Модели и методы экспресс-анализа инвестиционных проектов на основе теории нечетких множеств и искусственных нейронных сетей тема диссертации по экономике, полный текст автореферата
Автореферат
| Ученая степень | кандидат экономических наук |
| Автор | Забоев, Михаил Валерьевич |
| Место защиты | Санкт-Петербург |
| Год | 2009 |
| Шифр ВАК РФ | 08.00.13 |
Диссертация
Автореферат диссертации по теме "Модели и методы экспресс-анализа инвестиционных проектов на основе теории нечетких множеств и искусственных нейронных сетей"
САНКТ-ПЕТЕРБУРГСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ
МОДЕЛИ И МЕТОДЫ ЭКСПРЕСС-АНАЛИЗА ИНВЕСТИЦИОННЫХ ПРОЕКТОВ НА ОСНОВЕ ТЕОРИИ НЕЧЕТКИХ МНОЖЕСТВ И ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ
Специальность 08.00.13. - Математические и инструментальные методы
экономики
АВТОРЕФЕРАТ
диссертации на соискание ученой степени кандидата экономических
00346472 1
Санкт-Петербург 2009
003464721
Работа выпонена на кафедре информационных систем в экономике экономического факультета Санкт-Петербургского государственного университета
Научный руководитель: кандидат технических наук, профессор
Ботвин Геннадий Алексеевич
Официальные оппоненты: доктор экономических наук, профессор
Дуболазов Виктор Андреевич
кандидат экономических наук, доцент Михайлов Михаил Витальевич
Ведущая организация: Санкт-Петербургский государственный
инженерно-экономический университет
Защита состоится л,?? 2009г. в л _ часов на заседании
Совета Д.212.232.34 по завдйе докторских и кандидатских диссертаций при Санкт-Петербургском государственном университете по адресу: 191123, Санкт-Петербург, ул. Чайковского, д.62, экономический факультет, ауд.
С диссертацией можно ознакомиться в библиотеке им. A.M. Горького Санкт-Петербургского государственного университета.
Автореферат разослан л__2009 г.
Ученый секретарь диссертационного совета, кандидат экономических наук, доцент
ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ
Актуальность исследования. В настоящее время мировая финансовая система переживает кризисные явления, кроме того в России еще продожается процесс становления рыночных отношений, что создает специфические условия для функционирования отечественных предприятий. Компании вынуждены принимать решения, находясь в рамках экономической конъюнктуры, характеризующейся высокой степенью неопределенности внешней среды.
Важной предпосыкой успешного развития любой крупной компании в высококонкурентной среде является ее активная и непременно эффективная инвестиционная деятельность. Процесс формирования оптимальной инвестиционной политики компании содержит этап, заключающийся в предварительном рассмотрении всего множества потенциальных проектов и обоснованном выборе наиболее выгодных из них для дальнейшего изучения и реализации. Таким образом, приходится за короткое время оценивать большой объем инвестиционных проектов, степень проработанности которых, как правило, недостаточна. При этом в условиях высокой неопределенности в распоряжении имеются весьма ограниченные, непоные, неточные сведения. В подобных противоречивых условиях целесообразно проведение лишь экспресс-анализа проекта, в рамках которого из-за недостатка информации затруднено и малоэффективно как применение стандартных подходов оценки экономической эффективности проектов, так и использование имеющихся инструментальных средств анализа, среди которых отсутствуют продукты, адаптированные к особенностям процедуры экспресс-анализа.
В описанной ситуации оправданным представляется использование элементов теории нечетких множеств и искусственных нейронных сетей, благодаря чему многие факторы неопределенности могут быть формализованы и корректно учтены в процессе оценки проекта. Использование на практике подобных сложных и ресурсоемких, но эффективных систем обработки данных и извлечения знаний из располагаемой информации стало возможным благодаря бурному развитию и широкому распространению в последние десятилетия вычислительной техники, а также доступности и большому выбору соответствующих про1раммных продуктов.
Актуальность темы диссертации определяется тем, что отечественные компании нуждаются в эффективных методах оценки инвестиционных проектов в рамках экспресс-анализа, которые могли бы максимально поно использовать всевозможную информацию о проекте и при этом имели бы широкие возможности автоматизации.
Степень разработанности темы исследования. Проблемам стратегического управления предприятиями и обоснования инвестиционных решений посвящены работы зарубежных и отечественных авторов таких, как
Мескон M., Хедоури Ф., Шарп У., Смоляк С.А., Воронцовский A.B., Вадайцев C.B. и других. Специфика инвестиционной деятельности применительно к строительной отрасли в современных условиях России раскрывается в трудах отечественных авторов: Асаула H.A., Бузырева В.В., Заренкова В.А. и других. Проблемы решения задач многокритериального оценивания, в том числе, в рамках инвестиционного анализа, изложены в работах: Хованова Н.В., Царева В.В. и др.
Основные положения теории нечетких множеств и возможности их практического применения широко исследуются в работах Заде Л.А., Леоненкова A.B., Кофмана А., Недосекина А.О., Хил Алуха X., Ярушкиной Н.Г., данное направление очень популярно среди японских авторов: Tanaka H., Uejima S., Yun-His О. Chang и др.
Исследования в области построения и использования аппарата искусственных нейронных сетей представлены в работах Круглова В.В., МакКалока У., Минского M., Пайперта С., Пилиньского М., Розенблатта Ф. и других ученых.
Детальный анализ публикаций показал глубокую степень разработки теоретических основ нечетко-множественнных и нейросетевых методов, а также их приложений в технических областях знаний и отраслях производства. Однако отчетливо обнаружися недостаток комплексного использования подобных методов в финансовом, экономическом и инвестиционном анализе. Возможности оценки с помощью теории нечетких множеств и нейронных сетей инвестиционной привлекательности строительных проектов, столь значимых в рамках экономики региона и даже страны, в литературе практически не представлены, что говорит о необходимости проведения исследований в данном направлении и подтверждает актуальность заявленной темы диссертации.
Цель и задачи исследования. Целью диссертационного исследования является разработка комплекса методов и моделей проведения экспресс-анализа инвестиционных проектов в условиях высокой степени неопределенности, присущей стадии инициации проекта, на основе аппарата теории нечетких множеств и искусственных нейронных сетей.
Для достижения указанной цели необходимо решить следующие задачи:
- выявить и исследовать основные факторы неопределенности и риска, характерные для начальных этапов оценки и реализации инвестиционных проектов;
- систематизировать существующие методы учета неопределенности и риска при принятии инвестиционных решений и проанализировать их эффективность на примере строительной отрасли;
- провести анализ методологических основ теории нечетких множеств и искусственных нейронных сетей и возможности комплексного использования элементов этих теорий для обоснования эффективности инвестиций в условиях недостаточной и неточной информации;
- разработать экономико-математические модели расчета показателей инвестиционных проектов в нечетко-множественной форме;
- разработать методы проведения экспресс-анализа инвестиционного проекта на стадии инициации, опирающиеся на элементы теории нечетких множеств и искусственных нейронных сетей и использующие возможности современных программных продуктов;
- осуществить практическую реализацию полученных моделей и методов в рамках оценки показателей эффективности реального инвестиционного проекта.
Объектом исследования являются предприятия различных организационно-правовых форм, осуществляющие инновационную и инвестиционную деятельность.
Предметом исследования является процесс принятия решения о целесообразности реализации инвестиционного проекта в рамках его предварительного экспресс-анализа.
Методология исследования. Теоретической и методологической основой диссертационного исследования являются монографии, пособия и публикации в периодической печати российских и зарубежных авторов, посвященные таким областям научного знания, как теория нечетких множеств, искусственные нейронные сети, мягкие вычисления, имитационное моделирование, математическое программирование, управление инвестициями, экономика недвижимости, разработка экспертных систем, а также ресурсы сети Интернет и материалы конференций и семинаров.
В рамках проведения исследований в работе использовались следующие научные методы: системный анализ, методы инвестиционного анализа, методы математического программирования, методы теории нечетких множеств и искусственных нейронных сетей, метод экспертных оценок.
Инструментальная поддержка разработанных методов заключается в использовании таких программных средств, как интегрированная программная среда Matlab и ее приложения, язык программирования Matlab, программное обеспечение для моделирования и анализа динамических систем Simulink, пакет статистического анализа EViews от компании QMS (Quantitative Micro Software), аналитическая платформа Deductor отечественных разработчиков.
Информационную базу исследования составили данные по основным показателям развития экономики России, данные, характеризующие динамику развития строительной отрасли России и Санкт-Петербурга.
Научная новизна состоит в том, что в диссертационном исследовании дано оригинальное эффективное решение актуальной научно-практической задачи оценки инвестиционных проектов на стадии их инициации, заключающееся в разработке методов экспресс-анализа, позволяющих учесть весь имеющийся объем неоднородной информации о проекте.
Научная новизна диссертационного исследования определяется следующими результатами, выносимыми на защиту:
- произведена классификация ситуаций риска и неопределенности применительно к хозяйственной деятельности предприятий и дана
характеристика традиционных методов обоснования инвестиций в условиях неопределенности с точки зрения их эффективности при анализе инвестиционных проектов;
- разработаны методы оценки показателей эффективности инвестиционных проектов в нечетко-множественном виде, преимущества которых состоят в возможности в поной мере сохранить исходную разнородную, трудноформализуемую информацию о проекте и представить ее аналитику в интуитивно понятной форме:
о метод расчета чистой настоящей стоимости (NPV) в виде нечетких чисел стандартной и произвольной формы, что позволяет инвестору формировать объективную оценку проекта, в том числе, с точки зрения уровня риска, связанного с его реализацией; о методы расчета показателей дисконтированного срока окупаемости (DPP) в точной форме и внутренней нормы доходности (IRR) в точной форме и в форме треугольного нечеткого числа в ситуации, когда компоненты чистого денежного потока представлены нечеткими числами произвольной формы;
- разработан метод применения аппарата искусственных нейронных сетей для построения графика распределения затрат на реализацию инвестиционного проекта во времени, в рамках которого проект рассматривается не изолированно, а с учетом специфики деятельности конкретной организации;
- построена модель экспертной системы, предназначенной для определения себестоимости инвестиционного проекта на основе ограниченного объема доступной информации о параметрах проекта, которая содержит компоненты мягких вычислений, в частности, механизм нечеткого вывода, в котором параметры оптимальным образом настраиваются с помощью искусственной нейронной сети;
- предложен пример проведения экспресс-анализа инвестиционно-строительного проекта в условиях неопределенности на основе теории нечетких множеств и искусственных нейронных сетей, на базе информационного материала строительного ходинга и динамики развития строительной отрасли России и Санкт-Петербурга. Теоретическая и практическая значимость работы заключается в
следующих основных результатах:
- в диссертационном исследовании разработаны методы расчета показателей эффективности инвестиционных проектов в нечеткой форме, что дает возможность эффективно решить научно-экономическую задачу обоснования компаниями инвестиционных проектов в рамках экспресс-анализа;
- результаты обобщения и развития теоретических основ нечетко-множественного анализа, теории искусственных нейронных сетей, а также гибридных систем и нечеткого регрессионного анализа, содержащиеся в работе, могут быть использованы для дальнейших
научных исследований, а также в решении широкого круга практических задач в различных областях деятельности;
- практическая значимость диссертации состоит в универсальности разработанных моделей и методов и доступности используемых инструментальных средств, что позволяет предприятию любой организационно-правовой формы, осуществляющему инновационную и инвестиционную деятельность, применять основные результаты диссертационного исследования в процессе экспресс-анализа инвестиционных проектов;
- аналитический материал и научные результаты, изложенные в диссертации, могут быть включены в учебные программы ВУЗов в рамках дисциплин, посвященных вопросам искусственного интелекта, инвестиционного анализа, экономики недвижимости.
Научная апробация и внедрение результатов исследовании. Основные положения и результаты, полученные в диссертационном исследовании, обсуждались и изложены в материалах:
- Ежегодной научно-практической конференции Актуальные проблемы менеджмента в России на современном этапе: пути достижения высокой конкурентоспособности, Санкт-Петербург, СПбГУ, Экономический факультет, 16 декабря 2005 года;
- Политехнического Симпозиума: Молодые ученые - промышленности Северо-Западного региона, Санкт-Петербург, СПбГПУ, 8 декабря 2006 года;
- Международной научной конференции: Экономическое развитие: теория и практика, Санкт-Петербург, СПбГУ, Экономический факультет 5-7 апреля 2007 года;
- 8-го Всероссийского симпозиума по прикладной и промышленной математике, Сочи-Адлер, 29 сентября - 7 октября 2007 года;
- 13-ой международной конференции Предпринимательство и реформы в России, Санкт-Петербург, СПбГУ, Экономический факультет, 25-26 октября 2007 года;
- Всероссийского форума студентов, аспирантов и молодых ученых Наука и инновации в технических университетах, Санкт-Петербург, СПбГПУ, 10-12 октября 2007 года;
- Политехнического Симпозиума: Молодые ученые - промышленности Северо-Западного региона, Санкт-Петербург, СПбГПУ, 6 декабря 2007 года.
Основные результаты исследования были внедрены в практическую деятельность ЗАО Управляющая компания - Строительный ходинг Эталон-ЛенСпецСМУ в процессе проведения экспресс-анализа потенциальных инвестиционно-строительных проектов. Отдельные материалы диссертации были использованы при проведении лекционных и семинарских занятий на экономическом факультете СПбГУ в рамках дисциплин: Информатика и Информационные технологии в экономике.
Публикации. Основные результаты диссертационного исследования опубликованы в трех научных статьях и тезисах материалов конференций общим объемом 1,5 п.л.
Объем и структура работы. Диссертация состоит из введения, трех глав, заключения, списка использованной литературы и 9 приложений. Диссертация изложена на 181 странице, включает 15 таблиц, 30 рисунков, 1 диаграмму.
ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ
Во введении обосновывается актуальность диссертации, определяются цель и основные задачи работы, аргументируется научная новизна исследования, излагается его теоретическая значимость и прикладное значение.
В первой главе (Проведение экспресс-анализа инвестиционных проектов: особенности, важность, методы) описываются особенности реализации инвестиционных проектов в рамках сложившейся на сегодняшний день в России экономической конъюнктуры. В контексте этих особенностей (высокая степень неопределенности, связанная с последствиями кризиса в экономике страны 90-х годов, острая конкуренция за укрепление позиций на рынках, находящихся в процессе формирования) рассматривается эффективность, и выявляются слабые места традиционных методов обоснования инвестиций в условиях неопределенности и риска.
Далее производится анализ состояния и тенденций развития строительной отрасли России (см. таблицу 1 и диаграмму 1), которая является показательной, занимая ведущее место в экономике страны, так как она обслуживается более чем 70 другими отраслями экономики, при этом строительной деятельностью в нашей стране по данным за 2007 год заняты более 5 мн. человек.
Таблица 1. Динамика объема работ, выпоненных по виду экономической деятельности строительство
Годы 1992 1995 2000 2001 110,4 2002 2003 2004 2005 2006 2007
В процентах (в сопоставим ых ценах) к предыдуще му году 64 93,8 113,5 102,9 112,8 110,1 113,2 118,1 118,2
к 1990 63 41,3 36,1 39,9 41 46,3 51 57,7 68,1 80,5
Тыс. кв. метров общей площади
1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008
Диаграмма 1. Ввод в действие жилых домов в России
Исследование строительной отрасли в России позволяет выявить присущие ей специфические черты, основными из которых являются
высокая капитале- и материалоемкость процесса производства, необходимость больших капиталовложений на самых ранних стадиях строительства, длительный производственный цикл, что предполагает необходимость предъявления повышенных требований к качеству оценки эффективности инвестиционно-строительных проектов. В рамках конкурентной борьбы на строительном рынке наиболее распространенным способом адаптации стало формирование крупных вертикально-интегрированных ходингов, принявших на себя функции девелоперов -организаций, инициирующих и обеспечивающих реализацию наилучшего из возможных вариантов развития недвижимости, включая организацию финансирования проекта.
В работе подробно исследуется объект экономического анализа в рамках осуществления инвестиционной деятельности - инвестиционный проект. С точки зрения доступных средств и методов проведения экономической оценки полный цикл реализации инвестиционного проекта не является однородным, так как па разных его стадиях в распоряжении исследователя имеется различный объем и качество информации, цели анализа также зависят от этапа реализации проекта. Наиболее существенными являются следующие стадии реализации инвестиционного проекта:
Х инициация проекта;
Х разработка и планирование;
Х внедрение проекта;
Х распоряжение результатами проекта.
Наибольшие отличия в методах и инструментарии экономического анализа инвестиционного проекта имеют место в отношении первого этапа реализации проекта, что определяется специфическими особенностями стадии инициации. Отличия объясняются тем, что на этапе инициации можно рассчитывать лишь на очень небольшой объем информации о проекте, которая к тому же зачастую оказывается неточной, трудноформализуемой, так как представляет собой лишь предварительные оценки, мнения и предположения экспертов. В отличие от более поздних этапов на стадии инициации, в условиях дефицита времени и информации составление подробных календарных графиков производства работ, поноценное бизнес-планирование представляется сложной и часто невыпонимой задачей даже с использованием современных компьютерных технологий. В данном случае необходим и технически выпоним лишь экспресс-анализ инвестиционного проекта, целью которого является предварительная оценка проекта, по результатам которой можно было бы принять важное решение о продожении участия в проекте или выходе из него. С точки зрения методологии на стадии инициации практически не применимы классические методы обоснования инвестиционных проектов, которые могут быть с некоторыми разумными допущениями использованы на последующих стадиях. Кроме того, среди предлагаемых различными разработчиками информационных средств отсутствуют продукты, адаптированные к целям и условиям проведения экспресс-анализа на стадии инициации.
Представленный в работе способ преодоления указанных противоречий заключается в максимальном использовании опыта деятельности самого предприятия, знаний сотрудников компании и внешних экспертов. В качестве методов обработки статистической информации эффективно применение теории искусственных нейронных сетей, а проблемы, связанные с обработкой неточных, нечисловых данных, получаемых в результате опроса экспертов, предлагается решать, опираясь на элементы теории нечетких множеств.
Рассмотрим более подробно классические методы учета неопределенности и обоснуем нецелесообразность их применения на стадии экспресс-анализа.
Использование ставки расчетного процента с учетом премии за
риск. Такие виды риска, как повышение налогов или тарифов, риск появления допонительных расходов учитывать посредством введения премии за риск противоестественно, так как это может приводить к противоречивым результатам. Кроме того, если чистый денежный поток проекта содержит отрицательную компоненту пе только в начальный период времени, но и в некоторые последующие (это впоне естественно, особенно для инвестиционно-строительной деятельности с длительным производственным циклом), то в этой ситуации увеличение премии за риск в связи с представлением о большей рискованности проекта приводит к занижению, в том числе и отрицательных компонент. Выходом в данном случае может быть использование переменной надбавки за риск, что приводит к усложнению метода. Таким образом, возникают различные варианты построения последовательности ставок дисконтирования, что усложняет сравнение нескольких альтернативных проектов.
Метод гарантированных эквивалентов. При использовании данного метода все компоненты денежного потока проекта (отрицательные и положительные) корректируются в соответствии с субъективным мнением ответственного лица или экспертной группы, что является существенным недостатком.
Анализ сценариев будущего развития. Проведение на этом этапе достаточно глубокого качественного анализа позволяет собрать большой объем полезной информации о проекте, однако в случае дефицита данных о проекте и ограниченности времени на исследования, что характерно для стадии инициации, высокий уровень субъективизма может привести к ошибочным оценкам. Также субъективным и весьма спорным представляется и определение вероятностей реализации каждого из потенциальных сценариев.
Метод сводных рандомизированных показателей. Этот метод является развитием классического метода сводных показателей, целью которого является решение задачи многокритериального оценивания. Применительно к анализу инвестиционных проектов данная задача представляется очень актуальной, так как приходится сравнивать проекты, характеризуемые целым набором показателей уже на стадии экспресс-
анализа, в рамках которого изучаются, в первую очередь, финансовые показатели. На последующих стадиях появляются допонительные характеристики, связанные с технологией, особенностями проекта, рыночной привлекательностью и т.д., которые требуют еще более глубокого исследования. Данный метод, используя аппарат теории вероятностей, позволяет компенсировать дефицит информации и оперировать нечисловыми данными, более свойственными человеческому мышлению. Тем не менее, с точки зрения инвестиционного анализа не всегда представляется обоснованным утверждение о том, что неопределенность, связанная с информацией о некотором показателе проекта, является случайной величиной. На наш взгляд, о вероятностях можно говорить в случае, если явления носят повторяющийся, массовый характер, обладают статистической устойчивостью, в то время как в реальных условиях сами инвестиционные проекты, а также условия их реализации сугубо индивидуальны. В такой ситуации более уместными могут оказаться интервальные методы, в основе которых лежит представление о неопределенности, носящей не вероятностный, а интервальный характер.
Дальнейшим развитием интервального подхода являются нечетко-множественные методы анализа инвестиционных проектов в условиях неопределенности. Преимущества данной методологии заключаются в возможности обработки разнородной, неточной, представленной в качественной форме информации, связанной с исследуемыми объектами. При использовании данного подхода нет необходимости, чтобы эти объекты имели характеристики, носящие вероятностный характер. Учет неопределенности с помощью теории нечетких множеств возможно и желательно проводить на всех этапах оценки эффективности проекта: от сбора первичной информации, до вычисления интегрального критерия эффективности. Особенностью нечетко-множественных методов является также то, что при совместном использовании с теорией искусственных нейронных сетей, можно в значительной степени избавиться от общего недостатка всех методов, связанных с получением экспертных мнений (субъективизмом) за счет использования информации, получаемой в результате обработки статистических данных.
Во второй главе (Использование элементов гибридных систем в инвестиционном анализе) приводятся и разрабатываются положения, модели и методы, относящиеся к теории нечетких множеств, системам искусственных нейронных сетей, гибридным структурам, нечеткому регрессионному анализу.
Принципы построения теории нечетких множеств позволяют определить операции над нечеткими множествами, формализовать понятия нечеткой функции и нечетких отношений, построить примеры, демонстрирующие хорошие описательные возможности нечетко-множественных структур по отношению к явлениям и процессам, характерным для экономической деятельности.
Важной областью, в которой продуктивно применяются элементы теории нечетких множеств и нечеткой логики, является построение систем нечеткого управления, базовыми компонентами которых являются: блоки фазификации и дефазификации, база правил, механизм (агоритм) нечеткого вывода (см. схему на рисунке 1).
Рисунок 1. Схема системы нечеткого управления
Общее предназначение систем нечеткого управления - имитировать мыслительный процесс человека, осуществляющего умозаключения с целью принятия некоторого решения на основе располагаемой об объекте управления информации. Стремление подражать интелекту человека требует возможности оперировать категориями, соответствующими образу человеческого мышления. Поэтому важную роль в построении систем нечеткого управления играет понятие лингвистических переменных, которые используются при формировании базы нечетких правил.
Центральным компонентом системы нечеткого управления является механизм нечеткого вывода, представленный различными агоритмами, имеющими специфические преимущества и недостатки.
Агоритм нечеткого вывода по Мамдани наиболее интуитивно понятен и позволяет строить адекватные модели, наилучшим образом отражающие суть решаемой задачи.
Агоритм Сугепо не позволяет представлять выходные переменные в лингвистической форме. Его преимущество заключаются в меньшей трудоемкости проведения расчетов, что позволяет моделировать очень сложные системы, адекватное описание которых с помощью схемы Мамдани практически невозможно из-за крайне большого числа формирующихся взаимосвязей между нечеткими параметрами. Также агоритм Сугено может быть легко адаптирован к использованию в качестве основы гибридной структуры - нейро-нечеткой сети.
Использование сведений в нечеткой форме позволяет сохранить для исследователя большой объем полезной информации, однако требует умения обрабатывать структуры, представленные в нечетко-множественной форме.
Поэтому автором разработаны методы расчета основных показателей эффективности инвестиционного проекта при условии, что денежные потоки, соответствующие проекту, представлены в нечеткой форме.
Если объемы поступлений и затрат по проекту представлены в виде
нечетких чисел (/я, и Out\ соответственно), тогда значение чистой настоящей стоимости рассчитывается по формуле (1):
77^7= ^ In.-Out,
NPV = > Ч--г- Л)
tr (1+ry (U
В случае, когда компоненты денежных потоков имеют функции принадлежности стандартной формы (треугольной, трапециевидной), то
значение NPV в данном случае также будет иметь вид нечеткого числа соответствующей стандартной формы, так как операции вычитания и сложения нечетких чисел и деления на точное число не изменяют первоначальной формы нечеткого числа. Если же функции принадлежности денежных потоков имеют произвольную форму или ставка дисконтирования рассматривается как нечеткое число, то автором предлагается проводить все необходимые вычисления в среде Matlab с помощью приложения, предназначенного для обработки данных в виде нечетких множеств - Fuzzy Logic Toolbox. Приложение оперирует функциями принадлежности, представленными в дискретной форме, что, однако, оказывает незначительное влияние на точность вычислений, при тех вычислительных возможностях, которыми обладают современные средства обработки данных.
Определение внутренней нормы доходности в классической постановке заключается в решении относительно неизвестной переменной IRR уравнения (2).
1п'~0ш:=о (2)
t(\ + IRR)' {)
Однако при наличии в левой части уравнения (2) компонентов в нечеткой форме, поиск значения IRR в форме точного числа, имеющего строгое математическое обоснование, становится сложной и неоднозначной задачей. При данных предпосыках левая часть (2) имеет вид нечеткого числа, а правая является точным числом нуль, следовательно, для того, чтобы иметь возможность корректно производить математические операции в процессе вычисления IRR, необходимо преобразовать уравнение (2) так, чтобы его правая и левая части были согласованы. Автором предлагается два варианта преобразования:
Х Первый вариант состоит в изменении формы правой части, которую предлагается интерпретировать, как нечеткое число нечеткий нуль, для
которого справедливо: цА(0) = sup(^(х)), где хеХ, /А(0) - функция
принадлежности числа нечеткий нуль. Данный подход применим в тех частных случаях, когда используются нечеткие числа треугольной
формы. Если же нечеткие числа, участвующие в расчетах имеют сложную форму, или подобный метод представляется исследователю неочевидным с точки зрения интуитивного восприятия, то предлагается использовать для расчета показателя второй способ, приводимый ниже.
Х Второй вариант предполагает обратное преобразование (2) - приведение к точному виду левой части уравнения, что достигается с помощью одного из методов дефазификации. В данном случае искомое значение IRR является решением уравнения (3).
где defuzz{Х) - одна из функций, позволяющих сопоставить точное значение аргументу, представленному нечетким числом. Если денежные потоки выражены нечеткими числами стандартной формы, то уравнение (3) может быть решено в явном виде. В случае, когда денежные потоки имеют произвольную нечеткую форму, тогда определение IRR осуществляется методом целенаправленного перебора значений искомого показателя до тех пор, пока не будет достигнуто равенство в выражении (3) с некоторой заданной точностью. Вычисление показателя может быть эффективно выпонено с помощью программной среды и языка программирования Matlab.
Задача нахождения значения IRR в нечеткой форме значительно отличается от поиска точного решения. Монотонность левой части уравнения (2), имеющая место при определенных предпосыках
относительно точного параметра, не выпоняется, когда в качестве IRR выступает нечеткое число.
Таким образом, уравнение (4) может иметь более одного решения
относительно IRR, и для окончательного выбора аналитику необходим допонительный критерий. В качестве критерия автором предлагается использовать значение функции, состоящей из двух компонент,
характеризующих нечеткое значение IRR, величина которых с точки зрения аналитика дожна быть минимальна.
Х Первая компонента представляет собой дефазифицированное значение
IRR: defuzz(IRR), которое требуется минимизировать, что соответствует классическому случаю определения точного IRR, когда существует более одного решения уравнения (2) (например, для знакопеременных потоков), из которых выбирается минимальное значение IRR.
Х Вторая часть функции представлена компонентой, формализующей такой показатель, как степень нечеткости (размытости) нечеткого
In, -Out,
множества. Согласно одному из подходов к вычислению степени нечеткости показатель размытости нечетких множеств можно определить как меру отличия нечеткого множества от ближайшего к нему обычного множества.
Обычное (четкое) множество А называется ближайшим к нечеткому множеству А, определенному на базовом множестве Е, если характеристическая функция такого множества определяется выражением:
О, если цЛ(х)< 0,5
рА(х) = - 1, если /А(х)>0,5
0 или 1, если /Л (х) = 0,5
Исходя из определения, показатель (индекс) нечеткости может быть формализован в виде функционала fuzziness(A), описываемого выражением (6), где используется расстояние Хэмминга.
fuzziness (А) = j]/^ (х) - цА (x)\dx (6)
С точки зрения исследователя представляется целесообразным, чтобы степень нечеткости искомой нормы внутренней доходности
(fuzzincss(IRR)) была минимальной, так как это увеличивает
описательную значимость самого показателя IRR. Следовательно, вторую компоненту функции, требующую минимизации, можно представить следующим выражением:
fuzziness(IRR) = J //Ч (х) - //Ч (xjdx. (7)
Конечный вид функции, которую необходимо минимизировать, представлен выражением (8):
fuzziness(lRR) + defuzz (IRR) -> min (8)
Совокупность (4) и (8) представляет собой экстремальную задачу математического программирования, которая в случае, когда денежные
потоки и искомое значение IRR выражены нечеткими числами стандартной формы, решается с помощью итеративных методов математического программирования. Если денежные потоки имеют произвольную нечеткую
форму, и при этом требуется найти IRR, имеющую асимметричную треугольную функцию принадлежности, тогда расчет внутренней нормы доходности возможно произвести с помощью средств Matlab. В таком случае используется переход от непрерывной модели (4), (8) к дискретной с достаточной степенью точности, в рамках которой выражение для степени нечеткости (7) заменено на (9).
fuzziness (IRR) =
==(x)~ иЧ(х)
' Г DD v ' ' /DD '
где E' - базовое множество, представленное в дискретной форме, хеЕ'.
Соответствующий агоритм расчета IRR разработан автором и формализован в виде программного кода на языке Matlab.
При расчете третьего наиболее распространенного показателя эффективности - дисконтированного срока окупаемости (DPP) приходится стакиваться с проблемой сравнения нечетких величин. Предлагается два метода вычисления срока окупаемости. Х Согласно первому методу значение DPP в точной форме для чистого денежного потока можно определить, опираясь на метод сравнения нечетких чисел, использующий дефазифицированное значение функции принадлежности. Дисконтированный период окупаемости (DPP) определяется, как решение уравнения (10).
Х Второй метод строится на принципах упорядочения нечетких чисел на базе нечетких отношений, приведенных в параграфе 2.1 диссертации. Значение DPP необходимо определить из уравнения (11):
Один из способов нахождения DPP заключается в сравнении максимальных значений функций принадлежности, соответствующих различным вариантам взаимного соотношения нечеткого числа из левой части (11) (при различных DPP) и нуля.
В диссертации также предпринят анализ принципов построения искусственных нейронных сетей - мощных вычислительных систем, которые преобразуют информацию по образу процессов, происходящих в мозгу человека. Благодаря многослойным структурам, включающим в себя взаимосвязанные нейроны, моделируемые различными математическими конструкциями, нейронные сети в поной мере реализуют концепцию паралельных вычислений, что позволяет решать сложные неструктурированные задачи. Применение нейросетевых методов позволяет решать широкий круг задач, включающих задачи экономического анализа и прогнозирования.
Существует ряд методов обучения искусственных нейронных сетей, обеспечивающих лучшие, чем классический метод обратного распространения ошибки, показатели обучаемости сети, которые требуют меньшее время для сходимости и меньший объем обучающей выборки. Па основе модифицированных методов обучения и их характеристик, приведенных в таблице 2, автором выделены наиболее эффективные методы, которые могут быть использованы при решении задачи построения потока затрат по инвестиционному проекту в рамках экспресс-анализа, а также проведен вычислительный эксперимент процесса обучения нейронной сети.
Таблица 2. Модифицированные методы обучения нейронных сетей
Модифицирова нный метод обучения нейронных сетей Характеристика метода обучения
метод, учитывающий значение градиента предыдущей итерации - способствует избежанию локальных минимумов -сходимость агоритма достаточно медленная.
метод с переменной скоростью обучения - в допонение к предыдущему методу предполагает переменную скорость обучения; - обеспечивает лучшую сходимость и другие характеристики.
эластичный метод обратного распространения - в процессе корректировки весов учитывается лишь знак градиента; - не требует больших объемов вычислений; - эффективен для задач распознавания образов.
метод сопряженных градиентов - обладает быстрой сходимостью; - эффективен для обучения сетей с большим количеством весов.
квазиньютоновский метод - требует больших объемов вычислений и времени на реализацию; - обладает быстрой сходимостью; - эффективен для обучения сетей с небольшим количеством весов.
метод, на основе агоритма Левенберга-Марквардта - самый быстрый агоритм для сетей среднего размера (не более нескольких сотен весов).
метод, на основе байесовой регуляризации - в функции ошибки присутствует компонента, зависящая от значений весов сети; - используются статистические методы; - эффективен, когда объем обучающего множества мал; - позволяет избежать переобучения сети; - в процессе реализации агоритма из первоначального поного набора весов выделяется эффективное количество.
Теория искусственных нейронных сетей наряду с нечеткими множествами и генетическими агоритмами является компонентом мягких вычислений (см. рисунок 2), которые в отличие от классических вычислительных методов не ставят своей целью нахождение максимально точных решений тех задач, строгая формализация которых затруднена, а количественная оценка всех параметров невозможна. Благодаря применению мягких вычислений можно избежать потери важной информации, содержащейся в неточных, качественных данных, сделать процесс решения
задачи максимально близким к человеческому мышлению, а выводы -интуитивно понятными.
Увеличение времени и сложности вычислений
Увеличение требуемой априорной информации
Мягкие вычисления
Рисунок 2. Компоненты мягких вычислений
Дальнейшим развитием методов мягких вычислений являются модели нейро-нечетких сетей, использование которых позволяет уменьшить роль эксперта в создании системы, так как часть параметров механизма нечеткого вывода определяется автоматически в процессе обучения. В то же время становится логичной структура нейронной сети, так как каждый слой нейронов выпоняет свою, заранее определенную роль, а сложившиеся в результате обучения параметры элементов сети обретают понятный исследователю смысл.
Рисунок 3. Структура нейро-нечеткой сети
Предлагаемая структура нейро-нечеткой сети приведена на рисунке 3, где нейроны первого слоя просто передают входной сигнал, выпоняя транзитную функцию. Второй слой нейронов осуществляет фазификацию,
моделируя функции принадлежности. Таким образом, он состоит из количества нейронов, равного общему числу нечетких множеств, описывающих возможные значения входных переменных (на рисунке 3 -сумма п, и п2). Третий слой отвечает за определение степени истинности правил, следовательно, он состоит из п^пг нейронов, каждый из которых получает по два входных сигнала от нейронов второго слоя и реализует логическую связку "И" с помощью одной из функций, относящихся к классу -норм (чаще всего используется min()). Назначение третьего слоя нейро-нечеткой сети соответствует второму этапу агоритма нечеткого вывода, описанному в параграфе 2.1. Аналогичным образом четвертый слой нейронов отвечает третьему этапу нечеткого вывода, в свою очередь, играя роль нечеткой операции "ИЛИ". Нейрон выходного слоя вместе с вектором весов, связывающих его с выходными сигналами предыдущего слоя, выпоняет дефазификацию, определяя точное значение выходной переменной.
Применительно к задаче обучения нейро-нечеткой сети разработан модифицированный агоритм, адаптированный для процесса проведения экспертной оценки параметров инвестиционного проекта. Агоритм основан на исследованиях японских ученых Лин (С. T. Lin) Ли (С. S. G. Lee), его структура позволяет выделить три этапа.
Первый этап состоит в предварительной оценке параметров функций принадлежности переменных (хь и у на рисунке 3). Предполагается, что функции принадлежности имеют форму функции Гаусса. В рамках этого этапа происходит кластеризация имеющихся массивов данных, при этом деление на входные и выходные данные не производится, так как для достижения цели используется адаптированный агоритм Кохонена, и, следовательно, происходит обучение без учителя, не требующее заданных эталонных выходных сигналов. Для того чтобы была возможна кластеризация переменных, отнесенных к выходным согласно общей постановке задачи, на первом этапе выходной слой сети и соответствующие ему связи функционируют в обратном направлении, выпоняя ту же роль, что и нейроны входного слоя (пунктирные стреки на рисунке 3).
Второй этап основан на использовании агоритма обучения без учителя и позволяет выбрать из первоначально поного множества правил лишь те, которые обладают максимальным влиянием на значения выходных переменных.
Назначение последнего этапа заключается в точной настройке параметров функций принадлежности, и это является, на наш взгляд, самой востребованной задачей нейро-нечеткого моделирования. Данный этап можно использовать самостоятельно, исключая два предыдущих этапа. При этом обучение нейронной сети происходит с помощью агоритма обратного распространения ошибки или его модификаций.
В продожении второй главы выявляются сильные и слабые стороны нечеткого регрессионного анализа по сравнению с классическим, и приводятся различные подходы к построению нечетких регрессионных
моделей, позволяющие преодолеть имеющиеся недостатки и учесть специфику исследуемых с их помощью объектов.
Базовая модель нечеткой регрессии, предложенная X. Танака. имеет следующий вид:
У = А0+М+...+ АЛ, (12)
где = (у,,->УтУ > А) ,у = 0,...,л - нечеткие множества,
х} = (хч,...,х^У, / = 0.....п - регрессоры, представленные в четкой форме.
В формуле (12) отсутствует случайная ошибка, так как нечеткий регрессионный анализ вместо включения в модель случайных компонент и использования методов теории вероятности опирается на понятие нечеткости.
Базовая модель нечеткой регрессии (12) в интересах наших исследований модифицирована за счет использования следующих допонений и преобразований, которые приведены ниже.
Х Использование метода наименьших квадратов для определения центров нечетких коэффициентов в формуле (12), что придаст большую устойчивость результатам, получаемым на основе модели.
Х Обобщение модели для случая, когда располагаемые значения зависимой переменной представлены нечеткими числами, в результате чего расширяется область применения модели, и появляется возможность более поного учета экспертных мнений.
Х Построение инвертированной модели, которая в отличие от исходной использует обратные критерии поиска коэффициентов в формуле (12). Согласно данному подходу определяется не максимально узкий диапазон, в который необходимо дожны попадать все наблюдаемые значения, а интервал максимально широкий, но теперь уже обязательно не содержащий пи одного наблюдаемого значения. Данное преобразование позволяет снизить чувствительность модели к отдельным выбросам в ряду данных, однако зачастую приводит к принципиальной невозможности нахождения параметров модели. Указанный недостаток может быть эффективно преодолен на основе нечеткой кусочно-регрессионной модели.
Х Моделирование на основе кусочно-регрессионного представления исследуемой функции, которое может позволить адекватно учесть выбросы и колебания исходных данных за счет формирования границ прогнозного диапазона с помощью ломаных.
Х Использование для представления искомых коэффициентов и значений зависимой переменной различных функций принадлежности: трапециевидной, асимметричной треугольной формы и других. Третья глава (Практическое применение и программная реализация
методов и моделей экспресс-анализа на основе элементов ТНМ и ИНС для оценки инвестиционно-строительных проектов) содержит постановку практической задачи экспресс-анализа инвестиционно-строительного проекта, которая поэтапно решается на всем ее протяжении. В качестве
примера рассматривается наиболее распространенный для крупных строительных компаний проект - строительство многоквартирного жилого дома. Выбор в пользу гражданского строительства обоснован актуальностью и перспективностью данной деятельности в современной России. Большой интерес к этому виду строительства обусловлен дефицитом жилья в нашей стране, особым вниманием к недвижимости со стороны частных лиц и компаний как к объекту догосрочных капиталовложений, наличием государственных программ, предусматривающих увеличение объемов строительства жилых домов, поддержку строительного бизнеса.
В рамках первого этапа на основе нечеткого регрессионного анализа решается задача построения потока поступлений рассматриваемого инвестиционно-строительного проекта, важнейшей стадией в решении которой является прогнозирование цен на недвижимость в рамках горизонта планирования. Для построения прогноза предлагается использовать метод по критерию минимальной нечеткости, использующий метод наименьших квадратов с асимметричными треугольными функциями принадлежности, представленный в параграфе 2.6 диссертации. Построение прогноза цен формулируется в виде последовательности действий, приводимой ниже.
Х Проведение предварительной обработки исходных статистических данных для построения авторегрессии, в рамках которой сглаживаются резкие выплески и запоняются пропуски, что реализуется с помощью аналитической платформы Бес1ис1ог.
Х Построение классической авторегрессионной модели, для того, чтобы определить структуру модели и оценить с помощью метода наименьших квадратов значения центров коэффициентов, степень нечеткости которых будет установлена следующим шагом. В качестве средства инструментальной поддержки статистического анализа используется широко известный пакет ЕУхелув.
Х Формирование нечеткой регрессионной модели, включающее в себя нахождение левой и правой границ нечетких коэффициентов в формуле
(13), что соответствует решению задачи линейного программирования
(14)-(17):
у{ =А0 + А1хп + А2хп, 1 = 3....,135, (13)
где г = 3,...,135 - объем располагаемых данных о среднемесячных ценах на недвижимость;
у{ Ч {у',, >>', у") - нечеткие числа асимметричной треугольной формы с центром в у' и границами - у\ (нижняя) и у" (верхняя); А1=(а'1,а'га]),] = йХ1- нечеткие коэффициенты, имеющие асимметричную треугольную функцию принадлежности;
У,-1 и У -г -лаги зависимой переменной представлены в четкой форме и для удобства переобозначены в формуле (13), как и ха соответственно.
135 135
rainz = (a0" -ai)+
/=3 >=1,2 i'=3
AK + 2A4)+( 1-A)(ei + + ]*>л,) >1,2 >1,2 >1,2 '
>1,2 y-1,2 >1,2
i = 3,...,135,
al.<a)<a]J^ 0,1,2
A - желаемая степень достоверности.
Основным агоритмом решения задач линейного программирования, к которым относится задача (14)-(17), является симплекс-метод, возможность применения которого предусмотрена в одном из приложений среды Matlab - Optimization Toolbox.
Построение потока поступлений на основе нечеткого регрессионного анализа позволяет эффективно строить прогнозы в условиях высокой волатилыюсти исследуемого показателя. Это подтверждает решение аналогичной задачи прогнозирования цен на недвижимость в Санкт-Петербурге на период с июля 2006 года по июнь 2007, в течение которого произошел резкий скачок цен, который успешно описывается нечеткой авторегрессией.
Далее на втором этапе для выбранного в качестве примера проекта строится график распределения во времени удельных затрат на строительно-монтажные работы. Источниками данных для формирования графика являются сведения о ранее реализованных компанией проектах, а также информация об объектах аналогах, публикуемая в специализированных справочниках. Метод анализа основывается на построении и обучении нейронной сети, а инструментальным средством является среда Matlab и ее приложение Neural Network Toolbox.
В результате проведения всестороннего изучения агоритмов обучения искусственных нейросетей, приведенных в параграфе 2.4, был выбран метод на основе байесовой регуляризации, который наиболее соответствует условиям анализа, так как обучающая выборка относительно мала, а количество связей в изначально выбранной структуре сети велико, и автоматическое выделение из них лишь наиболее значимых позволяет избежать переобучения.
Ниже приведен код в среде Matlab, обеспечивающий построение и обучение сети с нужными параметрами.
(16) (17)
1. net = newff ( [ 11300 66300; 26 40; 1 4] ), [3, 5, 10, 14], { 4ansig', 'tansig', 4ansig', 'logsig' >, 'trainbr', 'mse'); 'создание четырехслойной сети и задание ее параметров'
2. net.trainParam.epochs = 200; 'задание максимального количества
6. net = nit (net); 'инициализация весов сети'
7. [net, tr] = train (net, trinput, troutput, [],[], W); 'Обучение сети на основе имеющейся базы данных и с учетом контрольных примеров' Анализ устойчивости результатов, формируемых обученной нейронной
сетью, относительно проектов с известными характеристиками и графиками финансирования показывает адекватную реакцию модели на изменение основных характеристик: площади объекта, продожительности строительства, сроков начала работ.
Для окончательного построения потока затрат помимо процентного распределения расходов на строительно-монтажные работы во времени, полученного в параграфе 3.2, необходимо знать общую себестоимость всех строительных работ, определение которой производится в параграфе 3.3. Исследование основывается на системах нечеткого вывода и аппарате нечетких нейронных сетей, а источниками необходимой информации являются базовые характеристики проекта и мнения экспертов - сотрудников строительной компании. Инструментальными средствами являются приложение Matlab - Fuzzy Logic Toolbox и пакет Simulink, позволяющие как в режиме графического пользовательского интерфейса, так и из командной строки формировать системы нечеткого вывода, настраивать их, в том числе с помощью нейронный сетей, получать заключения в нечеткой или числовой форме.
В качестве основных факторов, определяющих общую себестоимость строительно-монтажных работ, определены:
- площадь объекта;
- функциональное назначение;
- класс объекта.
Все три фактора на стадии инициации являются по своей сути нечеткими параметрами, так как первоначально заявленная площадь в ходе детального проектирования и согласования неоднократно меняется, а тип и класс объекта могут быть охарактеризованы лишь приблизительно. Следовательно, для получения информации о себестоимости оправданы и эффективны подходы, основанные на нечеткой логике и принципах нечеткого вывода.
В параграфе 3.3 общая себестоимость строительного проекта рассчитывается двумя альтернативными методами:
Х первый метод заключается в построении системы нечеткого вывода на базе агоритма Мамдани (параграф 2.1), в рамках которого экспертам
итераций'
3. net.trainParam.mu = 1;
4. net.trainParam.mu_inc = 1.5;
5. net.trainParam.mu_dec = 0.85;
'Определение параметров таким образом, чтобы сходимость была достаточно низкой'
необходимо самостоятельно определить вид и параметры функций принадлежности выделенных факторов. Преимущества метода состоят в том, что не требуется статистической информации, а результаты наиболее интуитивно понятны.
Х второй метод предполагает построение и обучение нейронной нечеткой сети, реализующей агоритм нечеткого вывода Сугено (параграф 2.5). В данном случае от экспертов требуется лишь определить общий вид функций принадлежности, что является сильной стороной метода, а точная настройка параметров производится на основе статистических данных.
В завершении работы на основе имеющихся в распоряжении денежных потоков - потока поступлений, представленного в нечетком виде, и потока затрат, полученного на основе двух методов как в точной форме, гак и в нечеткой, - вычисляются показатели эффективности проекта согласно разработанным агоритмам и методам. Показатели NPV и IRR определяются в виде нечетких чисел, DPP - в точной форме. Представление значений IRR и NPV в нечеткой форме позволяет аналитику получить большой объем информации о проекте, в том числе, провести анализ рисков, связанных с проектом, который также представлен в параграфе 3.4.
В заключении сформулированы основные теоретические и практические выводы, сделанные автором в рамках диссертационного исследования:
1. На современном этапе развития экономики России, дня успешного качественного развития компании остро нуждаются в современных методах оценки инвестиционных проектов, учитывающих высокую степень неопределенности и риска и поддерживающих автоматизацию и тиражирование;
2. Классические методы обоснования инвестиционных решений в условиях неопределенности имеют существенные недостатки применительно к оценке проектов, находящихся на самом раннем этапе их реализации -стадии инициации;
3. Использование аппарата теории нечетких множеств позволяет максимально поно учесть имеющуюся в распоряжении недостаточную и неоднородную информацию о проекте, обработать ее и представить в интуитивно понятной для аналитика форме;
4. Разработанные методы определения основных параметров инвестиционного проекта - распределенных во времени потоков поступлений и затрат Ч опираются на элементы теории нечетких множеств и нейронных сетей, благодаря чему позволяют получить всестороннюю и высоко информативную оценку проекта;
5. Разработанные в диссертации методы получения и анализа основных показателей эффективности (NPV, IRR, DPP) в виде нечетких чисел стандартной и произвольной формы предоставляют инвестору необходимые сведения для принятия решения относительно
целесообразности реализации рассматриваемого проекта с точки зрения ожидаемого эффекта и связанного с реализацией риска;
6. Выбор программных средств (Ма11аЬ, 8шиНпк, EViews, Оеёийог) для реализации моделей и методов, предложенных в диссертационном исследовании, позволяет на высоком уровне и с требуемой точностью обрабатывать большие объемы данных различной природы и допускает широкие возможности интеграции с другими современными отечественными и зарубежными программными продуктами;
7. Апробация предложенных методов в рамках построения имитационных моделей, а также посредством их внедрения в практическую деятельность строительной организации, показала их адекватность актуальным потребностям и возможностям российских компаний, способность решать поставленные в исследовании задачи и способствовать оптимизации принимаемых инвестиционных решений, что является неотъемлемым условием догосрочного устойчивого развития компании.
Публикации по теме диссертации.
Тезисы и материалы конференций:
1. Забоев М. В. Некоторые элементы теории нечетких множеств и возможности их применения для эффективного управления организацией // Актуальные проблемы менеджмента в России на современном этапе: пути достижения высокой конкурентоспособности. - СПб, СПбГУ, Экономический факультет, 16 декабря 2005. (0,1 пл.).
2. Забоев М. В. Применение элементов теории нечетких множеств в экспресс-анализе эффективности инвестиционно-строительных проектов // Молодые ученые - промышленности Северо-Западного региона. Материалы конференций Политехнического Симпозиума. - СПб, СПбГПУ 8 декабря 2006. (0,1 пл.).
3. Забоев М. В. Использование теории искусственных нейронных сетей для экономического анализа инвестиционно-строительных проектов // Экономическое развитие: теория и практика. Материалы международной научной конференции. - СПб, СПбГУ, Экономический факультет 5-7 апреля 2007. (0,1 пл.).
4. Забоев М. В. Особенности экономического анализа на разных стадиях реализации инвестиционно-строительного проекта: математические основы и инструментальные средства // Предпринимательство и реформы в России. Материалы 13-ой международной конференции. -СПб, СПбГУ, Экономический факультет, 25-26 октября 2007. (0,1 пл.).
5. Забоев М. В. Гибридные сети, их особенности и возможности использования в процессе принятия управленческих решений // Наука и инновации в технических университетах. Материалы всероссийского форума студентов, аспирантов и молодых ученых. - СПб, СПбГПУ, 1012 октября 2007. (0,15 пл.).
6. Забоев М. В. Современные методы и инструменты экономического анализа // Молодые ученые - промышленности Северо-Западного региона. Материалы конференций Политехнического Симпозиума. -СПб, СПбГПУ, 6 декабря 2007 года. (0,1 пл.).
Публикации в журналах, рекомендованных ВАК РФ:
1. Забоев М.В. Использование гибридных систем вычислительного интелекта при оценке эффективности реальных инвестиций в условиях неопределенности и риска // Инновации. - СПб., 2008, № 12. (0,4 пл.).
2. Забоев М.В. Характеристика различных видов неопределенности и методы их учета в процессе обоснования инвестиционно-строительных проектов // Проблемы современной экономики. - СПб., 2008, №3 (27). (0,4 пл.).
3. Ботвин Г.А., Забоев М.В. Использование теории искусственных нейронных сетей для экономического анализа инвестиционно-строительных проектов // Обозрение прикладной и промышленной математики. - М., 2008, том 15, вып. 1. (0,1 п.л).
Подписано в печать 20.02.2009. Формат 60x84/16. Печать ризографическая. Заказ № 1009. Объем 1,63 п.л. Тираж 100 экз.
Издательский центр экономического факультета С116ГУ 193123, Санкт-Петербург ул. Чайковского, д. 62.
Диссертация: содержание автор диссертационного исследования: кандидат экономических наук , Забоев, Михаил Валерьевич
Список используемых сокращений.
Введение.
Глава 1. Проведение экспресс-анализа инвестиционных проектов: особенности, важность, методы.
1.1. Специфика и тенденции развития промышленности в России на примере строительной отрасли.
1.2. Особенности экономического анализа инвестиционного проекта на разных стадиях его реализации.
1.3. Эволюция количественных методов в экономическом анализе.
1.4. Виды неопределенности и риска, связанные с реализацией инвестиционных проектов, и методы их учета.
Глава 2. Использование элементов гибридных систем в инвестиционном анализе.
2.1. Методологические основы теории нечетких множеств, и их использование в построении систем управления и принятия решений.
2.2. Методы расчета показателей эффективности инвестиционных проектов при исходной нечеткой информации.
2.3. Современные вычислительные структуры - искусственные нейронные сети.
2.4. Модификации агоритма обратного распространения ошибки и другие методы обучения ИНС, учитывающие специфику данных экономической природы.
2.5. Использование гибридных систем для проведения экспертного анализа: преимущества, адаптированный агоритм обучения ненро-нечетких сетей.
2.6. Возможности использования нечетких регрессионных моделей в эконометрнческом анализе.
Глава 3. Практическое применение и программная реализация методов и моделей экспресс-анализа на основе элементов ТНМ и ИНС для оценки инвестиционно-строительных проектов.
3.1. Использование нечеткого регрессионного анализа для прогнозирования потока поступлении инвестиционно-строительного проекта.
3.2. Снижение дефицита информации при принятии инвестиционных решений с помощью нейросетевых моделей обработки данных.
3.3. Построение экспертной системы анализа себестоимости ИСП на базе систем нечеткого вывода и нечетких нейронных сетей.
3.4. Обоснование эффективности инвестиционного проекта с использованием элементов ТНМ и ИНС на примере оценки ИСП.
Диссертация: введение по экономике, на тему "Модели и методы экспресс-анализа инвестиционных проектов на основе теории нечетких множеств и искусственных нейронных сетей"
Актуальность исследования. В настоящее время очевидны общемировые тенденции к возрастанию нестабильности финансовых и экономических систем. В то же время в России продожается процесс развития рыночных отношений, что создает специфические условия для функционирования отечественных предприятий. Компании вынуждены принимать решения, находясь в рамках рыночной конъюнктуры, все еще проходящей этап становления, который сопровождается высокой степенью неопределенности внешней среды. Важной предпосыкой успешного развития любой крупной компании в высоко конкурентной среде является ее активная и непременно эффективная инвестиционная деятельность. Процесс формирования оптимальной инвестиционной политики компанией состоит в рассмотрении всего множества потенциальных проектов и обоснованном выборе наиболее выгодных из них в конкретной ситуации. Важность правильного выбора тем больше, чем масштабнее проект и чем сложнее его модифицировать или выйти из него уже после начала реализации. В наибольшей степени это справедливо по отношению к предприятиям, реализующим социально значимые инвестиционные проекты, носящие инновационный характер, нацеленные на развитие инфраструктуры, которые рассматриваются как приоритетные для российской экономики и поддерживаются государством, а значит, являются объектами особенно острой конкурентной борьбы. В поной мере приведенным характеристикам соответствуют предприятия строительной отрасли, инвестиционно-строительная деятельность которых будет рассматриваться в данной работе в качестве области, где результаты диссертационного исследования могут быть успешно использованы.
Компаниям необходимо максимально качественно и за короткое время оценивать потенциальные инвестиционные проекты (ИП), степень проработанности которых крайне низка и, следовательно, в распоряжении имеются весьма ограниченные, непоные, неточные сведения. В подобных противоречивых условиях в рамках проведения экспресс-анализа проекта из-за недостатка информации о проекте затруднено и нецелесообразно как применение стандартных подходов оценки эффективности проектов, так и использование имеющихся автоматизированных программных средств анализа, среди которых отсутствуют продукты, адаптированные к условиям экспресс-анализа ИП. В описанной ситуации оправдано и эффективно использование элементов теории нечетких множеств (ТНМ) и искусственных нейронных сетей, благодаря чему многие факторы неопределенности могут быть формализованы и корректно учтены в процессе оценки проекта.
Искусственные нейронные сети (ИНС) представляют собой современные вычислительные системы способные преобразовывать информацию подобно тому, как это происходит в процессе мыслительной деятельности человека, и, таким образом, решать сложные неструктурированные задачи. Нейронные сети имеют возможность автоматического обучения на основе существующей базы знаний, с их помощью решают задачи распознавания образов, прогнозирования, управления сложными системами. Допонительными преимуществами обладают сети гибридной структуры, объединяющие в себе нейросетевые и нечетко-множественные подходы к анализу данных. Нейро-нечеткие сети позволяют учесть одновременно и знания и предположения экспертов, и статистическую информацию, накопленную в процессе функционирования организации, тем самым уменьшая субъективность оценки проекта, так как часть параметров определяется автоматически в процессе обучения. Одновременно, становится логичной структура нейронной сети, так как каждый слой нейронов выпоняет свою, заранее определенную роль, а сложившиеся в результате обучения параметры элементов сети обретают понятный исследователю смысл. Использование на практике подобных сложных и ресурсоемких, но эффективных систем обработки данных и извлечения знаний из располагаемой информации, стало возможным благодаря бурному развитию и широкому распространению в последние десятилетия вычислительной техники, а таюке доступность и большой выбор соответствующих программных продуктов.
Актуальность темы диссертации определена тем, что отечественные компании остро нуждаются в эффективных методах оценки ИП в рамках экспресс-анализа, которые могли бы максимально поно использовать всевозможную информацию о проекте и при этом имели бы широкие 1 возможности автоматизации. Таким образом, возникла необходимость написания научной работы, в рамках которой обосновывается эффективность использования элементов ТНМ и ИНС при оценке инвестиционных проектов и разрабатываются соответствующие методы экспресс анализа.
Степень разработанности темы исследования. Проблемам стратегического управления предприятиями и обоснования инвестиционных решений посвящено много работ зарубежных и отечественных авторов таких, как Мескон М., Хедоури Ф., Шарп У., Воронцовский А.В. Специфика инвестиционной деятельности применительно к строительной отрасли в рамках ее развития на данном этапе в России раскрывается в трудах отечественных авторов: Асаула Н.А, Бузырева В.В., Заренкова В.А. Проблемы решения задач многокритериального оценивания, в том числе, в рамках инвестиционного анализа, изложены в работах: Хованова Н.В., Царева В.В.
Основные положения теории нечетких множеств и возможности их практического применения широко излагаются и исследуются в работах Заде JI. А., Леоненкова А.В., Кофмана А., Недосекина А.О., Хил Алуха X., Ярушкиной Н.Г., данное направление очень популярно среди японских авторов: Tanaka Н., Uejima S., Yun-His О. Chang и др.
Исследования в области построения и использования аппарата искусственных нейронных сетей представлены в работах Круглова В.В., МакКалока У., Минского М., Пайперта С., Пилиньского М., Розенблатта Ф.
Подробный анализ публикаций показал глубокую степень разработки теоретических основ ТНМ и ИНС, а также их приложений в технических областях знаний и отраслях производства, однако отчетливо выявися недостаток комплексного использования подобных методов в финансовом, экономическом и инвестиционном анализе. Возможности оценки с помощью ТНМ и ИНС инвестиционной привлекательности строительных проектов столь значимых в рамках экономики региона и даже страны в литературе практически не представлены, что говорит о необходимости проведения исследований в данном направлении и подтверждает актуальность заявленной темы диссертации.
Цель и задачи исследования. Целью диссертационного исследования является разработка комплекса методов и моделей проведения экспресс-анализа ИП в условиях высокой степени неопределенности, присущей стадии инициации проекта, на основе аппарата ТНМ и ИНС.
Для достижения указанной цели необходимо решить следующие задачи: выявить и исследовать основные факторы неопределенности и риска, характерные для начальных этапов оценки и реализации ИП; систематизировать существующие методы учета неопределенности и риска при принятии инвестиционных решений и проанализировать их эффективность; провести анализ теоретических основ ТНМ и ИНС и возможности комплексного использования элементов этих теорий для обоснования эффективности инвестиций в условиях недостаточной и неточной информации; разработать экономико-математические модели расчета показателей ИП в нечетко-множественной форме; разработать методы проведения экспресс-анализа инвестиционных проектов на стадии инициации, опирающиеся на элементы ТНМ и ИНС и использующие возможности современных программных продуктов; осуществить практическую реализацию полученных методов в рамках оценки показателей эффективности реального ИСП.
Объектом исследования являются предприятия различных организационно-правовых форм, осуществляющие инновационную и инвестиционную деятельность.
Предметом исследования является процесс принятия решения о целесообразности реализации инвестиционного проекта в рамках его предварительного экспресс-анализа.
Методология исследования. Теоретической и методологической основой диссертационного исследования являются монографии, пособия и публикации в периодической печати российских и зарубежных авторов, посвященные таким областям научного знания, как теория нечетких множеств, искусственные нейронные сети, мягкие вычисления, имитационное моделирование, математическое программирование, управление инвестициями, экономика недвижимости, разработка экспертных систем, а также ресурсы сети Интернет и материалы семинаров и конференций.
В рамках проведения исследований в работе использовались следующие научные методы: системный анализ, методы инвестиционного анализа, методы математического программирования, методы ТНМ и ИНС, метод экспертных оценок, метод верификации.
Инструментальная поддержка разработанных методов заключается в использовании таких программных средств, как интегрированная программная среда Matlab и ее приложения, язык программирования Matlab, программное обеспечение для моделирования и анализа динамических систем Simulink, пакет статистического анализа EViews, аналитическая платформа Deductor.
Информационную базу исследования составили данные по основным показателям развития экономики России, данные, характеризующие состояние рынка недвижимости Санкт-Петербурга, информация о деятельности строительных компаний.
Научная новизна состоит в том, что в диссертационном исследовании дано оригинальное решение актуальной научно-практической задачи оценки компанией ИП на стадии из инициации, заключающееся в разработке методов экспресс-анализа ИП, позволяющих учесть весь имеющийся объем неоднородной информации о проекте.
Научная новизна диссертационного исследования определяется следующими результатами, выносимыми на защиту:
- произведена классификация ситуаций риска и неопределенности и характеристика традиционных методов обоснования инвестиций в условиях неопределенности с точки зрения их эффективности при анализе инвестиционных проектов;
- разработаны методы оценки показателей эффективности инвестиционных проектов при условии представления исходной неточной, непоной информации в нечетко-множественном виде, которые дают возможность получить гораздо более информативные для инвестора показатели, содержащие, в том числе, информацию о риске проекта: о метод расчета чистой настоящей стоимости (NPV) в виде нечетких чисел стандартной и произвольной формы, что позволяет инвестору формировать объективную оценку проекта и принимать обоснованное решение об экономической оправданности его реализации; о методы расчета показателей дисконтированного срока окупаемости (DPP) в точной форме и внутренней нормы доходности (IRR) в точной форме и в виде нечеткого числа стандартной формы в ситуации, когда компоненты чистого денежного потока представлены нечеткими числами произвольной формы;
- разработан метод применения аппарата искусственных нейронных сетей для построения графика распределения затрат на реализацию ИП во времени, который позволяет рассмотреть проект не изолированно, а с учетом специфики деятельности конкретной организации;
- построена модель экспертной системы, содержащая элементы мягких вычислений: механизм нечеткого вывода, в котором параметры оптимальным образом настраиваются с помощью ИНС, целью которой является определение себестоимости ИП на основе ограниченного объема информации о параметрах проекта;
- предложен пример проведения экспресс-анализа ИСП в условиях неопределенности на основе ТНМ и ИНС, на базе информационного материала строительного ходинга и данных ранка недвижимости Санкт-Петербурга.
Теоретическая и практическая значимость работы заключается в следующих основных результатах:
- в диссертационном исследовании разработаны методы расчета показателей эффективности инвестиционных проектов в нечеткой форме, что дает возможность эффективно решить научно-экономическую задачу обоснования компаниями инвестиционных проектов в рамках экспресс-анализа;
- результаты обобщения и развития теоретических основ нечетко-множественного анализа, теории искусственных нейронных сетей, а также гибридных систем и нечеткого регрессионного анализа, содержащиеся в работе, могут быть использованы для дальнейших научных исследований, а также в решении широкого круга практических задач в различных областях деятельности;
- практическая значимость диссертации состоит в универсальности разработанных моделей и методов и доступности используемых инструментальных средств, что позволяет предприятию любой организационно-правовой формы, осуществляющему инновационную и инвестиционную деятельность, применять основные результаты диссертационного исследования в процессе экспресс-анализа инвестиционных проектов;
- аналитический материал и научные результаты, изложенные в диссертации, могут быть включены в учебные программы ВУЗов в рамках дисциплин, посвященных вопросам искусственного интелекта, инвестиционного анализа, экономики недвижимости.
Научная апробация и внедрение результатов исследования. Основные положения и результаты, полученные в диссертационном исследовании, обсуждались и изложены в материалах:
- Ежегодной научно-практической конференции Актуальные проблемы менеджмента в России на современном этапе: пути достижения высокой конкурентоспособности, Санкт-Петербург, СПбГУ, Экономический факультет, 16 декабря 2005 года;
- Политехнического Симпозиума: Молодые ученые Ч промышленности Северо-Западного региона, Санкт-Петербург, СПбГПУ, 8 декабря 2006 года;
- Международной научной конференции: Экономическое развитие: теория и практика, Санкт-Петербург, СПбГУ, Экономический факультет 5-7 апреля 2007 года;
- 8-го Всероссийского симпозиума по прикладной и промышленной математике, Сочи-Адлер, 29 сентября Ч 7 октября 2007 года;
- 13-ой международной конференции Предпринимательство и реформы в России, Санкт-Петербург, СПбГУ, Экономический факультет, 25-26 октября 2007 года;
- Всероссийского форума студентов, аспирантов и молодых ученых Наука и инновации в технических университетах, Санкт-Петербург, СПбГПУ, 10-12 октября 2007 года;
- Политехнического Симпозиума: Молодые ученые Ч промышленности Северо-Западного региона, Санкт-Петербург, СПбГПУ, 6 декабря 2007 года.
Основные результаты исследования были приняты к внедрению в практическую деятельность ЗАО Управляющая компания Ч Строительный ходинг Эталон-ЛенСпецСМУ в процессе проведения экспресс-анализа потенциальных ИСП в рамках стратегического планирования развития организации. Отдельные материалы диссертации были использованы при проведении лекционных и семинарских занятий на экономическом факультете СПбГУ в рамках дисциплин: Информатика и Информационные технологии в экономике.
Публикации. Основные результаты диссертационного исследования опубликованы в трех научных статьях и тезисах материалов конференций общим объемом 1,5 п.л.
Объем и структура работы. Диссертация состоит из введения, трех глав, заключения, списка использованной литературы и 9 приложений. Диссертация изложена на 181 странице, включает 15 таблиц, 30 рисунков, 1 диаграмму.
Диссертация: заключение по теме "Математические и инструментальные методы экономики", Забоев, Михаил Валерьевич
Выводы, которые можно сделать, анализируя график на рисунке 3.11, аналогичны, тем, что были сделаны ранее в текущем параграфе применительно к значению NPV треугольной формы: в данном случае нечеткость NPV выше, что естественно, так как все параметры, влияющие на значение показателя, имеют форму нечетких чисел. Существует возможность получения отрицательных значений чистой настоящей стоимости, однако и верхняя граница гораздо выше;
- в рассматриваемом случае наиболее ожидаемым является не отдельное числовое значение, а целый отрезок [210; 437] мн. руб.;
- дефазификация по методу центра тяжести дает результат 427 мн. руб.
Агоритм поиска IRR в форме треугольного асимметричного нечеткого числа реализован автором с помощью средств программирования Matlab (см. приложение 9), его результаты в виде функций принадлежности нечетких значений квартального и годового IRR представлены на рисунке 3.12.
Рисунок 3.12. Функции принадлежности квартального и годового IRR
Полученные значения IRR и NPV в нечеткой форме содержат большой объем информации для аналитика: помимо тех выводов, которые были представлены выше относительно значения NPV, построенные функции принадлежности показателей позволяют определить столь важную характеристику, как риск проекта [33]. Приводимый ниже анализ основывается на втором методе сравнения нечетких чисел, приведенном в параграфе 2.1, используя понятие нечетких отношений.
Предположим, что NPV проекта был оценен согласно первой методике, в результате чего NPV = (317,1; 457,3; 917,7) Ч нечеткое число. При этом инвестор желает иметь чистую дисконтированную стоимость проекта на некотором уровне Р, равном, например, 400 мн. руб. (предпочтения инвестора могут быть сформулировано и в нечетком виде, в этом случае расчеты риска будут принципиально аналогичными [33]). Графическая интерпретация взаимоотношения желаемого и оцененного значений NPV представлена на рисунке 3.13. s 1 I
I- 0.4 м ал
I 02 а> Iо О
О 100 200 300 400 500 600 700 800. 900 "1000 мн руб
Рисунок 3.13. Оценка NPV и желаемый уровень NPV
Для определения уровня риска в ситуации, которой соответствует рисунок 3.13, проанализируем варианты взаиморасположения функции принадлежности нечеткого числа и желаемого уровня Р = 400 мн. руб. в зависимости от степени принадлежности. Если степень принадлежности находится в интервале от 1 до ординаты точки А (значения функции принадлежности* нечеткого NPV в точке с абсциссой 400: ал =0,59), то значение NPV заведомо выше желаемого уровня, что очевидно из рисунка 3.13, следовательно, для данного интервала величина риска равна нулю. Для степеней принадлежности меньших аА, например, ах= 0,4 уже существуют ситуации, когда возможные значения чистой настоящей стоимости (имеющие степень принадлежности большую, чем зафиксированная) ниже желаемого уровня. Так как для каждого уровня принадлежности все возможные реализации нечеткого числа NPV одинаково ожидаемы, то степень риска в данном случае Ч отношение длин отрезков BC/BD. Окончательное значение степени риска проекта (Rp) в рассматриваемом примере определяется интегрированием выражения, описывающего отношение длин отрезков на интервале [0, аА], которое представимо явной функцией от степени принадлежности, так как нечеткое число имеет стандартную форму.
ВСа = 82,9-140,2а;
BDa =600,6-600,6а.
В рассмотренном случае риск оценивается на уровне 5,3%.
В случае, когда функция принадлежности NPV имеет сложную форму, как на рисунке 3.11, и интегрируемое отношение выписать в общем виде невозможно, предлагается воспользоваться дискретным представлением функции принадлежности, которое используется для вычислений в среде Matlab. Таким образом, риск, связанный с желанием получить чистую настоящую стоимость в размере 400 мн. руб., составляет 54%. Аналогичным образом может быть проведен анализ и в отношении показателя IRR, представленного в виде нечеткого числа (см. рисунок 3.12).
Для расчета DPP обратимся к примеру, основанному на данных, полученных согласно методике, где значения потока затрат имеют форму точных чисел. В случае использования точного значения ставки дисконтирования и метода центра тяжести для приведения к четкости треугольных функций принадлежности, формула для определения срока окупаемости имеет вид:
DPP - дисконтированный срок окупаемости (искомый параметр), COG Ч функция, используемая для дефазификации в методе центра тяжести, а все другие обозначения соответствуют параметрам, введенным ранее.
Выберем ставку дисконтирования в размере 3% в квартал, тогда, основываясь на данных таблицы 3.8 о значениях чистого денежного потока, можно построить таблицу 3.9, в которой представлены значения COGQХ) из формулы (3.14) для различных значений искомого параметра DPP.
Заключение
В рамках проведенного диссертационного исследования сделаны следующие выводы: на современном этапе развития экономика России характеризуется тенденциями к укрупнению входящих в нее организационных структур и высоким уровнем конкуренции между ними в борьбе за сферы влияния. Таким образом, для успешного качественного развития компаниям необходимо принимать в рассмотрение и оценивать большой объем потенциальных проектов, а значит, они остро нуждаются в современных методах оценки ИП, учитывающих высокую степень неопределенности и риска и поддерживающих автоматизацию и тиражирование; классические методы обоснования инвестиционных решений в условиях неопределенности имеют существенные недостатки применительно к оценке ИП, находящихся на самом раннем этапе их реализации Ч стадии инициации; использование аппарата ТНМ позволяет максимально поно учесть имеющуюся в распоряжении недостаточную и неоднородную информацию об ИП, обработать ее и представить в интуитивно понятной для аналитика форме; разработанные диссертантом методы определения основных параметров ИП - распределенных во времени потоков поступлений и затрат Ч опираются на элементы ТНМ и ИНС. Благодаря этому предложенные методы позволяют получить поную и максимально информативную оценку ИП, так как позволяют использовать большой объем разнородной информации, в том числе, неточной и трудноформализуемой, относящейся как к специфике деятельности самого предприятия, так и особенностям конкретного проекта; разработанные в диссертации методы получения и анализа основных показателей эффективности (NPV, IRR, DPP) в виде нечетких чисел треугольной и произвольной формы предоставляют инвестору необходимые сведения для принятия решения относительно целесообразности реализации рассматриваемого проекта с точки зрения ожидаемого эффекта и связанного с реализацией риска, а также дают возможность осуществить обоснованный выбор наиболее предпочтительного проекта из набора имеющихся альтернатив; выбор программных средств (Matlab, Simulink, EViews, Deductor) для реализации моделей и методов, предложенных в диссертационном исследовании, позволяет на высоком качественном уровне и с требуемой точностью обрабатывать большие объемы данных различной природы и допускает широкие возможности интеграции с другими современными отечественными и зарубежными программными продуктами; апробация методов, предложенных диссертантом, в рамках построения имитационных моделей, а также посредством их внедрения в практическую деятельность строительной организации, показала их адекватность актуальным потребностям и возможностям российских строительных компаний, способность решать поставленные в исследовании задачи и способствовать оптимизации принимаемых инвестиционных решений, что является неотъемлемым условием догосрочного устойчивого развития компании.
Направление дальнейшей исследовательской деятельности предположительно будет связано с анализом возможностей детального учета рисков еще более сложной природы, имеющих место при реализации крупных проектов, которые особенно актуальны в России. К подобным рискам относятся возможные потери, связанные с человеческим фактором: недостаточная квалификация работников и проблемы мотивации и стимулирования, склонность к недобросовестному выпонению обязанностей, стремление к личной выгоде в ущерб интересам , компании, политические, юридические риски. Перечисленные факторы риска присутствуют в деятельности любой компании, тем более в сложных иерархических структурах таких, как инвестиционные ходинги, где зачастую штат управленческого персонала чрезмерно раздут, что влечет неэффективность управления, дублирование пономочий и зон ответственности, инерционность в принятии решений, а значит, делает компанию уязвимой перед быстро изменяющейся внешней средой, не способной идти курсом инновационного развития. Потери, связанные с указанными факторами очень значительны, они могут на практике более чем на треть сокращать плановые показатели прибыли (нереалистично большие проценты доходности условного ИСП, полученные в параграфе 3.4 данной работы во многом объясняются недостаточным учетом именно подобных факторов), следовательно, их необходимо, как бы это ни было сложно, учитывать и даже на стадии экспресс-анализа проектов, что позволит, с одной стороны, объективно оценивать потенциальный эффект инвестиций, а с другой Ч сможет указать на имеющийся потенциал к сокращению затрат путем оптимизации структуры компании, схем управления и процесса производства работ. Перечисленные выше факторы риска в основном связаны с особенностями человеческой личности и законами функционирования колектива и общества и, следовательно, адекватно могут быть учтены с помощью мягких вычислений, лежащих в основе такого направления, как искусственный интелект, претендующего на то, чтобы быть подобным или даже превосходить возможности живого человеческого разума.
Диссертация: библиография по экономике, кандидат экономических наук , Забоев, Михаил Валерьевич, Санкт-Петербург
1. Абрамов JT.M. Математическое программирование. JL: Изд-во ГУ, 1981.-328 с.
2. Атунин А.Е., Семухин М.В. Модели и агоритмы принятия решений в нечетких условиях. Тюмень.: Изд-во Тюменского гос. ун-та, 2000. Ч 352 с.
3. Асаул А.Н. Экономика недвижимости. Ч СПб.: Гуманистика, 2003. Ч 406 с.
4. БН.ру Бюлетень Недвижимости (информационный портал), http ://www.bn.ru
5. Большая Советская Энциклопедия в 30-ти томах. / Гл. ред.: А. М. Прохоров. 3-е изд. М.: Советская энциклопедия, 1974.
6. Бочарников В.П. Fuzzy-технология: математические основы. Практика ' моделирования в экономике. СПб.: Наука, 2001. Ч 328 с.
7. Брейли Р., Майерс С. Принципы корпоративных финансов: Учебник для студентов экономических специальностей высших учебных заведений. Ч М.: Олимп-Бизнес, 1997. 1087 с.
8. Виленский П.Л., Лившиц В.Н., Смоляк С.А. Оценка эффективности инвестиционных проектов: теория и практика. М.: Дело, 2004. - 888 с.
9. Винер Н. Кибернетика, или управление и связь в животном и машине. / Пер. с англ. И.В. Соловьева и Г.Н. Поварова; Под ред. Г.Н5. Поварова. 2-е издание. - М.: Наука, 1983. - 344 с.
10. Ю.Воронцовский А.В. Методы обоснования инвестиционных проектов в условиях определенности: учебное пособие. СПб.: ОЦЭиМ, 2008. Ч 216 с.
11. П.Воронцовский А.В. Управление рисками: Учеб пособие. СПб.: Изд-во С.-Петерб. Ун-та, 2000. - 206 с.
12. Горшков Р.К. Организация коммерческой деятельности в строительстве: учебное пособие. М.: Экслибрис-Пресс, 2005. Ч 213 с
13. Донцова Л.В. Инвестиционно-строительный сектор российской экономики: проблемы формирования и инновационного обновления. Ч М.: Диалог-МГУ, 1999. 269 с.
14. Ендовицкий Д.А. Комплексный анализ и контроль инвестиционной деятельности: методология и практика. М.: Финансы и статистика, 2001. - 400 с.
15. Забоев М.В. Характеристика различных видов неопределенности и методы их учета в процессе обоснования инвестиционно-строительных проектов // Проблемы современной экономики. Ч СПб., 2008, №3 (27).
16. Интелектуальные методы анализа экономической информации: электронный курс лекций. Ч BaseGroup Labs 2005.
17. Исследование операций: в 2-х томах / Пер. с англ. И. М. Макарова, И. М. Бескровного; под ред. Дж. Моудера, С. Эмаграби. М.: Мир, 1981.
18. Капустин В.Ф. Неопределенность: виды, интерпретации, учет при моделировании и принятии решений // Вестник СПбГУ, 1993, вып. 2, с. 108-114.
19. Ковалев В.В. Методы оценки инвестиционных проектов. М.: Финансы и статистика, 1998. - 143 с.
20. Количественные методы в экономических исследованиях / под ред. М. В. Грачева, Л. Н. Фадеева, Ю. Н. Черемных. М.: ЮНИТИ, 2004. - 791 с.
21. Круглов В.В., Дли М.И., Голунов Р.Ю. Нечеткая логика и искусственные нейронные сети: Учеб. пособие. М.: Издательство Физико-математической литературы, 2001. - 224 с.
22. Леоненков А.В. Нечеткое моделирование в среде Matlab и fuzzy TECH. -СПб.: БХВ-Петербург, 2003. 719 с.
23. Мельников А.В., Воков С.Н. Математика финансовых обязательств. -М.: ГУ ВШЭ, 2001.-253 с.
24. Методические рекомендации по оценке эффективности инвестиционных проектов: методический материал / В. В. Коссов, В. Н. Лившиц, А. Г. Шахназаров и др. М.: Экономика, 2000. - 422 с.
25. Мыльник В.В. Инвестиционный менеджмент: учебное пособие для вузов. М.: Академический Проект, 2002. - 272 с.
26. Найт Ф.К. Риск неопределенность и прибыль. М.: Дело, 2003. - 360с.
27. Недосекин А.О. Нечетко-множественный анализ риска фондовых инвестиций. СПб.: Б. и., 2002. - 181 с.
28. Нечеткие множества в системах управления / Пивкин В.Я., Бакулин Е.П., Кореньков Д.И.; под ред. д.т.н., проф. Ю.Н. Золотухина // Fuzzy Technologies Lab. Ссыка на домен более не работаетfuzzybook/content.html.
29. Ногин В. Д. Принятие решений в многокритериальной среде. Количественный подход. М.: Физматлит, 2002. - 176 с.
30. Обзор рынка недвижимости Россия'08. Ч Colliers International, Ссыка на домен более не работаетimages/analitika/pdf/2008rus.pdf.
31. Орловский С.А. Проблемы принятия решений при нечеткой исходной информации. М.: Наука, 1981. - 206 с.
32. Основы теории нечетких множеств. Интернет-Университет Информационных Технологий, Ссыка на домен более не работаетp>
33. Печерский C.JI. Теория игр для экономистов: вводный кур. СПб.: Европейский ун-т, 2001. - 342 с.
34. Смоляк С.А. Оценка эффективности инвестиционных проектов в условиях риска и неопределенности (теория ожидаемого эффекта). М.: Наука, 2002. - 182 с.
35. Тисенко В.Н. Нечеткие множества в задачах комплексных испытаний при реализации инновационных проектов. СПб.: Политехника, 1998. - 103 с.
36. Управление проектом: основы проектного управления/ под ред. д.э.н., проф., засл. деят. науки Рос. Федерации M.JI. Разу. М.: Кнорус, 2007. -759 с.
37. Федеральная служба государственной статистики Ч www.gks.ru
38. Финн В.К. Об интелектуальном анализе данных// Новости Искусственного интелекта, № 3, 2004.
39. Хайкин С. Нейронные сети: полный курс. Ч М.: Вильяме, 2006. Ч 1103 с.
40. Хованов Н.В. Анализ и синтез показателей при информационном дефиците. СПб.: Изд-во С.-Петерб. Ун-та, 1996. - 196 с.
41. Хованов Н.В. Математические модели риска и неопределенности. СПб.: Изд-во СПбГУ, 1998. - 201 с.
42. Царев В.В. Оценка экономической эффективности инвестиций. СПб.: Питер, 2004. - 460 с.
43. Шахов В.В. Введение в страхование. М.: Финансы и статистика, 2001. -287 с.
44. Экономика строительства / под. общ. ред. В.В. Бузырева. М.: Изд. центр "Академия", 2006. - 336 с.
45. Ярушкина Н.Г. Нечеткие нейронные сети с генетической настройкой // Лекции по нейроинформатике Часть 1, По материалам школы-семинара "Современные проблемы нейроинформатики", Москва, 2004, сс. 151-197.
46. Ярушкина Н.Г. Основы теории нечетких и гибридных систем: учеб. пособие. М.: Финансы и статистика, 2004. Ч 320 с.
47. Cheng В., Titterington D.N. Neural Networks: A Review from a Statistical Perspective // Statistical Science, vol. 9, No. 1, 1994, pp. 2-30.
48. Christ С. F. The Cowles Commission's Contributions to Econometrics in Chicago, 1939-1955 // Journal of Economic Literature, Mar., 1994, Vol. 32, No. l,pp. 30-59.
49. Figueiredo M, Gomide F. Design of Fuzzy Systems Using Neurofiizzy Networks // IEEE Transactions on Neural Networks, vol. 10, No. 4, 1999, pp. 815-827.
50. Fletcher, R., Reeves C.M. Function minimization by conjugate gradients // Computer Journal, vol. 7, 1964, pp. 149-154.
51. Foresee, F.D., Hagan M.T. Gauss-Newton approximation to Bayesian regularization // Proceedings of the 1997 International Joint Conference on Neural Networks, 1997, pp. 1930-1935.
52. FrishR. Editorial // Econometrica, Jan., 1933, Vol. 1, No. 1, pp. 1-4.
53. Hagan, M.T., Demuth H.B., Beale M.H. Neural Network Design. Boston, MA: PWS Publishing, 1996.
54. Jamshidi Mo Tools for Intelligent Control: Fuzzy Controllers, Neural Networks and Genetic Algorithms // Philosophical Transactions: Mathematical, Physical and Engineering Sciences, vol. 361, No 1809, August, 2003, pp. 1781-1808.
55. Jing-Rung Yu, Gwo-Hshiung Tzeng, Han-Lin Li General fuzzy piecewise regression analysis with automatic change-point detection // Fuzzy Sets and Systems, No. 119, 2001, pp. 247-257.
56. Leng G, McGinnity Th. M. Design for Self-Organizing Fuzzy Neural Networks Based on Genetic Algorithms // IEEE Transactions on Fuzzy Systems, vol. 14, No. 6, 2006, pp. 755-766.
57. Lin C.T., Lee S.C.G Neural-network-based fuzzy logic control and decision system // IEEE Transactions on Computers, vol. 40, 1991 pp. 1320-1336.
58. MacKay, D.J.C. Bayesian interpolation // Neural Computation, vol. 4, No. 3, 1992, pp. 415-447.
59. Mamdani E.H. Advances in the linguistic synthesis of fuzzy controllers // International Journal of Man-Machine Studies, vol. 8, 1976, pp. 669-678.
60. Mamdani E.H. Application of fuzzy algorithms for control of simple dynamic plant // Proceedings of the IEEE, Control and Science, vol. 121, No 12, 1974, pp. 1585-1588.
61. Mamdani E.H. Assilian S., An experiment in linguistic synthesis with a fuzzy logic controller // International Journal of Man-Machine Studies, vol. 7, No 1, 1975, pp. 1-13.
62. Riedmiller, M., Braun H. A direct adaptive method for faster backpropagation learning: The RPROP algorithm // Proceedings of the IEEE International Conference on Neural Networks, 1993.
63. Ruoning Xu, Chulin Li, Multidimensional least-squares fitting with a fuzzy model // Fuzzy sets and systems, 2001, No 119, pp. 215-223.
64. Russo M. FuGeNeSysЧA Fuzzy Genetic Neural System for Fuzzy Modeling // IEEE Transactions on Fuzzy Systems, vol. 6, No. 3, 1998, pp. 373-388.
65. Takagi Т., Sugeno M. Fuzzy identification of systems and its applications to modeling and control // IEEE Transactions on Systems, Man and Cybernetics, vol. 15, 1985, pp. 116-132.
66. Tanaka H., Uejima S., Asai K., Linear regression analysis with fuzzy model // IEEE Transactions on Systems, Man and Cybernetics, 1982, pp. 903-907.
67. Wael A. Farag, Quintana V.H, Lambert-Torres G. A Genetic-Based Neuro-Fuzzy Approach for Modeling and Control of Dynamical Systems // IEEE Transactions on Neural Networks, vol. 9, No. 5, 1998, pp. 756-767.
68. Ward T.L. Discounted Fuzzy Cashflow Analysis // Proceeding of Full Industrial Engineering Conference, 1985, pp. 476-481.
69. Yun-His O. Chang, Bilal M. Ayyub Fuzzy regression methods a comparative assessment // Fuzzy Sets and Systems, No. 119, 2001, pp. 187-203.
70. Основные понятия теории нечетких множеств
Похожие диссертации
- Обоснование прогнозных сценариев развития свиноводческого подкомплекса
- Совершенствование управления конкурентоспособностью продукции машиностроительного предприятия
- Методы управления формированием и расходованием фонда развития предприятия
- Методы и модели нечетко-множественного анализа в антикризисном менеджменте промышленных предприятий
- Роль страхования иностранных инвестиций в улучшении условий капиталовложений в национальную экономику