автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.10, диссертация на тему:Интеллектуальная информационно-аналитическая система поддержки планирования налоговых доходов регионального бюджета

ОСИПОВА Ирина Валерьевна

ИНТЕЛЛЕКТУАЛЬНАЯ ИНФОРМАЦИОННО-АНАЛИТИЧЕСКАЯ СИСТЕМА ПОДДЕРЖКИ ПЛАНИРОВАНИЯ НАЛОГОВЫХ ДОХОДОВ РЕГИОНАЛЬНОГО БЮДЖЕТА

Специальность 05.13.10 - Управление в социальных и экономических

системах

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

Уфа 2005

Работа выполнена на кафедре технической кибернетики Уфимского государственного авиационного технического университета

Научный руководитель: д-р техн. наук, доц.

ЧЕРНЯХОВСКАЯ Лилия Рашнтовна

Официальные оппоненты: д-р техн. наук, проф.

ИСМАГИЛОВА Лариса Алексеевна

канд. техн. наук.

ИВАНОВ Владвмнр Борисович

Ведущая организация: Государственное научно-

исследовательское учреждение «Совет по изучению производительных сил (СОПС> (г. Москва)

Защита диссертации состоится "27 " Де/са/^рЯ 2005 г. в часов на заседании диссертационного совета Д-212.288.03 Уфимского государственного авиационного технического университета по адресу: 450000, Уфа-центр, ул. К.Маркса, 12.

С диссертацией можно ознакомиться в библиотеке университета.

Автореферат разослан "¿4" ноябри 2005 г.

Ученый секретарь диссертационного совета д-р техн. наук, проф.

В.В.Миронов

10.5 !Ь 55

¿ЛЬОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность

Эффективность работы бюджетной системы оказывает непосредственное влияние на качество жизни населения и является необходимым условием успешного функционирования и социально-экономического развития территориального образования. Аккумулируя с помощью бюджета денежные средства, государство через финансовые механизмы осуществляет выполнение возложенных на него обществом политических, экономических и социальных функций.

В рамках бюджетного планирования задачей первостепенной важности является прогноз ожидаемых налоговых поступлений как основного источника доходной базы, ключевым вопросом при этом является учет особенностей социально-экономической ситуации в регионе и возможных сценариев ее развития.

Задача планирования экономической деятельности и прогнозирования ее результатов является одной из самых сложных, что обусловлено нестационарностью экономических процессов, нестабильным состоянием современной экономики, вследствие чего принятие управленческих решений содержит фактор неопределенности. В данных условиях особую актуальность приобретает подход к информационной поддержке принятия решений в процессе прогнозно-аналитической деятельности бюджетного планирования на основе инженерии знаний.

Проблемы поддержки принятия решений, в том числе с использованием методов искусственного интеллекта, изучали такие отечественные ученые, как Г.С. Поспелов, Д.А. Поспелов, В.И. Вагин, Э.В. Попов, Э.А. Трахтенгерц и др. Большой вклад в развитие систем управления сложными динамическими объектами в условиях неопределенности внесли ученые Б .Г. Ильясов, Л .А. Исма-гилова, Н.И. Юсупова, В.В Миронов. В трудах зарубежных ученых Л.3аде, М. Сугэно, С. Осовского, Д. Рутковской излагаются теоретические и прикладные аспекты моделирования систем, использующих концепцию "мягких вычислений". Работы Т.А. Гавриловой, В. Ф. Хорошевского, Ю.В. Теяьнова посвящены вопросам инженерии знаний и разработки интеллектуальных информационных систем. Вопросами анализа и планирования региональных финансов, прогнозирования социально-экономического развития региона на основе математического моделирования, в том числе разработки соответствующих автоматизированных систем, занимались Д. Л. Андрианов, Г. Р. Хасаев. Применение интеллектуальных технологий для повышения эффективности налогового контроля рассматривается в работах С. А. Горбагпсова. Вопросы разработки и использования нейросетевых моделей для решения задач экономического ана-

лиза и прогноза, в том числе налогов вдедофщаддзд^^^едуются в работе Д.-Э.Бэстенса. библиотека , |

¿""да?

—I 1Л.Ж ¿Л

Вместе с тем недостаточно исследованной является проблема автоматизированной разработки предметно-ориентированной информационно-аналитической системы для поддержки планирования налоговых доходов регионального бюджета с использованием методов инженерии знаний, что обуславливает актуальность выбранного направления исследований.

Диссертационные исследования проведены в рамках гранта РФФИ (проект № 03-06-80012а) «Экономико-математические модели управления межбюджетными отношениями в регионе (на примере Республики Башкортостан)».

Цель н задачи исследования

Целью диссертационной работы является разработка моделей и алгоритмов интеллектуальной информационно-аналитической поддержки для повышения эффективности процесса планирования налоговых доходов регионального бюджета.

Для достижения поставленной цели решаются следующие задачи:

1. Построить комплекс моделей процесса планирования налоговых доходов регионального бюджета на основе объектно-ориентированного анализа предметной области.

2. На основе результатов объектно-ориентированного моделирования разработать структуру интеллектуальной информационно-аналитической системы поддержки планирования налоговых доходов регионального бюджета, включающую адаптивную нечеткую базу знаний иерархического типа.

3. Разработать модель прогнозирования налоговых доходов регионального бюджета на основе адаптивной нечеткой базы знаний иерархического типа.

4. Разработать методику построения интеллектуальной информационно-аналитической системы поддержки планирования налоговых доходов регионального бюджета.

5. Разработать алгоритмическое, программное обеспечение интеллектуальной информационно-аналитической системы поддержки планирования налоговых доходов регионального бюджета и исследовать эффективность системы.

Методика исследования

Результаты исследований базируются на методах системного анализа, методологии объектно-ориентированного анализа и моделирования информационных систем, методологии построения экспертных систем, теории нечеткой логики, теории искусственных нейронных сетей.

Результаты, выносимые на защиту

На защиту выносятся:

1. Комплекс объектно-ориентированных моделей процесса планирования налоговых доходов регионального бюджета, включающий модели структуры '

классов процесса планирования налоговых доходов регионального бюджета, логические модели интеллектуальных компонентов информационно-аналитической системы и модели динамики функционирования системы.

2. Структура интеллектуальной информационно-аналитической системы поддержки планирования налоговых доходов регионального бюджета, включающая интеллектуальные компоненты в виде адаптивной нечеткой базы знаний иерархического типа и нейро-нечеткой сети для настройки параметров базы знаний.

3. Модель прогнозирования налоговых доходов регионального бюджета на основе адаптивной нечеткой базы знаний иерархического типа, позволяющая интегрировать экспертные знания и фактографическую информацию, используемую для обучения нейро-нечеткой сети.

4. Методика построения интеллектуальной информационно-аналитической системы поддержки планирования налоговых доходов регионального бюджета.

5. Алгоритмическое и программное обеспечение для реализации интеллектуальной информационно-аналитической системы поддержки планирования налоговых доходов регионального бюджета в соответствии с предложенными формальными моделями.

Научная новизна

Новизна структуры интеллектуальной информационно-аналитической системы поддержки планирования налоговых доходов регионального бюджета состоит в наличии интеллектуальных компонентов в виде адаптивной нечеткой базы знаний иерархического типа и нейро-нечеткой сети для настройки параметров базы знаний.

Новизна разработанной модели прогнозирования налоговых доходов регионального бюджета состоит в формировании прогноза на основе экспертных знаний, содержащихся в правилах, и фактографической информации, описывающей конкретные социально-экономические условия.

Новизна предложенной методики построения интеллектуальной информационно-аналитической системы поддержки планирования налоговых доходов регионального бюджета заключается в использовании результатов объект-но-ориентарованного моделирования на этапе концептуализации знаний и настройке параметров адаптивной нечеткой базы знаний на этапе формализации.

Практическая значимость

Практическую значимость имеют:

- методика, в соответствии с которой осуществляется автоматизированная разработка интеллектуальной информационно-аналитической системы поддержки планирования налоговых доходов регионального бюджета.

- программное обеспечение, реализующее прототип интеллектуальной информационно-аналитической системы поддержки планирования налоговых доходов регионального бюджета, позволяющее проводить анализ и прогнозирование на основе интеграции фактографической информации с экспертными знаниями и повысить эффективность процесса принятия решений.

Основные результаты диссертационной работы в виде моделей, методики и программного обеспечения исследовательского прототипа интеллектуальной информационно-аналитической системы поддержки планирования налоговых доходов регионального бюджета внедрены в Институте социально-экономических исследований УНЦ РАН и в Министерстве финансов Республики Башкортостан. Кроме того, результаты диссертационной работы внедрены в учебный процесс на базе Уфимского государственного авиационного технического университета и изложены в методических указаниях к лабораторным работам.

Апробация работы

Основные результаты работы докладывались и обсуждались на 6 научно -технических конференциях, в том числе на международной научно-практической конференции «Саморазвитие регионов», г. Уфа, 2002, V международной конференции «Проблемы управления и моделирования в сложных системах», г. Самара, 2003, VII международной научно-практической конференции «Системный анализ в проектировании и управлении», г. Санкт-Петербург, 2003, V международной конференции «Информатика и информационные технологии С8ГГ'2003», г. Уфа, 2003, VI международной конференции «Информатика и информационные технологии С8ГТ"2004», г. Будапешт, 2004, VII международной конференции «Информатика и информационные технологии С81Т'2005», г. Уфа, 2005.

Структура и объем работы

Диссертация состоит из введения, 4 глав, заключения, библиографии и 6 приложений. Работа содержит 123 страницы машинописного текста, 25 страниц приложений и 115 наименований библиографических источников.

СОДЕРЖАНИЕ РАБОТЫ

Во введения приводится общая характеристика работы — обоснование актуальности проведенных исследований, характеристика новизны и практической значимости полученных результатов.

В первой главе проведен анализ предметной области - процесса планирования налоговых доходов (НД) регионального бюджета.

Задача планирования налоговых доходов регионального бюджета предполагает сбор, анализ большого объема информации от различных источников и

проведение многовариантных прогнозно-аналитических расчетов. Неотъемлемым этапом прогнозно-аналитической деятельности является оценка тенденций развития социально-экономической ситуации и их влияния на динамику налоговых доходов.

Проведенный анализ структуры налоговых доходов регионального бюджета на примере Республики Башкортостан показал, что бюджетообразующими налогами данного региона, прежде всего, являются: налог на прибыль предприятий, подоходный налог, налог на имущество организаций (совокупная доля которых составляет 60-70%). Основная доля налоговых поступлений приходится на отрасли промышленности, в составе которых наибольшую часть налоговых доходов формирует топливная промышленность.

Налоговый доход по /'-му виду налога 7УО, определяется величиной налогооблагаемой базы налоговой ставкой и нормой отчисления в региональный бюджет ло,-:

Щ=Щ-югпо,. (1)

В предположении, что значения параметров налоговой ставки и нормы отчисления в соответствующий бюджет фиксированы (т.е. известны либо задаются сценарно), задача прогнозирования налоговых доходов сводится к задаче прогноза налоговой базы.

Формально постановка задачи идентификации как основы для построения модели прогнозирования в общем виде определена как моделирование зависи-моста налоговой базы от набора влияющих на нее социально-экономических1*» факторов:

у = Р{Х)+Д, (2)

где у - величина налогооблагаемой базы; Х=[хг, ... , хп] - вектор социально-экономических факторов, влияющих на величину налогооблагаемой базы; ^ — оператор отображения, функция; А - отклонение (погрешность).

Рассматриваемый объект прогнозирования как сложный социально-экономический объект характеризуется следующими особенностями: наличием множества взаимосвязанных и взаимовлияющих факторов, непостоянной структурой с нелинейными взаимосвязями, невозможностью проведения экспериментов и невоспроизводимостью условий наблюдений, что накладывает ограничения на объем и качество имеющейся информации.

Проведенный анализ моделей и методов прогнозирования с учетом особенностей исследуемого объекта, позволил выдвинуть гипотезу о том, что наиболее предпочтительным является применение нейро-нечеткой модели, которая, с одной стороны является средством представления экспертных знаний и учета неопределенности, а с другой стороны позволяет эффективно моделиро-

вать нестационарные нелинейные многофакторные процессы. Разработка такой модели предполагает построение соответствующей базы знаний.

Прогноз налоговых доходов имеет определяющее значение для оценки бюджетной обеспеченности, получаемой при анализе рассогласования доходной и расходной частей регионального бюджета и являющейся исходной информацией для принятия управленческих решений. Предложено автоматизировать прогнозно-аналитическую деятельность и интегрировать в систему поддержки принятия решений бюджетного планирования интеллектуальную информационно-аналитическую систему (ИИАС), ядром которой является адаптивная нечеткая база знаний (рис.1).

Предлагаемая интеллектуальная система должна поддерживать заданный уровень адекватности и актуальности для текущих экономических условий, подверженных качественным изменениям. Для этого в контуре ее функционирования должен быть предусмотрен режим обучения, что придает данной системе свойство адаптивности. Под адаптацией в данном случае понимается настройка параметров базы знаний на основе фактографической информации.

Во второй главе рассматриваются вопросы системного анализа и моделирования процесса планирования налоговых доходов регионального бюджета.

Для разработки интеллектуальной информационно-аналитической системы предложено использовать объектно-ориентированную методологию, при этом осуществляется построение прикладных моделей (содержащих предметные знания о процессе планирования НД), а также метамоделей представления и обработки знаний, инвариантных по отношению к предметной области.

В диссертационной работе разработка объектно-ориентированных моделей осуществлялась с помощью С4Ж-средства визуального моделирования Rational Rose в нотации языка UML.

На основе проведенного анализа информационных потоков системы планирования регионального бюджета в части налоговых доходов, с учетом интеграции интеллектуальной информационно-аналитической системы, разработана модель структуры классов предметной области. В результате объектно-ориентированного анализа выделены сущности-субъекты («Аналитик», «Эксперт», «Госкомстат», «Налоговая инспекция» и др.), классы экономических объектов («Бюджете», «Налог», «Налоговые доходы» и др.), классы сущностей-документов, а также установлены их атрибуты, методы и отношения. Диаграмма классов является статическим логическим представлением процесса планирования налоговых доходов регионального бюд жета.

Для моделирования взаимосвязей временного характера построены динамические модели интеллектуальной информационно-аналитической поддержки планирования налоговых доходов регионального бюджета.

Система прогнозирования социально-экономического развития региона

регионального бюджета

(в части НД)

Система планирования регионального бюджета

Блок прогнозирования доходов регионального бюджета

Блок прогнозирования налоговых доходов (НД)

Блок оценки бюджетной обеспеченности

Л»

и-

Елок оценки

расходных

потребностей

региона

Комплекс

социальных

норм и

стандартов

Елок принятия

Механизмы

бюджетного регулирования

л», шЪ, вгР, ~/Г

УВ

Мониторинг исполнения регионального бюджета (в части НД)

Процесс планирования регионального бюджета Процесс планирования НД регионального бюджета

ОУ

ш

вв

Рис.1. Контур управления процессом планирования налоговых доходов: М)* и Ж> - векторы прогнозных и запланированных налоговых доходов соответственно; ШР* и Шб-векторы прогнозных и запланированных неналоговых доходов; ВУР* и ВУР - векторы прогнозных и запланированных безвозмездных поступлений; Я* и К- векторы прогнозных и запланированных расходов.

Структура интеллектуальных компонентов информационно-аналитической системы разрабатывается на основе метамодели представления и обработки знаний, содержащей описание абстрактных классов и отношений между ними (рис.2).

Модуль наметя« правил

Внимания модуля String ю/ичесгао иерарх ypoimfl * li

Иэадятъпараы*трыО

В изменить паршвтрыО

/

о

Фаззификэтор ■ф8»ифичиромггь0

Нейро-нечет«вя сеть

Условие Заключение

Входная переменная

Е

Выходная переменная

ИпикрмромтчоСНео

w

Дннгаисщчвска!» переменная

О

Обучен"«

малгармтмо4учення ■фитарий обучения ■ шпнчесдояпж ■раагоооаатъ обучаниаО

ттяяч»; ЗИпв ■янсткм рма«;ьО

Функция принадлежности

тъеош BSpSw- терм

В"»"" ft ВммирмшмирйявгьО •ясяхкпб ЯзадатъО

Терм-множество

^О Цион»Ш1ио термов Integar

ИсформировшъО

Рис.2. Модель структуры классов интеллектуальных компонентов ИИАС

База знаний состоит из модулей нечетких правил, которые, в свою очередь, агрегируют блоки нечетких правил. Процедуры обработки знаний осуществляют классы «Система нечеткого вывода» и «Нейро-нечеткая сеть». Класс «Система нечеткого вывода» связан отношениями реализации с управляющими классами «Фаззификатор» и «Механизм нечеткого вывода», а также отношениями ассоциации с классом «Модуль нечетких правил» и «Нейро-нечеткая сеть». Нейро-нечеткая сеть (ННС), связаннная с управляющим классом «Обучение», генерируется из соответствующей системы нечеткого вывода, что отражено в наличии метода «Генерировать из СНВ()» для данного класса. ННС предназначена для настройки параметров функций принадлежности лингвистических переменных, данный класс ассоциативно связан с классом «Функция принадлежности», который имеет соответствующий метод «НастроитьО».

Таким образом, результатом объектно-ориентированного моделирования является набор операций (методов) приобретения, представления и обработки знаний, на основе которых разрабатываются реализующие их алгоритмы.

По результатам объектно-ориентированного моделирования осуществля-

ется разработка базы знаний, предполагающая ее структуризацию и формализацию знаний в виде нечетких продукций.

В третьей главе описан процесс разработки модели прогнозирования налоговых доходов регионального бюджета на основе адаптивной нечеткой базы знаний.

Вследствие того, что на динамику налоговых доходов оказывает влияние большое количество взаимосвязанных факторов, предложено структурировать базу знаний и организовать ее в виде совокупности блоков правил, которые формируют иерархию (рис. 3). На рис. 4 приведен пример иерархической структуры модуля нечетких правил для распознавания тенденций налогооблагаемой прибыли.

у Налогооблагаемая база

Социально-экономические факторы Рис.3. Иерархия нечетких правил в модуле базы знаний

Рис.4. Пример иерархической структуры модуля нечетких правил для распознавания тенденций налогооблагаемой прибыли

Формирование базы знаний осуществляется в два этапа, первый из которых предполагает формирование системы суждений на основе экспертных знаний, а затем производится ее уточнение с использованием фактографических данных, эту функцию реализует нейро-нечеткая сеть.

Каждому блоку базы знаний соответствует множество нечетких правил типа Сугено нулевого порядка, имеющих следующий вид:

Як: Если в * 2 =^2 и ... н Х„ = Л* То ук = ск , (3)

где — к-е правило, к = 1,К; — входные переменные (социально-экономические факторы), у = 1,п; А* — нечеткие подмножества; ук — выход

к-то правила; С* — константа.

Нечеткие правила предназначены для распознавания тенденций динамики налогооблагаемой базы в зависимости от изменения факторных показателей, в связи с чем для каждой входной переменной введено терм-множество Т, включающее термы: «сильное падение», «падение», «стабилизация», «рост», «сильный рост», и определены соответствующие функции принадлежности (табл.1).

Таблица 1

Функции принадлежности для лингвистических переменных динамики социально-экономических факторов

Наименование терма Описание Аналитическая формула

«Сильное падение», «Сильный рост» Сигмоидная функция принадлежности **ЛХ'' ~ 1 +

«Падение», «Стабилизация», «Рост» Симметричная гауссовская функция принадлежности

Определение количества термов - это поиск компромисса между точностью модели, интерпретируемостью и ограничениями по числу параметров, настраиваемых на этапе обучения нейро-нечеткой сети.

В качестве шкалы измерения переменных используются относительные (процентные) изменения уровней показателей за некоторый промежуток времени (темпы роста социально-экономических факторов и налогооблагаемой базы). ,

Необходимое требование полноты и непротиворечивости формируемой базы знаний обеспечивается следующей эвристической процедурой. Из исходного множества входных факторов эксперт формирует семантически значимые конъюнкции, затем на основе каждой конъюнкции формируется множество правил с участием всех термов входных переменных. Далее эксперт исключает те правила, которые не имеют смысла с точки зрения предметной области.

В табл.2 приведен фрагмент нечеткой базы знаний, содержащий множество сформированных правил распознавания тенденций на примере налогооблагаемой прибыли.

Таблица 2

Фрагмент нечеткой базы знаний на примере распознавания тенденций налого-

облагаемой прибыли

№ Условие Заключение

Если Кредиторская задолженность сильно падает и Дебиторская задолженность сильно падает То динамика Объема производства 130%

...

59. Если Импорт слабо падает То динамика Объема производства 110%

60. Если Объем инвестиций в основной каптал сильно падает То динамика Объема производства 85%

1. Если Численность работающих сильно растет н Средняя зарплата слабо падает То динамика Затрат 110%

109. Если Цена на нефть слабо падает и Курс доллара стабильный То динамика Затрат 95%

110. Если Стоимость ОФ слабо растет и Износ ОФ стабилен То динамика Затрат 100%

1. Если Объем производства стабилен и Затраты сильно падают То динамика Прибыли 120%

...

25. Если Объем производства сильно падает и Затраты сильно растут То динамика Прибыли 80%

Настройка параметров функций принадлежности лингвистических переменных реализуется на уровне отдельного блока посредством механизма обучения нейро-нечеткой сети (рис.5).

Ц А <*,)

Ц л (',)

/1 л От,)

цл (*а)

ц л (*«)

<*> , ч цА (*,)

<1>, ч, ц л (*»)

Рис.5. Настройка параметров базы знаний методом обучения ННС

Обучающая выборка представляется множеством примеров:

(4)

(5)

(6)

где X я, и X щ - значения л-го входного показателя для 5-го предприятия в

значения выходного показателя для з-го предприятия в моменты времени г и г-1 соответственно.

В качестве объектов выборки выступают бюджетообразующие предприятия, в качестве переменных - совокупность микроэкономических факторов (характеризующих экономическую ситуацию конкретного предприятия), а также макро- и внешнеэкономических факторов, значения которых одинаковы для всех предприятий в течение одного временного периода.

Очевидно, что каждый блок имеет свой набор переменных и нечетких правил, и, как следствие, для него формируется своя структура нейро-нечеткой сети и обучающая выборка. Первый и третий слои ННС являются параметрическими с параметрами сР*"®, ЬР™1*®, Ь"^ и ск соответственно, данные параметры настраиваются в процессе обучения. Критерием обучения является минимизация меры погрешности Е-И2*{у{х)~с[)г, где у(х) и £? - расчетное и эталонное значение выходного показателя соответственно; х = [г, \ -входной вектор. В качестве алгоритма обучения используется гибридный алгоритм (объединяющий метод обратного распространения ошибки с методом наименьших квадратов).

Основная функция интеллектуальной информационно-аналитической системы - выдача прогнозов динамики налоговых доходов в зависимости от реализации того или иного сценария социально-экономического развития региона. Для данного режима (режима консультации) разработан алгоритм формирования прогноза динамики налоговых доходов регионального бюджета, основой которого является процедура нечеткого логического вывода в базе знаний иерархической структуры.

При качественных изменениях социально-экономических условий необходимо производить обучение базы знаний с целью адаптации. Для такого режима функционирования системы разработан алгоритм настройки базы знаний, включающий процедуры формирования запросов на получение данных, предобработки полученных выборок и собственно обучения нейро-нечеткой сети, реализуемые на уровне отдельных блоков.

моменты времени I и /-1 соответственно, п=1.М, 4=1..Р=\..Т, У г и У

I —

В соответствии с предложенными моделями и алгоритмами разработана методика построения интеллектуальной информационно-аналитической системы поддержки планирования налоговых доходов регионального бюджета. Основными этапами методики являются:

- системный анализ и моделирование с использованием объектного подхода, построение комплекса объектно-ориентированных моделей предметной области (концептуализация знаний), а также метамоделей представления и обработки знаний;

- нечеткое моделирование прогнозирования налоговых доходов, в процессе которого осуществляется отбор и систематизация социально-экономических факторов, влияющих на динамику налоговых доходов; структуризация базы знаний (определение входных, промежуточных и выходных переменных для иерархической структуры базы знаний); построение функций принадлежности; формирование множества нечетких правил в соответствии с определенной структурой (формализация знаний);

- интеллектуальный анализ данных, включающий подготовку необходимого набора данных и обучение нейро-нечеткой сети с целью настройки параметров функций принадлежности.

В четвертой главе проведено имитационное моделирование ИИАС в среде МАТЪАВ, на базе которого выполнен сценарный анализ развития социально-экономической ситуации и прогнозирование динамики налоговых доходов (на примере налога на прибыль). Спроектирована иерархическая система нечеткого вывода, интегрирующая три блока: «Объем производства», «Затраты», «Прибыль». На рис. 6 показана зависимость динамики переменной «Объем промышленного производства» от факторов «Инвестиции в основной капитал» и «Численность работающих».

Рис.6 График динамики переменной «Объем промышленного производства» в зависимости от факторов «Инвестиции в основной капитал» и «Численность

работающих»

Проведен вычислительный эксперимент по обучению нейро-нечеткой сети и настройке параметров базы знаний. В качестве выборки для обучения использовались данные по микроэкономическим показателям совокупности бюджетообразующих предприятий, макро- и внешнеэкономическим показателям за 1999-2003 гг. Использование гибридного алгоритма обучения дало лучший результат по сравнению с алгоритмом обратного распространения ошибки {Back Propagation). Проверка адекватности полученной модели с использованием ретроспективных данных позволяет утверждать, что среднее отклонение формируемого системой прогноза от фактических значений не превышает 5%.

Результаты имитационного моделирования свидетельствуют о том, что применение модели на основе адаптивной нечеткой базы знаний для анализа различных сценариев социально-экономического развития и прогнозирования налоговых доходов региона не только возможно, но и эффективно.

Для сравнительной оценки эффективности методов прогнозирования использовалась искусственная нейронная сеть типа «многослойный перцептрон». При обучении и проверке работы нейронной сети на идентичном наборе данных получены результаты, близкие к тем, что формируются с помощью нейро-нечеткой системы. Преимуществом разработанной модели является ее логическая прозрачность, возможность адаптации параметров базы знаний и корректировки правил при качественных изменениях в социально-экономической среде.

Предложенные модели, методы и алгоритмы реализованы в виде прототипа интеллектуальной информационно-аналитической системы поддержки планирования налоговых доходов регионального бюджета.

Основные результаты и выводы

1. Разработан комплекс объектно-ориентированных моделей процесса планирования налоговых доходов регионального бюджета, включающий модели структуры классов предметной области и метамодели представления и обработки знаний, а также модели динамики функционирования интеллектуальной информационно-аналитической системы. Результаты моделирования используются для формального представления и разработки адаптивной нечеткой базы знаний.

2. На основе результатов объектно-ориентированного моделирования разработана структура интеллектуальной информационно-аналитической системы поддержки планирования налоговых доходов регионального бюджета, включающая интеллектуальные компоненты в виде адаптивной нечеткой базы знаний и нейро-нечеткой сети для настройки ее параметров.

3. Предложена модель прогнозирования налоговых доходов регионального бюджета, позволяющая формировать прогноз на основе адаптивной нечет-

кой базы знаний иерархического типа. Интеграция фактографической информации с экспертными знаниями позволяет обеспечить адаптацию базы знаний к текущим социально-экономическим условиям, подверженным качественным изменениям.

4. Предложена методика, позволяющая автоматизировать построение интеллектуальной информационно-аналитической системы поддержки планирования налоговых доходов регионального бюджета. Особенность предложенной методики заключается в использовании результатов объектно-ориентированного моделирования на этапе концептуализации знаний и настройке параметров адаптивной нечеткой базы знаний на этапе формализации.

5. Разработано алгоритмическое и программное обеспечение для реализации интеллектуальной информационно-аналитической поддержки планирования налоговых доходов регионального бюджета в соответствии с предложенными формальными моделями. Разработан прототип интеллектуальной информационно-аналитической системы и исследована ее эффективность. Проверка адекватности полученной модели с использованием ретроспективных данных позволяет утверждать, что среднее отклонение формируемого системой прогноза от фактических значений не превышает 5%. Кроме того, предложенные средства интеллектуальной информационно-аналитической поддержки позволяют улучшить качественные характеристики эффективности процесса бюджетного планирования за счет автоматизации прогнозно-аналитической деятельности, повышая ее оперативность и обоснованность формируемых рекомендаций для принятия решений в условиях неопределенности.

Основные положения диссертации опубликованы в работах

1. Фаррахетдннова А.Р., Осинова ИЛ. Влияние государственных социальных стандартов на устойчивость бюджета и экономическую безопасность муниципальных образований // Региональная экономика: взгляд молодых: Тр. молод, ученых и спец-тов. Вып.1. Уфа: Изд-во Фонда содействия развитию научных исследований, 2002. С. 237-244.

2. Оснпова ИЛч Ннзамутдннов М.М., Хайруллин А.Р. Подход к планированию регионального бюджета с использованием экономико-математических методов // Саморазвитие регионов: Сб. матер, междунар. науч.«практ. конф. Уфа: Гилем, 2002. С. 255-258.

3. Черняховская Л.Р., Шкунднна P.A., Осинова И.В. Объектно-ориентированные модели представления корпоративных знаний // Успехи современного естествознания. 2003. № 7. С.88.

4. Кусимов С.Т., Черняховская Л.Р., Осинова И.В., Сгарцева Б.Б. Формирование управляющих решений в критических ситуациях на основе инженерии знаний // Проблемы управления и моделирования в сложных системах: Тр. V междунар. конф. Самара: СГТУ, 2003.С. 467-472.

5. Ильясов КГ., Черняховская Л.Р., Оснпова ELB. Формирование информационного пространства процессов принятия решений в критических ситуациях // Системный анализ в проектировании и управлении: Тр. междунар. науч.-практ. конф. СПб.: СПбГТУ, 2003. С.151-152.

6. Фаттахов Р.В., Хайруллин А.Р., Нвзамутдииов М.М., Оснпова ELB. Подход к управлению региональной бюджетной системой с использованием экономико-математических моделей // Компьютерные науки и информационные технологии: Тр. V междунар. конф. Уфа, 2003.Т. 1. С. 175-178. (Статья на англ. яз.) t

7. Ннзамутдннов MJML, Оснпова И.В., Хайруллнн АР. Подход к управлению региональной бюджетной системой с использованием экономико-математического моделирования (на примере Республики Башкортостан) // # Региональная экономика: взгляд молодых: Тр. молод, ученых и спец-тов. Вьш.2. Уфа: Гилем, 2003. С. 73-80.

8. Мюлле Ю.А*, Черняховская Л.Р., Никулина И.О., Оснпова ИЛ. Моделирование взаимодействия различных форм представления знаний в системе поддержки принятия решений // Компьютерные науки и информационные технологии: Тр. VI междунар. конф. Уфа, 2004.Т. 1. С. 153-156. (Статья на англ. яз.)

9. Фаттахов РА, Ннзамутдннов МЖ, Оснпова И.В., Хайруллин А.Р. Модельный подход к управлению и планированию бюджета региона (на примере Республики Башкортостан) // Компьютерные науки и информационные технологии: Тр. VI междунар. конф. Уфа, 2004.Т. 2. С. 234-237. (Статья на англ. яз.)

Ю.Оснпова И.В., Ннзамутдннов М.М. Анализ проблемы и методов прогнозирования налоговых поступлений регионального бюджета // Региональная экономика: взгляд молодых: Тр. молод, ученых и спец-тов. Вып.З. Уфа: Гилем, 2004. С. 109-115. ...

11.Оснпова И.В. Подход к прогнозированию налоговых доходов с использова- ' нием нейро-нечеткой базы знаний // Компьютерные науки и информационные технологии: Тр. VII междунар. конф. Уфа, 2005.Т. 3. С. 18-21. (Статья на англ. яз.)

И.В. Осипова

ОСИПОВА Ирина Валерьевна

ИНТЕЛЛЕКТУАЛЬНАЯ ИНФОРМАЦИОННО-АНАЛИТИЧЕСКАЯ СИСТЕМА ПОДДЕРЖКИ ПЛАНИРОВАНИЯ НАЛОГОВЫХ ДОХОДОВ РЕГИОНАЛЬНОГО БЮДЖЕТА

Специальность 05.13.10 - Управление в социальных и экономических

системах

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

Подписано к печати 21.11.2005 г. Формат 60x84 1/16 Бумага офсетная. Печать плоская. Гарнитура Times New Roman. Усл. печ. л. 1,0. Усл. кр.- отт. 0,9. Уч.-изд. л. 0,9. Тираж 100 экз. Заказ № 524

Уфимский государственный авиационный технический университет Центр оперативной полиграфии УГАТУ 450000, Уфа-центр, ул. К.Маркса, 12

№ 2 3 4 1

РЫБ Русский фонд

2006-4 27699

ИСПОЛЬЗУЕМЫЕ В ТЕКСТЕ СОКРАЩЕНИЯ. ВВЕДЕНИЕ.

1. АНАЛИЗ ПРОБЛЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ ПРИ ПЛАНИРОВАНИИ НАЛОГОВЫХ ДОХОДОВ РЕГИОНАЛЬНОГО БЮДЖЕТА.

1.1. Анализ процесса планирования налоговых доходов регионального бюджета. ф 1.2. Существующие подходы к информационно-аналитической поддержке принятия решений при планировании налоговых доходов # регионального бюджета.

1.2.1 Обзор существующих концепций и программных комплексов систем поддержки принятия решений при планировании регионального бюджета.

1.2.2 Анализ методов и моделей прогнозирования экономических показателей.

1.3. Подход к информационно-аналитической поддержке планирования налоговых доходов регионального бюджета на основе инженерии знаний.

Шф Выводы к 1 главе.

2. МОДЕЛИ ФОРМАЛИЗАЦИИ ЗНАНИЙ О ПРОЦЕССЕ ПЛАНИРОВАНИЯ НАЛОГОВЫХ ДОХОДОВ РЕГИОНАЛЬНОГО БЮДЖЕТА.

2.1. Извлечение и представления знаний для интеллектуальной информационно-аналитической системы поддержки планирования налоговых доходов регионального бюджета.

2.2. Разработка комплекса объектно-ориентированных моделей процесса планирования налоговых доходов регионального бюджета.

Выводы ко 2 главе.

ГЛАВ АЗ. АЛГОРИТМЫ ИНТЕЛЛЕКТУАЛЬНОЙ ИНФОРМАЦИОННО-АНАЛИТИЧЕСКОЙ ПОДДЕРЖКИ ПЛАНИРОВАНИЯ НАЛОГОВЫХ ДОХОДОВ РЕГИОНАЛЬНОГО БЮДЖЕТА.

3.1. Модель прогнозирования налоговых доходов регионального бюджета на основе адаптивной нечеткой базы знаний.

3.1.1 Структуризация адаптивной нечеткой базы знаний.

3.1.2 Проектирование системы нечеткого вывода.

3.1.3.Формирование нечеткой базы знаний.

3.1.4 Настройка нечеткой базы знаний.

3.1.5 Тестирование нечеткой базы знаний.

3.2 Структура интеллектуальной информационно-аналитической системы поддержки планирования налоговых доходов регионального бюджета.

3.3 Алгоритмы интеллектуальной информационно-аналитической 85 поддержки планирования налоговых доходов регионального бюджета.

3.4 Методика построения интеллектуальной информационно-аналитической системы поддержки планирования налоговых доходов регионального бюджета.

Выводы к 3 главе.

4. РЕАЛИЗАЦИЯ ИНТЕЛЛЕКТУАЛЬНОЙ ИНФОРМАЦИОННО-АНАЛИТИЧЕСКОЙ СИСТЕМЫ ПОДДЕРЖКИ ПЛАНИРОВАНИЯ НАЛОГОВЫХ ДОХОДОВ РЕГИОНАЛЬНОГО БЮДЖЕТА И ОЦЕНКА

ЕЕ ЭФФЕКТИВНОСТИ.

4.1 Имитационное моделирование прогнозирования налоговых доходов бюджета в среде МАТЬАВ.

4.2 Сравнительная оценка эффективности методов прогнозирования с использованием искусственной нейронной сети.

4.3 Разработка исследовательского прототипа интеллектуальной информационно-аналитической системы поддержки планирования налоговых доходов регионального бюджета.

Выводы к 4 главе.

Актуальность

Эффективность работы бюджетной системы оказывает непосредственное влияние на качество жизни населения и является необходимым условием успешного функционирования и социально-экономического развития территориального образования. Аккумулируя с помощью бюджета денежные средства, государство через финансовые механизмы осуществляет выполнение возложенных на него обществом политических, экономических и социальных функций.

В рамках бюджетного планирования задачей первостепенной важности является прогноз ожидаемых налоговых поступлений как основного источника доходной базы, ключевым вопросом при этом является учет особенностей социально-экономической ситуации в регионе и возможных сценариев ее развития.

Задача планирования экономической деятельности и прогнозирования ее результатов является одной из самых сложных, что обусловлено нестационарностью экономических процессов, нестабильным состоянием современной экономики, вследствие чего принятие управленческих решений содержит фактор неопределенности. В данных условиях особую актуальность приобретает подход к информационной поддержке принятия решений в процессе прогнозно-аналитической деятельности бюджетного планирования на основе инженерии знаний.

Проблемы поддержки принятия решений, в том числе с использованием методов искусственного интеллекта, изучали такие отечественные ученые, как Г.С. Поспелов, Д.А. Поспелов, В.И. Вагин, Э.В. Попов, Э.А. Трахтенгерц и др. Большой вклад в развитие систем управления сложными динамическими объектами в условиях неопределенности внесли Б.Г. Ильясов, Л.А. Исмагилова, Н.И. Юсупова, В.В Миронов, В.И. Васильев. В трудах зарубежных ученых Л. Заде, М. Сугэно, С. Осовского, Д. Рутковской излагаются теоретические и прикладные аспекты моделирования систем, использующих концепцию "мягких вычислений". Работы Т.А. Гавриловой, В. Ф. Хорошевского, Ю.В. Тельнова посвящены вопросам инженерии знаний и разработки интеллектуальных информационных систем. Вопросами анализа и планирования региональных финансов, прогнозирования социально-экономического развития региона на основе математического моделирования, в том числе разработки соответствующих автоматизированных систем, занимались Д. Л. Андрианов, Г. Р. Хасаев. Применение интеллектуальных технологий для повышения эффективности налогового контроля рассматривается в работах С.А. Горбаткова. Вопросы разработки и использования нейросетевых моделей для решения задач экономического анализа и прогноза, в том числе налоговых поступлений, исследуются в работе Д.-Э. Бэстенса.

Вместе с тем недостаточно исследованным является вопрос автоматизированной разработки интеллектуальной предметно-ориентированной информационно-аналитической системы для поддержки решения задач регионального бюджетного планирования, на основе формализованного представления и использования экспертных знаний, что обуславливает актуальность выбранного направления исследований.

Диссертационные исследования проведены в рамках гранта РФФИ (проект № 03-06-80012а) «Экономико-математические модели управления межбюджетными отношениями в регионе (на примере Республики Башкортостан)».

Цель и задачи исследования

Целью диссертационной работы является разработка моделей и алгоритмов интеллектуальной информационно-аналитической поддержки для повышения эффективности процесса планирования налоговых доходов регионального бюджета.

Для достижения поставленной цели решаются следующие задачи:

1. Построить комплекс моделей процесса планирования налоговых доходов регионального бюджета на основе объектно-ориентированного анализа предметной области.

2. На основе результатов объектно-ориентированного моделирования разработать структуру интеллектуальной информационно-аналитической системы поддержки планирования налоговых доходов регионального бюджета, включающую адаптивную нечеткую базу знаний иерархического типа.

3. Разработать модель прогнозирования налоговых доходов регионального бюджета на основе адаптивной нечеткой базы знаний иерархического типа.

4. Разработать методику построения интеллектуальной информационно-аналитической системы поддержки планирования налоговых доходов регионального бюджета.

5. Разработать алгоритмическое, программное обеспечение интеллектуальной информационно-аналитической системы поддержки планирования налоговых доходов регионального бюджета и исследовать ее эффективность.

Методика исследования

Результаты исследований базируются на методах системного анализа, методологии объектно-ориентированного анализа и моделирования информационных систем, методологии построения экспертных систем, теории искусственных нейронных сетей, теории нечеткой логики.

Результаты, выносимые на защиту

На защиту выносятся:

1. Комплекс объектно-ориентированных моделей процесса планирования налоговых доходов регионального бюджета, включающий модели структуры классов процесса планирования налоговых доходов регионального бюджета, логические модели интеллектуальных компонентов информационно-аналитической системы и модели динамики ее функционирования.

2. Структура интеллектуальной информационно-аналитической системы поддержки планирования налоговых доходов регионального бюджета, включающая интеллектуальные компоненты в виде адаптивной нечеткой базы знаний иерархического типа, и нейро-нечеткой сети для настройки ее параметров.

3. Модель прогнозирования налоговых доходов регионального бюджета на основе адаптивной нечеткой базы знаний иерархического типа, позволяющая интегрировать экспертные знания и фактографическую информацию, используемую для обучения нейро-нечеткой сети.

4. Методика построения интеллектуальной информационно-аналитической системы поддержки планирования налоговых доходов регионального бюджета.

5. Алгоритмическое и программное обеспечение для реализации интеллектуальной информационно-аналитической системы поддержки планирования налоговых доходов регионального бюджета в соответствии с предложенными формальными моделями.

Научная новизна

Новизна структуры интеллектуальной информационно-аналитической системы поддержки планирования налоговых доходов регионального бюджета состоит в наличии интеллектуальных компонентов в виде адаптивной нечеткой базы знаний иерархического типа, построенной на основе результатов объектно-ориентированного моделирования, и нейро-нечеткой сети для настройки ее параметров.

Новизна разработанной модели прогнозирования налоговых доходов регионального бюджета состоит в формировании прогноза на основе экспертных знаний, содержащихся в нечетких правилах, и фактографической информации, описывающей текущие социально-экономические условия.

Новизна предложенной методики построения интеллектуальной информационно-аналитической системы поддержки планирования налоговых доходов регионального бюджета заключается в использовании результатов объектно-ориентированного моделирования на этапе концептуализации знаний и настройке параметров адаптивной нечеткой базы знаний на этапе формализации.

Практическая значимость

Практическую значимость имеют:

- методика, в соответствии с которой осуществляется автоматизированная разработка интеллектуальной информационно-аналитической системы поддержки планирования налоговых доходов регионального бюджета.

- программное обеспечение, реализующее исследовательский прототип интеллектуальной информационно-аналитической системы поддержки планирования налоговых доходов регионального бюджета, позволяющее проводить анализ и прогнозирование на основе интеграции фактографической информации с экспертными знаниями и повысить эффективность процесса принятия решений.

Основные результаты диссертационной работы в виде моделей, методики и программного обеспечения исследовательского прототипа интеллектуальной информационно-аналитической системы поддержки планирования налоговых доходов регионального бюджета внедрены в Институт социально-экономических исследований УНЦ РАН и в Министерство финансов Республики Башкортостан. Кроме того, результаты диссертационной работы внедрены в учебный процесс на базе Уфимского государственного авиационного технического университета и изложены в методических указаниях к лабораторным работам.

Апробация работы

Основные результаты работы докладывались и обсуждались на 6 научно — технических конференциях, в том числе на международной научно-практической конференции "Саморазвитие регионов", г. Уфа, 2002 г., V международной конференции «Проблемы управления и моделирования в сложных системах», г.Самара, 2003 г., VII международной научно-практической конференции «Системный анализ в проектировании и управлении», г. Санкт-Петербург, 2003 г., V международной конференции «Computer Science and Information Technologies CSIT'2003», г.Уфа, 2003 г., VI международной конференции «Computer Science and Information Technologies CSIT'2004», г.Будапешт, 2004 г., VII международной конференции «Computer Science and Information Technologies CSIT'2005», г.Уфа, 2005 г.

Публикации

Основные результаты исследования по теме диссертации опубликованы в 11 работах - в том числе 9 статей, 2 тезисов докладов, 1 методические указания к лабораторным работам для студентов специальностей «Прикладная информатика в экономике» и «Математические методы и исследование операций в экономике».

Выводы к 4 главе

1. Проведено имитационное моделирование интеллектуальной информационно-аналитической системы в среде МАТЬАВ и прогнозирование динамики налоговых доходов (на примере налога на прибыль), в ходе которого спроектирована система нечеткого вывода и осуществлена настройка ее параметров по блокам «Объем производства» и «Затраты» посредством обучения нейро-нечеткой сети. Показано, что разработанная модель имеет удовлетворительные характеристики качества прогноза, проверка адекватности полученной модели с использованием ретроспективных данных позволяет утверждать, что среднее отклонение от фактических значений не превышает 5%.

2. Проведена сравнительная оценка эффективности методов прогнозирования с использованием искусственной нейронной сети. При обучении и проверке работы нейронной сети на идентичном наборе данных получены результаты, близкие к тем, что формируются с помощью нейро-нечеткой сети. Преимуществом разработанной модели на основе адаптивной нечеткой базы знаний является ее логическая прозрачность и возможность корректировки (адаптации) как параметров базы знаний, так и самих правил при качественных изменениях в социально-экономической среде.

3. Разработано программное обеспечение, на основе которого реализован прототип интеллектуальной информационно-аналитической системы поддержки планирования налоговых доходов регионального бюджета.

4. Предложенные средства интеллектуальной информационно-аналитической поддержки позволяют улучшить качественные характеристики эффективности процесса бюджетного планирования за счет автоматизации прогнозно-аналитической деятельности, повышая ее оперативность и обоснованность формируемых рекомендаций для принятия решений в условиях неопределенности.

111

ЗАКЛЮЧЕНИЕ

В ходе проведенного исследования автором сделан ряд выводов и получены следующие результаты:

1. Разработан комплекс объектно-ориентированных моделей процесса планирования налоговых доходов регионального бюджета, включающий модели структуры классов предметной области и метамодели представления и обработки знаний, а также модели динамики функционирования интеллектуальной информационно-аналитической системы. Результаты моделирования используются для формального представления и разработки адаптивной нечеткой базы знаний.

2. На основе результатов объектно-ориентированного моделирования разработана структура интеллектуальной информационно-аналитической системы поддержки планирования налоговых доходов регионального бюджета, включающая интеллектуальные компоненты в виде адаптивной нечеткой базы знаний и нейро-нечеткой сети для настройки ее параметров.

3. Предложена модель прогнозирования налоговых доходов регионального бюджета, позволяющая формировать прогноз на основе адаптивной нечеткой базы знаний иерархического типа. Интеграция фактографической информации с экспертными знаниями позволяет обеспечить адаптацию базы знаний к текущим социально-экономическим условиям, подверженным качественным изменениям.

4. Предложена методика, позволяющая автоматизировать построение интеллектуальной информационно-аналитической системы поддержки планирования налоговых доходов регионального бюджета. Особенность предложенной методики заключается в использовании результатов объектно-ориентированного моделирования на этапе концептуализации знаний и настройке параметров адаптивной нечеткой базы знаний на этапе формализации.

5. Разработано алгоритмическое и программное обеспечение, реализующее методы инженерии знаний в соответствии с предложенными формальными моделями, на основе которых разработан исследовательский прототип интеллектуальной информационно-аналитической системы. Исследована эффективность интеллектуальной информационно-аналитической системы поддержки планирования налоговых доходов регионального бюджета. Показано, что использование модели прогнозирования налоговых доходов регионального бюджета на основе адаптивной нечеткой базы знаний позволяет получить прогноз удовлетворительного качества. Проверка адекватности полученной модели с использованием ретроспективных данных позволяет утверждать, что среднее отклонение от фактических значений не превышает 5%.

Кроме того, предложенные средства интеллектуальной информационно-аналитической поддержки позволяют улучшить качественные характеристики эффективности процесса бюджетного планирования за счет автоматизации прогнозно-аналитической деятельности, повышая ее оперативность и обоснованность формируемых рекомендаций для принятия решений в условиях неопределенности.

1. Бюджетный кодекс Российской Федерации. М.: Омега-Jl, 2005. -206 с.

2. Налоговый кодекс Российской Федерации. М., 1998. 4.1.

3. Бюджетное послание на 1999 год президента РБ Рахимова М.Г. Государственному Собранию РБ. С. 54-55.

4. Бюджетное послание на 2000 год Президента РБ Рахимова М.Г. Государственному Собранию РБ. С. 47-48.

5. Бюджетное послание на 2001 год Президента РБ Рахимова М.Г. Государственному Собранию РБ. С. 56-58.

6. Проект Закона РБ "О республиканском бюджете РБ на 2002 год".-С.56-58.

7. Проект Закона Республики Башкортостан "О республиканском бюджете Республики Башкортостан на 2003 год". Кабинет Министров Республики Башкортостан. 2002 г. С. 147-148.

8. Проект Закона Республики Башкортостан "О республиканском бюджете Республики Башкортостан на 2004 год". Кабинет Министров Республики Башкортостан. 2003 г.

9. Автоматизированное проектирование информационно управляющих систем. Проектирование экспертных систем на основе системного моделирования/ Г.Г.Куликов, А.Н.Набатов, А.В.Речкалов, Л.Р.Черняховская и др.; Уфимск. Гос. авиац. Техн. ун-т. - Уфа, 1999. -223с.

10. Андрианов Д. и др. Построение систем учета, анализа и прогнозирования государственных финансов // Проблемы теории и практики управления. -2003.-№2.-С. 12

11. Бадамшин P.A., Ильясов Б.Г., Черняховская JI.P. Проблемы управления сложными динамическими объектами в критических ситуациях на основе знаний. -М.: Машиностроение, 2003. -240 с.

12. Базы знаний интеллектуальных систем/ Т.А.Гаврилова, В.Ф.Хорошевский СПб: Питер, 2000. - 384 с.

13. Баканов М.И., Шеремет А.Д. Теория экономического анализа: Учебник. -М.: Финансы и статистика, 1997. 416 с.

14. Ю.Борисов А.Н., Крумберг O.A. Федоров И.П. Принятие решений на основе нечетких моделей. Рига, Зинатне, 1990. — 416 с.

15. И.Букаев Г.И., Бублик Н.Д., Горбатков С.А., Саттаров Р.Ф. Модернизация системы налогового контроля на основе нейросетевых информационных технологий. М.: Наука, 2001. - 344 с.

16. Буч Г. Объектно-ориентированный анализ и проектирование: с примерами приложений на С++. "Издательство Бином", "Невский диалект", 1998. -560 с.

17. Бэстенс Д.-Э., ван den Берг В.-М., Вуд Д. Нейронные сети и финансовые рынки: принятие решений в торговых операциях. Москва: ТВП, 1997. — 236 с.

18. Бюджетная система России: Учебник для вузов / Под ред. проф. Г.Б. Поляка. М.: ЮНИТИ-ДАНА, 2003. - 540 с.

19. Вагин В.Н. Дедукция и обобщение в системах принятия решений. М.: Наука, 1988.-384 с.

20. Гаврилова Т.А., Червинская K.P. Извлечение и структурирование знаний для экспертных систем. М.: Радио и связь, 1992. - 200 с.

21. Гаскаров Д.В. Интеллектуальные информационные системы. Учеб. для вузов. М.: Высш. Шк., 2003. - 431 с.

22. Горбанъ А.Н. Обучение нейронных сетей. М.: СП Пара Граф, 1990.

23. Городецкий В.И., Самойлов В.В., Малое А.О. Современное состояние технологии извлечения знаний из баз и хранилищ данных // AI NEWS №4 02(52). -С. 3-10.

24. Гранберг А.Г. Основы региональной экономики: Учебник для вузов. М.: ГУ ВШЭ, 2001.-495 с.

25. Ъ\.Дюбин В. В. Бюджетная система Российской Федерации: учебное пособие для вузов, Петрозаводск, 2003. — 118с. Электронный ресурс. http://openbudget.karelia.ru/tutorials/book2/book2.pdf

26. Ъ2Дюк В., Самойленко A. Data Mining: учебный курс. Спб: Питер, 2001. -368 с.

27. ЪЪ.Елисеева Т.М., Юзбашев М.М. Общая теория статистики: Учебник. — М.: Финансы и статистика, 2002. -248 с.

28. Ерохин В.Г. Индикативное планирование в системах управления социально экономическими процессами. Электронный ресурс. http://www.budgetrf.ru/Publications/Education/rnsu/econbacrnanagernent

29. Интеллектуальные системы управления с использованием нечеткой логики: Учебное пособие / В.И. Васильев, Б.Г. Ильясов; Уфимск. гос. авиац. техн. ун-т. Уфа, 1995. - 80 с.

30. Интеллектуальное управление производственными системами. Кусимов С.Т., Ильясов Б.Г., Исмагилова Л.А., Валеева Р.Г. М.: Машиностроение, 2001.-327 с.

31. Кадочников П.А., Луговой О.В., Синельников-Мурылев С.Г., Трунил И.В. Оценка налогового потенциала и расходных потребностей субъектов Российской Федерации Электронный ресурс. http://www.iet.ru/publication.php

32. Кватрани Т. Rational Rose 2000 и UML. Визуальное моделирование: Пер. с англ. М.: ДМК Пресс, 2001. - 176 с.

33. АЪ.Киселев М., Соломатин Е. Средства добычи знаний в бизнесе и финансах // Открытые системы. 1997. - № 4. - С.41-44.

34. Кобринский Н.Е, Майминас Е.З, Смирнов А.Д. Введение в экономическую кибернетику. Учеб. пособие. -М.: "Экономика", 1975. 176 с.

35. Коломиец A.JT. Анализ концептуальных подходов и методов оценки налогового потенциала регионов // Налоговый вестник. — 2000. № 2. -С.1-3.

36. АП.Корнеев В.В., Гареев А.Ф., Васютин C.B., Paîbc В.В. Базы данных. Интеллектуальная обработка информации. М.: Издатель Молгачева C.B., Издательство Нолидж, 2001. - 496 с.

37. Круглое В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. — М.: Горячая линия Телеком, 2001. - 382 с.

38. SX Ларичев О.И., Мошкович Е.М. Качественные методы принятия решений. М.: Наука. Физматлит, 1996. 304 с.

39. Леоненков A.B. Нечеткое моделирование в среде MATLAB и fuzzy TECH. -СПб.: БХВ-Петербург, 2003. 304 с.

40. Максимов В. Развитие моделей принятия решений: проблемы, парадоксы и перспективы. // Банковские Технологии. — 2000. №3. - С. 205$.Мартынов H.H. Введение в MATLAB 6. М.: КУДИЦ-ОБРАЗ, 2002 -352с.

41. Методы робастного, нейро-нечеткого и адаптивного управления: Учебник / Под ред. Н.Д. Егупова. М.: Изд-во МГТУ им. Баумана, 20002. - 744 с.

42. Нейронные сети. STATJSTICA Neural Networks: Пер. с англ. М.: Горячая линия — Телеком. 2000. - 182 с.

43. Нечеткие множества в моделях управления и искусственного интеллекта/ Под ред. Д.А.Поспелова. М.: Наука, 1986. - 312 с.

44. Никитин Д.А., Тулупьев A.JJ., Ромашова М.Н. Вычисление согласованных оценок истинности в вероятностных и нечетких фрагментах знаний // Труды СПИИРАН. В. 1, т.2 Спб: СПИИРАН, 2002. - 312 с.

45. Осипов Г.С. Приобретение знаний интеллектуальными системами. М.: Наука, 1997.-312 с.

46. Осипова И.В. Анализ проблемы и методов прогнозирования налоговых поступлений регионального бюджета. "Региональная экономика: взгляд молодых. Труды молодых ученых и специалистов. Вып.З." Уфа: Гилем, 2004. - С.109-115.

47. Орловский С.А. Проблемы принятия решений при нечеткой исходной информации. -М.: Наука, 1981. 312 с.

48. Осовский С. Нейронные сети для обработки информации / Пер. с польского И.Д. Рудинского. М.: Финансы и статистика, 2002. - 344с.

49. Представление и использование знаний: Пер. с япон. / Под ред. X. Уэно, М. Исидзука. М.: Мир, 1989. - 220 с.

50. Прикладные нечеткие системы: Пер. с япон./ К. Асаи, Д. Ватада, С. Иваи и др.; под редакцией Т. Тэрано, К. Асаи, М. Сугэно. М.: Мир, 1993.- 368 с.

51. Проект СИРЕНА: влияние государственной политики на региональное развитие. Под ред. С.А. Суспицына — Новосибирск: Изд-во ИЭОПП СО РАН, 2002.-360 с.

52. Разработка прогнозов социально-экономического развития регионов с использованием комплексной имитационной модели Электронный ресурс. http://www.prognoz.ru/company/publications7.asp.htm

53. Ракитов А.И. Философия компьютерной революции. М.: Политиздат, 1991.-287 с.

54. Региональная статистика: Учебник / Под ред. Рябцева В.М., Чудилина Г.И. М., 201. - 380 с.

55. Розенберг Д., Скотт К. Применение объектного моделирования с использованием UML и анализ прецедентов: Пер. с англ. М.: ДМК Пресс, 2002. - 160 с.

56. Романов А.Н., Одинцов С. Советующие информационные системы в экономике: Учеб. пособие для вузов. М.: ЮНИТИ, 2000. - 312 с.

57. Рутковская Д., Пилиньский М., Рутковский Я. Нейронные сети, генетические алгоритмы и нечеткие системы: Пер. с польск. И.Д. Рудинского. — М.: Горячая линия Телеком, 2004. - 452 с.

58. Самойлов В.В. Системы объединения данных из разнородных источников: принципы реализации и архитектура обработки данных для обучения систем принятия решений // Труды СПИИРАН. В. 1, т.2 Спб: СПИИРАН, 2002.-312 с.

59. Сидорова Н. Налоговое регулирование на уровне субъектов РФ: приоритеты, технология, методы Электронный ресурс. http://www.ptpu.ru/issues/6 02/9 6 02.htm

60. Система анализа и планирования финансов региона САПФИР Электронный ресурс. http://www.cift.ru

61. Скотт К. UML. Основные концепции: Пер. с англ. М.: Издательский дом "Вильяме", 2002. - 144 с.

62. Щ.Спирли Э. Корпоративные хранилища данных. Планирование, разработка, реализация. Том. 1.: Пер. с англ. — М.: Издательский дом "Вильяме", 2001. 400 с.

63. Статические и динамические экспертные системы: Учеб. пособие / Э.В. Попов, И.Б. Фоминых, Е.Б. Кисель, М.Д. Шапот. М.: Финансы и статистика, 1996. - 320 с.

64. Территориальная автоматизированная информационная система «ТАИС» Электронный ресурс. http://www.ais.vis.ru/site/taisl .nsf/wpagesl/01019Ъ.Тельнов Ю.В. Интеллектуальные информационные системы в экономике: Учебное пособие. М.: СИНТЕГ, 2002. - 316 с.

65. Тельное Ю.Ф. Проектирование систем управления знаниями // AI NEWS №4 02 (52).-С. 29-34

66. Федеральный бюджет и регионы: структура финансовых потоков/ Институт "Восток-Запад". М.: МАКС Пресс, 2001. - 312 с.

67. Форрестер Дж. Мировая динамика. М., 1978. - 168 с.

68. Хасаев Г., Иванова Л., Цыбатов В., Поварова Е.К. К применению автоматизированных средств прогнозирования регионального развития // Российский экономический журнал. 2000. - №2. - С. 22

69. Частиков А.П., Гаврилова Т.А., Белов Д.Л. Разработка экспертных систем. Среда CLIPS. СПб.: БХВ-Петербург, 2003. - 608 с.

70. Черник Д.Г., Починок А.П., Морозов В.П. Основы налоговой системы: Учеб. пособие для вузов. / Под ред. Д.Г. Черника. М.: Финансы, ЮНИТИ, 1998.-422 с.

71. Черняховская JJ.P., Шкундина P.A., Осипова И.В. Объектно-ориентированные модели представления корпоративных знаний. // Успехи современного естествознания. 2003. - №7. - С.88

72. Шапот М. Интеллектуальный анализ данных в системах поддержки принятия решений // Открытые системы. 1997. - № 4. - С.30-35.

73. Шикин Е.В., Чхартишвили А.Г. Математические методы и модели в управлении: Учеб. пособие. М.: Дело, 2002. - 440 с.

74. Штовба С.Д. Введение в теорию нечетких множеств и нечеткую логику. Электронный ресурс. http://matlab.exponenta.ru/flizzylogic/bookl

75. Щавелёв Л. В. Способы аналитической обработки данных для поддержки принятия решений // СУБД. 1998. - № 4-5. - С. 18

76. Экономико-математические модели оценки крупномасштабных инвестиционных проектов: Учебное пособие/ Р.В.Фаттахов; под ред. акад. Д.С Львова. Уфа: УГАТУ, 2001.-100 с.

77. Юсупова Н.И, Фаттахов Р.В., Фридлянд A.M., Тарасова Т.Д. Интеллектуальный подход к прогнозированию экономических показателей и модели оценки проектов в условиях нестабильной экономики: Препринт монографии/УНЦ РАН. Уфа, 2001 48с.

78. Ярушкина Н.Г. Основы теории нечетких и гибридных систем: Учеб. пособие. М.: Финансы и статистика, 2004. - 320 с.

79. Osipova I.V. An Approach to Income Tax Forecasting using Neural-Fuzzy Knowledge Base // Proc. of the 7th Int. Workshop on Computer Science and Information Technologies. Ufa, Russia, 2005. V. 2. P. 234-237.