Прогнозирование и классификация экономических систем в условиях неопределенности методами искусственных нейронных сетей

Короткий опис

Год:
2004
Автор научной работы:
Смирнов, Вадим Игоревич
Ученая cтепень:
кандидат экономических наук
Место защиты диссертации:
Оренбург
Код cпециальности ВАК:
08.00.12
Специальность:
Бухгалтерский учет, статистика
Количество cтраниц:
210
Оглавление диссертации
кандидат экономических наук Смирнов, Вадим Игоревич

Введение
Глава 1. Аналитический обзор методов прогнозирования экономи- 10 ческих систем
1.1. Истоки и современное состояние прогнозирования
1.2. Типология прогнозов и основные направления прогнозирования 15 экономических систем
1.3. Математико-экономические методы прогнозирования
1.4. Основные методы моделирования и аналитического прогнозирова- 31 ния экономических систем
1.5. Сравнительный анализ традиционных методов прогнозирования с 48 нейронными сетями
Глава 2. Классификация и снижение размерности традиционными 62 статистико-математическими методами
2.1. Классификации как средство анализа и обработки статистической 62 информации
2.2. Методы классификации в социально-экономических исследованиях
2.3. Методы снижения размерности многомерных признаков
2.4. Сравнительный анализ традиционных методов классификации и 83 снижения размерности с нейронными сетями
Глава 3. Методика прогнозирования и классификации экономиче- 96 ских систем средствами искусственных нейронных сетей
3.1. Требования к информации, используемой для построения искусст- 96 венных нейронных сетей
3.2. Моделирование сложной экономической системы в условиях 107 неопределенности методами искусственных нейронных сетей
3.3. Аналитическое решение задач прогнозирования 119 и классификации в нейросетевом базисе
3.4. Показатели качества и адекватности моделей прогнозирования 134 в условиях неопределенности
3.5. Решение задач прогнозирования и классификации методами искус- 142 ственных нейронных сетей

Введение диссертации (часть автореферата)
На тему "Прогнозирование и классификация экономических систем в условиях неопределенности методами искусственных нейронных сетей"
Люди всегда стремились и стремятся к уменьшению влияния неизвестных и неконтролируемых факторов на результаты деятельности за счет получения дополнительной информации о том, что им неизвестно вообще или известно неточно. Этим и объясняется широкая распространенность в нашей жизни всевозможных предсказаний и прогнозов.
Актуальность темы. При использовании традиционных моделей в прогнозировании предполагается, что основные факторы и тенденции прошлого периода сохраняются на период прогноза или можно обосновать и учесть направление их изменений в перспективе. Однако в настоящее время, в условиях переходной экономики, социально-экономические процессы становятся очень динамичными. В этой связи исследователь часто имеет дело с новыми явлениями и с короткими временными рядами. При этом устаревшие данные часто оказываются бесполезными и даже вредными. Таким образом, возникает необходимость строить модели, опираясь в основном на малое количество самых свежих данных, наделяя модели адаптивными свойствами.
С другой стороны, процесс постоянного накопления новых знаний и информации об экономических системах, рост многообразия социальных явлений, развитие производства и создание новых технологий приводят к постепенному устареванию статистических классификаторов в части адекватного отображения классифицируемой информации. К тому же бурное развитие электронно-вычислительной техники стимулировало проведение в последние годы широких комплексных исследований сложных социально-экономических систем, таких, как образ и уровень жизни населения, совершенствование организационных систем, региональная дифференциация социально-экономического развития, планирование и прогнозирование отраслевых систем и др. В этих условиях выходят на первый план проблемы построения группировок и классификаций по многомерным данным.
В условиях определенности прогнозирование и классификация экономических систем успешно осуществляются на основе традиционных методов математической и экономической статистики. Это позволяет строить обоснованные модели систем в случае большого набора экспериментальных данных, достаточного для доказательства статистических гипотез о характере распределения, и при относительно равномерном их распределении в пространстве параметров. Однако, в условиях неопределенности при высокой стоимости экспериментальных данных, или невозможности получения достаточного их количества, или их высокой зашумленности, неполноте и противоречивости такие модели являются неработоспособными. В особенности опасно использование этих моделей при малых статистических выборках, так как полученные на них законы распределения могут быть неустойчивыми. В таких условиях наилучшими оказываются модели, построенные на базе нейронных сетей. Всё это обусловливает актуальность выбранной темы исследования.
Целью работы является разработка методики прогнозирования и классификации экономических систем, основанной на механизмах анализа данных поточными искусственными нейронными сетями. Для достижения указанной цели необходимо решить следующие задачи: провести теоретическое исследование и выяснить современное состояние проблем прогнозирования и классификации экономических систем; провести сравнительный анализ известных методов решения подобных задач; построить модель системы и разработать метод, обеспечивающий эффективное решение поставленной задачи; показать целесообразность и перспективность внедрения разработанного метода; реализовать разработанную методику для проверки эффективности практической реализации метода.
Методологическая основа. Методы прогнозирования и классификации любой сложной системы напрямую связаны с некоторой степенью неопределенности, присутствующей в исследуемой системе, что обусловлено самим понятием сложной системы и заложено в условиях ее функционирования. Проблема неопределенности занимает ключевое место в общей проблеме управления, и возможность ее решения рассматривают в применении новых информационных технологий, составной частью которых являются интеллектуальные средства обработки информации. Такими средствами являются нейронные сети, объединение которых с методами и моделями статистического, математико-экономического моделирования и прогнозирования, аналитического аппарата анализа сложных экономических систем, численными методами оптимизации, позволяет существенно расширить классы решаемых задач прогнозирования и классификации в управлении.
Теоретическая основа. Состояние вопроса в рассматриваемой области характеризуется обширным списком публикаций, посвященных статистическим, аналитическим, численным методам прогнозирования и классификации экономических процессов.
В области теории и практики разработки прогнозов необходимо отметить труды зарубежных ученых - Г. Тейла и Дж. Брайта, которые сформировали теоретическую базу экономического прогнозирования, а также В. Леонтьева, Дж. Мартино, Дж. Фон Неймана, О.Моргенштерна, Дж. Форрестера и др., доказавших в теории и на практике ценность прогнозов в принятии управленческих решений. Общеизвестны работы крупных ученых СССР И.В.Бестужева-Лады, А.Г. Ивахненко, В.М. Глушкова, И.П.Федоренко, А.И.Анчишкина, В.Г. Гмошиского, Г.М.Доброва, Ю.П.Лукашина, В.А. Лисичкина, Г.С. Кильдишева, Е.М. Четыркина, А.А.Френкеля.
Кроме этого следует также выделить работы по формированию классификаций, которыми в разное время занимались следующие отечественные учёные: Айвазян С.А., Бежаева Э.И., Божко В.П., Бухштабер В.М., Гаспари-ан М.С., Дубров A.M., Енюков И.С., Забелин В.Н., Коробов В.Н., Мхитарян B.C., Попов С.А., Полякова Н.А., Пряхина Е.В., Трошин Л.И., Шмелев В.В., а также зарубежные учёные: Болч Б., Джонстон Дж., Кейн Э., Ким Дж., Клекка У., Мандель И., Мьюллер Ч., Харман Г., Хуань К.
Однако, несмотря на довольно внушительный теоретико-практический фундамент классических методов следует отметить, что исследованию и анализу сложных экономических систем и в особенности их прогнозированию и классификации в условиях неопределенности посвящено незначительное количество работ, опубликованных в основном в последнее десятилетие.
Предметом исследования являются методологические основы прогнозирования и классификации в прикладных экономических исследованиях.
Объектом исследования выступают элементы сложной экономической системы АПК Самарской области.
Информационная база работы. Источником информации явились статистические материалы Самарского областного комитета государственной статистики и Администрации Самарской области, а также материалы публикаций в научных периодических изданиях, ресурсы сети Интернет. При определении методологических подходов использовались труды отечественных и зарубежных учёных в области прогнозирования и классификации экономических систем.
Научная новизна диссертационной работы заключается в разработке методики прогнозирования и классификации экономических систем в условиях неопределённости с использованием аппарата искусственных нейронных сетей. Отдельные элементы новизны содержатся в следующих результатах исследования, полученных лично автором и выносимых на защиту:
1. Выявлены преимущества моделирования и прогнозирования методами искусственных нейронных сетей по сравнению с традиционными ста-тистико-математическими методами, заключающиеся в том, что нейронные сети особенно эффективны в тех случаях, когда исходные данные сильно коррелированы либо неполны, рассматриваемой системе свойственна высокая степень нелинейности, не требуется никаких предположений относительно закона распределения вероятностей в совокупности данных.
2. На основе проведённого сравнительного анализа доказана большая универсальность и гибкость методов классификации и снижения размерности признаков с использованием искусственных нейронных сетей по сравнению с методами многомерного статистического анализа.
3. Разработан процесс аппроксимации исходной функции комбинацией элементарных функций и схема моделирования экономической системы методами искусственных нейронных сетей, где обоснована необходимость представления сложной экономической системы в виде «черного ящика», что учитывает фактор неопределенности путем обучения и адаптации модели.
4. Предложена схема эффективной аппаратно-программной реализации сконструированной нейронной сети, на основе которой построены модели прогнозирования производства хлебобулочных изделий, зерна и мяса; осуществлена классификация сельских районов Самарской области по уровню устойчивости темпов роста производства основных видов сельскохозяйственной продукции.
Практическая значимость. Результаты исследования могут быть применены в практической деятельности органов государственной статистики и административных учреждений с целью построения прогнозов и при усовершенствовании существующих статистических классификаторов. Выработанные практические положения и методические указания имеют универсальный характер и могут быть использованы для предсказания финансовых временных рядов, для предсказания риска банкротств и других предпринимательских рисков, для сравнительного анализа финансового состояния предприятий и построения различных рейтингов.
Апробация и внедрение результатов. Основные научно-практические результаты диссертационного исследования докладывались и обсуждались на всероссийских, межрегиональных и региональных конференциях и семинарах, опубликованы в периодических научных изданиях. Результаты работы были использованы в образовательном процессе на кафедре статистики и экономического анализа в ФГОУ ВПО «Оренбургский государственный аграрный университет» при преподавании дисциплин «Методы прогнозирования», «Многомерные статистические методы».
Структура диссертации. Рукопись состоит из введения, трех глав, заключения, списка литературы и приложений. Объём диссертации без приложений составляет 176 страниц машинописного текста, содержит 22 таблицы, 12 рисунков, 9 приложений. Список литературы включает 179 источников.

Список літератури

Заключение диссертации
по теме "Бухгалтерский учет, статистика", Смирнов, Вадим Игоревич
Результаты исследования могут быть применены в практической деятельности органов государственной статистики и административных учреждений с целью разработки социально-экономической политики, при построении прогнозов и при усовершенствовании существующих статистических классификаторов. Выработанные практические положения и методические указания имеют универсальный характер и могут быть использованы для предсказания финансовых временных рядов, дополняя существующие методики фундаментального и технического анализа фондового рынка, для предсказания риска банкротств и других предпринимательских рисков, для сравнительного анализа финансового состояния предприятий и построения различных рейтингов. Прикладной аспект теоретических разработок позволяет получить практический опыт для современных руководителей и специалистов в области стратегического управления,
164
Заключение
Настоящая работа освещает основной круг вопросов и проблем, отражающих основы прогнозирования и классификации сложных экономических систем на современном этапе. При этом обращено особое внимание на то, что идет интенсивно переход от индустриального общества к информационному. Соответственно этому на прогнозирование в целом, на составляющие его диагностико-прогнозирующие процедуры оказывает все большее влияние применение информационных технологий, информационных сетей и вычислительных систем, что повышает оперативность, качество и точность прогноза.
Вместе с тем, понятие прогноза, имея издавна общенаучное значение и определенные соотношения с другими различными понятиями и категориями, получает более емкое и широкое смысловое наполнение, повышается его роль в подготовке и принятии решений в различных отраслях.
Прогноз любого вида и направления современных форм бизнеса в материальном производстве, сфере услуг или интеллектуальной деятельности, в конечном счете, служит принятию решения «выгодно - невыгодно». Достигнуть этого возможно только осуществив необходимый анализ с применением тех или иных статистических, математико-экономических методов, в основе которых лежит моделирование.
Принцип комплексности по-прежнему имеет свою применимость, но он лишь важная составляющая системного подхода или информационно-системного подхода. С позиции последнего и требуется рассматривать объекты, процессы, явления как сложную систему, анализировать ее входы и выходы, внутренние и внешние связи и т. д. Это все более актуально, т. к. в информационном обществе командный стиль управления неуклонно уступает координационному, при котором не нарушаются системные принципы и особенно касающиеся взаимосвязи, взаимообусловленности, иерархичности.
Прогноз все более выполняет управленческую функцию в динамике принятия решений.
Новое поколение моделирующих и прогнозирующих систем должно не просто автоматизировать сбор, представление и анализ состояний сложных экономических систем, но и полностью или частично предвидеть последствия принятия управленческих решений и выработки управленческой стратегии. Для этого они должны приобрести свойства гибкости, адаптивности и интеллектуальности.
Наилучшее решение поставленной задачи можно получить в рамках нейрокибернетического подхода, заимствуя механизмы и принципы функционирования интеллекта человека, выработанные в ходе эволюции. Одним из наиболее мощных инструментов создания интеллектуальных систем управления являются ИНС, моделирующие базовые механизмы обработки информации в мозге. Исследования нейросетевых систем управления начались в 70-х годах и продолжают проводиться, привлекая все большее количество научных сил. Нейронные сети находят все более широкое применение в прогнозировании и классификации экономических систем, так как доказана их большая универсальность, гибкость, адаптивность по сравнению с традиционными методами математической и экономической статистики.
Объект управления в нейросетевых системах рассматривается, как черный ящик, подвергающийся внешним воздействиям. Цель системы управления - определить в процессе функционирования закон управления, который обеспечит оптимальное поведение объекта. Полученные результаты показали, что ИНС представляют собой не просто новое направление в теории моделирования и управления, а самостоятельную парадигму, в рамках которой общими для различных объектов управления методами решаются задачи моделирования, прогнозирования и классификации сложных экономических систем.
Главным научно-практическим итогом диссертации является разработка методики прогнозирования и классификации экономических систем в условиях неопределенности, которая включает алгоритмическое и программное описание решения подобных задач методами поточных ИНС и доказанная эффективность этого решения.
Результативность разработанных методик продемонстрирована на примах решения задач планирования производства хлебобулочных изделий, а также при прогнозировании производства зерна и мяса, при классификации сельских районов Самарской области по степени устойчивости темпов роста производства основных видов сельскохозяйственной продукции.
Наиболее перспективной областью внедрения результатов диссертации является, решение задач планирования производства различной продукции АПК и прогнозирования возможной прибыли от реализации ее в современных условиях. Такие задачи характеризуются многофакторностью, низким уровнем детерминизма и, как правило, противоречивой ретроспективной информацией о системе, что повышает уровень неопределенности.
Впрочем, бурно протекающий процесс информатизации многих прикладных областей экономического управления существенно расширяет круг потенциальных областей применения ИНС и основанных на них решениях.

Список литературы диссертационного исследования
кандидат экономических наук Смирнов, Вадим Игоревич, 2004 год
1. Babovic V., Keijzer M. Forecasting of river discharges in the presence of chaos and noise. // In book Copiny with floods: lessons learned from recent experiences, Marsalek. J. (ed), kluwer. Dordrecht, 1999.
2. Boulding К. E. General Systems Theory: The Skeleton of Science. //Management Science, 1956. 2.
3. Bright J. R. Evaluating signals of technological change, Harvard Business Review, January/February, 1970.
4. Cochrane, J. Time Series for Macroeconomics and Finance // University of Chicago, Graduate School of Business, 1997. 124 p.
5. Detlef Nauck, Rudolf Kruse A neuro-fuzzy method to learn fuzzy classification rules from data, fuzzy sets and systems 89(1997) P. 277 288.
6. Dinardo, J., Johnston, Jack, Johnston, John Econometric Methods, 4th Edition, McGraw-Hill, 1997. 531 p.
7. Dubois and Prade, Operations on fuzzy numbers. // International journal of System Science, 1978. 9. P. 612 626.
8. Friedman M., Wang M. and Kandel A. Numerical methods for calculating the fuzzy integral. // Fuzzy Sets and Systems, 1996. Vol.83. P. 57 62.
9. Fuller R. Introduction to neuro-fuzzy systems. 289 p.
10. Girosi F., Jones M., Poggio T. Regularization theory and neural network architectures. // Neural computation, 1995. Vol. 7. P. 219 269.
11. Greene, W.H. Econometric analysis, Prentice Hall, 4th Edition, 2000. -1004 p.
12. Guta M., Sinha K. Intelligent Control System. Theory and applications // IEEE PRESS, 1996, 820 p.
13. Haber R., Unbehauen H., Structure identification of nonlinear dynamic system survey on input/output approaches. // Autocratic, 1990. Vol. 26. P.651 677.
14. Hamilton, J.D. Time-Series Analysis, Princeton University Press, 1994. -820 p.
15. Hideo Tanaka, Haekwan Lee. Internal Regression Analysis by Quadratic Programming Approach // IEEE Trans, on Fuzzy. Sys., 1988. Vol. 6. №. 4, P. 473481.
16. Ikonen E., Najim K. Fuzzy naural networks and application to the FBC process // IEEE Proc. Control theory appl., 1996. 143(3). P. 259 269.
17. J. J. Buckleya, Yoichi Hayashib Can neural nets be universal approximators for fuzzy functions? Fuzzy Sets and Systems 101 (1999) P. 323 330.
18. Juhg-Hsien Chiany. Choquet Fuzzy Integral-Based Hierarchical Networks for Decision Analysis. // IEEE Trans. Fuzzy Systems. 1999. Vol. 1, No. 1, P.63-71.
19. Kandel A. Fuzzy Mathematical Techniques with Applications. Reading, MA, Addison-Wesley, 1986.
20. Keller M., Tahami H. Back propagation neural network for fuzzy logic. // Inf. Sci., 1992. 62. P. 205-211.
21. Knowledge Discovery Through Data Mining: What is Knowledge Discovery? //Tandem Computers Inc., 1996.
22. M. R. Emami, I. BurhaxTurksen, A. Goldlerg. Development of a Systematic Methodology of Fuzzy Logic Modeling. // IEEE Tran. of Fuzzy Sys., Vol. 6. №.3,P. 346-361.
23. McCade S., Davies P., Seidel D., On the use of nonlinear autoregressive moving average models for simulation and system identification //American Control Conference, 1991. P. 2559 2562.
24. Mesiav R., Fuller R., eds. Fuzzy sets and systems, Special issues on fuzzy arithmetic, 1997. № 2. 91 p.
25. Nauck D., Klawon F., Kruse R. Foundations on Neuro-fiizzy systems. Chichester. 1997.-320 p.
26. Perns M. Neural network, systems and conscious-ness. /Рус. перевод (Нейронные сети, квантовые системы и сознание). http://www.tribunes.com/tribune/ant97/peru 1 .htm
27. Pottman M., Unbehautn H., Seborg D., Application of general multi-model approach for identification of highly nonlinear processes a case study, // Inf. J.Control, 1993. Vol. 57. P. 97-120.
28. Rumelhart D.E., Hinton G.E., Williams R.J. Learning representations by back-propagating errors // Nature, 1986. V. 323. P. 533-536.
29. Schwartz P., The art of the long view, Doubleday, 1991.
30. Stotva S., Nikov A. A fuzzy back propagation algorithm. // Fuzzy sets and systems, 112 (2000) P. 27 39.
31. Sugeno M. Fuzzy measures and fuzzy integrals a survey, in fuzzy automata and Decision process, Gupta M. M., Saridis G. N., Gocines X. R., Eds. New York: North-Holland, 1977. P. 89- 102.
32. Verbeek, M. A Guide to Modern Econometrics, Wiley, 2000. 400 p.
33. Wasserman P. Neurocomputing. Theory and practice. Перевод. Ф. Уос-сермэн. Нейрокомпьютерная техника. М.: Мир, 1992.
34. William Voxman Some remarks on distances between fuzzy numbers fuzzy sets and systems 100(1998) P. 353 365.
35. Yan-Quing Zhang, Abraham Kandel. Compensatory neuro-fuzzy systems with fast leaning algorithm. // IEEE Trans on neural network: Vol. 9 No. 1, Jan. P. 83-91.
36. Zadeh L. A., Fuzzy logic, neutral networks and soft computing. // Com-mun. ACM, 1997. Vol. 37, P. 77 84.
37. Zadeh L. A. The roles of soft computing and fuzzy logic in the conception, design, and deployment of intelligent systems, in Proc. 4th Int. Conf. Soft Computing, Jizuka, Japan, Aug. 1986. P. 3 4.
38. Аверкин A. H. и др. Нечеткие множества в моделях управления и искусственного интеллекта. М.: Наука, 1987. — 430 с.
39. Агеев А. Д., Ильченкова 3. В. Решение систем линейных уравнений на нейронных структурах // Нейрокомпьютеры 1997. №1,2. С. 35 38.
40. Айвазян С. А., Мхитарян B.C. Прикладная статистика и основы эконометрики. М: ЮНИТИ, 1998. - 1022 с.
41. Айвазян С.А., Бежаева Э.И., Староверов О.В. Классификация многомерных наблюдений. М., «Статистика», 1974.
42. Айвазян С.А., Бухштабер В.М., Енюков И.С., Мешалкин Л.Д. Прикладная статистика. Классификация и снижение размерностей. М.: Финансы и статистика, 1989. 607 с.
43. Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика. Исследование зависимостей. М.: Финансы и статистика, 1985. 487с.;
44. Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика. Основы моделирования и первичная обработка данных. М., Финансы и статистика, 1983. 471 е.;
45. Андерсон Т. Статистический анализ временных рядов. М.: Мир, 1976. -755с.
46. Анищенко В. С., Вадивасова Т. Е., Астахов В. В. Нелинейная динамика хаотических и стохастических систем. Фундаментальные основы и избранные проблемы. Саратов: изд-во Саратов, ун-та., 1999. — 368с.
47. Арженовский С.В. Эконометрические методы. Курс лекций. Новочеркасск: НГТУ, 1998. - 86 с.
48. Барцев С.И., Охонин В.А. Адаптивные сети обработки информации. Препринт ИФ СО АН СССР, Красноярск, 1986, №59Б, 20 с.
49. Бестужев-Лада И.В. Окно в будущее. Современные проблемы социального прогнозирования. М., 1970.
50. Бешелев С.Д., Гурвич Ф.Г. Математико-статистические методы экспертных оценок. М.: Статистика, 1980. - 263 с.
51. Блинов В. Пакет STATISTICA рабочий инструмент для подготовки управленческих решений // Вопросы статистики. - 2002. - №9. - С.38-39.
52. Блинов С. Д. BrainMaker прогнозирование на финансовых рынках // Открытые системы. 1984. №4. С. 7 - 11.
53. Божко В.П., Гаспариан М.С., Забелин В.Н., Иванова Е.И., Пряхи-наЕ.В., Шмелев В.В. Информационные технологии в статистике: Учебное пособие/ Московский государственный университет экономики, статистики и информатики. М.: МЭСИ, 2002. - 96 с.
54. Бокс Дж., Дженкинс Г. Анализ временных рядов. Прогноз и управление. М.: Мир, 1974, вып. 1, 2 406 с.
55. Болч Б., Хуань К.Дж. Многомерные статистические методы для экономики. М., «Статистика», 1979.
56. Боровиков В. STATISTICA: искусство анализа данных на компьютере. Для профессионалов. СПб.: Питер, 2001. - 656с.
57. Вайну Я.Я. Корреляция рядов динамики. М., «Статистика», 1977.
58. Венсель В.В. Интегральная регрессия и корреляция: статистическое моделирование рядов динамики. М., «Финансы и статистика», 1983.
59. Винер Н. Кибернетика, управление и связь животных и машин. 2-е изд. -М.: 1968
60. Галушкин А. И., Судариков В. А. Адаптивные нейросетевые алгоритмы решения задач линейной алгебры // Нейрокомпьютер, 1992. № 1,2. С. 2128.
61. Гик Дж. Прикладная общая теория систем. М.: Мир, 1981.
62. Гладышевский А.И. Инвестиционные резервы экономического роста / Гладышевский А.И., Максимцова С., Рутковская Е. // Проблемы прогнозирования. 2002. - №5. - С. 14-28.
63. Глушков В.М. О прогнозировании на основе экспертных оценок // Науковедение. Прогнозирование. Информатика. Киев, 1970.
64. Глушков В.М. Основы безбумажной информатики. М.: Наука, 1987.
65. Глущенко В.В. Диагностико-прогнозирующие системы управления информационными процессами в сетевых объектах. СПб.: СПГУВК, 1999.
66. Глущенко В.В., Гаскаров В.Д. Щляхтов В.А. Модели и управление информационными технологиями /Задачи контроля и управления. СПб.: СПГУВК, 1997.
67. Глущенко В.В., Гаскаров Д.В., Строганов В.И., Солдатов А.А. Применение логико-динамических моделей для автоматизации управления производственными процессами /Управление транспортными системами. — СПб.: СПГУВК. 1997.
68. Голосов О.В., Охрименко С.А., Хорогиилов А.В. и др. Введение в информационный бизнес. — М.: Финансы и статистика, 1996.
69. Горбань А. Н., Россиев Д. А. Нейронные сети на персональном компьютере // Новосибирск: Наука (Сиб. Отделение), 1996. 276с.
70. Горбань А.Н., Дунин-Барковский В.Л., Миркес Э.М. и др. Нейроин-форматика. Новосибирск: Наука, 1998. — 364с.
71. Гранберг Д. Статистическое моделирование и прогнозирование. М.: Финансы и статистика, 1990.
72. Громова Н.М. Прогнозирование и планирование на предприятии. -СПб.: СПГУВК, 1997.
73. Джонстон Дж. Эконометрические методы, М.: Статистика, 1980, 446с.
74. Добров Г.М. Прогнозирование науки и техники. — М.: Наука, 1969.
75. Дубров A.M., Мхитарян B.C., Трошин Л.И. Математическая статистика для бизнесменов и менеджеров. М., МЭСИ, 1996, 140 е.;
76. Дубров A.M., Мхитарян B.C., Трошин Л.И. Многомерные статистические методы. — М.: Финансы и статистика, 1998.
77. Дубров A.M., Мхитарян B.C., Трошин Л.И. Многомерный статистический анализ в экономических исследованиях. — М., МЭСИ, 1988.
78. Дуброва Т.А. Статистические методы прогнозирования в экономике/ Московский международный институт эконометрики, информатики, финансов и права. — М., 2002. 50 с.
79. Дюк В. А. Обработка данных на ПК в примерах. СПб.: Питер, 1997.
80. Заде Л. А. Основы нового подхода к анализу сложных систем и процессов принятия решений // в кн.: Математика сегодня. М., 1974. С.5-49.
81. Заде Л. А. Размытые множества и их применение в распознавании образов и кластер анализе // в кн. Кластеризация и кластер. М.: Мир, 1980. С.208 247.
82. Иберла К. Факторный анализ. М., «Статистика», 1980.
83. Иванилов Ю.П., Лотов А.В. Математические модели в экономике. -М.: Наука, 1984.
84. Иванов Ю.Н., Токарев В.В., Уздемир А.П. Математическое описание элементов экономики. М.: Физико-математическая литература. Наука, 1994.
85. Ивахненко А. Г. Долгосрочное прогнозирование и управление сложными системами. К.: Техника, 1975. — 312 с.
86. Ивахненко А. Г. Системы эвристической самоорганизации в технической кибернетике. К.: Техника, 1971. 372 с.
87. Ивахненко А. Г. Самообучающиеся системы распознавания и автоматического управления. К.: Техника, 1969. — 392с.
88. Ивахненко А.Г. Долгосрочное прогнозирование и управление сложными системами. Киев, 1975.i
89. Иващенко Т.А., Кильдишев Г.С., Шмойлова Р.А. Статистическое изучение основной тенденции и взаимосвязи в рядах динамики. Томск, издательство Томского университета, 1985.
90. Ильменский М.Д. Применение новых информационных технологий в экономических исследованиях/Ильменский М.Д., Маракуев А.В., Пари-нов С.И.//Экономика и математические методы.-2003.-Т.39, №2.-С. 155-166.
91. Каллан Р. Основные концепции нейронных сетей.: Пер. с англ. М.: Издательский дом «Вильяме», 2001. - 288 с.
92. Кейн Э. Экономическая статистика и эконометрия. М.: Статистика, 1977.-255 с.
93. Кендалл М. Временные ряды. — М.: Финансы и статистика, 1981. -736с.
94. Кильдишев Г.С., Френкель А.А. Анализ временных рядов и прогнозирование. М.: Статистика, 1973. - 452 с.
95. Ким Дж.О., Мьюллер Ч.У., Клекка У.Р. и др. Факторный, дискрими-нантный и кластерный анализ. М.: Финансы и статистика. 1989.
96. Кириченко В.Н. Ускорение социально-экономического развития и перспективное планирование /Куранов Г.О., Сеченова В.В. и др.; Под ред.
97. B.Н. Кириченко. -М.: Экономика, 1987. 288с.
98. Киселев М., Соломатин Э. Средства добычи знаний в бизнесе и финансах // Открытые системы, 1997. № 4. С. 41 44.
99. Князевский B.C., Житников И.В. Анализ временных рядов и прогнозирование: Учеб. пособие. Ростов-на-Дону: РГЭА, 1998. - 161 с.
100. Князевский B.C., Молчанов И.Н. Статистические расчеты на компьютере с использованием 111111 Microstat. — Ростов-на-Дону: РГЭА, 1996. — 86 с.
101. Ковалева J1.H. Многофакторное прогнозирование на основе рядов динамики. М.: Статистика, 1980. — 48 с.
102. Количественные методы финансового анализа. /Пер. с англ. Под ред.
103. C. Дж.Брауна и М.П.Крицмена. М.: ИНФРА-М, 1996,
104. Колмогоров А.Н. и др. Введение в теорию вероятностей. М.: Наука, 1995.
105. Королев Ю.Г., Рабинович П.М., Шмойлова Р.А. Статистическое моделирование и прогнозирование. Учебное пособие. МЭСИ, 1985.
106. Кречетов Р. Продукты для интеллектуального анализа данных. //Рынок программных средств, 1997. № 14 — 15 С. 32-39.
107. Кричевский А.И. Основы системного анализа. Часть 1. Методология и основные компоненты системного анализа. Новосибирск: Изд-во НКЦ, 1994.
108. Круглов В. В., Борисов В. В. Искусственные нейронные сеты. Теория и практика. М.: Горячая линия-Телеком, 2001. 382 с.
109. Кузин Л. Т. Основы кибернетики. Т. 1,2. Математические основы кибернетики-М.: Энергия, 1973, 1979.
110. Курс социально-экономической статистики: Учебник для вузов/Под ред.проф. М.Г.Назарова. — М.: Финастатинформ, 2002. 796 с.
111. Лизер Р. Эконометрические методы краткосрочного прогнозирования. М., «Статистика», 1979.
112. Линник Ю. В. Избранные труды. Теория вероятностей. М.: Наука, 1981.-717с.
113. Лисичкин В.А. О достоверности прогнозов М., 1979.
114. Лисичкин В.А. Отраслевое научно-техническое прогнозирование — М., 1971.
115. Лисичкин В.А. Теория и практика прогностики М., 1972.
116. Логовский А. С. Зарубежные нейропакеты: современное состояние и сравнительные характеристики // Нейрокомпьютер.- 1998, № 1 — 2, С. 17-24.
117. Лукашин Ю.П. Адаптивные методы краткосрочного прогнозирования. -М.: Статистика, 1979. 254 с.
118. Льюис К.Д. Методы прогнозирования экономических показателей. — М.: Финансы и статистика, 1986. 130 с.
119. Магнус Я.Р., Катышев П.К., Пересецкий А.А. Эконометрика. Начальный курс. М.: Дело, 2000. - 400 с.
120. Макарова Н.В., Матвеев Л,А., Бройдо В.Л. и др. Информатика М.: Финансы и статистика, 1977.
121. Маленво Э. Статистические методы эконометрии. Вып. 1, 2. М. «Статистика», 1976.
122. Малинецкий Г. Г., Потапов А. Б. Русла и джокеры: о новых методах прогноза поведения сложных систем. // Препринт ИМП ИИ. М. В. Келдыша РАН, 2001.
123. Мандель И.Д. Кластерный анализ. М., «Финансы и статистика», 1988.
124. Манелля А.В., Юзбашев М.М. Статистический анализ тенденций колеблемости. М.: Финансы и статистика, 1983.
125. Мартино Дж. Технологическое прогнозирование. — М., 1977.
126. Месарович М., Мако Д., Такахара И. Теория иерархических многоуровневых систем /Пер. с англ.- М.: Мир, 1973.
127. Минаев Ю. Н., Грузинская Е. Т. Матричный принцип выполнения операций нечеткой математики и его программная реализация. //Электронное моделирование, 1988. №6. С. 31 36.
128. Минаев Ю. Н., Филимонова О. Ю. Нечеткая математика в нейросете-вом логическом базисе. // Вестник Киевского международного авиационного университета, 1998, №1, С. 164-171.
129. Мотышина М.С. Методы социально-экономического прогнозирования. Учебное пособие. СПб.: СПбУЭФ, 1994. - 84 с.
130. Мхитарян B.C., Дубров A.M., Трошин Л.И. Многомерный статистический анализ в экономике. М., МЭСИ, 1995, 149 е.;
131. Мхитарян B.C., Трошин Л.И. Исследование зависимостей методами корреляции и регрессии. М., МЭСИ, 1995, 120 е.;
132. Мхитарян B.C., Трошин Л.И. Статистическая оценка параметров и проверка гипотез. М., МЭСИ, 1977.
133. Мхитарян B.C., Трошин Л.И. Статистические методы изучения связей экономических явлений. М., МЭСИ, 1983.
134. Настенко А. Д., Васина Т. В. Прогнозирование отраслевого и регионального развития. — М.: Гелиос, 2002. — 144с.
135. Негойце К. Применение теории сложных систем к проблемам управления /Пер. с румынского М.: Мир, 1981.
136. Нейман Дж. Фон, Моргенштерн О. Теория игр и экономическое поведение/Пер. с англ. М.: Прогресс, 1967.
137. Нейронные сети. STATISTICA Neural Networks: Пер. с англ. М.: Горячая линия — Телеком, 2001 - 182 с.
138. Орловский С. А. Проблемы принятия решений при нечеткой исходной информации. М.: Наука, 1981. 208 с.
139. Петти В. Экономические и статистические работы. — М., 1940.
140. Пивоваров С.Э. Методология комплексного прогнозирования отрасли. -Л.: 1984.
141. Попов С.А., Полякова Н.А. Классификация сложных систем по методологическим отличиям / Высшее образование в современных условиях. Всероссийская научно-методическая конференция. Тезисы докладов. СПб.: СПГУВК, 1996.
142. Пуарье Д. Эконометрия структурных изменений (с применением сплайн-функций). М.: Финансы и статистика, 1981. - 183 с.
143. Рабочая книга по прогнозированию / Под ред. Бестужева-Лады. М., 1976.-302 с.
144. Рабочая книга по прогнозированию. — М.: Мысль, 1982. — 430 с.
145. Розенблатт Ф. Принципы нейродинамики. Перцептрон и теория механизмов мозга. М.: Мир, 1965. 320 с.
146. Рябушкин Т.В. Методологические методы анализа и прогноза краткосрочных процессов. М., «Статистика», 1979.
147. Саати Т. Принятие решений. Метод анализа иерархий /Пер. с англ. -М.: Радио и связь, 1993.
148. Садовникова Н.А., Шмойлова Р.А. Анализ временных рядов и прогнозирование. Учебное пособие/ Московский государственный университет экономики, статистики и информатики. М., 2001. - 67 с.
149. Саркисян С.А. и др. Анализ и прогноз развития больших технических систем. М., 1982.
150. Сигел Э. Практическая бизнес-статистика.: Пер.с англ. М.: Издательский дом «Вильяме», 2002. - 1056 с.
151. Скучалина Л. Н., Крутова Т.А. Организация и ведение базы данных временных рядов. Система показателей, методы определения, оценки прогнозирования информационных процессов. ГКС РФ. М., 1995. — 48 с.
152. Справочник по теории автоматического управления. Под.ред. А.А.Красовского. М.: Наука, 1987. - 711с.
153. Статистическое моделирование и прогнозирование. Учебное посо-бие./Под ред. А. Г. Гранберга. М.: Финансы и статистика, 1990. - 383 с.
154. Судариков В. А. Исследование адаптивных нейросетевых алгоритмов решения задач линейной алгебры // Нейрокомпьютеры 1992. №3-4. С. 13 20.
155. Сутягин B.C. О соотношении научных прогнозов и государственных программ социально-экономического развития. // Проблемы прогнозирования. 1998. - №1. - С.4-12.
156. Тейл Г. Экономические прогнозы и принятие решений. М.: Прогресс, 1971.-510 с.
157. Терехов JI.JI. Социально-экономическое прогнозирование. Учебное пособие. Ростов-на-Дону: Изд-во РГПУ, 1995. - 68 с.
158. Тихонов А. Н., Арсенин В. Я. Методы решения некорректных задач. М.: Наука. 1986.-288 с.
159. Тюрин Ю. Н., Макаров А. А. Статистический анализ данных на компьютере. М.: ИНФРА-М, 1998. 528 с.
160. Тюрин Ю.Н. Статистические методы экспертных оценок. М.: Наука, 1977.
161. Уоссерман Ф. Нейрокомпьютерная техника теория и практика. М.: Мир, 1992.-240 с.
162. Френкель А.А. Прогнозирование производительности труда: методы и модели. М.: Экономика, 1989. - 389 с.
163. Хаджиев В., Молчанов И.Н. Статистическое программное обеспечение: тенденции и особенности развития //Вопросы статистики, 2001. № 1. -С.44—47.
164. Хаджиев В.И., Молчанов И.Н. Тенденции развития эконометрическо-го программного обеспечения //Вопросы статистики. 2002. - №4. - С.58-60.
165. Ханк Д.Э., Уичерн Д.У., Райте А.Жд. Бизнес-прогнозирование, 7-е издание.: Пер. с англ. — М.: Издательский дом «Вильяме», 2003. — 656 с.
166. Харман Г. Современный факторный анализ. М., «Статистика», 1972.
167. Хасаев Г.Р., Цыбатов В.А. Технология прогнозирования регионального развития: опыт разработки и использования // Проблемы прогнозирования. 2002. - №3. - С.64-82.
168. Хеддервик К. Финансово-экономический анализ деятельности предприятий. /Пер с англ.- М.: Финансы и статистика., 1996.
169. Цыгичко В.Н., Клоков В.В. Основные принципы описания сложных организационных систем // Диалектика и системный анализ. — М.: Наука, 1986.
170. Четыркин Е.Н. Статистические методы прогнозирования. М.: Статистика, 1977. - 200 с.
171. Шеннон Р. Имитационное моделирование систем — Искусство и наука.-М.: Мир, 1978.
172. Шураков В.В., Дайибегов Д.М., Мизрохи С.В., Ясеновский С.В. Автоматизированное рабочее место для статистической обработки данных. — М.: Финансы и статистика, 1990.
173. Эйкхофф П. Основы идентификации систем управления. /Пер. с англ. М.: Мир, 1975. 687 с.
174. Эйрес Р. Научно-техническое прогнозирование и долгосрочное планирование. М.: Мир, 1971.
175. Экономико-математические методы и прикладные модели. (Под ред. В.В. Федосеева). М.: «Юнити», 1999.
176. Экономическая статистика. 2-е изд., доп.: Учебник/Под ред. Ю.Н.Иванова. М.:ИНФРА-М, 2000. - 480 с.
177. Элти Дж., Кубис М. Экспертные системы: концепции и примеры. — М: Финансы и статистика, 1987.
178. Юсупов P.M., Бакурадзе Д.В. Об одном типе моделей экономического развития информационного общества. / Вопросы прикладной информатики, Сб.научн.тр. СПб.: 1993.
179. Яковлев В. JL, Яковлев Г. JL, Лисицкий Л. А. Создание математических моделей прогнозирования при помощи нейросетевых алгоритмов. //Информационные технологии.
180. Янч Э. Прогнозирование научно-технического прогресса.- М.: Прогресс, 1974.-590 с.