД.: Выручка от -2/5-{2670154.94, 4177416.93}

3 В 1-м кв.: ВС.ПО ХОЛД.: Выручка от -3/5-{4177416.93, 5684678.92}

4 В 1-м кв.: ВС.ПО ХОЛД.: Выручка от -4/5-{5684678.92, 7191940.91}

5 В 1-м кв.: ВС.ПО ХОЛД.: Выручка от -5/5-{7191940.91, 8699202.90}

6 В 1-м кв.: ВС.ПО ХОЛД.: Себестоимость-1/5-{987604.22, 2217691.17}

7 В 1-м кв.: ВС.ПО ХОЛД.: Себестоимост-2/5-{2217691.17, 3447778.11}

8 В 1-м кв.: ВС.ПО ХОЛД.: Себестоимост-3/5-{3447778.11, 4677865.06}

9 В 1-м кв.: ВС.ПО ХОЛД.: Себестоимост-4/5-{4677865.06, 5907952.00}

10 В 1-м кв.: ВС.ПО ХОЛД.: Себестоимост-5/5-{5907952.00, 7138038.95}

11 В 1-м кв.: ВС.ПО ХОЛД.: Валовая прибыл-1/5-{111038.23, 362228.59}

12 В 1-м кв.: ВС.ПО ХОЛД.: Валовая прибыл-2/5-{362228.59, 613418.95}

13 В 1-м кв.: ВС.ПО ХОЛД.: Валовая прибыл-3/5-{613418.95, 864609.31}

14 В 1-м кв.: ВС.ПО ХОЛД.: Валовая прибы-4/5-{864609.31, 1115799.68}

15 В 1-м кв.: ВС.ПО ХОЛД.: Валовая приб-5/5-{1115799.68, 1366990.04}

16 В 1-м кв.: ВС.ПО ХОЛД.: Коммерческие ра-1/5-{74226.77, 212122.13}

17 В 1-м кв.: ВС.ПО ХОЛД.: Коммерческие р-2/5-{212122.13, 350017.49}

18 В 1-м кв.: ВС.ПО ХОЛД.: Коммерческие р-3/5-{350017.49, 487912.85}

19 В 1-м кв.: ВС.ПО ХОЛД.: Коммерческие р-4/5-{487912.85, 625808.21}

20 В 1-м кв.: ВС.ПО ХОЛД.: Коммерческие р-5/5-{625808.21, 763703.57}

21 В 1-м кв.: ВС.ПО ХОЛД.: Чистая прибыль-1/5-{37300.68, 191192.88}

22 В 1-м кв.: ВС.ПО ХОЛД.: Чистая прибыль-2/5-{191192.88, 345085.08}

23 В 1-м кв.: ВС.ПО ХОЛД.: Чистая прибыль-3/5-{345085.08, 498977.28}

24 В 1-м кв.: ВС.ПО ХОЛД.: Чистая прибыль-4/5-{498977.28, 652869.48}

25 В 1-м кв.: ВС.ПО ХОЛД.: Чистая прибыль-5/5-{652869.48, 806761.68}

26 В 2-м кв.: ВС.ПО ХОЛД.: Выручка от -1/5-{1162892.96, 2670154.94}

27 В 2-м кв.: ВС.ПО ХОЛД.: Выручка от -2/5-{2670154.94, 4177416.93}

28 В 2-м кв.: ВС.ПО ХОЛД.: Выручка от -3/5-{4177416.93, 5684678.92}

29 В 2-м кв.: ВС.ПО ХОЛД.: Выручка от -4/5-{5684678.92, 7191940.91}

30 В 2-м кв.: ВС.ПО ХОЛД.: Выручка от -5/5-{7191940.91, 8699202.90}

31 В 2-м кв.: ВС.ПО ХОЛД.: Себестоимость-1/5-{987604.22, 2217691.17}

32 В 2-м кв.: ВС.ПО ХОЛД.: Себестоимост-2/5-{2217691.17, 3447778.11}

33 В 2-м кв.: ВС.ПО ХОЛД.: Себестоимост-3/5-{3447778.11, 4677865.06}

34 В 2-м кв.: ВС.ПО ХОЛД.: Себестоимост-4/5-{4677865.06, 5907952.00}

35 В 2-м кв.: ВС.ПО ХОЛД.: Себестоимост-5/5-{5907952.00, 7138038.95}

36 В 2-м кв.: ВС.ПО ХОЛД.: Валовая прибыл-1/5-{111038.23, 362228.59}

37 В 2-м кв.: ВС.ПО ХОЛД.: Валовая прибыл-2/5-{362228.59, 613418.95}

38 В 2-м кв.: ВС.ПО ХОЛД.: Валовая прибыл-3/5-{613418.95, 864609.31}

39 В 2-м кв.: ВС.ПО ХОЛД.: Валовая прибы-4/5-{864609.31, 1115799.68}

40 В 2-м кв.: ВС.ПО ХОЛД.: Валовая приб-5/5-{1115799.68, 1366990.04}

41 В 2-м кв.: ВС.ПО ХОЛД.: Коммерческие ра-1/5-{75090.24, 212812.90}

42 В 2-м кв.: ВС.ПО ХОЛД.: Коммерческие р-2/5-{212812.90, 350535.57}

43 В 2-м кв.: ВС.ПО ХОЛД.: Коммерческие р-3/5-{350535.57, 488258.24}

44 В 2-м кв.: ВС.ПО ХОЛД.: Коммерческие р-4/5-{488258.24, 625980.90}

45 В 2-м кв.: ВС.ПО ХОЛД.: Коммерческие р-5/5-{625980.90, 763703.57}

46 В 2-м кв.: ВС.ПО ХОЛД.: Чистая прибыль-1/5-{37300.68, 191192.88}

47 В 2-м кв.: ВС.ПО ХОЛД.: Чистая прибыль-2/5-{191192.88, 345085.08}

48 В 2-м кв.: ВС.ПО ХОЛД.: Чистая прибыль-3/5-{345085.08, 498977.28}

49 В 2-м кв.: ВС.ПО ХОЛД.: Чистая прибыль-4/5-{498977.28, 652869.48}

50 В 2-м кв.: ВС.ПО ХОЛД.: Чистая прибыль-5/5-{652869.48, 806761.68}

Таблица-П 2- Справочник описательных шкал и градаций (фрагмент)

КОй МАМЕ

(1) 001.БАКАЛЕЯ ООО : ВЫРУЧКА ОТ РЕАЛИЗАЦИИ (ОТГРУЗКА)

1 -1/5-{59872.90, 134183.46}

2 -2/5-{134183.46, 208494.02}

3 -3/54208494.02, 282804.57}

4 -4/5-{282804.57, 357115.13}

5 -5/5-{357115.13, 431425.69}

(2) 001 .БАКАЛЕЯ ООО : СЕБЕСТОИМОСТЬ ПРИОБРЕТЕНИЯ

6 -1/5-{54663.07, 118938.13}

7 -2/5-{118938.13, 183213.19}

8 -3/5-{183213.19, 247488.26}

9 -4/5-{247488.26, 311763.32}

10 -5/5-{311763.32, 376038.38}

(3) 001 .БАКАЛЕЯ ООО : ВАЛОВАЯ ПРИБЫЛЬ

11 -1/5-{5162.30, 15521.75}

12 -2/5-{15521.75, 25881.20}

13 -3/5-{25881.20, 36240.64}

14 -4/5-{36240.64, 46600.09}

15 -5/5-{46600.09, 56959.53}

(4) 001 .БАКАЛЕЯ ООО : КОММЕРЧЕСКИЕ РАСХОДЫ:

16 -1/5-{4855.16, 12263.30}

17 -2/5-{12263.30, 19671.44}

18 -3/5-{19671.44, 27079.59}

19 -4/5-{27079.59, 34487.73}

20 -5/5-{34487.73, 41895.87}

(5) 001 .БАКАЛЕЯ ООО : ЧИСТАЯ ПРИБЫЛЬ

21 -1/5-{-3492.88, 18.59}

22 -2/5-{18.59, 3530.07}

23 -3/5-{3530.07, 7041.55}

24 -4/5-{7041.55, 10553.02}

(6) 002.РОССИНГРИДГРУПП : ВЫРУЧКА ОТ РЕАЛИЗАЦИИ

26 -1/5-{9786.15, 19110.09}

27 -2/5-{19110.09, 28434.03}

28 -3/5-{28434.03, 37757.96}

29 -4/5-{37757.96, 47081.90}

30 -5/5-{47081.90, 56405.84}

(7) ОО2.РОССИНГРИДГРУПП : СЕБЕСТОИМОСТЬ ПРИОБРЕТЕНИЯ:

31 -1/5-{7911.39, 16777.30}

32 -2/5-{16777.30, 25643.21}

33 -3/5-{25643.21, 34509.11}

34 -4/5-{34509.11,43375.02}

35 -5/5-{43375.02, 52240.93}

(8) ОО2.РОССИНГРИДГРУПП : ВАЛОВАЯ ПРИБЫЛЬ

36 -1/541268.93, 1848.12}

37 -2/541848.12, 2427.32}

38 -3/542427.32, 3006.52}

39 -4/543006.52, 3585.71}

40 -5/543585.71, 4164.91}

(9) 002.РОССИНГРИДГРУПП : КОММЕРЧЕСКИЕ РАСХОДЫ:

41 -1/54885.33, 1468.96}

42 -2/541468.96, 2052.58}

43 -3/542052.58, 2636.20}

44 -4/542636.20, 3219.82}

45 -5/543219.82, 3803.44}

(10) 002.РОССИНГРИДГРУПП : ЧИСТАЯ ПРИБЫЛЬ

46 -1/54-662.96, -351.06}

47 -2/54-351.06, -39.16}

48 -3/54-39.16, 272.73}

49 -4/54272.73, 584.63}

50 -5/5-{584.63, 896.53}

Таблица-П 3- Обучающая выборка: база заголовков

КОО 1БТ ИАМЕ 1БТ 1 2 3 4 5 6 7 8 9 10

1 2000 1К 1 6 11 16 21 26 31 36 41 46

2 2000 2К 1 6 11 16 21 26 31 36 41 46

3 2000 ЗК 1 6 11 16 21 26 31 36 41 46

4 2000 4К 1 6 11 16 21 26 31 36 41 46

5 2001 1К 1 6 11 16 21 26 31 36 41 46

6 2001 2К 1 6 11 16 21 26 31 36 41 46

7 2001 ЗК 1 6 11 16 21 26 31 36 41 46

8 2001 4К 1 6 11 16 21 26 31 36 41 46

9 2002 1К 1 6 11 16 21 26 31 36 41 46

10 2002 2К 1 6 11 16 21 26 31 36 41 46

11 2002 ЗК 1 6 11 16 21 26 31 36 41 46

12 2002 4К 1 6 11 16 21 26 32 36 41 46

13 2003 1К 1 7 11 16 21 27 32 36 41 46

14 2003 2К 2 7 11 16 21 27 32 36 41 46

15 2003 ЗК 2 7 11 16 21 27 32 36 42 46

16 2003 4К 2 7 11 17 21 27 32 36 42 46

17 2004 1К 2 7 11 17 21 27 33 37 42 46

18 2004 2К 2 8 12 17 21 28 33 37 42 46

19 2004 ЗК 3 8 12 17 21 27 33 37 42 46

20 2004 4К 2 8 12 17 21 28 33 37 42 46

21 2005 1К 3 8 12 17 21 28 33 37 42 47

22 2005 2К 3 8 12 17 22 29 34 38 43 47

23 2005 ЗК 4 9 13 18 22 28 33 37 43 46

24 2005 4К 3 8 12 18 21 29 34 38 43 47

25 2006 1К 4 9 13 18 22 29 35 38 43 48

26 2006 2К 4 10 13 18 23 30 35 39 44 48

27 2006 ЗК 5 10 14 19 23 29 34 38 44 47

28 2006 4К 4 9 13 19 22 29 34 38 44 47

29 2007 1К 4 9 13 19 22 30 35 39 44 48

30 2007 2К 5 10 14 19 23 30 35 40 44

31 2007 ЗК 5 10 15 19 29 34 39 44 48

32 2007 4К 4 9 14 19 23 29 34 39 45 48

33 2008 1К 4 9 14 20 23 30 35 40 45 48

34 2008 2К 5 10 15 20 23 30 35 40 45 49

35 2008 ЗК 5 10 15 20 24 28 33 38 44 47

36 2008 4К 3 8 13 19 22 28 33 38 44 47

37 2009 1К 3 8 13 19 22 28 33 38 44 47

38 2009 2К 3 8 13 19 22 29 34 38 44 47

39 2009 ЗК 4 9 13 19 22

40 2009 4К

Таблица-П 4- Обучающая выбо

зка: база значений факторов (фрагмент)

KOD IST 1 2 3 4 5 6 7 8 9 10 11

1 1 6 11 16 21 26 31 36 41 49 51

1 61 66 71 76 81 86 91 96 101 106 111

1 121 126 131 136 141 146 151 156 161 166 171

1 184 186 191 196 201 207 211 216 221 226 231

1 242 247 252 258 261 266 271 276 282 286 291

1 301 306 311 316 321 327

2 1 6 11 16 22 26 31 36 41 48 51

2 61 66 71 76 81 86 91 96 101 106 111

2 121 126 131 136 141 146 151 156 161 166 171

2 184 186 191 196 201 208 211 216 221 226 231

2 243 247 252 258 261 266 271 276 282 286 291

2 301 306 311 316 321 327 331 336 341 346 351

2 361 366 371 379 381 386 391 396 401 406 411

2 421 426 431 436 441 446 451 456 461 466 471

2 481 486 491 496 501 506 514 516 521 526 531

2 541 546 551 556 561 567 572 577 582 588 591

2 601 606 612 616 621 626 631 636 641 646 651

2 657

3 1 6 11 16 22 26 31 36 41 48 51

3 61 66 71 76 81 86 91 96 101 106 111

3 121 126 131 136 141 146 151 156 161 166 171

3 184 186 191 196 201 208 211 216 221 226 231

3 242 246 252 257 261 266 271 276 282 286 291

3 301 306 311 316 321 327 331 336 341 346 352

3 361 366 371 378 381 386 391 396 401 406 411

3 421 426 431 436 441 446 451 456 461 466 471

3 481 486 491 496 501 506 514 516 521 526 531

3 541 546 551 556 561 568 573 577 582 588 591

3 601 606 612 616 621 626 631 636 641 646 651

3 661 666 671 676 682 686 691 696 701 709 711

3 721 726 731 736 741 746 751 756 761 766 771

3 781 786 791 796 801 806 811 816 821 826 831

3 844 846 851 856 861 867 871 876 881 886 891

3 902 907 912 918 921 926 931 936 942 946 951

3 961 966 971 976 981 987