автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.10, диссертация на тему:Информационно-аналитическая подсистема прогнозирования развития в сельском хозяйстве с использованием нейронных сетей

На правах рукописи

Рыков Николай Иванович

ИНФОРМАЦИОННО-АНАЛИТИЧЕСКАЯ ПОДСИСТЕМА ПРОГНОЗИРОВАНИЯ РАЗВИТИЯ В СЕЛЬСКОМ ХОЗЯЙСТВЕ С ИСПОЛЬЗОВАНИЕМ НЕЙРОННЫХ СЕТЕЙ

Специальность 05.13.10 -Управление в социальных и экономических системах

АВТОРЕФЕРАТ

диссертации на соискание учёной степени кандидата технических наук

Курск-2004

Работа выполнена на кафедре «Информационные системы в экономике» Курского государственного технического университета

Научный руководитель: доктор технических наук,

профессор Уразбахтин И.Г.

Официальные оппоненты: доктор технических наук,

профессор Димов Э.М. кандидат технических наук, старший научный сотрудник Носков М.М.

Ведущая организация: Ростовский государственный экономический

университет «РИНХ».

Защита диссертации состоится «27» декабря 2004 г. в 16-00 на заседании диссертационного совета Д 212.105.02 при Курском государственном техническом университете по адресу: 305040, г. Курск, ул. 50 лет Октября, 94 (конференц-зал).

Заверенные отзывы на автореферат в двух экземплярах направлять по адресу: 305040, г.Курск, ул. 50 лет Октября, 94, КурскГТУ, учёному секретарю диссертационного совета Д 212.105.02

С диссертацией можно ознакомиться в библиотеке Курского государственного технического университета.

Автореферат разослан » /-бОл^ЗА^ 2004 года.

Учёный секретарь диссертационного совета

Титенко Е.А.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы.

Эффективная подготовка, прогнозирование и формирование управленческих решений в сельском хозяйстве осуществляется в условиях неопределённости и риска из-за сложности комплексного учёта трудноформализуемых факторов. Традиционные методы и модели управления в сельском хозяйстве, основанные на статистическом подходе, в современных условиях являются ограничено применимыми, т.к. частично учитывают свойства неопределённости и нелинейности при подготовке данных и прогнозирования. Комплексный учёт ряда факторов управления состоянием сельского хозяйства должен быть основан на разработке систем поддержки принятия решений (СГТПР) и их многокритериальной оценки. При этом важнейшей подсистемой в СППР будет выступать подсистема подготовки данных и прогнозирования, задающая необходимый уровень качества принимаемых решений. Отсутствие полной формализации всех управляющих факторов, многомерность исходных данных, ограниченность или противоречивость данных обуславливают применение адаптивных моделей, методов и технологий для управления в отрасли.

В настоящее время при моделировании сложных систем используют нейросетевые модели (НСМ), которые позволяют эффективнее оценить сложность структуры объекта, работать с большими размерностями вектора входных факторов, представленных в качественном, количественном и порядковом виде. Поэтому качественно новый уровень разрабатываемых региональных СППР представляется как результат синтеза статистических моделей и нейросетевых моделей — синтетических информационно-аналитических моделей. Эффективность использования подобных систем определяется адаптивностью, возможностью исследования динамических случайных процессов с учётом влияния на объект изменчивой внешней среды. Синтетические модели и основанные на них информационно-аналитические подсистемы прогнозирования развития (ИАППР) уменьшают степень риска при принятии решений в таких областях как управление регионом, планирование производства, управление материально-производственными запасами и др.

Теоретические и практические вопросы проектирования и использования ИАППР, в том числе и сельском хозяйстве, рассматривались в работах, И.Б. Загайтова и Л.П. Яновского, С.Д. Коровкина и И.Д. Ратманова, А.Н. Тарасова и В.Л. Дунаева. Однако разработка ИАППР на базе НСМ, как самостоятельная задача, применительно к сельскому хозяйству не рассматривалась.

Актуальность исследования и разработки ИАППР связана с тем, что в настоящее время отсутствуют единые методы и модели анализа и прогнозирования развития сельского хозяйства в условиях неопределённости и ограниченности данных.

Объектом исследования являются процессы прогнозирования и принятия решений в сельском хозяйстве.

Предметом исследования являются методы и модели анализа, прогнозирования и принятия решений.

Цель работы: повышение качества принятия решений на основе разработанных математических методов, нейросетевых моделей и алгоритмов построения ИАППР.

Для достижения поставленной цели решаются следующие задачи:

• анализ существующих ИАППР в сельском хозяйстве, выявление их основных ограничений, и обоснование перспектив внедрения нейросетевых (НС) технологий в ИАППР;

• синтез НСМ прогнозирования и модифицированного метода предподготовки данных для ИАППР;

• разработка структуры НСМ прогнозирования вариантов развития сельского хозяйства с использованием сценарного подхода и исследование характеристик НС;

• формирование альтернатив и разработка оптимальных вариантов развития сельского хозяйства на базе многокритериальной оценки;

• разработка структурно-функциональной организации ИАППР с использованием нейронных сетей и её апробация.

Методы исследования основаны на положениях теории проектирования сложных информационных систем, системного анализа в управлении, общей теории статистики, методах искусственного интеллекта и принятия решений, теории управления, квалиметрии, имитационного моделирования.

Научная новизна результатов, полученных в диссертационной работе, состоит в том, что при решении поставленных задач были разработаны:

• модифицированный алгоритм подготовки обучающего множества, который позволяет осуществить масштабирование данных для прогнозирования восходящих и нисходящих тенденций показателей сельского хозяйства на базе НСМ;

• методы оценки предельной производительности факторов производства в сельском хозяйстве на базе модифицированной производственной функции (ПФ), расширяющие аналитические возможности ИАППР и дополняющие информационное обеспечение подсистемы;

• модифицированный алгоритм оценки размерности вектора входных факторов для НСМ, позволяющий оптимизировать обучающее множество за счет подсчёта рейтинга экзогенных переменных;

• структурно-функциональная организация ИАППР, обеспечивающая выбор рациональных решений на основе сценарного подхода.

Практическая значимость Проведенные теоретические и экспериментальные исследования позволили:

• разработать ИАППР для управления сельским хозяйством;

• разработать программный комплекс, обеспечивающий информационную поддержку принятия решений в сельском хозяйстве, путём предоставления лицу, принимающему решения, оперативную аналитическую информацию;

• повысить оперативность получения аналитической информации и решения управленческих задач путём внедрения ИАППР.

Апробация работы. Основные положения и научные результаты диссертационной работы докладывались и обсуждались на: 1 Международной научно-практической конференции «Современные инструментальные системы, информационные технологии и инновации» (Курск, 2003 г.); Международной конференции «Системные проблемы качества, математического моделирования, информационных и электронных технологий» (Сочи, 2003 г. и 2004 г.).

Достоверность и внедрение. Достоверность определяется корректностью постановки и решением задач, а также совпадением теоретических и экспериментальных данных. Апробация разработанной ИАППР позволила повысить степень автоматизации решения задач прогнозирования для принятия управленческих решений в агропромышленном комплексе Курской области с 30% до 55%, а оперативность принятия управленческих решений на 10-12%. Данные получены на основании результатов экспертного оценивания при проверке действия подсистемы. Разработанная подсистема эксплуатируется в комитете агропромышленного комплекса Курской области, что подтверждается актом о внедрении.

Результаты исследования внедрены в учебный процесс и нашли развитие в курсе «Информационные системы в экономике», что подтверждено актом о внедрении.

Публикации. В открытой печати по теме диссертации опубликовано шесть работ, из которых пять являются статьями.

Основные положения, выносимые на защиту:

1. Модифицированный метод подготовки обучающего множества для НСМ, который позволяет масштабировать подаваемые на вход данные и прогнозировать восходящие и нисходящие тенденции показателей сельского хозяйства.

2. Модель интегральной оценки производительности труда на базе спецификации ПФ, расширяющая аналитические возможности подсистемы.

3. Структурная организация ИАППР сельского хозяйства, позволяющая синтезировать множество сценариев развития и обеспечивающая рациональный выбор наиболее эффективных на базе комплексного применения многомерных критериальных оценок.

4. Подсистема подготовки и прогнозирования данных на базе НСМ.

Личный вклад автора. В работах, опубликованных в соавторстве, и

приведенных в конце автореферата: в [1, 3] проводится основное исследование нейронных сетей и рассматривается эффективность масштабирования данных для целей обучения (90 %); в [2] приводится описание модифицированной модели прогнозирования в сельском хозяйстве на основе производственной функции; в работе [4] рассматриваются основные методы и модели фильтрации данных и их интеграция в прогностических системах (65%), построенных на базе нейросетевых технологий; в работе [5] представлены результаты практических исследований и предлагается алгоритм построения прогнозных моделей на базе нейронных сетей (90 %); работа [6] посвящена вопросам моделирования многокритериальной оценки вариантов при сценарном подходе (60 %).

Структура и объём работы. Диссертация состоит из введения, 3 глав, заключения, приложений, содержит список литературы из 133 наименований. Основная часть работы изложена на 112 листах машинописного текста, приведено 9 таблиц и 19 рисунков.

СОДЕРЖАНИЕ

Во введении обосновывается актуальность выбранной темы, формулируются цель и задачи диссертационного исследования, определяется научная новизна и практическая значимость работы. Сформулированы основные положения, выносимые

на защиту, приводятся сведения об апробации и внедрении результатов работы и кратко излагается содержание глав диссертации.

Первая глава посвящена обзору современного состояния развития ИАППР в сельском хозяйстве; рассмотрены основные направления развития информатизации прогнозно-аналитической работы регионального уровня; обосновываются положения по эффективности использования нейросетевых моделей, как комплексного средства поддержки принятия решений в условиях неопределённости.

Отмечаются основные преимущества нейросетевых моделей перед традиционными статистическими. По сравнению с линейными статистическими моделями (линейная регрессия, авторегрессия, линейная разделяющая поверхность), нейросети позволяют эффективно строить прежде всего нелинейные зависимости, более адекватно описывающие наборы данных. Возможность НС самообучаться на предлагаемых примерах и настраиваться в процессе работы позволяет обнаружить большее количество неявных взаимосвязей между исследуемыми данными.

В настоящее время существуют различные информационно-аналитические системы:

• Система анализа и прогнозирования социально-экономического развития региона (САПСЭР), ориентированная на решение задач в отраслевом разрезе конкретного регионального комплекса (1991 г.);

• технология «ЗОНТ» профессора Загайтова (г. Воронеж) обладает большим ретроспективным объёмом данных для последующего перспективного анализа и базируется на представлении о квазицикличном характере колебаний многих процессов природно-экономического свойства, о наличии определенных зависимостей динамики таких колебаний во времени и пространстве (2002 г.);

• региональная экономико-математическая модель сельского хозяйства, реализованная в программном средстве FAR-2000, позволяет моделировать размеры сельскохозяйственного производства в регионе, определяет потребности в материально-технических ресурсах, позволяет оценивать возможные направления использования произведенной сельскохозяйственной продукции (2002 г.).

Однако известные информационно-аналитические системы не позволяют описать сложную структуру объекта.

Показано, что уровень современного развития информационных технологий и методов прогнозирования позволяет разработать сложные адаптивные модели перспективного анализа, как ядро семейства систем поддержки принятия решений (ИАППР) - нейросетевые модели. Приводятся основные направления развития нейросетевых технологий и перспективы их использования в прогнозировании динамических систем. Рассматриваются классификации существующих программных реализаций нейронных сетей. Среди них широкое применение получили нейропакеты общего назначения, которые, как правило, представлены реализацией определённой топологии и настройкой структуры нейронной модели (Neural Network Wizard компании Base Group, STATISTICA Neural Networks, Нимфа, Neuro Office и др.). Предложены основные положения повышения качества работы современных экспертных систем

Вторая глава посвящена методам, моделям и алгоритмам, позволившим разработать структурно-функциональную организацию ИАППР на базе нейронных сетей обратного распространения (НСОРО). Предлагаемая система состоит из

модулей, каждый из которых функционирует независимо и объединяется информационными потоками (рис. 1). Модульная разработка позволяет наращивать представленную подсистему для расширения аналитических и прогностических возможностей.

Рис. 1. Структурно-функциональная схема ИАППР в сельском хозяйстве на базе НСОРО

Сбор первичных данных и формирование временных периодов реализуется с помощью модуля подготовки исходных данных. Первичные данные поступают в модуль предподготовки данных, задача работы которого состоит в формировании обучающего множества для НСМ. Так как ИАППР использует НС обратного распространения ошибки с учителем, то предлагается разделить поступившие данные на эндогенные и экзогенные.

Статистические данные, используемые для прогнозирования, нередко включают случайные факторы, искажающие реальное состояние объекта. Для исключения случайных факторов ИАППР располагает блоком фильтрации.

Блок корреляционного анализа оценивает важность регрессоров, включаемых в обучающее множество. Для этого создаётся корреляционная матрица, элементы которой представляют рассчитанные коэффициенты. Исходя из предустановленного экспертом минимального (порогового) значения определяется правило вхождения экзогенных факторов в обучающее множество НСМ.

Задача определения оптимального размера обучающего множества факторов, описывающих состояние объекта, требует адекватной оценки каждого регрессора. Одним из возможных решений этой задачи может быть построение рейтинговой оценки для экзогенного фактора (рис. 2). Для вычисления рейтинга используется стандартная формула вычисления среднего гармонического для каждого столбца с коэффициентами корреляции. Оптимизация размерности обучающего множества влияет на снижение общей нагрузки, связанной с информационными потоками ИАППР и, как следствие, на повышение производительности работы подсистемы. Пороговое значение определяется экспертом и зависит от субъективных условий перспективной оценки, например, через среднее арифметическое значение. Прогностические значения эндогенных переменных обученной НСОРО получаются в результате ввода экспертных или экстраполированных значений регрессоров.

После этого данные поступают на вход блока масштабирования. Необходимость введения данного блока в ИАППР обусловлена тем, что без подобной обработки получаются значения только в рамках диапазона минимума и максимума исходных данных (£„ош). В задачах прогнозирования показатели, например, экономической эффективности могут иметь тенденцию к возрастанию. В этом случае НСМ, обученная на исходных данных, не способна представить результат за пределами максимума и минимума пространства решений (рис. 3), что является ограничением применительно к решению задач прогнозирования.

Для снятия данного ограничения в рамках исследования был модифицирован метод линейной нормализации данных обучающего множества нейронной сети для целей прогнозирования. В случае традиционной предобработки (по Миркесу) используется преобразование вида (1):

где значение множества минимум и максимум ряда

приемлемое максимальное значение и приемлемое минимальное значение ряда X соответственно.

Опыт использования нейронных сетей с входными синапсами свидетельствует о том, что в подавляющем большинстве случаев предварительное масштабирование и сдвиг входных сигналов сильно облегчает обучение нейронных сетей.

Рис. 2. Алгоритм определения множества, включающего общие регрессоры для НСМ

Рис. 3. Пример графического представления нормального и масштабированного ряда

данных

Модификация состоит в определении количественных значений для А и С, учитывающих динамику исходного ряда ретроспективных наблюдений (2):

М- среднее значение исходного ряда.

Коэффициент вариации (V) и стандартное отклонение (8й) являются показателями изменчивости признака. После процедуры масштабирования данные подлежат обязательной нормализации, т.к. активационная функция (в данном случае логистическая) работает с входными значениями нейронов в интервале [0,1]. Нормализованные значения будут находиться в диапазоне допустимых значений [Л,С] с учётом вариационных характеристик исследуемого ряда. Масштабирование в зависимости от вариации сохраняет закономерности поведения ряда в перспективе.

Блок формирования перспективных данных для экзогенных переменных НМ включает эмулятор трендовой модели, работающий на базе ядра НСОРО. Решение проблемы становится возможным в результате эмуляции модели экстраполяции трендов на базе нейросетевого ядра подсистемы. Пусть, имеется абстрактный временной ряд X (X¡, X... X„), где и - длина этого ряда. Задача сводится к построению продолжения ряда, т.е.

упреждающего периода. Создание имитационной модели экстраполяции тренда на базе НСОР осуществляется с помощью «оконного метода». Суть этого метода состоит в том, что исходный ряд X разбивается на отрезки (окна) длиной Ь, но с

ограничениями: Ь е [3,и — 1]. Количество окон О вычисляется в зависимости от длины исходного ряда и выбранной длины окна по формуле (3):

Таким образом, получается матрица X' размерностью Ох.Ь, которая включает смещённые отрезки вдоль временного ряда Последний вектор матрицы X' подаётся «учителю» в качестве примера результата (выходной слой). Обучающее множество для эмуляции трендовых моделей также необходимо обработать в блоке масштабирования данных.

На выходе модуля предподготовки данных имеется нормализованное обучающее множество, готовое для использования в НСМ. Параллельно ретроспективные данные являются основой для модуля анализа варианта развития сельского хозяйства, который включает следующие блоки аналитических показателей: растениеводства, животноводства, труда и состояния фондов.

Составной частью агрегированной модели экономического роста является производственная функция, связывающая выпуск с объемами основных фондов, затратами труда и, возможно, с иными факторами производства. Применительно к моделированию производственных процессов в сельском хозяйстве учет влияния природных ресурсов (в агрегированном представлении - земли) носит такой же важный характер, как и учет роли труда и капитала в формировании продукта. Основные математические свойства ПФ позволяют определить вспомогательные аналитические показатели, например, предельные производительности факторов производства (включаемый в блоки «Труд» и «Фонды»). С учётом специфики сельскохозяйственного производства была разработана спецификация ПФ, которая имеет вид (4):

где У - объём продаж сельскохозяйственной продукции; К - стоимость основных производственных фондов по сельскому хозяйству; Ь — численность промышленно-производственного персонала; и - общая масса внесенных органических и минеральных удобрений на всей посевной площади; -параметры функции,

и интегральный показатель, который рассчитывается по предложенной автором в работе формуле (5):

где масса органических и минеральных удобрений, приходящихся на 1 га

посевной площади соответственно (в тоннах); рз — общая посевная площадь, тыс. га.

Показатель и аккумулирует в себе производственный потенциал в рамках использования экстенсивного фактора (посевная площадь) и интенсивного (количество внесённых удобрений). Вычисление частной производной, например, по фактору и позволяет определить его предельную производительность (6), что обеспечивает пополнение аналитического массива, являющегося частью обучающего множества НСМ:

<т

= а0-Ка ■!?-у-и"'1

(6)

Модель прогнозирования подвергается обязательной процедуре оценке адекватности - верификации. Оценка адекватности модели производится на основе инверсной, т.е. проверку адекватности прогнозной модели объекту в

ретроспективном периоде. Прогнозирование и верификация результативности НСМ осуществляется соответствующими блоками модуля прогнозирования варианта посредством расчёта критериев: стандартного отклонения относительно среднего (SO), средней относительной ошибки прогноза (OOF) и коэффициента детерминации

(R2).

Завершающий этап работы заключается в оценке накопленных в процессе работы сценариев в рамках варианта. Сценарный подход, поддерживаемый функциональностью ИАППР, позволяет применить ситуационный анализ и разработать многовариантные прогнозы, которые собственно и являются основанием для формирования массива альтернатив. Каждый вариант связывает изменение внешних условий с результирующими переменными. Построение вариантов направлено на решение основных задач: во-первых, выделение ключевых моментов развития исследуемого объекта и разработка на этой основе качественно различных вариантов его динамики; во-вторых, всесторонний анализ и оценка каждого из полученных вариантов, изучение его структурных особенностей и возможных последствий реализации.

В работе предлагается комплексное использование классических многокритериальных методов оценки альтернативных вариантов (табл. 1).

Таблица 1

Методы многокритериальной оценки альтернатив

Название метода многокритериальной оценки Математическая интерпретация Краткое описание

Критерий Лапласа mm | 1 я I Отражает «принцип недостаточности основания» Лапласа, согласно которому все состояния природы полагаются равновероятными

Критерий Вальда Минимаксный критерий: W = min max{MfJ} Опирается на принцип наибольшей осторожности, поскольку он основывается на выборе наилучшей стратегии из наихудших стратегий К,. В случае, когда оценивается потери, то выбирается минимаксный критерий, наоборот-максиминный

Максим инн ый критерий: IV = max min j '

Критерий Сэвиджа impi(Mt)-M, " [A/iy-min(Mj Если М-полезность, то первое уравнение системы, если М-потери, то второе уравнение системы. Рекомендуется выбирать ту стратегию Д/, при которой величина риска принимает наименьшее значение в самой неблагоприятной ситуации (когда риск максимален)

Третья глава посвящена результатам практической реализации методов и моделей, положенных в основу ИАППР сельского хозяйства. Представленные методы позволили структурировано отобразить информацию для базового варианта, в последующем являющейся ресурсом для апостериорных альтернатив.

В работе проведён анализ статистической информации по сельскому хозяйству Курской области. Расчёты по блокам растениеводства, животноводства, фондам и труду позволили определить дополнительные характеристики (рис. 4) для научного обоснования альтернативных вариантов развития сельского хозяйства в рамках одного сценария (табл. 2). Результаты ретроспективного анализа позволили установить ключевые экзогенные факторы, характеризующие экстенсивное или интенсивное развитие сельского хозяйства.

С использованием разработанного алгоритма оценки общих регрессоров НСМ был получен вектор (22 показателя) потенциально значимых экзогенных факторов для конечного множества эндогенных (14 показателей) с пороговым значением

Для прогнозирования вариантов развития сельского хозяйства использовалась модель НСОРО при известных зависимых факторах. Но для оценки упреждающих значений требуется знать перспективные значения каждого независимого показателя. В этом случае необходимо экстраполировать данные всего множества X. Для оценки перспективных значений экзогенных показателей использовалась модель эмуляции тренда на базе НСОРО. Длина перспективного ряда равна одной трети длины ретроспекции - 3 года.

Таблица 2

Перечень оцениваемых вариантов в рамках сценария А1

Код Описание

А1-01 Базовый вариант перспективного развития анализируемого объекта, основанный на реальных характеристиках сельского хозяйства (прогноз по статистическим данным)

А1-02 Альтернативный вариант перспективного развития, соответствующий экстенсивному состоянию экономического развития объекта

А1-03 Альтернативный вариант позитивного перспективного развития, созданный на основе выявления приоритетных для анализируемого объекта характеристик, предрасполагающий к интенсивному развитию

Структура НСМ прогнозирования включает следующие параметрические характеристики (рис. 5, 6):

• топология: НСОРО на базе сигмоидальной активационной функции с параметром крутизны 1,2;

• количество нейронов входного слоя: 22 и выходного слоя: 14;

• количество слоев: 4;

• скорость обучения: 0.1;

• момент: 0,9;

• количество нейронов скрытого слоя: 2 (1x2,2x14).

Рис 4 Фрагмент интерфейса аналитического модуля подсистемы

Рис 5 Фрагмент интерфейса нейросетевого модуля подсистемы

Критерии остановки обучения

• средняя ошибка при обучении<0,05,

• распознано не менее 80% обучающей выборки;

• средняя ошибка при тестировании<0,05;

• распознано не менее 80% тестовой выборки;

• для обучения используется: 90% записей.

Обучение нейронной сети проводилось на базе предобработанного множества факторов. Эмпирически было установлено, что лучшие результаты при обучении получаются при количестве нейронов в скрытом слое не более количества выходных нейронов. Обучающее множество было подвергнуто линейной нормализации данных. Обучение было окончено при достижении заданных величин, установленных в конфигурации за 740 эпох, со следующими значениями критериев: средняя ошибка обучающего множества: 0,04003; средняя ошибка тестового множества: 0,03498. Полное распознавание примеров тестового и обучающего множеств составило 71,4%. Прогнозирование для целевых показателей было проведено ещё с помощью 2 моделей: линейного тренда и экспоненциальной сглаживания. Верификация моделей велась по критериям: стандартного отклонения (SO), относительной ошибки прогноза (OOF), коэффициента вариации (V) и коэффициента достоверности аппроксимации Построение диаграммы

Кивиата (рис. 7) базируется на перечисленных критериях (стандартное отклонение

нормализовано).

□ Линейная модель

□ Эксп модель ш НСОРО

SO OOF V

Линейная модель 0,456355 0,585497 1,387715

Экспоненциальная модель 0,479759 0,276342 1,318579

НСОРО 0,263369 0,244887 1,297169

Рис. 7. Диаграмма Кивиата для 3-х моделей прогнозирования

Как видно из диаграммы, наименьшую площадь имеет треугольник, относящийся к НСМ прогнозирования, что свидетельствует о лучшем описании состоянии объекта в пространстве факторов, описывающих состояние сельского хозяйства.

Рис. б. Граф нем

Общий анализ перспективных значений позволяет рассмотреть только основные направления развития сельского хозяйства и создать коррективы для областных целевых программ. На этапе принятия решений можно отметить два направления действий:

• принятие решений осуществляется на основе экспертного оценивания перспективных вариантов в рамках сценария;

• принятие решений обеспечивается средствами ИАППР.

Средства предлагаемой ИАППР в разрезе эндогенных факторов объекта, позволили рассчитать два критерия для трёх альтернативных вариантов: критерий Лапласа и критерий Сэвиджа (табл. 3). Самой приемлемой оказалась стратегия интенсивного развития (наилучшая оценка обозначена буквой «Н»)

Описанная структура и функционирование ИАППР может использоваться не только для многофакторного анализа сельского хозяйства. Модульное построение системы предусматривает многофакторный анализ разных объектов, но сходных по природе с характеристиками сельского хозяйства (социально-экономическое развитие районов, области, динамика демографических процессов; оценка инвестиционных проектов для макроэкономических объектов экономики; межотраслевой анализ и т.д.).

Таблица 3

Критериальная оценка альтернативных вариантов развития сельского хозяйства __Курской области__

Название критерия Значение Детализация Вариант

Критерий Лапласа 2633,238 - Экстенсивный (А 1-01)

2726,517 - Базовый (А 1-02)

- Интенсивный (А 1-03)

Критерий Сэвиджа 2099,0 / Животноводство Экстенсивный (А 1-01)

2123,9 Базовый (А 1-02)

Интенсивный (А 1-03)

2096,6 Растениеводство Экстенсивный (А1-01)

2118,5 Базовый (А 1-02)

Интенсивный (А 1-03)

В работе получены следующие основные результаты и выводы:

1. Исследована предметная область - управление в сельском хозяйстве на базе информационно-аналитических систем, что позволило на основании выявленных недостатков их функционирования обосновать необходимость проектирования ИАППР для повышения качества принятия управленческих решений.

2. Разработан модифицированный алгоритм подготовки обучающего множества, позволяющий масштабировать данные для прогнозирования

восходящих и нисходящих тенденций показателей сельского хозяйства с использованием НСМ;

3. Разработаны методы оценки предельной производительности факторов производства в сельском хозяйстве на базе модифицированной ПФ, расширяющие аналитические возможности ИАППР.

4. Разработан алгоритм оценки размерности вектора входных факторов для НСМ, оптимизирующий обучающее множество за счёт подсчёта рейтинга экзогенных переменных.

5. Разработана структурно-функциональная организация ИАППР, обеспечивающая выбор рациональных решений на базе комплексного применения многомерных критериальных оценок.

6. Спроектирована, реализована и внедрена ИАППР сельского хозяйства, с использованием НСОРО, которая позволяет повысить качество прогноза в среднем на 20% по сравнению с классическими методами и повысить оперативность получения аналитической информации.

Публикации по геме диссертации

1. Рыков, Н.И. Особенности моделирования тренда на базе нейронных сетей обратного распространения [Текст] / Н.И.Рыков // Системные проблемы надёжности, качества, информационных и электронных технологий: Материалы Международной конф. и Российской науч. шк. Москва, 2004. Ч.7.Т.2. С. 77-82.

2. Рыков, Н.И. Спецификация производственной функции применительно к прогнозированию развития агропромышленного комплекса [Текст] / Н.И.Рыков// Системные проблемы надёжности, качества, информационных и электронных технологий: Материалы Международной конф. и Российской науч. шк. Москва, 2004. Ч.7.Т.2. С. 82-87.

3. Рыков, Н.И. Алгоритм предобработки данных для целей прогнозирования на базе технологии нейронных сетей [Текст]/ И.Г.Уразбахтин, Н.И.Рыков //Современные инструментальные системы, информационные технологии и инновации: Материалы I Международной науч.-техн. конф. Курск, 2003. С. 6264.

4. Рыков, Н.И. Использование фильтрации данных и нейросетей при обработке сигналов [Текст]/ И.Г.Уразбахтин, Н.И.Рыков // Телекоммуникации. 2004. №5. С. 5-9

5. Рыков Н.И., Уразбахтин И.Г. Краткосрочное прогнозирование валового сбора зерна на основе нейронных технологий с модифицированным методом предобработки данных [Текст]/ И.Г.Уразбахтин, Н.И.Рыков // Известия КурскГТУ. 2004. №1(12). С.153-157

6. Рыков, Н.И. Модификация, метода интервальных оценок для построения функции принадлежности максиминного критерия [Текст]/ И.Г.Уразбахтин, Н.И.Рыков// Системные проблемы качества, математического моделирования, информационных и электронных технологий: Материалы Международной конф. и Российской науч. шк. Москва, 2003. С. 104-108

ИД №06430 от 10 12.01. Подписано в печать 26 11 2004 Формат 60x84 Печ. л. _1_Тираж 100 экз. Заказ 30 5_

1/16.

Курский государственный технический университет Издательско-полиграфический центр Курского государственного технического

университета 305040, г Курск, ул. 50 лет Октября, 94

# 237 1 1

ВВЕДЕНИЕ

ГЛАВА 1. ИСПОЛЬЗОВАНИЕ СИСТЕМ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ В СЕЛЬСКОМ ХОЗЯЙСТВЕ

1.1 .Информационно-аналитическое обеспечение сельского хозяйства

1.2.Развитие региональных систем поддержки принятия решений 15 1.3 .Использование нейросетевых моделей

ГЛАВА 2. РАЗРАБОТКА КОМПЛЕКСНОЙ МОДЕЛИ ПРОГНОЗИРОВАНИЯ СЕЛЬСКОГО ХОЗЯЙСТВА С МОДИФИКАЦИЕЙ МЕТОДА ПРЕДПОДГОТОВКИ ДАННЫХ НЕЙРОННОЙ СЕТИ

2.1.Общее представление нейронной сети с обратным распространением ошибки 2.2.Обучение нейронной сети с обратным распространением ошибки

2.3.Проблемы программной реализации экспертных 32 информационных систем на базе нейронных сетей

2.4.Модификация метода предподготовки данных обучающего 33 множества нейронной сети обратного распространения

2.5.Комплексное представление показателей, характеризующих 38 развитие сельского хозяйства

2.6.Системное рассмотрение объекта исследования

2.7.Моделирование подсистемы анализа и прогнозирования 46 экономического развития сельского хозяйства

2.8.Функциональное представление разрабатываемой подсистемы

2.9.Методы многокритериальной оценки вариантов развития отрасли

ГЛАВА 3. ПРАКТИЧЕСКОЕ ИСПОЛЬЗОВАНИЕ РАЗРАБОТАННОЙ МОДЕЛИ НА ПРИМЕРЕ КУРСКОЙ ОБЛАСТИ

3.1. Предварительная подготовка и обработка информации

3.2. Анализ состояния и прогнозирование развития сельского 73 хозяйства Курской области

3.3. Выбор и обоснование варианта развития 86 ЗАКЛЮЧЕНИЕ 94 СПИСОК ЛИТЕРАТУРЫ 99 ПРИЛОЖЕНИЯ

Актуальность работы.

Эффективная подготовка, прогнозирование и формирование управленческих решений в сельском хозяйстве осуществляется в условиях неопределённости и риска из-за сложности комплексного учёта трудноформализуемых факторов. Традиционные методы и модели управления в сельском хозяйстве, основанные на статистическом подходе, в современных условиях являются ограничено применимыми, т.к. частично учитывают свойства неопределённости и нелинейности при подготовке данных и прогнозирования. Комплексный учёт ряда факторов управления состоянием сельского хозяйства должен быть основан на разработке систем поддержки принятия решений (СППР) и их многокритериальной оценки. При этом важнейшей подсистемой в СППР будет выступать подсистема подготовки данных и прогнозирования, задающая необходимый уровень качества принимаемых решений. Отсутствие полной формализации всех управляющих факторов, многомерность исходных данных, ограниченность или противоречивость данных обуславливают применение адаптивных моделей, методов и технологий для управления в отрасли.

В настоящее время при моделировании сложных систем используют нейросетевые модели (НСМ), которые позволяют эффективнее оценить сложность структуры объекта, работать с большими размерностями вектора входных факторов, представленных в качественном, количественном и порядковом виде. Поэтому качественно новый уровень разрабатываемых региональных СППР представляется как результат синтеза статистических моделей и нейросетевых моделей — синтетических информационно-аналитических моделей. Эффективность использования подобных систем определяется адаптивностью, возможностью исследования динамических случайных процессов с учётом влияния на объект изменчивой внешней среды. Синтетические модели и основанные на них информационноаналитические подсистемы прогнозирования развития (ИАППР) уменьшают степень риска при принятии решений в таких областях как управление регионом, планирование производства, управление материально-производственными запасами и др.

Теоретические и практические вопросы проектирования и использования ИАППР, в том числе и сельском хозяйстве, рассматривались в работах, И.Б. Загайтова и Л.П. Яновского, С.Д. Коровкина и И.Д. Ратманова, А.Н. Тарасова и B.JI. Дунаева. Однако разработка ИАППР на базе НСМ, как самостоятельная задача, применительно к сельскому хозяйству не рассматривалась.

Актуальность исследования и разработки ИАППР связана с тем, что в настоящее время отсутствуют единые методы и модели анализа и прогнозирования развития сельского хозяйства в условиях неопределённости и ограниченности данных.

Объектом исследования являются процессы прогнозирования и принятия решений в сельском хозяйстве.

Предметом исследования являются методы и модели анализа, прогнозирования и принятия решений.

Цель работы: повышение качества принятия решений на основе разработанных математических методов, нейросетевых моделей и алгоритмов построения ИАППР.

Для достижения поставленной цели решаются следующие задачи:

• анализ существующих ИАППР в сельском хозяйстве, выявление их основных ограничений, и обоснование перспектив внедрения нейросетевых (НС) технологий в ИАППР;

• синтез НСМ прогнозирования и модифицированного метода предподготовки данных для ИАППР;

• разработка структуры НСМ прогнозирования вариантов развития сельского хозяйства с использованием сценарного подхода и исследование характеристик НС;

• формирование альтернатив и разработка оптимальных вариантов развития сельского хозяйства на базе многокритериальной оценки;

• разработка структурно-функциональной организации ИАППР с использованием нейронных сетей и её апробация.

Методы исследования основаны на положениях теории проектирования сложных информационных систем, системного анализа в управлении, общей теории статистики, методах искусственного интеллекта и принятия решений, теории управления, квалиметрии, имитационного моделирования.

Научная новизна результатов, полученных в диссертационной работе, состоит в том, что при решении поставленных задач были разработаны:

• модифицированный алгоритм подготовки обучающего множества, который позволяет осуществить масштабирование данных для прогнозирования восходящих и нисходящих тенденций показателей сельского хозяйства на базе НСМ;

• методы оценки предельной производительности факторов производства в сельском хозяйстве на базе модифицированной производственной функции (ПФ), расширяющие аналитические возможности ИАППР и дополняющие информационное обеспечение подсистемы;

• модифицированный алгоритм оценки размерности вектора входных факторов для НСМ, позволяющий оптимизировать обучающее множество за счёт подсчёта рейтинга экзогенных переменных;

• структурно-функциональная организация ИАППР, обеспечивающая выбор рациональных решений на основе сценарного подхода.

Практическая значимость Проведенные теоретические и экспериментальные исследования позволили:

• разработать ИАППР для управления сельским хозяйством;

• разработать программный комплекс, обеспечивающий информационную поддержку принятия решений в сельском хозяйстве, путём предоставления лицу, принимающему решения, оперативную аналитическую информацию;

• повысить оперативность получения аналитической информации и решения управленческих задач путём внедрения ИАППР.

Апробация работы. Основные положения и научные результаты диссертационной работы докладывались и обсуждались на: 1 Международной научно-практической конференции «Современные инструментальные системы, информационные технологии и инновации» (Курск, 2003 г.); Международной конференции «Системные проблемы качества, математического моделирования, информационных и электронных технологий» (Сочи, 2003 г. и 2004 г.).

Достоверность и внедрение. Достоверность определяется корректностью постановки и решением задач, а также совпадением теоретических и экспериментальных данных. Апробация разработанной ИАППР позволила повысить степень автоматизации решения задач прогнозирования для принятия управленческих решений в агропромышленном комплексе Курской области с 30% до 55%, а оперативность принятия управленческих решений на 10-12%. Данные получены на основании результатов экспертного оценивания при проверке действия подсистемы. Разработанная подсистема эксплуатируется в комитете агропромышленного комплекса Курской области, что подтверждается актом о внедрении.

Результаты исследования внедрены в учебный процесс и нашли развитие в курсе «Информационные системы в экономике», что подтверждено актом о внедрении.

Первая глава посвящена обзору современного состояния развития СППР в сельском хозяйстве; рассмотрены основные направления развития информатизации прогнозно-аналитической работы регионального уровня; обосновываются положения, касающиеся эффективности использования нейросетевых моделей как комплексного средства поддержки принятия решений в условиях неопределённости.

Во второй главе рассматриваются методы, модели и алгоритмы, позволившие разработать структурно-функциональную организацию ИАППР на базе нейронных сетей обратного распространения (НСОРО). Предлагаемая система состоит из модулей, каждый из которых функционирует независимо и связывается информационными потоками. Модульная разработка позволяет наращивать представленную подсистему для расширения аналитических и прогностических возможностей.

Третья глава посвящена результатам практической реализации методов и моделей, положенных в основу ИАППР сельского хозяйства. Представленные методы позволили структурировано отобразить информацию для базового варианта, в последующем являющейся ресурсом для апостериорных альтернатив. Приведены основные выводы согласно анализа статистической информации по сельскому хозяйству Курской области. Расчёты по блокам растениеводства, животноводства, фондам и труду позволили определить дополнительные характеристики, послужившие обоснованием для составления альтернативных вариантов развития сельского хозяйства в рамках одного сценария.

В заключении работы приведена общая характеристика работы и основные выводы по результатам диссертационного исследования.

Основные положения, выносимые на защиту:

1. Модифицированный метод подготовки обучающего множества для НСМ, который позволяет масштабировать подаваемые на вход данные и прогнозировать восходящие и нисходящие тенденции показателей сельского хозяйства.

2. Модель интегральной оценки производительности труда на базе спецификации ПФ, расширяющая аналитические возможности подсистемы.

3. Структурная организация ИАППР сельского хозяйства, позволяющая синтезировать множество сценариев развития и обеспечивающая рациональный выбор наиболее эффективных на базе комплексного применения многомерных критериальных оценок.

4. Подсистема подготовки и прогнозирования данных на базе НСМ.

ЗАКЛЮЧЕНИЕ

Важным стимулом для совершенствования системы управления является дальнейшая организационно-экономическая интеграция аграрной науки и агропромышленного производства. Взаимосвязанная, взаимодополненная совокупность государственного и хозяйственно-экономического управления и местного самоуправления может составить дееспособную и эффективную систему управления агропромышленным производством. Но для полноценного функционирования необходимо располагать современными аналитическими инструментами, позволяющими с наименьшими затратами и оперативно получать адекватную перспективную информацию для позитивного стратегического развития. АПК, как и подобные другие объекты, находится в рыночной связи, которую нужно постоянно стимулировать для реализации важнейших задач, например, продовольственной безопасности страны. Многофакторный прогнозный анализ требует адекватных и надёжны методов, реализуемых в рамках единой концепции развития информационных ресурсов и технологий.

Уровень современного развития информационных технологий и методов прогнозирования позволяет разработать сложные адаптивные модели перспективного анализа, как надёжное средство семейства СППР. Предлагаемая ИАППР, позволяет качественно описать объект в пространстве факторов, выделить из множества ключевые моменты, задающих динамику реальной стратегии хозяйственного развития. Сценарный подход, применяемый при описании состояний АПК в разные моменты времени необходим для оценки планов развития. С другой стороны, любые сценарные оценки несут печать субъективности; кроме того, они основываются на неявном предположении о том, что поведение цен активов в будущем будет иметь сходство с поведением в прошлом, что в общем случае далеко не очевидно.

Нейросетевое моделирование является относительно сложным инструментом поддержки аналитических систем. Для решения конкретных задач требуется изменять структуру модели или модифицировать этапы работы модели в целом. В исследовании был модифицирован метод линейной нормализации данных обучающего множества нейронной сети для целей прогнозирования. Достоинства такой модификации обеспечивают лучшую различимость данных в популяции множества НСМ, сохраняются исходные статистики наблюдений за счёт учёта дисперсных оценок в модификации.

ИАППР включает в себя модули оценки эффективности развития сельского хозяйства в разрезе 4 направлений: труд, фонды, растениеводство и животноводство. Рассчитанные аналитические показатели являются основой для перспективного планирования, которое реализуется в рамках сценарного подхода. ЛПР именно на этапе анализа имеет возможность создать вариант, изменив характеристики объекта по интересующим его направлениям. Адаптивность и многомерность НСМ позволяет решать задачи прогнозирования одновременно с множеством эндогенных и экзогенных факторов.

Рассмотрены основные аналитические выводы согласно статистической информации по Курскому АПК. Аналитические расчёты по блокам растениеводства, животноводства, фондам и труду позволили определить дополнительные характеристики, послужившие обоснованием для составления альтернативных вариантов развития сельского хозяйства в рамках одного сценария. Разработанная модель принятия решений характеризуется полнотой функциональных связей и может служить базой для разработки конечного приложения, реализуемого для персональных компьютеров АРМ управленцев среднего и высшего звена. Оценку альтернатив предлагается производить по традиционным критериям в условиях неопределенности характеристик объекта. Результаты ретроспективного анализа позволили установить ключевые экзогенные факторы, характеризующие экстенсивное или интенсивное развитие АПК. Средствами корреляционного анализа было установлено основное правило для формирования обучающего множества нейросетевой модели. Задача определения оптимального размера обучающего множества в разрезе факторов, описывающих состояние объекта, требует универсальной оценки важности каждого регрессора в целом. Одним из возможных решений этой задачи может быть построение рейтинговой оценки для экзогенного фактора методами вычисления средних статистических значений. Для вычисления рейтинга используется стандартная формула вычисления среднего гармонического для каждого столбца с коэффициентами корреляции, представленных в относительном виде. Недостатки включают себя возможное неполноценное представление многофакторной системы, что потенциально сказывается на качестве прогноза. Для исследований используется модель НСОРО «с учителем» при известных зависимых факторах.

Общий анализ перспективных значений позволяет ЛПР рассмотреть только основные направления развития сельхозпроизводства и создать коррективы для областных целевых программ. В целом наблюдается несвойственная для Курской области переориентация приоритетов производства сельхозпродукции - с растениеводства на животноводство. По экстенсивному варианту важно отметить изменение приоритетов ведения хозяйства средоточием на животноводстве. Позитивные тенденции в этом направлении по линии увеличения площади сельхозугодий позволяют предположить об их использовании для выращивания кормовых культур, освоению пастбищ. Ключевым фактором экстенсивного развития в сельском хозяйстве является наличие рабочей силы, занятость которой ориентирована при снижении стоимости основных средств на развитие животноводства, что не является характерным для Курской области. Тем не менее, анализ базового варианта в перспективе предрасполагает к экстенсивному развитию. Наоборот, интенсивное развитие предполагает при относительно низких темпах снижения динамики рабочей силы в данной отрасли и целенаправленном инвестировании на обновление материально-технической базы, развитие растениеводства. Важным аспектом является закрепление конкретных приоритетов развиваемых сельхозкультур, характерных для рассматриваемого объекта. Для Курской области - это выращивание ячменя и сахарной свеклы. В рамках данной работы не рассматривается конъюнктура перерабатывающего комплекса в составе АПК, но предварительные исследования показывают наличие относительно большого количества сахарных заводов. J И IF, сформировав альтернативные варианты, подходит к этапу принятия решений. Средства предлагаемой информационно-аналитической системы в разрезе эндогенных факторов объекта, позволили рассчитать два критерия для 3-х альтернативных вариантов: критерий Лапласа и критерий Сэвиджа. Полученные значения однозначно определили приоритетной стратегию интенсивного развития АПК Курской области.

В данном случае Курской области присуще развиваться по интенсивному пути, сосредоточив ресурсный потенциал на растениеводстве.

Таким образом, описанная структура и функционирование перспективной информационно-аналитической системы может использоваться не только для многофакторного анализа АПК. Модульное построение системы предусматривает многофакторный анализ разных объектов, но сходных по природе с характеристиками АПК (социально-экономическое развитие районов, области, страны; динамика демографических процессов; оценка инвестиционных проектов для макроэкономических объектов экономики; межотраслевой анализ и т.д.).

В целом в диссертационной работе получены следующие основные результаты:

1. Исследована предметная область - управление в сельском хозяйстве на базе информационно-аналитических систем, что позволило на основании выявленных недостатков их функционирования обосновать необходимость проектирования ИАППР для повышения качества принятия управленческих решений.

2. Разработан модифицированный алгоритм подготовки обучающего множества, позволяющий масштабировать данные для прогнозирования восходящих и нисходящих тенденций показателей сельского хозяйства с использованием НСМ.

3. Разработаны методы оценки предельной производительности факторов производства в сельском хозяйстве на базе модифицированной ПФ, расширяющие аналитические возможности ИАППР.

4. Разработан алгоритм оценки размерности вектора входных факторов для НСМ, оптимизирующий обучающее множество за счёт подсчёта рейтинга экзогенных переменных.

5. Разработана структурно-функциональная организация ИАППР, обеспечивающая выбор рациональных решений на базе комплексного применения многомерных критериальных оценок.

6. Спроектирована, реализована и внедрена ИАППР сельского хозяйства с использованием НСОРО, которая позволяет повысить качество прогноза в среднем на 20% по сравнению с классическими методами 1 и повысить оперативность получения аналитической информации.

1. Адаптивные фильтры: Пер. с англ. Н. Н. Лихацкой /Под ред. К.Ф.Н.Коуэна и П.М.Гранта.-М.:Мир, 1988.-392 е.: ил.

2. Айвазян С.А., Мхитарян B.C. Прикладная статистика и основы эконометрики: Учебник для вузов. М.: ЮНИТИ, 1998. - 1022 с.

3. Алимова Т.А. Статистический анализ приоритетных отраслей развития малых и средних предприятий //Вопросы статистики. 2003. - №11-С.35-47

4. Андрейчиков А.В., Андрейчикова О.Н. Анализ, синтез, планирование решений экономике М.: Финансы и статистика, 2000. - 368 е.: ил.

5. Анил К. Джейн. Введение в искусственные нейронные сети. Журнал "Открытые системы", №4, 1997 г.

6. Анчишкин А. И. Наука. Техника. Экономика. — 2-е изд. — М.: Экономика, 1989. — 383 с.

7. Апарин Н.С. , Мымрикова Л.С. , Рябушкин Б.Т. К вопросу об интегрированной статистической информации для системного анализа социально-экономических процессов // Вопросы статистики. -1999. -№5 С.25

8. Апарин Н.С., Мымрикова Л.С., Заварина Е.С., Рябушкин Б.Т. К вопросу о концепции и содержании системы статистических показателей для анализа социально-экономического развития России и ее регионов. // Вопросы статистики. -1999. №7 - С. 39

9. Афанасьев М.Ю., Суворов Б.П. Исследование операций в конкретных ситуациях.-М.:ТЕИС, 1999.-87 с.

10. Баранычев В. Стратегический анализ: технология, инструменты, организация // Проблемы теории и практики управления. 1998. - №5. - С.88

11. Басовский Л.Е. Прогнозирование и планирование в условиях рынка. Учебное пособие. М.: Инфра-М, 1999. - 200 с.

12. Бережная Е.В., Бережной В.И. Математические методы моделирования экономических систем: Учеб. пособие. М.: Финансы и статистика, 2001. -368 с: ил.

13. Бессонов В. А. О трансформационных структурных сдвигах российского промышленного производства // Экономический журнал ВШЭ. 2000. Т. 4 №2. - С. 184-219.

14. Биллиг В .А., Дегтярь М.И. VBA и Office 97. Офисное программирование: -М.: Изд. отдел " Русская редакция «ТОО "Channec Tradingltd», 1998.-720 с.

15. Борисов А.Н., Крумберг О.А., Фёдоров И.П. Принятие решений на основе нечётких моделей. Рига: Зинатне, 1990. - 184 с.

16. Боровиков В.П., Боровиков И.П. STATISTICA Статистический анализ и обработка данных в среде Windows - М.: ИИД «Филинъ», 1997. - 608 с.

17. Боровиков В.Т. Чадаева М.В. Нейросетевые модели в пакете STATISTICA Neural Networks 4.0: Сб. докладов VI Всероссийской конференции «Нейрокомпьютеры и их применение». М.: Радио и связь, 2000.-С. 601

18. В.Д. Молоканов, А.П. Долганов, А.Б. Секерин. Использование технологии нейронных сетей для прогнозирования налоговых поступлений на основе унифицированной системы показателей госстатотчётности //Вопросы статистики.- 2000.№7. С. 36.

19. Варфоломеев В.И. Алгоритмическое моделирование элементов экономических систем: Практикум. Учебное пособие. Финансы и статистика, 2000. - 208 е.: ил.

20. Вендоров A.M. Проектирование программного обеспечения экономических информационных систем: Учебник. М.: Финансы и статистика, 2000. - 352 е.: ил.

21. Вертакова Ю.В. Индикативное планирование развития экономики. // Ижевск, 2000. с. 1-4.

22. Вертакова Ю.В., Кузьбожев Э.Н. Упреждающее на основе информационных технологий: Учеб. пособие. Курск: КГТУ, 2001. -152 с.

23. Влчек Р. Функционально-стоимостный анализ в управлении: Сокр. пер с чеш. — М.: Экономика, 1986. — 176 с.

24. Воробьев В.И., Грибунин В.Г. Теория и практика вейвлет-преобразования. СПб.: ВУС, 1999 - 204 с.

25. Гаврилов А.И. Региональная экономика и управление. Учебное пособие. М.: ЮНИТИ, 2002. - 239 с.

26. Галушкин А.И. Нейрокомпьютеры: Учебное пособие для вузов. Кн.З. -М.: ИПРЖР. 2000. - 528 е.: илл. (Нейрокомпьютеры и их применение)

27. Галушкин А.И. Современные направления развития нейрокомпьютерных технологий в России // Открытые системы. 1997. N4. С.25-28.

28. Галушкин А.И. Теория нейронных сетей: Учебное пособие для вузов. Кн.1. М.: ИПРЖР. - 2000. - 416 е.: илл. (Нейрокомпьютеры и их применение)

29. Головко В.А. Нейронные сети: обучение, организация и применение. Учебное пособие для вузов. М.: ИПРЖР, 2001. 256 с.

30. Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере. -Новосибирск, Наука, 1996.

31. Государственное индикативное планирование (региональный аспект).: Учеб. пособие / Э.Н. Кузьбожев; Курск: КГТУ, 1996.- 80 с.

32. Джонстон Дж. Эконометрические методы: Пер. с англ.— М.: Статистика, 1980. С. 242-265

33. Дорохина Е.Ю., Халиков М.А. Моделирование микроэкономики: Учебное пособие. М.: Экзамен, 2003. - 222 с.

34. Дубров А. М. Математико-статистическая оценка эффективности в экономических задачах. М.: Финансы и статистика, 1982. - 176 с.

35. Ежов А.А., Шумский С.А. Нейрокомпьютинг и его применения в экономике и бизнесе (серия «Учебники экономико-аналитического института МИФИ» под ред. проф. В.В. Харитонова). М.: МИФИ, 1998. 224 с.

36. Жариков В.И., Королевская В.Н. Системный подход к управлению: Учебное пособие для вузов. М.: ЮНИТИ, 2001. - 62 с.

37. Загайтов И. Б. Технология «ЗОНТ» для прогнозирования колебаний урожаев // АПК: экономика, управление. 2002. - N 6. - С. 55-61

38. Загайтов И.Б. Основы аграрной теории: Учеб. пособие. Воронеж: Издательство ВГАУ, 1996. - 194 с.

39. Замков О.О., Толстопятенко А.В., Черёмных Ю.Н. Математические методы в экономике. Учебник. М.: МГУ им. М.В. Ломоносова, Издат-во "ДИС", 1998.-368 с.

40. Занг В.-Б. Синергетическая экономика. Время и перемены в нелинейной экономической теории: Пер. с англ. М.: Мир, 1999. -335с.: ил.

41. Иванилов Ю.П., Лотов А.В. Математические модели в экономике. М.: Наука, 1979.-211с.

42. Ивченко Б.П. Мартыщенко Л. А., Табухов. М.Е. Управление в экономических системах: Системный анализ. Принятие решений в условиях неопределённости. СПб.: Нордмед-Издат, 2001. - 248 с.

43. Исследовано в России Электронный ресурс.: многопредметный научный журнал / Моск. физ.-техн. ин-т. Электрон, журн. -Долгопрудный: МФТИ, 1998.-Режим доступа: к журн.:http://zhurnal.ape.relarn.ru, свободный. Загл. с экрана. - № гос. регистрации 0329900013

44. Калашников С., Мишакова Н. Логистизация ресурсообеспечения сельских товаропроизводителей // РИСК: ресурсы, информация, снабжение, конкуренция. 2003. - N1. - С. 43-46

45. Кейн Э. Экономическая статистика и эконометрия. М.: Статистика, 1997.-211 с.

46. Кендэл М. Временные ряды. Пер. с англ. -М.:Финансы и статистика, 1981.-199 с.

47. Кини Р.Л., Райфа X. Принятие решения при многих критериях: предпочтения и замещения: Пер. с англ./ Под ред. И.Ф. Шахнова. М.: Радио и связь, 1981. - 560 е.: ил.

48. Клюкач В.А. Сберегаем традиции, развиваем новые направления аграрных экономических исследований//АПК экономика, управление.-2004. -№ 6. - С.11-17

49. Колемаев В.А. Математическая экономика: Учебник для вузов. М.: ЮНИТИ, 2002. - 399 с.

50. Короткий С.Г. Нейронные сети: алгоритм обратного распространения. // BYTE/Россия, 2000. № 5. -С. 26-29

51. Короткий С.Г. Нейронные сети: основные положения. // BYTE/Россия, 2000, №5,-С. 18-21

52. Кремер Н.Ш. Путко Б.А. Эконометрика: Учебник для вузов / Под ред. проф. Н.Ш. Кремера. М.: ЮНИТИ - ДАНА, 2002. -243 с.

53. Крисилов В.А., Олешко Д.Н., Трутнев А.В. Применение нейронных сетей в задачах интеллектуального анализа информации // Труды Одесского политехнического университета, 1999. -Вып.2 (8).- С. 134.

54. Кубонива М., Табата М. Математическая экономика на персональном компьютере: Пер. с яп./ Под ред. и с предисл. Е.З. Демиденко. М.: Финансы и статистика, 1991. - 304 с.

55. Кузьбожев Э.Н., Вертакова Ю.В. Прогнозирование и планирование социально-экономического развития России и её регионов: Монография.-Курск: КГТУ, 2003.-314 с.

56. Кузьбожев Э.Н., Лузин Г.П. Управление региональным развитием в период перехода к регулируемому рынку (прогнозы, анализы, варианты).-Апатиты: 1991- 87 е., ил.

57. Кузьбожев Э.Н., Рассеко М.И., Прогнозно-аналитическая система для государственных органов регионального управления// Проблемы региональной экономики. Ижевск: Изд-во Удм. ГУ, 1997, №5, С.180-186.

58. Кузьбожев Э.Н., Рыков Н.И., Терновых А.Ф. "Использование критерия Хаукинса-Саймона при формировании межотраслевого баланса региона (на примере Курской области)"//Известия КурскГТУ. 2000-№5. - С.155-165.

59. Кузьбожев Э.Н., Рыков Н.И., Терновых А.Ф. Использование критерия Хаукинса-Саймона при формировании межотраслевого баланса региона (на примере Курской области). // Известия КурскГТУ. 2000. -№5. -С. 155-165

60. Лагоша Б.А. Оптимальное управление в экономике: Учебное пособие/ Б.А. Лагоша. М.: Финансы и статистика, 2003. - 192 с.

61. Леонтьев В.В. Межотраслевая экономика: Пер. с англ./Автор предисловия и научный редактор А.Г. Гранберг- М.: ОАО Издательство «Экономика», 1997.-479 с.

62. Литвак Б.Г. Разработка управленческого решения. М.: Изд-во «Дело», 2000. -392 с.

63. Личко П.К. К проблеме использования искусственного интеллекта в бизнес-планировании//Труды Независимого Аграрно-Экономического Общества России: Выпуск I: Проблемы формирования аграрного рынка России. М.: Изд-во МСХА, 1997.

64. Логовский А.С. Зарубежные нейропакеты: современное состояние и сравнительные характеристики. Нейрокомпьютер, 1998 - №1 и 2.

65. Ляпунов Б.Р. Обеспеченность продовольствием экономическая основа продовольственной безопасности.// Сборник научных трудов. Серия «Экономика». Ставрополь: СевКавГТУ, 2002. - Вып. 6.-109 с.

66. Мамонтов Г.П. Методы перспективного планирования инвестиций. // Вестник ТИСБИ. 2002 г.- № 4.

67. Молоканов В.Д., Долганов А.П., Секерин А.Б. Использование технологии нейронных сетей для прогнозирования налоговыхпоступлений на основе унифицированной системы показателей госстатотчётности //Вопросы статистики.- 2000 №7.- С. 36.

68. Мотышина М.С. Методы социально-экономического прогнозирования: Учеб. пособие/ Санкт.-Петерб.ун-т экономики и финансов, Каф. экон. кибернетики и экон.-мат.методов.-СПб.: Изд-во Санкт-Петерб.ун-та экономики и финансов, 1994. 114 е.: ил.

69. Назаров А.В., Лоскутов А.И. Нейросетевые алгоритмы прогнозирования и оптимизация систем СПб.: Наука и Техника, 2003. -384 е.: ил.

70. Насонова Д. Аграрные НИИ и вузы объединяются. Чтобы не отстать от жизни. // Крестьянские ведомости. 2002. - 3 октября.

71. Нейроинформатика/ А.Н.Горбань, В.Л.Дунин-Барковский, А.Н.Кирдин, Е.М.Миркес, А.Ю.Новоходько, Д.А.Россиев, С.А.Терехов, М.Ю.Сенашова, В.Г.Царегородцев. Новосибирск: Наука, Сибирская издательская фирма РАН, 1998. 296 с.

72. Никольский А.А., Васильева Н.Э., Афанасьева В.А. Технология принятия управленческих решений. М.: Финансы и статистика, 1998. - 440 с.

73. Областной статистический ежегодник. /Под ред. Зайцева В.И.-Курск: Областной комитет государственной статистики, 1998. 426с.

74. Областной статистический ежегодник.- Курск: Областной комитет государственной статистики, 2002. 728 с.

75. Орешин В.П. Государственное регулирование национальной экономики (в вопросах и ответах): Учебное пособие. М.: ИНФРА-М, 2000. - 124 с.

76. Певцов Г. Чтобы догнать Америку по урожаям. Надо догнать её по компьютерам. // Крестьянские ведомости. 2003. - 10 ноября.

77. Поволжский гуманитарный Internet-журнал Электронный ресурс.: электронный научный журнал/ Саратовский государственный социально-экономический университет. Электрон, журн. —

78. Саратов:СГСУ, 2003- Режим доступа к журн.: http://journal.seun.ru/journal.html , свободный. Загл. с экрана. - № гос. регистрации 0329900125

79. Поздняков В. Информационное обеспечение агропромышленного комплекса России // Информационные ресурсы России. 2001. - N 1. -С. 22-24

80. Полюбина И. Б. ВТО и перспективы развития российского агропромышленного комплекса //Финансы и кредит.-2002.-Ы 14.

81. Пряхина Е.В. Унифицированная система электронной обработки статистических данных УИС «СТАТЭК» // Вопросы статистики. — 2003. №8 - С.23-25

82. Пыжов А.П. Ускоренные методы биометрической обработки зоотехнических данных. Животноводство, № 8, 1985, .С. 47 48

83. Региональная экономика: Учебное пособие /Под ред. М.В. Степанова. -М.: ИНФРА-М, Изд-во Рос. Эконом. Акад., 2000 463 с.

84. Романов А.Н., Лукосевич И.Я., Титоренко Г.А. Компьютеризация финансово-экономического анализа коммерческой деятельности предприятий, корпораций, фирм. М.: Интерпракс, 1994. - 280 с.

85. Российский статистический ежегодник. — Москва: Российский комитет государственной статистики, 2000. 853 с.

86. РФ. Правительство. Программа социально-экономического развития Российской Федерации на среднесрочную перспективу (2003-2005годы). 15 августа 2003 г. №1163-р: Распоряжение Правительства РФ // Российская газета. 2003. — 2 сентября. - С.

87. РФ. Правительство: О реализации дополнительных мер по улучшению финансового состояния сельскохозяйственных товаропроизводителей. 29 августа 2003г. №535: Постановление Правительства РФ// Российская газета. -2003- 5 сентября. -№. С.

88. РФ. Правительство: О федеральной целевой программе «Электронная Россия (2002-2010 годы)». 28 января 2002 г. №65: Постановление Правительства РФ // Собрание законодатесльств РФ. 2002. - №5. -531 с. Приложение «Федеральная целевая программа»

89. Саати Т. Принятие решений. Метод анализа иерархий: Пер. с англ. М.: Радио и связь, 1989 - 316 с.

90. Савицкая Г.В. Анализ хозяйственной деятельности предприятий АПК. 2-е изд. Мн.: Экоперспектива, 1999. 494 с.

91. Слотин Ю.С. Экспертная оптимизация управленческих решений. Тезисы докладов 6-ой международной конференции: Проблемы управления безопасностью сложных систем. М.: Изд-во ИПУ РАН-СпбГУ, 1999, С. 149-151.

92. Соколова Г.Н. Информационные технологии экономического анализа. М.: «Экзамен», 2002. - 320 с.

93. СОФТПРОГРЕСС 99/2000: Справочник по российскому и зарубежному программному обеспечению. М.: Центр интеллектуальных систем «Метод», 2000. - 176 с.

94. Спицнадель В.Н. Теория и практика принятия оптимальных решений. Учебн. пособие. СПб.: Издательский дом «Бизнес-пресса», 2002. -394 с.

95. Статистическое моделирование и прогнозирование: Учеб.пос. / Гамбаров Г.М.,Журавель Н.М.,Королев Ю.Г.,Кулешов В.В.;Под ред.Гранберга А.Г.-М.: Финансы и статистика,!990. —383 с.:ил.

96. Стратегия досрочного развития и роль государства в переходной экономике: российские подходы и мировой опыт //Аналитический вестник Совета Федерации ФС РФ. 2001. -№11 (142). С. 11-16

97. Тарасов А.Н., Дунаев B.JI. Модель прогнозирования развития сельского хозяйства на региональном уровне // Вестник Российской Академии сельскохозяйственных наук — 2003.-№1 С. 38

98. Тельнов Ю.Ф. Интеллектуальные информационные системы в экономике. Учебное пособие. Серия «Информатизация России на пороге XXI века». М.:СИНТЕГ, 1998. -216 с.

99. Теория фирмы: экономические механизмы и стратегия устойчивого развития российских предприятий / З.В. Коробкова, Н.А. Кравченко, О.Н. Собянина, В.В. Титов, Т.П. Черемисина, А.Т. Юсупова. -Новосибирск, 1997. Часть 2. -52 с.

100. Тер-Григорьянц А.А. Учет фактора риска в управлении сельскохозяйственным производством, индикативное планирование. -Сборник научных трудов. Серия "Экономика'7/СевКавГТУ. Ставрополь, 2002.-180 с.

101. Терновых А.Ф., Рыков Н.И., Кузьбожев Э.Н. «Инструментальные средства принятия решений в региональном менеджменте»//Менеджмент: теория и практика. Издат-во "Институт экономики и управления УдГУ".- 2000-№4- С.146-158.

102. Трахтенгерц Э.А. Компьютерная поддержка принятия решений: Научно-практическое издание. Серия «Информатизация России на пороге XXI века». М.: СИНТЕГ, 1998. - 376с.

103. Уемов А.И. Системный подход и общая теория систем. М.: Мысль, 1978.

104. Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика. Пер. с англ.- М.: Мир, 1992. 240 с.

105. Уразбахтин И.Г., Рыков Н.И. Алгоритм предобработки данных для целей прогнозирования на базе технологии нейронных сетей. //

106. Материалы 1-ой международной научно-технической конференция «Современные инструментальные системы, информационные технологии и инновации».- Курск. 2003 - С. 62-64

107. Уразбахтин И.Г., Рыков Н.И. Использование фильтрации данных и нейросетей при обработке сигналов // Телекоммуникации. 2004. -№5. -С. 5-9

108. Уразбахтин И.Г., Рыков Н.И. Краткосрочное прогнозирование валового сбора зерна на основе нейронных технологий с модифицированным методом предобработки данных.// Известия КурскГТУ. 2004. -№1-С.153-157

109. Федосеев В.В., Гармаш А.Н., Дайитбегов Д.М., Орлова И.В., Половников В.А. Экономико-математические методы и прикладные модели. М.:ЮНИТИ, 1999. - 391с.

110. Фёстер Э., Рёнц Б. Методы корреляционного и регрессионного анализа. М.: Финансы и статистика, 1983. - 302 с.

111. Филипцов A.M., Воробьев В.А., Оценка эффективности размещения и использования производственных ресурсов в сельском хозяйстве Беларуси // Проблемы агрорынка.2001. №2, С. 26-30.

112. Френкель А.А. Прогноз развития российской экономики ан 2003-2004 годы // Вопросы статистики. 2003. - №9 - С.61-68

113. Хаджиев В.И. Тенденции развития эконометрического программного обеспечения // Вопросы статистики. 2002. - №4- С.58-60

114. Хачатуров В.Р. Математические методы регионального программирования. М.: Наука. Гл. ред. физ.-мат. Лит., 1989. - 304 с.

115. Чавкин A.M. Методы и модели рационального управления в рыночной экономике: разработка управленческих решений: Учебное пособие. -М.: Финансы и статистика, 2001. 320 е.: ил.

116. Червяков Н.И., Шапошников А.В., Сахнюк П.А., Калмыков И.А. Применение модулярных вычислений для нейрообработки // Труды VIII Всероссийской конференции "Нейрокомпьютеры и их применение" НКП 2002. Под ред. проф. А. Галушкина. М., 2002 - С. 1053-1056.

117. Четыркин Е.М. Статистические методы прогнозирования. Изд. 2-е, перераб. и доп. М., "Статистика", 1977. 200 с.

118. Шеремет А.Д., Негашев Е.В. Методика финансового анализа. М.: ИНФРА-М, 2000. 207с.-(Высш.образование)

119. Шикин Е.В., Чхартишвили А.Г. Математические методы и модели в управлении: Учебное пособие. 2-е издание, испр. - М.: Дело, 2002. -440 с.

120. Щербаков М.А. Искусственные нейронные сети. Конспект лекций. Пенза: ПГТУ, 1996. 45с.

121. Эндрю А. Искусственный интеллект: Пер. с. англ./Под ред. и с пред. Д.А. Поспелова. М.: Мир, 1985. - 264 с.

122. Яновский Л.П. Принципы, методология и научное обоснование прогнозов по технологии «ЗОНТ» . Воронеж: ВГАУ, 2000. 350 с.

123. Anil К. Jain, Jianchang Мао, К.М. Mohiuddin. Artificial Neural Networks: A Tutorial, Computer, Vol.29, No.3, March/1996, pp. 31-44

124. ARIS has its nose in front.// Computerwoche: nachrichten, analysen, trends. 2001. - №26. - pp.26-29

125. Battiti R. First and second order methods for learning: Between steepest descent and Newton's method Neural Computation, vol. 4, no 2, pp 141166,1992

126. Caudill, M., Neural Networks Primer, San Francisco, CA: Miller Freeman Publications, 1989.

127. Gavrilov A.V. The method of the combination of logic and associative proceeses in Expert Systems. / Труды межд. семинара "Мягкие вычисления-96", Казань, 1996.-С. 84-86

128. Haykin S. Neural Networks, a Comprehensive Foundation: Macmillan, New York, NY, 1996.-696 p.