Разработка методов и инструментальных средств прогнозирования экономического состояния предприятий на основе генетического программирования тема диссертации по экономике, полный текст автореферата
Автореферат
Ученая степень | кандидат экономических наук |
Автор | Гречин, Сергей Борисович |
Место защиты | Нижний Новгород |
Год | 2009 |
Шифр ВАК РФ | 08.00.13 |
Автореферат диссертации по теме "Разработка методов и инструментальных средств прогнозирования экономического состояния предприятий на основе генетического программирования"
На правах рукописи
Гречин Сергей Борисович
РАЗРАБОТКА МЕТОДОВ И ИНСТРУМЕНТАЛЬНЫХ
СРЕДСТВ ПРОГНОЗИРОВАНИЯ ЭКОНОМИЧЕСКОГО СОСТОЯНИЯ ПРЕДПРИЯТИЙ НА ОСНОВЕ ГЕНЕТИЧЕСКОГО ПРОГРАММИРОВАНИЯ
Специальность 08.00.13 -Математические и инструментальные методы экономики
- 8 ОКТ 2009
АВТОРЕФЕРАТ
диссертации на соискание ученой степени кандидата экономических наук
Нижний Новгород - 2009
003478879
Работа выпонена на кафедре Экономической информатики в ГОУ ВПО Нижегородский государственный университет им. Н.И. Лобачевского.
Научный руководитель: д.э.н., профессор,
Трифонов Ю.В.
Официальные оппоненты: доктор экономических наук,
профессор Ромашова Ирина Борисовна;
кандидат экономических наук, доцент Павленков Михаил Николаевич
Ведущая организация:
ГОУ ВПО "Нижегородский государственный технический университет им P.E. Алексеева"
Защита состоится 29 октября 2009 г. в 12 часов на заседании диссертационного совета Д212.166.03 при ГОУ ВПО "Нижегородский государственный университет им. Н.И. Лобачевского" по адресу. 603000, г. Нижний Новгород, ул. Б. Покровская, д. 60, экономический факультет, ауд. 512
С диссертацией можно ознакомиться в библиотеке Нижегородского государственного университета им. Н.И. Лобачевского.
Автореферат разослан "_"_2009 г.
Ученый секретарь
диссертационного совета
Ю.А. Лебедев
1. ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ
Актуальность темы исследования.
Мировой финансовый кризис 2008-2009 годов ознаменовал наступление периода экономической нестабильности. Коснуся он и российских промышленных предприятий. Усложнившаяся внешняя среда организаций и непредсказуемость макроэкономических факторов ставят перед российскими фирмами все более трудные управленческие задачи. Предприятия, пытаясь выжить в эту сложную эпоху, изменяют свою структуру и поведение. Все это делает экономическое пространство более сложным для анализа и прогнозирования.
В то же время различные институты, такие как банки и налоговые органы, по-прежнему заинтересованы в получении прогнозов экономического состояния предприятий, поскольку эта информация является ключевой при принятии решений и затрагивает ряд аспектов управления рисками, важность которых в условиях кризиса чрезвычайно обострилась. Важны такие прогнозы и для руководства самих предприятий.
Перечисленные факторы обуславливают актуальность разработки методов прогнозирования экономического состояния предприятий, работающих на сверхкоротких (не более 5-6 наблюдений) исторических рядах. Методика, позволяющая на основании малого объема исторических данных сформировать практически применимый прогноз состояния предприятия, стала бы важным в условиях кризиса инструментом экономиста-аналитика.
При использовании аппарата генетического программирования (ГП), помимо высокой практической значимости, задача разработки этих методов затрагивает ряд фундаментальных вопросов из области символьной регрессии, не разработанных на данный момент ведущими учеными этого направления. Среди них: способы избегания оверфиттинга для моделей с соотношением количества входных параметров к числу исторических точек порядка 5/20, способы априорной оценки качества сделанного прогноза и их достоверность и др.
Кроме того, при анализе литературы и интернет-источников была выявлена недостаточная проработанность вопроса о применении ГП для прогнозирования значений отдельных экономических показателей промышленного предприятия на основе российской бухгатерской отчетности. Вопрос о применимости ГП для решения подобных задач является открытым и требует ответа.
Обозначенные положения определяют практическую и теоретическую значимость выбранной темы диссертационного исследования в контексте сложившейся экономической ситуации и применимость его результатов.
Диссертационное исследование проведено в соответствии с требованиями паспорта специальности 08.00.13 "Математические и инструментальные методы экономики" ВАК РФ в следующих пунктах: 1.4. Разработка и исследование моделей и математических методов анализа микроэкономических процессов и систем: отраслей народного хозяйства, фирм и предприятий, домашних хозяйств, рынков, механизмов формирования спроса и потребления, способов количественной оценки предпринимательских рисков и обоснования инвестиционных решений, 2.8. Развитие методов и средств аккумуляции знаний о развитии экономической системы и использование искусственного интелекта при выработке управленческих решений.
Степень научной разработанности проблемы.
Проблеме экономического прогнозирования посвящено множество работ и публикаций. К отечественным авторам, имеющим публикации по данной проблеме, относятся, в частности: И.В. Бестужев-Лада, В.В. Леонтьев, Д.С. Львов, С.А. Айвазян, B.C. Мхитарян, Ю.П. Лукашин, IO.B. Трифонов, Ф.Ф. Юрлов, С.Л. Чернышев, А.Ф. Плеханова, Н.Ф. Поляков и другие.
Из зарубежных авторов, внесших значительный вклад в разработку данного вопроса, необходимо отметить: Дж. Бокса и Г. Дженкинса, К. Гренджера и М. Хатанака, М. Кендала, А. Стыоарта.
Также непосредственное отношение к теме диссертационного исследования является задача определения экономического состояния предприятия. Этой проблеме посвящено множество работ ученых-экономистов. К отечественным авторам, которые рассматривают данную проблему, можно отнести: А.Д. Шеремета, М. И. Баканова, О.В. Ефимову, В.В. Ковалева, Е.С. Стоянову, Р. С. Сайфулина, Г.В. Савицкую и др.
В зарубежной литературе этой проблеме посвящены работы: Е. Альтмана, 10. Бригхема, Л. Гапенски, Дж. К. Ван Хорна, Р.Н. Хота, Дж. Г. Сигела, Дж. К. Шима и др.
Одним из ключевых аспектов данного исследования является применение аппарата искусственного интелекта к решению прикладных экономических задач. Важнейший вклад в разработку этой проблемы внесли следующие отечественные и зарубежные ученые: Дж.Р. Коза, Д.Б. Фогель, М.Л. Кричевский, O.A. Цуранов, С.ИРодзин и другие. Ведущим практиком использования генетического программирования и основателем научного направления применения этого метода в экономике и финансах считается тайваньский ученый Shu-Heng Chen, имеющий ряд важнейших публикаций по этой теме. В связи с вопросами валидации результатов
применения генетического программирования необходимо отметить вклад исследователей Николаса Навета (Франция) и Махмуда Кабудана (США).
Признавая вклад упомянутых ученых, следует отметить, что:
1) при анализе литературы и интернет-источников была выявлена недостаточная проработанность вопроса о применении ГП для прогнозирования значений отдельных экономических показателей промышленного предприятия на основе российской бухгатерской отчетности;
2) при прогнозировании курса валют или ценных бумаг с применением генетического программирования, проводившегося многими исследователями, базой исторических наблюдений являлись сотни и тысячи отсчетов, что по объему на несколько порядков превышает доступную историческую базу по состоянию промышленного предприятия, особенно в условиях кризиса и нестабильности, когда исторические данные теряют свою актуальность с точки зрения их прогностической ценности.
В свете обозначенных положений были выбраны цель и задачи диссертационного исследования.
Цель диссертационного исследования заключается в:
1) разработке методики прогнозирования экономического состояния российских предприятий на основании их бухгатерской отчетности с применением генетического программирования, включая:
1.1) создание метода получения прогнозов экономического показателя предприятия;
1.2) разработку метода статистического анализа результатов прогнозирования;
1.3) разработку метода предварительной оценки эффективности метода на модельных данных.
2) разработке программных комплексов, реализующих предлагаемые методики;
3) проведение верификации методик на реальных данных, что включает в
3.1) определение источников данных о предприятии и обоснование возможности их использования;
3.2) сбор необходимых данных;
3.3) применение метода к накопленным данным и анализ полученных результатов.
Поставленная цель обусловила необходимость решения следующих задач:
1) проанализировать текущую разработанность темы методов оценки и прогнозирования состояния предприятий;
2) разработать агоритм получения единичных прогнозов показателей промышленного предприятия на основе его бухгатерской отчетности с применением генетического программирования;
3) разработать агоритм анализа качества и применимости полученного прогноза на основании статистической обработки множества результатов запуска агоритма получения единичного прогноза;
4) реализовать разработанные агоритмы в виде программных комплексов;
5) провести верификацию метода на реальных экономических данных российских предприятий.
6) провести прогнозирование состояния выбранных предприятий.
Объектом исследования выступают российские предприятия.
Предметом исследования являются способы определения и прогнозирования
экономического состояния промышленных предприятий с использованием программного обеспечения, реализующего интелектуальные математические методы анализа данных.
Теоретической и методологической основой диссертационного исследования являются современная теория экономического анализа, математического моделирования и интелектуальных методов.
В работе использовалась открытые статистические материалы по отдельным предприятиям Нижегородской области, электронные информационные источники, применялось специализированное программное обеспечение.
Научная новизна исследования состоит в следующем:
1) Разработан метод получения единичных прогнозов коэффициентов соотношения групп балансовых статей промышленных предприятий на сверхкоротком временном ряде, базирующийся на генетическом программировании и осуществляющий поиск символьной зависимости прогнозного значения целевого показателя от значений других показателей и балансовых статей этого предприятия за предыдущий год. Метод использует эволюционную технику машинного обучения, оптимизирующую популяции компьютерных программ с точки зрения их способности решать сформулированную проблему прогнозирования целевого коэффициента;
2) Разработана методика априорной оценки качества полученного прогноза на основании вида распределения исходов множества запусков агоритма прогнозирования и его сравнения с результатом прогнозирования на модельных
хаотических данных, позволяющая идентифицировать проявления оверфиттинга и учитывать эту информацию при принятии решений на основании прогноза;
3) Сформулирован критерий критического качества прогноза, дающий численное значение для оценки применимости полученного прогноза;
4) Разработана методика апостериорной оценки эффективности прогноза, основывающаяся на прогнозных данных и реализовавшейся динамике прогнозируемого показателя;
5) Скорректирована традиционная методика генетического программирования с целью повышений эффективности ее применения к проблеме прогнозирования экономических коэффициентов предприятий. Коррекция позволила значительно ускорить сходимость метода и в результате получить большее количество экспериментальных данных, позволивших исследовать статистические характеристики результатов прогнозирования. Изменения коснулись адаптированной процедуры кроссовера и вычисления функции приспособляемости. В результате коррекции в ряде случаев удалось более, чем на 80% снизить использование вычислительных ресурсов.
Кроме того, в рамках проведения диссертационного исследования, автором были разработаны два программных комплекса:
1) Программный комплекс, реализующий разработанный метод прогнозирования с учетом коррекций традиционной постановки задачи генетического программирования, который может использоваться как самостоятельно, так и предоставлять свое математическое ядро для встраивания в пользовательские приложения через интерфейс прикладного программирования. Программный комплекс написан на языке С++ и работает в операционных системах Windows, Solaris. Поная платформонезависимость позволяет с легкостью портировать программный комплекс на другие операционные системы.
2) Программный комплекс обработки результатов прогнозирования, реализующий методику априорной оценки качества получаемого прогноза. Программный комплекс реализован на языке Visual Basic for Applications, интегрирован в документ Microsoft Excel для удобства обработки и отображения данных и может применяться на любых платформах, поддерживаемых Microsoft Office.
Практическая значимость диссертациоиного исследования состоит в возможности применения его результатов для прогнозирования состояния экономических объектов, а также в том, что разработанный в рамках ее
программный комплекс был успешно верифицирован и применяся для прогнозирования состояния российских предприятий в работе финансовых отделов ООО "Мера НН" и ООО "НПП Бинар".
Апробация результатов исследования. Основные положения работы докладывались на международной научно-практической конференции "Государственное регулирование экономики, региональный аспект" (Н. Новгород, 2007), публиковались в виде тезисов в трудах XI международной научно-практической конференции "Системный анализ в проектировании и управлении" (Санкт-Петербург, 2007), докладывались на межвузовской научной конференции аспирантов и студентов "Инвестиционная составляющая рыночной экономики России" (Н.Новгород, 2008), I всероссийской научно-практической интернет-конференци "Современность и экономические науки" (Новосибирск, 2009), VI Международной научно-практической конференции "Основные направления повышения эффективности экономики, управления и качества подготовки специалистов" (Пенза, 2009).
Основные положения диссертации отражены в 9 научных публикациях.
Структура и объем работы. Диссертация объемом 151 машинописных листов состоит из введения, трех глав, заключения, списка литературы, состоящего из источников 110 источников, и трех приложений.
Во введении обосновывается актуальность темы исследования, выявляется степень научной разработанности различных аспектов проблемы в настоящее время, ставятся цели диссертационной работы и определяются задачи для их достижения, формулируется объект и предмет исследования, обосновывается научная новизна и практическая значимость работы.
Первая глава "Аналитическое исследование проблем оценки и прогнозирования экономического состояния промышленных предприятий" посвящена обзору и анализу вопросов сбора информации о предприятии, существующих подходов к определению состояния предприятия и проблемам его прогнозирования. Также в этой главе раскрывается используемая далее в работе семикомпонентная методика оценки состояния предприятий на основе безразмерных экономических коэффициентов.
Вторая глава "Разработка методов и инструментальных средств прогнозирования экономического состояния промышленного предприятия на основе генетического программирования" представляет описание авторских методик, использовавшихся в процессе получения прогноза показателей и статистического
анализа результатов прогнозирования. Раскрывается разработанный автором обобщенный подход к анализу методик прогнозирования на основании понятия характеристики прогноза. Также приводятся описания программных комплексов, реализующих разработанные методики.
Третья глава "Результаты верификации и применения разработанных методов с использованием бухгатерской отчетности российских предприятий" содержит результаты верификации методов на данных пяти российских предприятий, включая три предприятия нефтехимического комплекса нижегородской области и два открытых акционерных общества, за период 20002009 гг.
Основные положения, выносимые на защиту.
1. Разработан оригинальный комбинированный метод, совмещающий получение прогнозов экономических показателен промышленных предприятий на сверхкоротком историческом ряде на основе модифицированного метода генетического программирования и статистическую обработку результатов запуска прогнозирующего агоритма с целью априорной оценки качества прогноза и определения прогнозного значения показателя с помощью автоматизированного исследования статистических характеристик множества вариантов прогноза.
Под состоянием предприятия понимается значения его экономических параметров (коэффициентов), допускающих численное представление. Задача прогнозирования состояния предприятия сводится, таким образом, к составлению обоснованных суждений о поведении каждого из рассматриваемых параметров в будущем.
Для некоторого коэффициента допустим, что:
5(1)= 0(0 +N(0,
где 5(г) - значение прогнозируемого показателя как функция времени, О(Г) -детерминированная компонента, Щг) - недетерминированная, шумовая, стохастическая составляющая. Исходной посыкой задачи прогнозирования является то, что компонента О(г) является определяющей, в то время как влияние помех и неучтенных факторов N(1) не является существенным. Это утверждение нуждается в проверке, более того, соотношение детерминированной и шумовой составляющих зависит от метода, которым мы пользуемся для выявления зависимости.
Получив компоненту D(t), возможно экстраполировать ее в будущее, получая тем самым прогнозные значения показателя с точностью, которую допускает присутствие шумовой компоненты N(t). Вопрос о том, является ли детерминированная компонента константной во времени или может изменяться приводит к необходимости еще одного допущения, а именно признания преемственности (неизменности) детерминированной составляющей поведения системы в будущем относительно ее поведения в прошлом, что также нуждается в проверке.
В случае задачи прогнозирования состояния промышленного предприятия под S(t) мы будем понимать значение одного из производных коэффициентов соотношения групп балансовых статей этого предприятия. Детерминированная компонента D(t) будет определяться как символьная зависимость:
Л = h (0 = h V С - Л')' h ~ 2Д').-. 'л С " л' * Ь) Х J = 1 Х
где At- шаг временных отсчетов исторических данных, Ь-параметр ретроспекции (число предшествовавших временных отсчетов, значение параметров предприятия в которые будут учитываться при получении прогноза), -уникальный код предприятия, ./-номер балансовой статьи или коэффициента, участвующей в расчете прогноза, -номер исследуемого коэффициента.
Таким образом, предположительно существующая зависимость связывает значения '-го показателя предприятия в момент времени I от значений его показателей в моменты времени t-t, г-2Дг, f-ЗДг и т.д.
2003 2004 2005 2006 2007 2008 2009
аз аз аз аз аз аз Ч| аз
35 а5 35 а5 35 35 35
Ki, кД 1 К" 1 КД кД I I КД кД
Kl2 К|2 К|2 Г К[2 |Чк Kj2 К12 р К,2
К,з К,з Ч К |з К,з К,з J К,з Ч К|з
Рисунок 1. Схема вычисления прогноза, а,-аЩ, - балансовые статьи исследуемого предприятия, Ку-производные коэффициенты, стреками обозначена некоторая функция, которая на основе значений йз 15, К21, К13 для предприятия за предыдущий год вычисляет значение К12 в следующем году. Вычисление значения этой функции на последних известных данных (2008 год) дает прогнозное значение К|2 на 2009 год.
Применение найденной зависимости к последним известным данным из обучающей выборки дает прогноз значения коэффициента на следующий отчетный период.
Предлагается искать упомянутую зависимость с помощью метода модифицированного генетического программирования, в рамках которой задача отыскания оптимальной структуры регрессионной модели формулируется
следующим образом: задана выборкаЧ множество ......^дтеЭ"} значений
свободных переменных и множество {ун.-.ум^б9\} соответствующих им значений зависимой переменной. Обозначим оба эти множества как множество исходных данных О.
Также задано множество С = :9?х...х9?->9\} гладких функций. Рассмотрим произвольную суперпозицию, состоящую из не более, чем г функций g. Эта суперпозиция задает регрессионную модель/=/(х). Обозначим Ф = {/,} Ч множество всех суперпозиций, порожденное элементами множества й.
Требуется выбрать такую модель/-, которая доставляет минимум заданного функционала Р(Ф), под которым может пониматься величина, зависящая, в том числе, от степени соответствия значений входных и выходных переменных. Таким образом, задача поиска данной символьной закономерности сводится к минимизации этого функционала на множестве возможных формул.
В данном исследовании функциональное множество генетического поиска составляют арифметические операции сложения, вычитания, умножения, деления, натурального логарифма, операции взятия корня второй и третьей степени. Также была введена функция синуса для моделирования потенциально существующей периодичности. Терминальное множество составляют значения балансовых статей и производных показателей, а также константы различных порядков: 1СГ3, 10~2, 10"1, 1, 10, 100, 1000.
В допонение к случайному поиску (операция мутации в классической постановке и "область хаоса" в модифицированном методе ГП, рассматриваемом в данной работе) ГП позволяет вести планомерную работу по планомерному приближению к минимуму от итерации к итерации (операция скрещивания), сохраняя при этом лучшие найденные на текущий момент решения (операция репродукции).
Рисунок 2. Пример функции, полученной в ходе эволюционного поиска
Критерием меры близости решения к искомому является значение функционала невязки, определяющемуся как суммарное отклонение прогнозных значений в точках, где возможно его сопоставление с реальными значениями исследуемого показателя (на основе исторических данных), которое определяется как:
М * (Л = JJ/((,)-л((,)
где / - функция - кандидат, ti,M - моменты времени в прошлом, на которых возможно сравнение прогноза, основывающегося на исторических данных с реальными историческими значениями прогнозируемого показателя, R(ti) -реальные значения прогнозируемой величины в моменты времени /. Допонительно, функции кандидаты меньшей сложности расцениваются как более приспособленные в соответствии с формулой:
М(П = М *(/)-, С*
где M(f) - результирующая функция невязки, M*(f) - функция невязки, вычисленная как суммарное отклонение на опорных точках, С-количество узлов в функции-решении, С* - коэффициент штрафа за сложность особи-решения. Второй множитель в формуле вычисления функции невязки при равных степенях совпадения на исторических данных оценивает более простые решения как более приспособленные и производит таким образом отсев чрезмерно сложных кандидатов, уменьшая тем самым вероятность подгонки под кривую (curve fitting), что особенно важно с учетом малого количества исторических данных.
Отметим, что метод поиска прогноза коэффициента соотношения групп балансовых статей, описанная в предыдущем разделе определяет способ получения единичного прогноза и не учитывает стохастическую природу самого метода.
Также следует заметить, что монотонный спуск к минимуму не означает сам по себе выявления скрытых закономерностей в данных. Для выявления оверфиттинга в прогнозировании конкретного показателя предприятия мы будем использовать понятие качества прогноза.
Пользователь или управляющий программный комплекс
^ начало^
т.е. в течение л, поколении не наблюдалось улучшения решения. Обычно пш выбирася равным 100, при этом общее число популяций
колебалось от 400 до 800 при размеры популяции в 1000 особей.
на практике применяся перегенерацин подвергалась часть текущей популяции, невязка для членов которой находилась в 20% распределения.
Вычисление функции невязки для сгенерированных особей
В целях оптимизации пересчет навяюк для элиты (особей, подвергающихся репродукции в текущем поколении) не производится.
Для каждого каждого прогнозируемого показателя, каждого уровня ограничений на сложность члена популяции и режима исходных данных осуществлялось А/в циклов вычислений. NД=300
Анализ, проводимый пользователем или управляющим программным комплексом
Рисунок 3. Схема реализации метода получения единичного прогноза экономического показателя предприятия на основе ГП.
0,95 0.9 i
0,65 8-0.7S 0,7 г
0.65 о,е Ч1Ч
о о о о о
Рисунок 4. График сходимости прогноза промежуточного коэффициента покрытии ЗЛО "Авиационные и технические масла" покрытия (слепа) и уменьшении функции невязки (справа). По горизонтальной оси откладываете номер итерации, а по вертикальной: для графика слеш* знамение прогноза с использованием наилучшего решения в данной итерации, для графика справа-значение функции невязки для наилучшего решения в данном локолекии.
Рнсуиок 5. Изменение структуры популяции в процессе поиска решения, Вертикальная ось - значение невязки для члена популяции (логарифмическая шкала), горизонтальная ось с делениями - номер итерации, горнзоталышн ось бет делении - номер члена популяции.
1000000 100000 10000 1000 100 10 1 0,1 0,01 0,001
Таблица 1. Модификации традиционной реализации метода ГП и их эффект
Модификация традиционного метода ГП Традиционная постановка Достигнутый эффект
Множественные попытки кроссовера с выбором наилучшего потомка Разовая попытка кроссовера Ускорение сходимости на 1012% (в реальном времени) и 20-25% процентов (измеряемое как количество поколений).
Область хаоса переменного размера. Хаотическая генерация только первого поколения. Ускорение до 80% в ходе начальных популяций. Ускорение порядка 10% в ходе последующих популяций. В измерениях использовалось реальное время.
Переход от максимизации функции приспособляемости к минимизация функции невязки. Максимизация нормализованной (приведенной к интервалу 0..1) функции приспособляемости Более выраженный эффект от ограничения функции невязки на рассогласование на реальных данных.
Понятие качества прогноза является ключевым в в разработанной методике статистической обработки результатов прогнозирования с использованием вышеописанного метода, реализующей следующую функциональность:
1) На первом шаге производится многократный поиск прогнозирующей формулы на основании неизмененных исходных данных.
2) Для второго шага создается копия исходных данных, к которой применяется операция хаотизации, т.е. случайного перемешивания исходных рядов и повторяется процедура первого шага.
Мы можем ожидать, что в случае, когда нсмодифицированные исходные данные содержат некоторый сигнал, множество запусков агоритма поиска прогноза на исходных и хаотизировапных данных выдадут статистически отличающиеся множества прогнозов. В случае же когда исходные данные представляют собой чистый шум, мы можем ожидать похожих результатов.
В качестве количественной меры сходства результатов, полученных в с помощью двух шагов первого функционального блока агоритма, была предложена мера качества прогноза <3, определяющаяся на основании следующих выражений:
о Ч u v-t -j-,
max(d(x))\x 6 [x^, x^ ]
где d(x) - значение плотности распределения вероятности прогноза показателя, построенного на неизмененных начальных данных. xmin, хтах - значения максимального и минимального пределов значений в выборке.
где сГ(х) - значение плотности распределения вероятности прогноза показателя, построенного на начальных данных, подвергнутых хаотизации, а .*',Д,ХД, х',пах определяются аналогично предыдущему случаю: = пип(л', = 1-Л^, *Д,;Д = пнп(дс, )|( =
2= 5 5 ,
где Q - искомая характеристика прогноза, его качество.
Фактически, качество прогноза характеризует отношение площадей нормализованных функций распределения прогнозов для неизмененных и хаотизированных данных. Другими словами, этот показатель характеризует степень относительной выраженности уплотнения распределения в области предполагаемого результирующего прогнозного значения и различия формы распределения для немодифицированных и модифицированных исходных данных.
Гипотезой Но в этом случае будет являться утверждение, что большие значения характеристики О соответствуют большей прогностической ценности прогноза, альтернативная гипотеза Н1 утверждает, что корреляция между ними отсутствует. Статистическая проверка гипотез проводится в разделе анализа результатов.
Глобальные параметры
Рисунок 6. Схема второго блока агоритма. Блок, выделенный жирными линиями, представляет собой точку вызова первого блока агоритма, представленного на рисунке 3.
Рисунок 7. Пример функций распределения вероятности для неизмененных данных (слева) и хаотизированных данных (справа). На этих рисунках горизонтальная ось соответствует множеству прогнозов, на которой определена функция плотности (откладывается по вертикали), определямая как количество прогнозов попадающих в окрестность текущей точки.
При разработке и отладке метода возникла необходимость оценки
эффективности прогноза на тестовой выборке. Абсолютная и относительная
погрешность не являются удовлетворительными для этой задачи, поскольку не
учитывают динамику реализовавшегося движения показателя, поэтому в рамках
данной работы был предложен показатель эффективности прогноза Е,
определяющийся как:
0 - |аглап( Д,) - аглап( Др )|
где Е0 - базисная величина угла расхождения графиков, в нашем случае я
принималась равным Ч, а значения Дги Д проилюстрированы на приводимом 6
ниже рисунке 8.
Геометрическая аналогия, используемая при вычислении значения эффективности прогноза, опирается на вычисление угла между графиками действительного и прогнозного значений показателей.
Теоретически можно предположить существование двух возможных выводов, сделанных на этой стадии предварительного анализа:
1) эффективность прогноза не зависит от качества;
2) наблюдается прямая корреляция между значениями качества и эффективности.
Понятие характеристики прогноза позволяет описать метод прогнозирования как множество исходов его запуска на тестовой выборке и получить наглядное представление результатов на двумерной плоскости.
Отметим, что разработанная методика может применять не только для оценки применимости методов, основанных на генетическом программировании, но и как
общий подход, применимый для любых стохастических методик прогнозирования независимо от математического аппарата, ими используемого.
2. Предложена методика оценки состояния предприятия на основании семи коэффициентов соотношения групп балансовых статей.
Для получения данных о предприятиях выбрана балансовая отчетность, которая является основным, а в ряде случаев и единственным источником информации о предприятии.
Ниже приводится использованная в данной работе схема образования укрупненных статей баланса, частично заимствованная из существующих методик, применяемых в банковской практике для оценки кредитоспособности хозяйствующих субъектов.
Согласно применяемой методике балансового анализа, активы и пассивы баланса разделяются на 8 основных групп.
Таблица 2. Структура обобщенных групп актива баланса
Обозначен не Название Состав группы
а, Быстрореализуемые активы Денежные средства (стр. 260)
а2 Среднереализуемые активы Отгруженные товары, краткосрочная дебиторская задоженность, краткосрочные финансовые вложения (стр. 215,240,250).
Аз Медленнореапизуем ые активы Запасы за исключением отгруженных товаров, прочие оборотные активы (строки 211, 212, 213,214,216, 220, 270).
а4 Труднореализуемые активы Нематериальные активы, основные средства, незавершенное строительство, доходные вложения в материальные ценности, догосрочные финансовые вложения, прочие внеоборотные активы (стр.110, 120, 130, 135, 140, 150).
Обозначен ие Название Состав группы
Р> Краткосрочные пассивы Краткосрочные займы и кредиты (стр. 610)
Рг Среднесрочные пассивы Кредиторская задоженность и прочие краткосрочные обязательства (стр. 620, 660)
Рз Догосрочные пассивы Догосрочные займы и кредиты (стр. 510, 520)
Р4 Постоянные пассивы (капитал) Уставной капитал, добавочный капитал, резервный капитал (стр. 410,420, 430).
Обозначим выделешше группы пассивов и активов как Аь А2, А3, А4, Рь Р2, Рз, Р4 соответственно. Валюту баланса обозначим символом V. На основании проведенной группировки могут быть выделены следующие безразмерные коэффициенты:
у А к _АА- к - А + А+А. ..А+А+А,
Л. 1 Ч- Л,, Ч-л Л.,, Ч-, Л,А Ч-,
11 Рх + Р2 12 Р,+Р3 РЪ Л4
[Г__^4_ .ГУ _ + ^4 .
Л,,Ч-, л.Д--, Л-11 Ч Ч Х
Р,+Рг+Р, V А4
Используемые коэффициенты в существующей практике принято называть: Кц - коэффициентом оперативной (срочной) ликвидности, К!2 - промежуточным коэффициентом покрытия, Кц - общим коэффициентом покрытия, К14 -коэффициентом соотношения ликвидных и неликвидных средств, К21 -коэффициентом соотношения собственных и заемных средств, К22 - коэффициентом финансовой устойчивости, К23- коэффициентом инвестирования.
Используемые коэффициенты отвечают следующим основным требованиям:
1) безразмерность получаемых коэффициентов;
2) простота использования;
3) относительная независимость получаемых значений коэффициентов относительно финансовой структуры предприятия и его размеров, что позволяет без допонительной обработки производить сравнительный анализ предприятий.
3. Получены результаты тестирования метода на модельных и реальных данных. Сформулирован критерий критического качества прогноза. Проведена верификация методов на данных пяти российских предприятий.
Верификация и апробация разработанного метода и программного комплекса, построенного на его базе проходила в несколько этапов с применением разработанной методики оценки методов прогнозирования на основе понятий качества и эффективности прогноза.
Па первом этапе проводися поиск прогноза существующей (случайным образом сгенерированной) зависимости некоторой величины от значений балансовых статей и производных коэффициентов каждого из пяти предприятий отдельно. Второй этап верификации аналогичен первому с тем отличием, что вместо зависимостей прогнозируемый ряд состоял из чисто случайных величин. При этом также проводилось множество попыток прогнозирования, причем для каждой попытки ряд генерировася заново. Критическое значение качества прогноза выбиралось как точка максимального расхождения между графиками.
Рисунок 9. Кривые распределения плотностей качеств прогнозов для модельных данных, основанных на информации по ЗАО "Авиационные и технические масла". По горизонтальной оси отложено значение, для которого вычисляется плотность распределения, линия с маркерами Ч распределение для реальных данных, линия без маркеров
- для хаотизированных данных.
Таблица 4. Критические значення качества прогноза.
Название предприятия Диапазон исходных данных Значение (2кр
ЗЛО "Авиационные и технические масла" 2000-2006 гг. 0,6
ОАО "Лукойл-Нижегороднефтеоргсинтез" 2002-2006 гг. 0,63
ООО "Нефтемаслозавод Варя" 2003-2006 гг. 0,83 (значение спорно)
ОАО "Газпром" 2002-2009 гг. 0,63
ОАО "РЖД" 2004-2009 гг. 0,66
На третьем этапе верификации разработанные методы применялись непосредственно к прогнозированию коэффициентов соотношений групп балансовых статей пяти российских предприятий и последующему сравнению полученных данных с известными реальными значениями. В исследовании использовалась балансовая отчетность следующих предприятий:
1. ЗАО "Авиационные и технические масла"
2. ОАО "Лукойл-Нижегороднефтеоргсинтез"
3. ООО "Нефтемаслозавод Варя"
4. ОАО "Газпром"
5. ОАО "Российские железные дороги"
Распределение характеристик прогнозов 35 коэффициентов рассматриваемых предприятий приведено на рисунке 10. Прямая линейной регрессии показывает статистическую связь между значениями качества и эффективности прогнозов.
На четвертом этапе проверки методов для двух акционерных обществ проводилось прогнозирование значений семи коэффициентов соотношения балансовых статей двух открытых акционерных обществ на начало 2010 года.
Для коэффициента срочной ликвидности ОАО "Газпром" необходимо отметить, что прогнозирующая модель плохо валидировалась на данных 2009 года, что дожно учитываться в интерпретациях прогноза на 2010 год. Также дожно учитываться сравнительно низкое (0,49) значение качества прогноза.
Промежуточный коэффициент покрытия этого предприятия в период 20072009 гг. оставася практически неизменным. Характеристики прогноза на 2010 год, тем не менее, не демонстрирует убедительного качества 0=0,2. Таким образом, прогноз на 2010 год для этого коэффициента не является убедительным и, по всей видимости, просто экстраполирует сложившуюся динамику изменения.
Аналогичная ситуация складывается в отношении общего коэффициента покрытия и коэффициента соотношения собственных и заемных средств ОАО "Газпром". Для трех оставшихся коэффициентов (коэффициента соотношения ликвидных и неликвидных средств, коэффициента финансовой устойчивости и коэффициента инвестирования) значения качества прогноза превысили критические.
Прогноз коэффициента соотношения ликвидных и неликвидных средств предсказывает дальнейший рост этого показателя с некоторым замедлением, что подтверждается сложившейся тенденцией. Следует отметить, что этот прогноз обладает весьма высоким качеством (0,89).
Прогноз значения коэффициента финансовой устойчивости, наоборот, свидетельствует о возможном изменении направления изменения этого показателя в 2010 году но не прогнозирует резких, значительных изменений.
Прогноз коэффициента инвестирования предсказывает незначительное снижение этого показателя в 2010 по отношению к предыдущей отчетной дате.
Л 0,3000
д. -0,1000 о
13 Ж 11
о 11 (1 13 й 22
-12 ^^0 13
23 Д 13 ^
411 о 12
а 12 О 22
0,0000 0,1000 0,2000 0,3000 0,4000 0,5000 0,6000 0,7000 0,8000 0,9000 1,0000 Качество прогноза, О
Рисунок 10, Распределение характеристик прогнозов коэффициентов соотношения групп балансовых статей пяти российских предприятий. Условные обозначения:
11 ЗАО "Авиационные и технические масла", 4 ОАО "Лукойл-Нижегороднефтеоргсинтез" , - ООО "Нефтемаслозавод Варя", А - ОАО "Газпром", О - ОАО "РЖД"
ЧО-И сторические данные
Чт-Прогноз
Рисунок 11. Историческая и прогнозная динамика изменения промежуточного коэффициента покрытия ОАО "Газпром"
Прогноз коэффициента срочной ликвидности ОАО "РЖД" на 2010 год предсказывает изменение динамики показателя: на смену росту 2008-2009 года дожно прийти некоторое уменьшение. Прогноз этого коэффициента не обладает убедительным качеством (0,494) и поэтому не может считаться в достаточной мере достоверным.
Напротив, прогноз коэффициента промежуточного коэффициента покрытия обладает весьма высоким качеством (0,877) и предполагает изменение тенденции изменения данного показателя в 2010 году. По всей видимости, в данном случае возможна экстраполяция тенденции, выявленной на предыдущих отсчетах. Учитывая динамику показателя в прошлом и достаточно высокое качество прогноза, данная оценка может считаться впоне достоверной.
В случае общего коэффициента покрытия ОАО "РЖД" налицо простейший случай экстраполяции практически линейной зависимости. Высокое качество прогноза и очевидная зависимость делает прогноз впоне применимым при принятии решений. Аналогичная ситуации складывает относительно прогноза коэффициента соотношения собственных и заемных средств, коэффициента финансовой устойчивости и коэффициента инвестирования этого предприятия. Коэффициент соотношения ликвидных и неликвидных средств ОАО "РЖД" демонстрирует высочайшее качество прогноза для данного предприятия (0,891) и предсказывает продожение роста этого показателя с некоторым уменьшением его темпов.
Основные результаты работы. Ниже перечислены основные результаты диссертационного исследования.
1) Была обоснована актуальность разработки методов прогнозирования состояния промышленных предприятия по данным их бухгатерской отчетности. Особое внимание было уделено специфике экономической информации о промышленным предприятии, характеризующейся, как правило, недостаточностью исторических данных.
2) Были проанализированы возможные источники получения данных о предприятии. Было показано, что бухгатерская отчетность является наиболее подходящим способом получения информации для использования в формализованном и агоритмизированном методе прогнозирования, который дожен быть доступен для максимально широкого круга заинтересованных лиц, а также отвечать требованиям достоверности и сопоставимости исходных данных и результатов своей работы;
3) На основании существующей банковской практики был использован способ приведения бухгатерского баланса к упрощенному виду на основе преобразования исходного вида баланса к набору из 7 коэффициентов соотношения групп статей, характеризующих состояние предприятия с точки зрения трех основных аспектов экономического статуса: платежеспособности, кредитоспособности и устойчивости.
4) Были разработана методика получения единичного прогноза целевого коэффициента на основе модифицированного генетического программирования. Использование ГП в отличие от традиционных методов позволило расширить область поиска возможных прогнозирующих зависимостей. Авторские модификации традиционного ГП позволили значительно ускорить сходимость метода.
5) Разработанная методика была реализована в виде агоритма, включающего ряд авторских разработок в области оптимизации эволюционного поиска, позволивших значительно ускорить сходимость метода, что являлось ключевым фактором в процессе постановки численного эксперимента.
6) Разработана обобщенная методика оценки применимости стохастических методов программирования, основывающаяся па понятиях эффективности и качества прогноза. Методика позволяет наглядно оцепить возможность применения выбранного метода прогнозирования на имеющихся исходных данных и основывается на последовательном сравнении результатов прогнозирования на реальных и специальным образом модифицированных исходных данных.
7) Методика была реализована в виде агоритма, реализующего необходимые статистические и математические функции. В самой основе агоритма была заложена возможность его использования как управляющей системы, контролирующей поток входных данных и результаты работы первого агоритма получения единичного прогноза. Выбранная схема допускает возможность разделения вычислительных функций на два различных блока, которые могут выпоняться различными программами и даже физически независимыми ЭВМ, соединенными сетыо.
8) Разработанные агоритмы легли в основу двух программных комплексов, модульная структура которых позволила эффективно распределить вычислительную нагрузку на кластере ЭВМ. Оптимальный выбор технологий реализации программных комплексов обусловил такие качества разработанной системы как открытость и масштабируемость. Модульная архитектура системы позволила эффективно распаралелить вычисления.
9) Проведена верификация метода на реальных данных по пяти российским предприятиям.
10) Проведено прогнозирование состояния двух открытых акционерных обществ на 2010 год.
На основании полученных результатов можно сформулировать следующие выводы:
1) Прогнозирование состояния предприятий является важной и практически значимой задачей.
2) Бухгатерская отчетность является подходящим источником данных для получения прогнозов экономического состояния предприятия в будущем.
3) Генетическое программирование как метод символьной регрессии может применяться для прогнозирования экономического состояния промышленных предприятия по данным российской бухгатерской отчетности и является оптимальным с точки зрения соотношения трудозатрат на различных этапах применения метода.
4) На основании верификации методов на известных исторических данных была показана его применимость для решения данного класса задач на примере пяти российских предприятий.
5) Полученные прогнозные данные на 2010 год могут применяться заинтересованными лицами с целью поддержки принятии решений, опирающихся на ожидаемое экономическое состояние исследуемых предприятий в будущем.
Из перечисленных выше результатов и выводов следует, что задачи диссертационного исследования были выпонены и его цели - достигнуты.
Список работ, опубликованных по теме диссертации:
1. Гречип, СБ. Прогнозирование финансового состояния предприятий по данным бухгатерской отчетности с применением генетического программирования // Вестник Бегородского Университета Потребительской Кооперации, №2 2009. - 0,5 пл. (издание из списка ВАК)
2. Гречин, С.Б., Трифонов, Ю.В. Методика группировки балансовых коэффициентов как часть задачи экономического прогнозирования // Основные направления повышения эффективности экономики, управления и качества подготовки специалистов: сборник статей VI Международной научно-практической конференции. - Пенза, 2009. - 0,2 п.л., в т.ч. авторских 1,5 п.л.
3. Гречин, С.Б. Применение генетического программирования для оценки состояния предприятий // Межвузовский сборник научных трудов Менеджмент качества и устойчивое развитие экономических систем,- Санкт-Петербург.- 2007. - 0,2 п.л., в т.д. авторских 1 п.л.
4. Гречин, С.Б., Трифонов, Ю.В. Генетический подход к прогнозированию балансовых коэффициентов // Вестник Нижегородского университета им. Н.И. Лобачевского, №2, 2008. - 0,2 п.л., в т.ч. авторских 1,5 п.л.
5. Гречин, С.Б., Трифонов Ю.В. Применение генетического программирования для прогнозирования состояния нефтехимических предприятий // Российский экономический интернет-журнал [Электронный ресурс]: Интернет-журнал АТиСО / Акад. труда и социал. отношений Ч Электрон, журн. Ч М.: АТиСО, 2002Ч№ гос. регистрации 0420600008. Ч Режим доступа: Ссыка на домен более не работаетArticles/2008/Grechin_Trifonov.pdf, свободный Ч Загл. с экрана. - 0,2 п.л., в т.ч. авторских 1,5 п.л.
6. Гречин, С.Б., Трифонов Ю.В. Применение генетического программирования для прогнозирования состояния предприятий // Вестник Нижегородского университета им. Н.И. Лобачевского. №5. - Н. Новгород: Издательство ННГУ им Н.И. Лобачевского, 2007. -0,4 п.л., в т.ч. авторских 0,3 п.л.
7. Гречин, С.Б. О способе оценки эффективности стохастических методов экономического прогнозирования при недостаточности исходных дынных // Сборник материалов I Всероссийской научно-практической интернет-конференции "Современность и экономические науки", Новосибирск, 2009. - 0,4 п.л.
8. Гречин, С.Б. Применение генетического программирования для оценки состояния предприятий // Труды XI Международной научно-практической конференции "Системный анализ в проектировании и управлении", Ч.З. СПб.: Издательство Политехнического университета, 2007. - 0,3 п.л.
9. Гречин, С.Б. Применение генетического программирования для оценки состояния предприятий // материалы VI международной научно-практической конференции "Государственное регулирование экономики: региональный аспект" 17-19 апреля 2007 г. Нижний Новгород ННГУ. - 0,2 п.л.
Подписано в печать 24.09.2009. Формат 60x84 1/16. Бумага офсетная. Печать офсетная Усл. печ. л. 1. Заказ № 551. Тираж 100 экз.
Отпечатано в типографии Нижегородского госуниверситета им. Н.И. Лобачевского 603600, г. Нижний Новгород, ул. Большая Покровская, 37
Диссертация: содержание автор диссертационного исследования: кандидат экономических наук , Гречин, Сергей Борисович
ВВЕДЕНИЕ.
ГЛАВА 1. АНАЛИТИЧЕСКОЕ ИССЛЕДОВАНИЕ ПРОБЛЕМ ОЦЕНКИ И ПРОГНОЗИРОВАНИЯ ЭКОНОМИЧЕСКОГО СОСТОЯНИЯ ПРЕДПРИЯТИЙ.
1.1 Анализ методов сбора информации о предприятии и различные категории ее пользователей.
1.2 Определение сущности понятия экономического состояния предприятия и анализ существующих методик его оценки.
1.3 Классификация существующих методов экономического прогнозирования.
ГЛАВА 2. РАЗРАБОТКА МЕТОДОВ И ИНСТРУМЕНТАЛЬНЫХ СРЕДСТВ ПРОГНОЗИРОВАНИЯ ЭКОНОМИЧЕСКОГО СОСТОЯНИЯ ПРЕДПРИЯТИЯ НА ОСНОВЕ ГЕНЕТИЧЕСКОГО ПРОГНОЗИРОВАНИЯ.
2.1 Разработка методики составления прогноза состояния промышленного предприятия по данным бухгатерской отчетности.
2.2 Разработка методики статистического анализа результатов прогнозирования на. основе понятий качества и эффективности прогноза.
2.3 Программный комплекс реализации методик прогнозирования экономического состояния предприятия.
ГЛАВА 3. РЕЗУЛЬТАТЫ ВЕРИФИКАЦИИ И ПРИМЕНЕНИЯ РАЗРАБОТАННЫХ МЕТОДОВ С ИСПОЛЬЗОВАНИЕМ БУХГАТЕРСКОЙ ОТЧЕТНОСТИ РОССИЙСКИХ ПРЕДПРИЯТИЙ
3.1 Верификация метода с помощью статистического анализа прогнозов детерминированных и случайных величин.
3.2 Верификация метода с использованием данных пяти российских предприятий
3.3 Применение метода для получения прогноза состояния ОАО "Газпром" и ОАО "РЖД" на начало 2010 года.
Диссертация: введение по экономике, на тему "Разработка методов и инструментальных средств прогнозирования экономического состояния предприятий на основе генетического программирования"
Мировой финансовый кризис 2008-2009 годов ознаменовал наступление периода экономической нестабильности. Коснуся он и российских промышленных предприятий. Усложнившаяся внешняя среда организации, непредсказуемость макроэкономических факторов ставят перед российскими фирмами все более трудные управленческие задачи. Предприятия, пытаясь выжить в эту сложную эпоху, изменяют свою структуру и поведение. Все это делает экономическое пространство сложным для анализа и прогнозирования.
В то же время финансовые институты, такие как банки и налоговые органы, по-прежнему заинтересованы в получении прогнозов состояния предприятий, поскольку эта информация является ключевой при принятии решений и затрагивает ряд аспектов управления рисками, важность которых в условиях кризиса чрезвычайно обострилась.
Из аналогичных соображений проблема экономического прогнозирования является важной и для руководства самих предприятий, поскольку кризис усложнил и ужесточил внутреннюю и внешнюю среду их функционирования, проявися в обострившейся конкуренции, усложнении 1 экономического контекста и, следовательно, повышенной нагрузке на руководителей предприятий, вынужденных принимать стратегические решения в условиях информационной неопределенности, высокого риска и, зачастую, низкой конкурентоспособности своих предприятий.
Успех в этой непростой ситуации во многом зависит от действий руководства предприятий, причем качество и эффективность менеджмента почти поностью определяются качеством решений, принимаемых руководителями, им же определяется правильность выбора стратегических и тактических направления развития предприятия и воплощения этих стратегий в жизнь.
Решение является ключевым методом влияния на поведения организации и определяет весь комплекс мероприятий по реализации той или иной инициативы. Управленческое решение затрагивает все аспекты функционирования предприятия в их взаимосвязи, что требует1 от руководителя способности видеть руководимое предприятие системно, принимая во внимание все возможные факторы, в том числе - будущее состояние предприятия [1,2].
Критерием качества решения в свою очередь является , его взвешенность, т.к. решение как выбор одной альтернативы из множества возможных дожно быть максимально сбалансированным с точки зрения всех возможных целевых критериев, требовать наименьшего количества поправок и корректировок в процессе своей реализации. Минимизировать потребность в последующих корректировках можно только одним способом - заранее предвидеть возможные варианты развития ситуации и своевременно выбрать один из них - наиболее оптимальный [3].
Другими словами, управленческое решение всегда дожно предвидеть н будущее, опираться на прогноз, предвосхищать и планировать ситуацию. В противном случае цена ошибки может быть очень высокой.
Высокие требования к качеству управленческого решения мотивируют ученых и практиков к разработке автоматизированных комплексов поддержки работы управленческих кадров, представляющих собой компьютеризированные системы, обеспечивающие управленческий персонал инструментами, снижающими неопределенность в процессе выбора оптимального решения.
В системах поддержки принятия решений находят широкое применение методы, заимствованные из области экспертных систем и интелектуальных методов обработки информации [4, 5].
Для решений, ориентированных в будущее, ключевой информацией является прогнозные данные об управляемом объекте, для получения которых система поддержки принятия решений дожна опираться на i некоторую методику прогнозирования.
И чем менее стабилен этот объект и сектор экономики в целом, тем более насущной является потребность в эффективном менеджменте, основывающемся на качественных, обоснованных решениях, ориентированных в будущее и базирующихся на современных научно обоснованных методиках прогнозирования.
Среди направлений исследований ученых, занимающихся вопросами экономического прогнозирования, необходимо выделить следующие [6]:
1) фундаментально-теоретические разработки;
2) разработки практических методик прогнозирования, Х их верификация и использование;
3) исследования вопросов эффективной агоритмизации теоретических разработок;
4) поиск путей применения интелектуальных математических методов, таких как нечеткая логика, нейронные сети, эволюционные вычисления и т.д. в составе процедур экономического прогнозирования.
Исследователю, занимающемуся вопросами экономического прогнозирования, приходится стакиваться с рядом общенаучных сложностей, таких как [7, 8, 9]:
1) непонота и недостоверность исходных данных;
2) проблема перехода от качественной к количественной форме описания феномена;
3) наличие противоречащих друг другу критериев и целей, * 1 степень выраженности которых в случае задач прогнозирования состояния предприятий значительно возрастает по сравнению с другими предметными областями.
Эффективный менеджмент предприятия немыслим . без прогнозирования его состояния в будущем. В значительной степени. это применимо, в частности, к предприятиям нефтехимического комплекса, три из которых принимали участие в настоящем исследовании, поскольку масштабность и многопрофильность производства, сложность и i наукоемкость продукции, длительный и дорогостоящий процесс разработки и постановки ее на производство, острая конкуренция на рынках химических товаров требует, особенно в сложных экономических условиях, разработки продуманной политики развития отрасли, рассчитанной на длительную перспективу [10, 11]. i
Химическая и нефтехимическая промышленность в России, как и практически во всех экономически развитых странах, является одной из базовых отраслей промышленности. По данным Госкомстата РФ, доля продукции химии и нефтехимии в общем объеме промышленного производства в 1999г. составила 7.3%. По этому показателю отрасль t занимала 7-е место после машиностроения и металообработки, топливной и пищевой промышленности, электроэнергетики, цветной и черной металургии [12].
Кроме того, на протяжении многих лет исследование проблем и разработка организационно-экономических методов управления i применительно к химической и нефтехимической отрасли строилось на основе базовых методик, применяемых в машиностроении [13].
К числу основных проблем нефтехимического комплекса РФ относятся i предельный уровень загрузки мощностей важнейших видов химической и i нефтехимической продукции, технологическая отсталость и высокий износ основных фондов, инфраструктурные и ресурсно-сырьевые ограничения, структурные трансформации мирового и российского рынков, в том числе низкая инновационная активность предприятий химического комплекса, недостаточная эффективность инвестиционного процесса, неадекватность российского химического машиностроения задачам развития химического комплекса [14,15, 16, 17, 18, 19].
Не менее актуальна эта задача экономического прогнозирования и.для крупных открытых акционерных обществ, таких как ОАО "Газпром" и ОАО
Российские Железные Дороги", определяющих сырьевую и транспортную инфраструктуру страны, являющихся крупными межрегиональными работодателями и несущими помимо экономической еще и огромную социальную нагрузку, а также всех остальных предприятий независимо от их масштаба, рода деятельности и формы собственности.
Необходимо подчеркнуть, что важность этого положения признается на всех уровнях менеджмента, включая федеральную власть. На самых высших уровнях признается необходимость дальнейшего удлинения горизонта планирования, что применительно к отдельно взятому предприятию означает поиск и внедрение новейших научно обоснованных методов прогнозирования и планирования, разработке одного из которых посвящается настоящее исследование.
Обоснование актуальности и научной новизны исследования
Сложность применения существующих, методов прогнозирования заключается в том, что любой из них исходит из факта постоянства базовых параметров исследуемого объекта и его окружения. При этом модель, сформированная с использованием данных из прошлого, экстраполируется в будущее.
Модели с фиксированной структурой, не допускающей возможности подстройки под рассматриваемое предприятие и, вследствие этого, неспособные достаточно поно отражать существующую экономическую реальность, не могут применяться в усложнившихся условиях кризиса, тогда как методы, требующие больших объемов данных (десятков и сотен точек исторических наблюдений) для настройки модели, также неприменимы,!т.к. на данный момент достаточного количества исторических данных может еще не быть в наличии.
Перечисленные факторы обуславливают актуальность разработки методов прогнозирования состояния предприятий, работающих на сверхкоротких (не более 5-6 наблюдений) исторических рядах. Методика, позволяющая на основании малого объема исторических данных сформировать практически применимый прогноз состояния предприятия, стала бы важным в условиях кризиса инструментом экономиста-аналитика.
Генетическое программирование (ГП) в составе методов анализа данных находит применение в таких областях как экономика, медицина, роботостроение [20]. В зарубежной литературе есть сведения об успешном применении этого метода для прогнозирования банкротства предприятия в следующем отчетном периоде. В этом исследовании генетическое программирование показало свое превосходство над нейронными сетями и рядом других подходов [21]. В то же время при анализе русскоязычной литературы и интернет-источников не было найдено упоминаний о применении ГП для прогнозирования значений отдельных экономических показателей промышленного предприятия на основе российской бухгатерской отчетности.
При прогнозировании курса валют или ценных бумаг с применением генетического программирования, проводившегося многими исследователями, например [22], базой исторических наблюдений являлись сотни и тысячи отсчетов, что по объему на несколько порядков превышает доступную историческую базу по состоянию промышленного предприятия, особенно в условиях кризиса и нестабильности, когда исторические данные теряют свою актуальность с точки зрения их прогностической ценности.
Вопрос о применимости ГП для решения подобных задач является открытым и требует ответа.
Помимо практической значимости, задача разработки этого метода затрагивает ряд фундаментальных вопросов из области символьной регрессии и генетического программирования (ГП), не разработанных на данный момент ведущими учеными этого направления. Среди них: способы i избегания оверфиттинга (overfitting) для моделей с соотношением количества входных параметров к числу исторических точек порядка 5/20, способы априорной оценки качества сделанного прогноза и их достоверность и др.;
Обозначенные положения обуславливают практическую , и теоретическую значимость выбранной темы диссертационного исследования в контексте сложившейся экономической ситуации и применимость его результатов.
Диссертационное исследование проведено в соответствии; с требованиями паспорта специальности 08.00.13 "Математические и инструментальные методы экономики" ВАК РФ в следующих пунктах: 1.4. Разработка и исследование моделей и математических методов анализа микроэкономических процессов и систем: отраслей народного хозяйства, фирм и предприятий, домашних хозяйств, рынков, механизмов формирования спроса и потребления, способов количественной оценки предпринимательских рисков и обоснования инвестиционных решений, 2.8.
Развитие методов и средств аккумуляции знаний о развитии экономической системы и использование искусственного интелекта при выработке управленческих решений.
Степень научной разработанности проблемы. т
Проблеме экономического прогнозирования посвящено множество работ и публикаций. К отечественным авторам, имеющим публикации по данной проблеме, относятся, в частности: И.В. Бестужев-Лада, В.В. Леонтьев, Д.С. Львов, С.А. Айвазян, B.C. Мхитарян, Ю.П. Лукашин, Ю.В. Трифонов, Ф.Ф. Юрлов, С.Л. Чернышев, Н.Ф. Поляков и другие.
Из зарубежных авторов, внесших значительный вклад в разработку данного вопроса, стоит отметить: Дж. Бокса и Г. Дженкинса, К. Гренджера и М. Хатанака, М. Кендала, А. Стыоарта и др.
Также непосредственное отношение к теме диссертационного исследования является задача определения состояния предприятия. Этой проблемы посвящено множество работ ученых-экономистов. , К отечественным авторам, которые рассматривают данную проблему, можно отнести: А.Д. Шеремета, М.И. Баканова, В.В. Ковалева, Е.С. Стоянову, Р.С. Сайфулина, Г.В. Савицкую и др.
В зарубежной литературе этой проблеме посвящены работы: Ю. Бригхема, Л. Гапенски, Дж. К. Ван Хорна, Р. Н. Хота, Дж. Г. Сигела, Дж. К. Шима и др.
Одним из ключевых аспектов данного исследования является применение аппарата искусственного интелекта к решению прикладных экономических задач. Задачам применения аналогий из живой природы и моделированию интелектуальной деятельности человека уделяется большое внимание на протяжении последних 50-60 лет. Вклад в разработку этой проблемы внесли следующие отечественные и зарубежные ученые: Дж.Р. Коза, Д.Б. Фогель, М.Л. Кричевский, О.А. Цуранов, С.И Родзин и другие. , ;
Главным популяризатором идеи программирования с применением эволюционных аналогий считается американский ученый Дж. Коза, опубликовавший несколько основополагающих книг по этой теме, первая из которых "Genetic Programming: A Paradigm for Genetically Breeding Populations of Computer Programs to Solve Problems" датируется 1990 г [23].
Разумеется, столь перспективная идея была с интересом воспринята г экономистами, пытавшимися применить ее для прогнозирования поведения курсов валют и ценных бумаг. На данный момент в этой области работают множество ученых, в том числе тайваньский ученый Shu-Heng Chen, благодаря своей книге "Genetic Algorithms and Genetic Programming in Computational Finance" [24] считающийся основателем научного направления применения генетического программирования в финансах.
Перспективность и интуитивность генетического программирования-как метода символьной регрессии уравновешиваются невозможностью сформулировать для его применения исчерпывающую теоретическую базу.
При любых (даже некорректных) входных данных ГП дает некоторый j результат, качество которого находится под вопросом.
Одной из первых работ, посвященных этой проблеме можно считать статью американского ученого Мака Кабоудана (Мак Kaboudan) [25], в i которой были сформулированы основные сложности отличия случайных результатов прогнозирования вследствие оверфиттинга и закономерного прогноза, выявляющего реальные тенденции в исторических данных. Результаты этой работы легли в основу исследования французского ученого Nicolas Navet, который в серии статей и выступлений, например [26, 27,'28], предложил идею предварительных тестов, позволяющих делать суждения о возможности нахождения закономерностей, скрытых в исторических данных. В зарубежной литературе есть сведения об успешном применении ГП-для прогнозирования банкротства предприятия в следующем отчетном периоде. В этом исследовании генетическое программирование показало свое превосходство над нейронными сетями и рядом других подходов [21].
Также в этой области работает множество других зарубежных и отечественных ученых. Генетическому программированию посвящен центральный портал www.genetic-programming.org, действует тематическая почтовая рассыка на сервере Yahoo Groups, проводятся регулярные международные симпозиумы.
Признавая вклад упомянутых ученых, отметим, что в отечественной и зарубежной литературе вопросы применения генетического программирования для моделирования сложных процессов реального мира, в частности - поведения экономических систем, освещены недостаточно поно. Кроме того, вниманием исследователей обойдена область использования генетического программирования для прогнозирования состояния таких экономических объектов, как российские промышленные предприятия.
В допонение следует отметить, что при анализе русскоязычной литературы и интернет-источников была выявлена недостаточная разработанность темы использования российской бухгатерской отчетности с целью прогнозирования состояния предприятия на основе ГП.
Цель диссертационного исследования заключается в следующем:
1) разработать методику прогнозирования экономического состояния российских промышленных предприятий на основании их бухгатерской отчетности с применением генетического программирования, включая:
1.1) создание метода получения прогнозов экономического I показателя предприятия;
1.2) разработку метода статистического анализа результатов прогнозирования;
1.3) разработку метода предварительной оценки эффективности метода на модельных данных.
2) разработать программные комплексы, реализующие предлагаемые методы; ,
3) провести верификацию методики на реальных данных, что включает в себя:
3.1) определение источников данных о предприятии и обоснование возможности их использования;
3.2) сбор необходимых данных;
3.3) применение метода к накопленным данным и анализ полученных результатов.
Поставленная цель обусловила необходимость решения следующих задач:
1) проанализировать текущую разработанность темы методов оценки и прогнозирования состояния предприятий;
2) разработать агоритм получения единичных прогнозов показателей промышленного предприятия на основе его бухгатерской отчетности с применением генетического программирования;
3) разработать агоритм анализа качества и применимости полученного прогноза на основании статистической обработки множества результатов запуска агоритма получения единичного прогноза; s
4) реализовать разработанные агоритмы в виде программных комплексов;
5) провести верификацию метода на реальных экономических данных российских предприятий. >
6) провести прогнозирование состояния выбранных предприятий.
Объектом исследования выступают российские предприятия.
Предметом исследования являются способы определения, и прогнозирования экономического состояния промышленных предприятий с использованием программного обеспечения, реализующего интелектуальные математические методы анализа данных.
Теоретической и методологической основой диссертационного исследования являются современная теория экономического анализа, 1 математического моделирования и интелектуальных информационных методов.
В работе использовались статистические материалы Комитета статистики Нижегородской области, открытая статистическая информация по отдельным предприятиям Нижегородской области, данные официальных сайтов открытых акционерных обществ ОАО "Газпром" и ОАО "РЖД" [29, 30].
В основу разработки программного комплекса были положены существующие подходы к построению архитектуры программного обеспечения и программированию, изложенные в справочно-методической литературе. В процессе исследования также применялись общенаучные методы и приемы анализа. i
Также в исследовании использовалась методика обработки данных российской бухгатерской отчетности, базирующаяся на получении безразмерных показателей баланса с использованием укрупненных статей баланса как основа количественной оценки состояния промышленного предприятия. Производные коэффициенты, в сжатой форме представляющие всю необходимую информацию о предприятии и, вследствие усреднения, менее подверженные случайным колебаниям значений отдельных балансовых статей, являются более удобным объектом прогнозирования по сравнению с типовой балансовой номенклатурой.
Научная новизна исследования состоит в следующем:
1) Разработан метод получения единичных прогнозов коэффициентов соотношения групп балансовых статей промышленных предприятий на сверхкоротком временном ряде, базирующийся на генетическом программировании и осуществляющий поиск символьной зависимости прогнозного значения целевого показателя от значений других показателей и балансовых статей этого предприятия за предыдущий год. Метод использует эволюционную технику машинного обучения, оптимизирующую популяции компьютерных программ с точки зрения их способности решать сформулированную проблему прогнозирования целевого коэффициента;
2) Разработана методика априорной оценки качества полученного прогноза (показатель Q) на основании вида распределения исходов множества запусков агоритма прогнозирования и его сравнения с результатом прогнозирования на модельных хаотических данных, позволяющая идентифицировать проявления оверфиттинга и учитывать эту информацию при принятии решений на основании прогноза;
3) Сформулирован критерий критического качества прогноза Qkp, дающий численное значение для оценки применимости полученного прогноза;
4) Разработана методика апостериорной оценки эффективности прогноза (показатель Е), основывающаяся на прогнозных данных и реализовавшейся динамике прогнозируемого показателя;
5) Скорректирована традиционная методика генетического программирования с целью повышений эффективности ее применения к проблеме прогнозирования экономических коэффициентов предприятий. Коррекция позволила значительно ускорить сходимость метода и в результате получить большее количество экспериментальных данных, позволивших исследовать статистические характеристики результатов прогнозирования. Изменения коснулись адаптированной процедуры кроссовера и вычисления функции приспособляемости. В результате коррекции в ряде случаев удалось более, чем на 80% снизить использование вычислительных ресурсов.
Кроме того, в рамках проведения диссертационного исследования, автором были разработаны два программных комплекса:
1) Программный комплекс, реализующий разработанный метод прогнозирования с учетом коррекций традиционной постановки задачи генетического программирования, который может использоваться как самостоятельно, так и предоставлять свое математическое ядро для встраивания в пользовательские приложения через интерфейс прикладного программирования. Программный комплекс написан на языке С++ и работает в операционных системах Windows, Solaris. Поная платформонезависимость позволяет с легкостью портировать программный комплекс на другие операционные системы.
2) Программный комплекс обработки результатов прогнозирования, реализующий методику априорной оценки качества получаемого прогноза. Программный комплекс реализован на языке Visual Basic for Applications, интегрирован в документ Microsoft Excel для удобства обработки и отображения данных и может применяться на любых платформах, поддерживаемых Microsoft Office.
Практическая значимость диссертационного исследования состоит в возможности применения его результатов для прогнозирования состояния экономических объектов, а также в том, что разработанный в рамках ее программный комплекс был успешно верифицирован и применяся для I прогнозирования состояния российских предприятий.
Основные положения работы докладывались на международной научно-практической конференции "Государственное регулирование экономики, региональный аспект" (Н. Новгород, 2007), публиковались в виде тезисов в трудах XI международной научно-практической конференции
Системный анализ в проектировании и управлении" (Санкт-Петербург,
2007), докладывались на межвузовской научной конференции аспирантов и студентов "Инвестиционная составляющая рыночной экономики России" I
Н.Новгород, 2008), I всероссийской научно-практической интернет-конференции "Современность и экономические науки" (Новосибирск, 2009), VI Международной научно-практической конференции "Основные направления повышения эффективности экономики, управления и качества подготовки специалистов" (Пенза, 2009).
Структура и объем работы. Диссертация состоит из введения, трех глав, заключения, списка литературы и приложений.
Диссертация: заключение по теме "Математические и инструментальные методы экономики", Гречин, Сергей Борисович
В основу разрабатываемых методов легло генетическое программирование как метод символьной регрессии. Применительно к задаче прогнозирования финансовых коэффициентов предприятия был применен ряд модификаций традиционной схемы применения метода генетического программирования, что позволило достичь существенного ускорения сходимости.
В главе приводится описание разработанных методов для получения прогнозов финансовых показателей промышленных предприятий. Комплекс методов представляет собой вложенную структуру, в которой функция статистической обработки результатов опирается на методику получения единичного прогноза для получения исходных данных.
Методы были реализованы в виде программ на языках программирования С++ и Visual Basic, чем достигается оптимальное соотношение эффективности и скорости разработки с учетом задач, стоящих перед агоритмами, реализующими функциональные блоки.
Достигнутая независимость реализаций двух блоков комплекса' позволила применить эффективное распаралеливание вычислений в программной реализации.
Выбранная архитектура программных комплексов, состоящая из двух относительно независимых блоков позволила распределить вычисления и даже разнести вычислительную нагрузку на различные компьютеры. Учитывая значительное количестве требуемых вычислений, подобное решение позволило за разумное время провести численные эксперименты в необходимом объеме.
Глава 3. Результаты верификации и применения разработанных методов с использованием бухгатерской отчетности российских предприятий
Верификация и апробация разработанного метода и программного комплекса, построенного на его базе проходила в несколько этапов с применением разработанной методики оценки методов прогнозирования на основе понятий качества и эффективности прогноза.
На первом этапе проводися поиск прогноза существующей (случайным образом сгенерированной) зависимости некоторой величины от значений балансовых статей и производных коэффициентов каждого из пяти предприятий, принимавших участие в исследовании. Производилось прогнозирование значений 60 случайным образом сгенерированных функций с количеством узлов от 3 до 10, оперировавших значениями и операциями тех же самых функциональных и терминальных множеств, которые впоследствии использовались при обработке данных в рамках прогнозирования реальных показателей предприятий.
Второй этап верификации аналогичен первому с тем отличием, что вместо зависимостей прогнозируемый ряд состоял из чисто случайных величин. При этом также проводилось 60 попыток прогнозирования, причем для каждой попытки ряд генерировася заново.
Смысл первых этапов верификации заключается в том, что мы t моделируем ситуацию с прогнозированием величины с достоверно существующей и достоверно несуществующей функциональной зависимостью от исходных данных.
Результаты сравнения множеств характеристик прогноза (по 60 точек на каждый этап) будут характеризовать как множество исходных данных с точки зрения возможности выделить потенциально существующие и скрытые в них закономерности, так и применимость самого метода для анализа имеющегося массива исходной информации.
В качестве исходных данных использовалась балансовая отчетность пяти российских предприятий, среди которых 3 являются предприятиями нефтехимического комплекса нижегородской области.
Заключение
Ниже перечислены основные результаты диссертационного исследования.
1) Была обоснована актуальность разработки методов прогнозирования состояния промышленных предприятия по данным их бухгатерской отчетности. Особое внимание было уделено специфике экономической информации о промышленным предприятии, характеризующейся, как правило, недостаточностью исторических данных.
2) Были проанализированы возможные источники получения данных о предприятии. Было показано, что бухгатерская отчетность является наиболее подходящим способом получения информации для использования в формализованном и агоритмизированном методе прогнозирования, который дожен быть доступен для максимально широкого круга заинтересованных лиц, а также отвечать требованиям достоверности и сопоставимости исходных данных и результатов своей работы;
3) На основании существующей банковской практики был использован способ приведения бухгатерского баланса к упрощенному виду на основе преобразования исходного вида баланса к набору из 7 коэффициентов соотношения групп статей, характеризующих состояние предприятия с точки зрения трех основных аспектов экономического статуса: платежеспособности, кредитоспособности и устойчивости.
4) Были разработана методика получения единичного прогноза целевого коэффициента на основе генетического программирования. Использование ГП в отличие от традиционных методов позволило расширить область поиска возможных прогнозирующих зависимостей.
5) Разработанная методика была реализована в виде агоритма, включающего ряд авторских разработок в области оптимизации эволюционного поиска, позволивших значительно ускорить сходимость
- 137метода, что являлось ключевым фактором в процессе постановки численного эксперимента.
6) Разработана обобщенная методика оценки применимости стохастических методов программирования, основывающаяся на понятиях эффективности и качества прогноза. Методика позволяет наглядно оценить возможность применения выбранного метода прогнозирования на имеющихся исходных данных и основывается на последовательном сравнении результатов прогнозирования на реальных и специальным образом модифицированных исходных данных.
7) Методика была реализована в виде агоритма, реализующего необходимые статистические и агоритмические функции. В самой основе агоритма была заложена возможность его использования как управляющей системы, контролирующей поток входных данных и результаты работы первого агоритмического блока. Выбранная схема допускает возможность разделения вычислительных функций на два различных блока, которые могут выпоняться различными программами и даже физически независимыми ЭВМ, соединенными сетью.
8) Разработанные агоритмы легли в основу двух программных комплексов, модульная структура которых позволила эффективно распределить вычислительную нагрузку на кластере ЭВМ. Оптимальный выбор технологий реализации программных комплексов обусловил такие качества разработанной системы как открытость и масштабируемость. Модульная архитектура системы позволила эффективно распаралелить вычисления.
9) Проведена верификация метода на реальных данных по пяти российским предприятиям.
10) Проведено прогнозирование состояния двух открытых акционерных обществ на 2010 год.
На основании полученных результатов можно сформулировать следующие выводы:
1) Прогнозирование состояния предприятий является важной и практически значимой задачей.
2) Бухгатерская отчетность является подходящим источником данных для получения прогнозов экономического состояния в будущем.
3) Генетическое программирование как метод символьной регрессии может применяться для прогнозирования экономического состояния промышленных предприятия по данным российской бухгатерской отчетности и является оптимальным с точки зрения соотношения трудозатрат на различных этапах применения метода.
4) На основании верификации методов на известных исторических данных была показана их применимость для решения данного класса задач на примере пяти российских предприятий.
5) Полученные прогнозные данные на 2010 год могут применяться заинтересованными лицами с целью поддержки принятии решений, опирающихся на ожидаемое экономическое состояние исследуемых предприятий в будущем. 1
Из перечисленных выше результатов и выводов следует, что задачи диссертационного исследования были выпонены и его цели - достигнуты. г I
Диссертация: библиография по экономике, кандидат экономических наук , Гречин, Сергей Борисович, Нижний Новгород
1. Глущенко В.В., Глущенко И.И.Разработка управленческого решения. Прогнозирование планирование. Теория проектирования экспертов: Учебник для ВУЗов. - М.:ЮНИТИ-ДАНА, 2000.
2. Мескон М.Х., Альберт М., Хедуори Ф. Основы менеджмента: Пер. с англ. М.: Дело, 2005. - 720 с.
3. Стоянова Е.С. Финансовый менеджмент.- М.Перспектива., 1998.Приложения
4. Ларичев О. И., Петровский А. В. Системы поддержки принятия решений. Современное состояние и перспективы их развития. // Итоги науки и техники. Сер. Техническая кибернетика. Ч Т.21. М.: ВИНИТИ, 1987, с. 131Ч164
5. Holsapple C.W., Whinston А.В. Decision Support Systems: A Knowledge-based Approach. Ч Minneapolis: West Publishing Co., 1996
6. Горелов С. Математические методы в прогнозировании. М.: Прогресс, 1993.
7. Гриценко В.И. Информатизация как проблема // УсиМ. 2001. - №6. -С.3-8.
8. Прангишвили И.В., Абрамова Н.А., Спиридонов В.Ф. и др. Поиск подходов к решению проблем. М.: СИНТЕГ, 1999. - 284 с.
9. Панкратова Н.Д. Становление и развитие системного анализа как прикладной научной дисциплины // Системнщосщження та шформацшш технологи. -2001. №1. - С. 65-94.
10. Обэр-Крие Дж. Управление предприятием. М.: Прогресс, 1973
11. Стратегия развития химической и нефтехимической промышленности на период до 2005 года. Основные положения. Министерство экономики Российской Федерации. Департамент экономики химической, микробиологической и медицинской промышленности. Москва, 1998.
12. Химическая и нефтехимическая промышленность России. Аналитическая записка от 29.06.2001. ЗАО ИК АВК
13. Елизарьев В.Е., Химическая и нефтяная промышленность России // Химическая промышленность, 2001, №3.
14. Некоторые проблемы инновационного развития нефтехимической промышленности Казахстана Электронный ресурс. Дата обращения 13.07.2009. Режим доступа: Ссыка на домен более не работаетreference/detail/839, свободный. Загл. с экрана
15. E.S. Dokuchaev, A.M. Rogacheva, E.V. Evtushenko The forecasting of the world oil price by summing up linear trend and periodic functions // Oil and Gas Business, 2007 Ссыка на домен более не работаетeng/
16. Шамшудинова Ю.Н., Организационно-экономическое обеспечение развития предприятий химической промышленности; Диссертация кандидата экономических наук: 08.00.05/ Ю.Н. Шамшудирова. Н.Новгород, 2004.
17. Экономика химической промышленности капиталистических стран. Справочник. М.: Химия, 1989.
18. Экономика химической промышленности / под ред. В.Д. Якобсона. М.: Высшая школа, 1975.
19. Экономика химического предприятия и предпринимательство: Учебное пособие / Под рад. П.П. Табурчака СПб: Химия, 1995
20. D. С. Dracopoulos and Simon Kent. Genetic Programming for Prediction and Control. Neural Computing and Applications, 6(4):214-228, 1997.
21. T. Yu and S.-H. Chen. Using genetic programming with lambda abstraction to find technical trading rules. In Computing in Economics and Finance, University of Amsterdam, 8-10 July 2004.
22. Hornyak J., Monostry L. Genetic Programming for Feature Extraction in Financial Forecasting // ERCIM News, № 38. P. 89-93.
23. Koza, John R."Genetic Programming: A Paradigm for Genetically Breeding Populations of Computer Programs to Solve Problems", Stanford University Computer Science Department technical report, 1990.- 141
24. Shu-Heng Chen, "Genetic Algorithms and Genetic Programming in Computational Finance" Journal of Artificial Societies and Social Simulation N7, 2004.
25. Nicholas Navet, "Pretests for genetic-programming evolved trading programs"
26. Nicolas Navet, Shu-Heng Chen Financial Data Mining with Genetic Programming: a survey and look forward. In proceeding of 56 session of the International Statistical Institute, 22-29 aug., Lisboa 2007
27. Официальный сайт ОАО "Газпром", раздел для акционеров и инвесторов Электронный ресурс. Дата обращения 10.06.2009, Режим доступа: Ссыка на домен более не работаетarticles/article25767.shtml, свободный. Загл.Vс экрана
28. Официальный сайт ОАО "РЖД", раздел для акционеров и инвесторов Электронный ресурс. Дата обращения 10.06.2009, Режим доступа: Ссыка на домен более не работаетwps/portal/rzd?STRUCTUREID=5026, свободный. Загл. с экрана
29. Трифонов Ю.В., Малыженков П.В., Ананьев Ф.Ю. Прогнозирование и планирование в экономических системах. Н. Новгород: Издательство ННГУ, 2004.
30. Красильников Д.В. Экономические и организационные аспекты управления издержками (на примере химических предприятий). Диссертацияна соискание ученой степени кандидата экономических наук. Н. Новгород, 1998- 195 с.
31. Федеральный закон "О бухгатерском учете" от 21.11.1996 N 129-ФЗ "Собрание законодательства РФ", 25.11.1996, N 48, ст. 5369,"Российская газета", N228,28.11.1996.
32. Бухгатерская отчетность организации (ПБУ 4/99). Документ утвержден приказом Минфина России от N 43н от 06.07.1999 .
33. Ефимова О.В. Финансовый анализ. Третье издание, переработанное и допоненное. Изд. "Бухгатерский учет", 1999.
34. Грищенко О.В. Анализ и диагностика финансово-хозяйственной деятельности предприятия: Учебное пособие. Таганрог: Изд-во ТРТУ, 2000. 112с.
35. Положение о порядке формирования кредитными организациями резервов на возможные потери по ссудам, по ссудной и приравненной к ней задоженности. Центральный Банк Российской Федерации. 26 марта 2004 г. N 254-П
36. Большой бухгатерский словарь / Под ред. А.Н. Азрилияна. М.:t
37. Институт Новой Экономики, 1999.
38. Анализ финансовой устойчивости организации Электронный ресурс. Автор: M.JI. Пятаков. Дата обращения 20.05.2009, Режим доступа: Ссыка на домен более не работаетdocument-754, свободный. Загл. с экрана
39. Применение методов статистики для оценивания финансового состояния предприятия на основе балансовых данных // Финансовая газета, ноябрь 1998 г. стр. 47-48
40. Власова М.И. Анализ кредитоспособности клиента коммерческого банка. М.: Банковское дело, 1997. - С. 24.
41. Valentin, E.K. (2001), SWOT analysis from a resource-based view -journal of marketing theory and practice, 9(2): 54-68.
42. Piercy, N. and Giles, W. (1989) Making SWOT Analysis Work Journal of Marketing Intelligence & Planning, Vol 7, Issue 5/6, P 5-7.
43. Первозванский A.A., Первозванская Т.Н. Финансовый рынок: расчет и риск. М.: Инфра-М, 1994. - 256 с.
44. Четыркин Е.М. Методы финансовых и коммерческих расчетов. -М.: Дело тд, 1995. 437 с.
45. Ковалев В.В. Методы оценки инвестиционных проектов. М.: Финансы и статистика, 1998. - 144 с.
46. Алешин Д.Н. Экономическое обоснование эффективности инвестиционных проектов на предприятиях на основе применения эконометрического метода интервальной оценки. Автореф. дисс. канд. экономических наук. М.:МШТУ им. Н.Э.Баумана, 2001. - 16 с.
47. Управление инвестициями. В 2-х т. Т.2 / В.В. Шеремет, В.М. Павлюченко, В.Д. Шапиро и др. М.: Высшая школа, 1998. - 512 с.
48. Шеремет А.Д. Комплексный анализ хозяйственной деятельности. -М.: ИНФРА-М, 2007. 415 с.
49. Павленко Ю.Г. Экономический рост и экономический успех // Труды VI Международного Российско-китайского симпозиума Государство и рынок. Секция 1. Екатеринбург: Институт экономики УрРАН 2005. -С. 282-285
50. Попова А.А. Формирование и оценка делового успеха фирмы. Челябинск: УраГУФК, 2008. 164 с.
51. Основы менеджмента / Учебное пособие / Под ред. Радугина А.А. -М.: Центр, 1998.-432 с.
52. Акофф P.JI. Планирование будущего корпорации/ Пер. с англ. М.: Прогресс, 1985.-326с.
53. Ансофф И. Стратегическое управление. М.: Экономика, 1989.
54. Савицкая Г.В. Анализ хозяйственной деятельности предприятия: 4-е изд., перераб. и доп. Минск: ООО Новое знание, 1999.-688 с.
55. Финансовое управление компанией/ Общ.ред. Е.В.Кузнецовой. -М.: Фонд Правовая культура, 1995.- 384 с.
56. Методические материалы клуба банковских аналитиков Электронный ресурс. // Сайт клуба банковских аналитиков URL: Ссыка на домен более не работаетmaterials.htm (дата обращения 07.02.2009).
57. Инструкция Банка России от 26 марта 2004г. № 254-п Положение о порядке формирования кредитными организациями резервов на возможные потери по ссудам, по ссудной и приравненной к ней задоженности.
58. Баканов М.И., Шеремет А.Д. "Теория экономического анализа". М.: Финансы и статистика, 1998.
59. Altman E.I., Kim D.W., Eom Y.H. Failure Prediction, in "Journal of International Financial and Accounting", vol. 6, 1995
60. Altman E.I., Margo G., Varetto F. Corporate Distress Diagnosis: Comparisons Using Linear Discriminant Analysis and Neural Networks (the Italian Experience), "Journal of Banking and Finance", vol. 18, 1994.
61. Altman E.I., Narayanan P. Business Failure Classification Models And International Survey
62. Орлов А.И. Эконометрика: Учебник для вузов М.: Издательство Экзамен, 2004. - 576 с.
63. Кричевский М. JI. Интелектуальные методы в менеджменте. Издательский дом "Питер", 2005.
64. Цыгичко В. Основы прогнозирования систем. М.: Финансы и статистика, 1986.
65. Смирнов Э.А. Разработка управленческих решений: Учебник для вузов. М.: ЮНИТИ-ДАНА, 2000.
66. Мацкевичус И.С., Кальчинскас Г.Л. Управление затратами в АСУП. М.: Финансы и статистика, 1989. - 221 с.
67. Афанасьев В.Г. Системность и общество. М.: Политиздат, 1980.368 с.
68. Глущенко В.В. Менеджмент: системные основы: 2-е изд., доп. и испр. Железнодорожный, Моск. обл.: ТООНПЦ Крылья, 1998. - 224 с.
69. Трифонов Ю.В., Малыженков П.В. Решение экономических задач с помощью аппарата нейронных сетей: Проблемы региональной экономики / Межвуз. сборник под ред. Дороничева Д.А. ННГУ, 1997.
70. Белешев С.Д., Гурвич Ф.Г. Математико-статистические методы экспертных оценок. М.: Статистика, 1980.
71. Земитан Г., Классификация методов прогнозирования финансового состояния организации Электронный ресурс. Дата обращения 18.02.2008, Режим доступа: Ссыка на домен более не работаетp>
72. Минько Э.В., Кричевский M.JI. Качество и конкурентоспособность: пособие для студентов экономических ВУЗов, издательский дом "Питер", 2004.
73. Романов В.П. Интелектуальные информационные системы в экономике: Учебное пособие. М.: Издательство "Экзамен", 2003.
74. Борисов А.Н., Павлов В.А. Прогнозирование непрерывной функции с использованием нейронных сетей. Ж-л "Автоматика и вычислительная техника".
75. Бэстенс Д.Э., ванн ден Берг В.М., Вуд Д. Нейронные сети и финансовые рынки. Принятие решения в торговых операциях. М.: ТВП, 1997.
76. Хемди А. Таха Глава 18. Имитационное моделирование // Введение в исследование операций = Operations Research: An Introduction. Ч 7-е изд. Ч М.: Вильяме, 2007. Ч С. 697-737. Ч ISBN 0-13-032374-8
77. Строгалев В. П., Токачева И. О. Имитационное моделирование. Ч МГТУ им. Баумана, 2008. Ч С. 697-737. Ч ISBN 978-5-7038-3021-5
78. А. М. Turing. Intelligent machinery. Report for National Physical Laboratory. Reprinted in Ince, D. C. (editor). 1992. Mechanical Intelligence: Collected Works of A. M. Turing. Amsterdam: North Holland. Pages 107-127.
79. A. L. Samuel. AI, where it has been and where it is going. In IJCAI, pages 1152-1157, 1983.
80. Рутковская Н.Д., Пилиньский Д.М., Рутковский M.B. Нейронные сети, генетические агоритмы и нечеткие системы - М.- Горячая линия-телеком-2006
81. D.C. Dracopoulos and Simon Kent. Genetic Programming for Prediction and Control. Neural Computing and Applications, 6(4):214-228, 1997.
82. Курейчик B.M., Родзин С.И. Эволюционные агоритмы: генетическое программирование // Известия РАНБ ТиСУ. 2001. №6.
83. D.E. Goldberg. Genetic Algorithms in Search Optimization and Machine Learning. Addison-Wesley, 1989.
84. P.J. Angeline. Subtree crossover: Building block engine or macromutation? In J. R. Koza, et al., editors, Genetic Programming 1997: Proceedings of the Second Annual Conference, pages 9-17, Stanford University, CA, USA, 13-16 July 1997.
85. J.R. Koza. Genetic Programming II: Automatic Discovery of Reusable Programs. MIT Press, Cambridge Massachusetts, May 1994. ISBN 0-262-11189-6
86. K. Chellapilla. Evolving computer programs without subtree crossover. IEEE Transactions on Evolutionary Computation, 1(3):209-216, September 1997.
87. L. Alonso and R. Schott. Random Generation of Trees. Kluwer Academic Publishers, Boston, MA, USA, 1995. ISBN 0-7923-9528-X
88. S. Luke. Two fast tree-creation algorithms for genetic programming. IEEE Transactions on Evolutionary Computation, 4(3):274-283, September 2000.
89. S. Luke. Two fast tree-creation algorithms for genetic programming. IEEE Transactions on Evolutionary Computation, 4(3):274-283, September 2000.r
90. W. B. Langdon and J. P. Nordin. Seeding GP populations. In R. Poli, et al., editors, Genetic Programming, Proceedings of EuroGP'2000, volume 1802 of LNCS, pages 304-315, Edinburgh, 15-16 April 2000. Springer-Yerlag. ISBN 3540-67339-3.
91. K. Deb. Multi-objective optimization using evolutionary algorithms. Wiley, 2001.
92. G.J. Barlow. Design of autonomous navigation controllers for unmanned aerial vehicles using multi-objective genetic programming. Master's thesis, North Carolina State University, Raleigh, NC, USA, March 2004.
93. J.R. Koza. Genetic Programming II: Automatic Discovery of Reusable Programs. MIT Press, Cambridge Massachusetts, May 1994. ISBN 0-262-11189-6
Похожие диссертации
- Социальная защита персонала как фактор эффективного развития малых предприятий сферы услуг
- Управление процессом реинжиниринга на промышленных предприятиях с использованием эффективных информационных систем
- Регулирование объёма неплатежей в хозяйственной системе региона
- Качество обслуживания как фактор конкурентоспособности предприятий розничной торговли
- Разработка инструментальных средств оценки конкурентоспособности промышленных предприятий на основе методов теории нечетких множеств