CC BY
49
УДК 303.732.4
ОПЕРАТИВНОЕ ПРОГНОЗИРОВАНИЕ ТРЕНДОВ ЭКОНОМИЧЕСКИХ ПОКАЗАТЕЛЕЙ МНОГООТРАСЛЕВОЙ КОРПОРАЦИИ С ПРИМЕНЕНИЕМ ТЕХНОЛОГИЙ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА (часть 1-я: постановка задачи и формализация предметной области)1
Луценко Евгений Вениаминович д.э.н., к.т.н., профессор
Кубанский государственный аграрный университет, Россия, 350044, Краснодар, Калинина, 13, prof.lutsenko@gmail. com
Лойко Валерий Иванович заслуженный деятель науки РФ, д.т.н., профессор
Кубанский государственный аграрный университет, Россия, 350044, Краснодар, Калинина, 13, loyko@kubagro. т
Макаревич Лилия Олеговна соискатель
НОУ ВПО "Санкт-Петербургский институт внешнеэкономических связей, экономики и права", филиал в г. Краснодаре, Россия
В статье формулируется проблема краткосрочного прогнозирования трендов экономических показателей многоотраслевой корпорации, на основе применения системно-когнитивного анализа (СК-анализ) и его инструментария (интеллектуальной системы «Эйдос») осуществляется формальная постановка задачи и формализация предметной области, т.е. разработка классификационных и описательных шкал и градаций и формирование обучающей выборки, а также синтез и верификация моделей, включающих четыре базы знаний, отличающихся частными критериями знаний
Ключевые слова: СИСТЕМНЫЙ ПОДХОД, СИСТЕМНО-КОГНИТИВНЫЙ АНАЛИЗ, МНОГООТРАСЛЕВАЯ КОРПОРАЦИЯ, ПРОГНОЗИРОВАНИЕ, СЕМАНТИЧЕСКАЯ ИНФОРМАЦИОННАЯ МОДЕЛЬ
UDC 303.732.4
ON-LINE FORECASTING OF THE TRENDS OF ECONOMICAL INDEXES OF DIVERSIFIED CORPORATION WITH APPLICATION OF PROCESS ENGINEERINGS OF ARTIFICIAL INTELLIGENCE (part 1: problem definition and data domain formalization)
Lutsenko Eugeny Veniaminovich Dr.Sci.Econ., Cand.Tech.Sci., professor
Kuban State Agrarian University, Krasnodar, Russia
Loiko Valery Ivanovich
deserved scientist of the Russian Federation,
Dr.Sci.Tech., professor
Kuban State Agrarian University, Krasnodar, Russia
Makarevich Lilija Olegovna Competitor
St.-Petersburg institute of foreign economic relations, economy and law, branch in Krasnodar, Krasnodar, Russia
In this article, the problem of short-range forecasting of the trends of economical indexes of diversified corporation is stated, on the basis of application of systemic-cognitive analysis and its tooling (intellectual system "Eidos") the formal problem definition and data domain formalization, i.e. development of classification and descriptive dials and graduations and shaping of training sample is performed
Keywords: SYSTEMIC APPROACH, SYSTEMIC-COGNITIVE ANALYSIS, SYSTEMS APPROACH, DIVERSIFIED CORPORATION, FORECASTING, SEMANTIC INFORMATION MODEL
Данная работа является непосредственным продолжением работ [1,
2] и посвящена разработке методики оперативного прогнозирования трендов экономических показателей многоотраслевой агропромышленной корпорации, т.е. их первой производной.
1 Работа выполнена при поддержке гранта РФФИ №11-06-96508-р_юг_ц, № Гос.рег.НИР: 01201172967
В настоящее время создание удобного для экономистов и надежного инструмента краткосрочного (оперативного) прогнозирования трендов экономических показателей корпорации, дающего прогнозы высокой достоверности, является как научной, так и практической проблемой, поиск решений которой весьма актуален. Поэтому цель данной работы состоит в разработке методики оперативного (на пол-года вперед) прогнозирования трендов экономических показателей многоотраслевой корпорации.
В данной работе мы рассмотрим новый, ранее не применявшийся
подход к решению поставленной проблемы и достижению поставленной цели, основанный на применении системно-когнитивного анализа (АСК-анализа) и его программного инструментария: интеллектуальной системы «Эйдос» [3, 4]. В работе [3] предложены следующие этапы АСК-анализа предметной области:
1. Когнитивная структуризация предметной области, при которой определяется, что мы хотим прогнозировать и на основе чего (конструирование классификационных и описательных шкал).
2. Формализация предметной области:
- разработка градаций классификационных и описательных шкал (номинального, порядкового и числового типа);
- использование разработанных на предыдущих этапах классификационных и описательных шкал и градаций для формального описания (кодирования) исходных данных (исследуемой выборки).
3. Синтез и верификация (оценка степени адекватности) модели.
4. Если модель адекватна, то ее использование для решения задач идентификации, прогнозирования и принятия решений, а также для исследования моделируемой предметной области.
Рассмотрим предлагаемый вариант реализации этих этапов.
1. Когнитивная структуризация предметной области.
На этом этапе было решено, что разрабатываемая методика должна обеспечивать прогнозирование трендов следующих показателей холдинга
в целом на 2 квартала вперед в процентах по отношению к предыдущему кварталу (таблица 1):
Таблица 1 - КЛАССИФИКАЦИОННЫЕ ШКАЛЫ
Тренд в 1-м кв.: ВС.ПО ХОЛД. Выручка от реализации
Тренд в 1-м кв.: ВС.ПО ХОЛД. Себестоимость приобретения
Тренд в 1-м кв.: ВС.ПО ХОЛД. Валовая прибыль
Тренд в 1-м кв.: ВС.ПО ХОЛД. Коммерческие расходы
Тренд в 1-м кв.: ВС.ПО ХОЛД. Чистая прибыль
Тренд в 2-м кв.: ВС.ПО ХОЛД. Выручка от реализации
Тренд в 2-м кв.: ВС.ПО ХОЛД. Себестоимость приобретения
Тренд в 2-м кв.: ВС.ПО ХОЛД. Валовая прибыль
Тренд в 2-м кв.: ВС.ПО ХОЛД. Коммерческие расходы
Тренд в 2-м кв.: ВС.ПО ХОЛД. Чистая прибыль
Прогнозирование предлагается осуществлять на основе трендов тех же показателей по предприятиям, входящим в корпорацию (таблица 2), за текущий квартал и все кварталы предыдущего года (таблица 3):
Таблица 2 - ПРЕДПРИЯТИЯ, ВХОДЯЩИ
Е В КОРПОРАЦИЮ
001.БАКАЛЕЯ ООО______
002.РРССИНГРИДГРУПП
003.КОРМИЛИЦ А_
004. КУБАНЬ АЛКО ООО
005.КУБТРРГ ЗАО______
006.МОСКВИЧКА ООО
007. МЯСОКОМБИНАТ
008.РЫБА ООО (ХОЛОД) РР9.СТРОИТРУБОСТАЛЬ
010.ТОРГОДЕЖДА ЗАО
011.ФРУКТЫ^и (ЮНЕКС)
012.ХОЗЯЮШКА ООО
013.ЮМ К_______
014.ЮЖГА З___________
015.КОНДИТЕРСКАЯ Ф-КА
Таблица 3 - ОПИСАТЕЛЬНЫЕ ШКАЛЫ (ФРАГМЕНТ)
KOD NAME
1 Тренд 1 кв.назад: 001.БАКАЛЕЯ ООО : Выручка от реализации (Отгрузка
2 Тренд 1 кв.назад: 001.БАКАЛЕЯ ООО : Себестоимость приобретения
3 Тренд 1 кв.назад: 001.БАКАЛЕЯ ООО : Валовая прибыль
4 Тренд 1 кв.назад: 001.БАКАЛЕЯ ООО : Коммерческие расходы:
5 Тренд 1 кв.назад: 001.БАКАЛЕЯ ООО : Чистая прибыль
6 Тренд 1 кв.назад: 002.РОССИНГРИДГРУПП Выручка от реализации
7 Тренд 1 кв.назад: 002.РОССИНГРИДГРУПП Себестоимость приобретения:
8 Тренд 1 кв.назад: 002.РОССИНГРИДГРУПП Валовая прибыль
9 Тренд 1 кв.назад: 002.РОССИНГРИДГРУПП Коммерческие расходы:
10 Тренд 1 кв.назад: 002.РОССИНГРИДГРУПП Чистая прибыль
11 Тренд 1 кв.назад: 003.КОРМИЛИЦА Выручка от реализации (Отгрузка
12 Тренд 1 кв.назад: 003.КОРМИЛИЦА Себестоимость приобретения
13 Тренд 1 кв.назад: 003.КОРМИЛИЦА Валовая прибыль
14 Тренд 1 кв.назад: 003.КОРМИЛИЦА Коммерческие расходы:
15 Тренд 1 кв.назад: 003.КОРМИЛИЦА Чистая прибыль
16 Тренд 1 кв.назад: 004.КУБАНЬ АЛКО ООО Выручка от реализации (Отгрузка
17 Тренд 1 кв.назад: 004.КУБАНЬ АЛКО ООО Себестоимость приобретения
18 Тренд 1 кв.назад: 004.КУБАНЬ АЛКО ООО Валовая прибыль
19 Тренд 1 кв.назад: 004.КУБАНЬ АЛКО ООО Коммерческие расходы:
20 Тренд 1 кв.назад: 004.КУБАНЬ АЛКО ООО Чистая прибыль
21 Тренд 1 кв.назад: 005.КУБТОРГ ЗАО : Выручка от реализации (Отгрузка
22 Тренд 1 кв.назад: 005.КУБТОРГ ЗАО : Себестоимость приобретения
23 Тренд 1 кв.назад: 005.КУБТОРГ ЗАО : Валовая прибыль
24 Тренд 1 кв.назад: 005.КУБТОРГ ЗАО : Коммерческие расходы:
25 Тренд 1 кв.назад: 005.КУБТОРГ ЗАО : Чистая прибыль
Таблица 4 - ИСХОДНЫЕ ДАННЫЕ ДЛЯ СИНТЕЗА МОДЕЛИ ОБЪЕКТА ПРОГНОЗИРОВАНИЯ (ФРАГМЕНТ)
NAME 2QQQ 2001
Жв 2to 3to 4to Жв 2to 3to 4to
Тренд в 1-м кв.: ВС.ПО ХОЛД.: Выручка от реализации 27,4 5,8 15,4 -20,4 26,4 5,6 14,5 -12,4
Тренд в 1-м кв.: ВС.ПО ХОЛД.: Себестоимость приобретения 28,0 5,7 14,1 -20,3 27,1 5,2 13,2 -11,7
Тренд в 1-м кв.: ВС.ПО ХОЛД.: Валовая прибыль 34,8 1,5 25,4 -26,5 32,0 1,6 23,5 -19,2
Тренд в 1-м кв.: ВС.ПО ХОЛД.: Коммерческие расходы 17,9 1,2 19,8 -12,4 17,3 0,8 18,9 -5,1
Тренд в 1-м кв.: ВС.ПО ХОЛД.: Чистая прибыль 69,6 2,6 30,2 -42,8 62,1 5,0 28,2 -38,8
Тренд в 2-м кв.: ВС.ПО ХОЛД.: Выручка от реализации 5,8 15,4 -20,4 26,4 5,6 14,5 -12,4 16,9
Тренд в 2-м кв.: ВС.ПО ХОЛД.: Себестоимость приобретения 5,7 14,1 -20,3 27,1 5,2 13,2 -11,7 17,3
Тренд в 2-м кв.: ВС.ПО ХОЛД.: Валовая прибыль 1,5 25,4 -26,5 32,0 1,6 23,5 -19,2 18,9
Тренд в 2-м кв.: ВС.ПО ХОЛД.: Коммерческие расходы 1,2 19,8 -12,4 17,3 0,8 18,9 -5,1 8,2
Тренд в 2-м кв.: ВС.ПО ХОЛД.: Чистая прибыль 2,6 30,2 -42,8 62,1 5,0 28,2 -38,8 59,6
Тренд 1 кв.назад: QQ1.БАКАЛЕЯ ООО : Выручка от реализации (Отгрузка) 0,0 14,6 18,5 11,5 -13,7 14,6 18,5 11,5
Тренд 1 кв.назад: QQ1.БАКАЛЕЯ ООО : Себестоимость приобретения 0,0 13,4 18,1 12,6 -13,8 13,5 18,1 12,7
Тренд 1 кв.назад: QQ1.БАКАЛЕЯ ООО : Валовая прибыль 0,0 26,2 22,2 1,4 -12,0 25,4 21,9 1,5
Тренд 1 кв.назад: QQ1.БАКАЛЕЯ ООО : Коммерческие расходы: 0,0 6,6 10,3 9,4 1,1 6,7 10,3 9,4
Тренд 1 кв.назад: QQ1.БАКАЛЕЯ ООО : Чистая прибыль 0,0 19361,4 94,4 -23,3 -72,3 324,0 74,4 -18,8
Тренд 1 кв.назад: 002.РОССИНГРИДГРУПП : Выручка от реализации 0,0 10,4 6,5 7,8 -7,2 6,9 3,3 3,2
Тренд 1 кв.назад: 002.РОССИНГРИДГРУПП : Себестоимость приобретения: 0,0 12,3 7,4 7,7 -9,5 8,8 4,2 3,1
Тренд 1 кв.назад: 002.РОССИНГРИДГРУПП : Валовая прибыль 0,0 -2,1 -1,6 8,4 12,7 -5,2 -4,5 3,7
Тренд 1 кв.назад: 002.РОССИНГРИДГРУПП : Коммерческие расходы: 0,0 5,5 6,4 6,1 -1,3 2,2 3,2 1,5
Тренд 1 кв.назад: 002.РОССИНГРИДГРУПП : Чистая прибыль 0,0 -27,0 -49,0 21,0 160,9 -29,3 -50,5 15,7
Тренд 1 кв.назад: QQ3.КОРМИЛИЦА : Выручка от реализации (Отгрузка) 0,0 17,4 -2,7 26,1 -15,4 17,2 -3,0 25,5
Тренд 1 кв.назад: QQ3.КОРМИЛИЦА : Себестоимость приобретения 0,0 21,4 -3,4 23,5 -16,7 21,3 -3,9 22,8
Тренд 1 кв.назад: QQ3.КОРМИЛИЦА : Валовая прибыль 0,0 -7,9 1,1 48,8 -6,8 -6,7 2,0 47,2
Тренд 1 кв.назад: QQ3.КОРМИЛИЦА : Коммерческие расходы: 0,0 12,3 -0,6 22,9 -10,0 12,4 -1,0 22,8
Тренд 1 кв.назад: QQ3.КОРМИЛИЦА : Чистая прибыль 0,0 -46,1 15,7 120,6 5,1 -36,9 17,6 92,9
Тренд 1 кв.назад: QQ4.КУБАНЬ АЛКО ООО : Выручка от реализации (Отгрузка) 0,0 26,0 40,0 22,5 -23,7 26,0 40,0 22,5
Тренд 1 кв.назад: QQ4.КУБАНЬ АЛКО ООО : Себестоимость приобретения 0,0 27,2 40,5 21,9 -24,3 27,3 40,6 21,9
Тренд 1 кв.назад: QQ4.КУБАНЬ АЛКО ООО : Валовая прибыль 0,0 18,2 35,9 26,1 -19,3 17,9 35,8 26,3
Тренд 1 кв.назад: QQ4.КУБАНЬ АЛКО ООО : Коммерческие расходы: 0,0 22,1 14,0 14,9 3,1 22,1 14,1 14,9
Тренд 1 кв.назад: QQ4.КУБАНЬ АЛКО ООО : Чистая прибыль 0,0 6,9 103,3 46,5 -49,9 5,5 106,1 47,6
Тренд 1 кв.назад: 005.КУБТОРГ ЗАО : Выручка от реализации (Отгрузка) 0,0 17,4 -2,7 26,1 -15,4 17,2 -3,0 25,5
Тренд 1 кв.назад: 005.КУБТОРГ ЗАО : Себестоимость приобретения 0,0 21,1 -3,4 23,0 -16,3 21,3 -3,8 22,3
Тренд 1 кв.назад: 005.КУБТОРГ ЗАО : Валовая прибыль 0,0 27,0 -13,9 49,8 -23,9 25,9 -15,1 48,4
http://ei.kubagro.ru/2011/09/pdf/43.pdf
В таблице 4 приведен фрагмент исходных данных, использованных для синтеза формальной модели объекта прогнозирования. Фактически в исследуемой выборке присутствуют данные по большему числу предприятий, приведенных в таблице 2, по всем показателям, приведенным в таблице 3 за период с 2000 по 2009 годы.
Эти исходные данные сведены в одну таблицу из большого числа файлов с данными по отдельным предприятиям корпорации с помощью специально созданной для этого программы, скриншот главного меню которой приведен на рисунке 1:
Рисунок 1. Экранная форма меню программы объединения исходных баз данных
Данная программа представляет собой развитие программы, используемых для подобных целей в работе [5].
Затем исходные данные были приведены к виду, удобному для выявления причинно-следственных зависимостей между прошлыми трендами показателей предприятий корпорации и будущими трендами показателей корпорации в целом (таблица 5):
Таблица 5 - ПРИНЦИП ОРГАНИЗАЦИИ ТАБЛИЦЫ ИСХОДНЫХ ДАННЫХ ДЛЯ СИНТЕЗА МОДЕЛИ ПРОГНОЗИРОВАНИЯ
Это было сделано средствами MS Excel, но в будущем планируется разработать режимы, автоматизирующие создание этих баз данных (см. режимы 6 и 7 на рисунке 1).
В таблице 5 первая и вторая строки содержат информацию о классах, соответствующих будущим состояниям многоотраслевой корпорации в следующем квартале и через квартал, а последующие строки - информацию о факторах и их значениях, оказывающих причинно-следственное воздействие на развитие корпорации. Столбцы таблицы 5, содержат данные за различные кварталы и являются объектами исследуемой выборки, которые приводятся системе в качестве примеров того, как различные системы многофакторной детерминации обусловили переход корпорации в различные будущие состояния.
Сама полученная таким образом таблица исходных данных для создания модели прогнозирования трендов показателей в данной статье не приводится из-за ее большой размерности (41 столбец, 275 строк)
При этом система детерминации поведения корпорации значительно сложнее системы ее будущих состояний, что говорит о соблюдении закона Уильяма Росса Эшби о необходимом разнообразии, которое является необходимым условием адекватного управления [6].
Стрелками на таблице 5 фрагментарно проиллюстрирован принцип присвоения данных:
- для классов, описывающих будущие состояния корпорации в целом, данные берутся из соответствующих столбцов, содержащих фактические данные за последующие кварталы;
2 http://ru.wikipedia.org/wiki/Эшби.%20Уильям
- для факторов, описывающих прошлые состояния предприятий, входящих в корпорацию, данные берутся из соответствующих столбцов, содержащих фактические данные за предыдущие кварталы.
2. Формализация предметной области включает:
- разработку градаций классификационных и описательных шкал (номинального, порядкового и числового типа);
- использование разработанных на предыдущих этапах классификационных и описательных шкал и градаций для формального описания (кодирования) исходных данных (исследуемой выборки).
После подготовки таблицы 5 средствами MS Excel, она записывается
3
из него в стандарте DBF IV , непосредственно воспринимаем универсальным программным интерфейсом системы «Эйдос» с внешними базами данных (_153) (рисунок 2):
Ш l:\WINDOWS\system32\cmd.
Универсальная когнитивная аналитическая система.
7:37 (с) НПП *ЭИДОС*
ВНИМАНИЕ ! ! !
Данный режим обеспечивает автоматическое формирование классификационных и описательных шкал и градаций, а также обучающей выборки на основе DBF-файла специального формата с исходными данными.
Этот DBF-файл может быть получен в Excel. В строках с 1-й по N-ю этого файла содержится информация о классификационных шкалах и градациях, а в строках с N+1-й по последнюю - об описательных шкалах и градациях.
1-й столбец этого файла должен быть типа: Текстовый. Числовой. Дата и содержит информацию о наименованиях шкал. Для классов эти наименования должны быть не более 65 символов, а для признаков - не более 195. столбцы со 2-го по последний содержат информацию об объектах обучающей выборки. Тип данных в этих столбцах - только числовой.
Таким образом данный файл по сути дела является транспонированным файлом стандарта профессора Артура Николаевича Лебедева.
Система автоматически находит минимальное и максимальное значения в каждой строке классов или признаков и формирует заданное в диалоге количество ОДИНАКОВЫХ интервалов. Строки без чисел игнорируются.
С использованием этой информации генерируется обучающая выборка, в которой каждому столбцу DBF-файла исходных данных, начиная со второго, соответствует одна физическая анкета, содержащая столько логических анкет, сколько уникальных классов в диапазоне строк классов, и коды признаков, соответствующие попаданиям числовых значений в интервалы.
~ l:\WINDOWS\system32\cmd.
Универсальная когнитивная аналитическая система._____________10:24 (с) НПП *ЭИДОС*
=== ИМПОРТ ДАННЫХ ИЗ СТРАНСПОНИРОВАННОГО DBF-ФАИЛА СТАНДАРТА А.Н. ЛЕБЕДЕВА ===
=== ГЕНЕРАЦИЯ КЛАССИФИКАЦИОННЫХ ШКАЛ И ГРАДАЦИИ === Щ ГЕНЕРАЦИЯ ОПИСАТЕЛЬНЫХ ШКАЛ И ГРАДАЦИЙ === ■ === ГЕНЕРАЦИЯ ОБУЧАЮЩЕЙ ВЫБОРКИ === Г
Введите имя DBF-фаила с исходными данными Сне более 5 символов): InpS . dbf
Задайте номер последней строки с классами (в исходном
КОЛИЧЕСТВО КЛАССИФИКАЦИОННЫХ ШКАЛ: 10
КОЛИЧЕСТВО ОПИСАТЕЛЬНЫХ ШКАЛ: 264
Задайте МАХ кол-во градации в классификационных и описательных шкалах:
Считать нули отсутствием данных? [1]-да, [2]-нет: 1
Генерация ооучающеи выоорки
Рисунок 2. Экранные формы стандартного программного интерфейса _153 системы «Эйдос» для формализации предметной области
3 xls-dbf-конвертер есть только в версиях MS Excel 2003 и более ранних, а из последующих он исключен. Поэтому для данного преобразования можно пользоваться специальными конвертерами или OpenOffice.
Данный программный интерфейс полностью автоматизирует выполнение следующего этапа: «Формализация предметной области». В результате его работы формируются справочники классификационных и описательных шкал и градаций и базы данных обучающей выборки (таблицы 6, 7, 8 и 9).
Таблица 6 - СПРАВОЧНИК КЛАССИФИКАЦИОННЫХ ШКАЛ И ГРАДАЦИЙ
KOD NAME
1 Тренд в 1-м кв.: ВС. ПО ХОЛД. Выручка от ре-1/3-{-38.00, -16.20}
2 Тренд в 1-м кв.: ВС. ПО ХОЛД. Выручка от реал-2/3-{-16.20, 5.60}
3 Тренд в 1-м кв.: ВС. ПО ХОЛД. Выручка от реали-3/3-{5.60, 27.40}
4 Тренд в 1-м кв.: ВС. ПО ХОЛД. Себестоимость -1/3-{-40.10, -17.40}
5 Тренд в 1-м кв.: ВС. ПО ХОЛД. Себестоимость пр-2/3-{-17.40, 5.30}
6 Тренд в 1-м кв.: ВС. ПО ХОЛД. Себестоимость при-3/3-{5.30, 28.00}
7 Тренд в 1-м кв.: ВС. ПО ХОЛД. Валовая прибыль-1/3-{-32.70, -6.00}
8 Тренд в 1-м кв.: ВС. ПО ХОЛД. Валовая прибыль-2/3-{-6.00, 20.70}
9 Тренд в 1-м кв.: ВС. ПО ХОЛД. Валовая прибыль-3/3-{20.70, 47.40}
10 Тренд в 1-м кв.: ВС. ПО ХОЛД. Коммерческие ра-1/3-{-24.00, -8.77}
11 Тренд в 1-м кв.: ВС. ПО ХОЛД. Коммерческие расх-2/3-{-8.77, 6.47}
12 Тренд в 1-м кв.: ВС. ПО ХОЛД. Коммерческие расх-3/3-{6.47, 21.70}
13 Тренд в 1-м кв.: ВС. ПО ХОЛД. Чистая прибыль-1/3-{-57.10, -7.97}
14 Тренд в 1-м кв.: ВС. ПО ХОЛД. Чистая прибыль-2/3-{-7.97, 41.17}
15 Тренд в 1-м кв.: ВС. ПО ХОЛД. Чистая прибыль-3/3-{41.17, 90.30}
16 Тренд в 2-м кв.: ВС. ПО ХОЛД. Выручка от ре-1/3-{-38.00, -16.53}
17 Тренд в 2-м кв.: ВС. ПО ХОЛД. Выручка от реал-2/3-{-16.53, 4.93}
18 Тренд в 2-м кв.: ВС. ПО ХОЛД. Выручка от реали-3/3-{4.93, 26.40}
19 Тренд в 2-м кв.: ВС. ПО ХОЛД. Себестоимость -1/3-{-40.10, -17.70}
20 Тренд в 2-м кв.: ВС. ПО ХОЛД. Себестоимость пр-2/3-{-17.70, 4.70}
21 Тренд в 2-м кв.: ВС. ПО ХОЛД. Себестоимость при-3/3-{4.70, 27.10}
22 Тренд в 2-м кв.: ВС. ПО ХОЛД. Валовая прибыль-1/3-{-32.70, -6.00}
23 Тренд в 2-м кв.: ВС. ПО ХОЛД. Валовая прибыль-2/3-{-6.00, 20.70}
24 Тренд в 2-м кв.: ВС. ПО ХОЛД. Валовая прибыль-3/3-{20.70, 47.40}
25 Тренд в 2-м кв.: ВС. ПО ХОЛД. Коммерческие ра-1/3-{-24.00, -8.77}
26 Тренд в 2-м кв.: ВС. ПО ХОЛД. Коммерческие расх-2/3-{-8.77, 6.47}
27 Тренд в 2-м кв.: ВС. ПО ХОЛД. Коммерческие расх-3/3-{6.47, 21.70}
28 Тренд в 2-м кв.: ВС. ПО ХОЛД. Чистая прибыль-1/3-{-57.10, -7.97}
29 Тренд в 2-м кв.: ВС. ПО ХОЛД. Чистая прибыль-2/3-{-7.97, 41.17}
30 Тренд в 2-м кв.: ВС. ПО ХОЛД. Чистая прибыль-3/3-{41.17, 90.30}
Символические обозначения типа: 1/3, 2/3, 3/3 означают, что данная шкала разделена в программном интерфейсе _153 разделена на 3 градации, соответствующих низкому (1/3), среднему (2/3) и высокому (3/3) интервальным значениям тренда экономических показателей.
Таблица 7 - СПРАВОЧНИК ОПИСАТЕЛЬНЫХ ШКАЛ И ГРАДАЦИЙ ___________________(ФРАГМЕНТ)_________________
KOD NAME
(1) ТРЕНД 1 КВ.НАЗАД: 001.БАКАЛЕЯ ООО : ВЫРУЧКА ОТ РЕАЛИЗАЦИИ (ОТГРУЗКА
1 -1/3-{-31.30, -10.50}
2 -2/3-{-10.50, 10.30}
3 -3/3-{10.30, 31.10}
(2) ТРЕНД 1 КВ.НАЗАД: 001.БАКАЛЕЯ ООО : СЕБЕСТОИМОСТЬ ПРИОБРЕТЕНИЯ
4 -1/3-{-33.20, -12.03}
5 -2/3-{-12.03, 9.13}
б -3/3-{9.13, 30.30}
(3) ТРЕНД 1 КВ.НАЗАД: 001.БАКАЛЕЯ ООО : ВАЛОВАЯ ПРИБЫЛЬ
7 -1/3-{-20.90, 1.03}
е -2/3-{1.03, 22.97}
9 -3/3-{22.97, 44.90}
(4) ТРЕНД 1 КВ.НАЗАД: 001.БАКАЛЕЯ ООО : КОММЕРЧЕСКИЕ РАСХОДЫ:
10 -1/3-{-14.30, 3.83}
11 -2/3-{3.83, 21.97}
12 -3/3-{21.97, 40.10}
(5) ТРЕНД 1 КВ.НАЗАД: 001.БАКАЛЕЯ ООО : ЧИСТАЯ ПРИБЫЛЬ
13 -1/3-{-588.80, 6061.27}
14 -2/3-{6061.27, 12711.33}
15 -3/3-{12711.33, 19361.40}
(б) ТРЕНД 1 КВ.НАЗАД: 002.РОССИНГРИДГРУПП : ВЫРУЧКА ОТ РЕАЛИЗАЦИИ
1б -1/3-{-80.60, -36.53}
17 -2/3-{-36.53, 7.53}
1е -3/3-{7.53, 51.60}
(7) ТРЕНД 1 КВ.НАЗАД: 002.РОССИНГРИДГРУПП : СЕБЕСТОИМОСТЬ ПРИОБРЕТЕНИЯ:
19 -1/3-{-83.20, -36.57}
20 -2/3-{-36.57, 10.07}
21 -3/3-{10.07, 56.70}
(е) ТРЕНД 1 КВ.НАЗАД: 002.РОССИНГРИДГРУПП : ВАЛОВАЯ ПРИБЫЛЬ
22 -1/3-{-44.80, -18.67}
23 -2/3-{-18.67, 7.47}
24 -3/3-{7.47, 33.60}
(9) ТРЕНД 1 КВ.НАЗАД: 002.РОССИНГРИДГРУПП : КОММЕРЧЕСКИЕ РАСХОДЫ:
25 -1/3-{-32.60, -11.13}
2б -2/3-{-11.13, 10.33}
27 -3/3-{10.33, 31.80}
(10) ТРЕНД 1 КВ.НАЗАД: 002.РОССИНГРИДГРУПП : ЧИСТАЯ ПРИБЫЛЬ
2е -1/3-{-423.80, 45.07}
29 -2/3-{45.07, 513.93}
30 -3/3-{513.93, 982.80}
Таблица S - О
БУЧАЮЩАЯ ВЫБОРКА: БАЗА ЗАГОЛОВ КОВ
KOD 1ST NAME 1ST 1 2 3 4 б 6 7 з 9 1D
1 2000 1K 3 9 12 15 1е 21 23 2б 29
2 2 О о о 2K 3 б е 11 14 1е 21 24 27 29
3 2000 3K 3 б 9 12 14 1б 19 22 25 2е
4 2 О О О 4K 1 4 7 10 13 1е 21 24 27 30
5 2001 1K 3 б 9 12 15 1е 21 23 2б 29
б 2001 2K 2 5 е 11 14 1е 21 24 27 29
7 2001 3K 3 б 9 12 14 17 20 22 2б 2е
е 2001 4K 2 5 7 11 13 1е 21 23 27 30
9 2 О О ю 1K 3 б е 12 15 1е 20 23 2б 29
10 2002 2K 2 5 е 11 14 1е 21 24 27 29
11 2 О о ю 3K 3 б 9 12 14 17 20 22 2б 2е
12 2002 4K 2 5 7 11 13 1е 21 24 27 29
13 2003 1K 3 б 9 12 14 1е 21 23 2б 29
14 2 О о со 2K 3 б е 11 14 1е 21 24 27 29
15 2003 3K 3 б 9 12 14 17 20 23 27 2е
1б 2 О о со 4K 2 5 е 12 13 1е 21 23 2б 30
17 2004 1K 3 б е 11 15 1е 21 23 2б 29
1е 2004 2K 3 б е 11 14 1е 21 23 27 29
19 2 О о 4 3K 3 б е 12 14 17 20 22 2б 2е
20 2004 4K 2 5 7 11 13 1е 21 23 27 30
21 2 О о сл 1K 3 б е 12 15 1е 21 23 2б 29
22 2005 2K 3 б е 11 14 1е 21 24 27 29
23 2 о О СЛ 3K 3 б 9 12 14 1б 19 22 2б 2е
24 2005 4K 1 4 7 11 13 1е 21 24 27 30
25 2 О о О) 1К 3 6 9 12 15 18 21 23 27 29
26 2006 2К 3 6 8 12 14 18 21 24 27 29
27 2 О О О) 3К 3 6 9 12 14 16 19 22 26 28
28 2006 4К 1 4 7 11 13 18 21 23 27 29
29 2007 1К 3 6 8 12 14 18 21 24 26 30
30 2 О о -V] 2К 3 6 9 11 15 18 21 27 30
31 2007 3К 3 6 12 15 16 19 22 26 28
32 2 О о -V] 4К 1 4 7 11 13 18 21 23 27 29
33 2008 1К 3 6 8 12 14 18 21 23 27 28
34 2008 2К 3 6 8 12 13 17 20 23 25 29
35 2 О о 00 3К 2 5 8 10 14 16 19 22 25 28
36 2 о о 00 4К 1 4 7 10 13 18 21 23 26 29
37 2 о о со 1К 3 6 8 11 14 18 21 23 26 28
38 2009 2К 3 6 8 11 13 18 21 23 27 29
39 2 о о со 3К 3 6 8 12 14
40 2009 4К
Таблица 9 - ОБУЧАЮЩАЯ ВЫБОРКА: БАЗА ТРЕНДОВ ПОКАЗАТЕЛЕЙ
(ФРАГМІ
КОй ІБТ 1 2 3 4 5 6 7 8 9 10 11
1
2 3 6 9 11 15 18 21 23 26 28 33
2 38 41 43 47 50 53 57 59 63 66 68
2 73 78 81 84 87 89 93 94 97 100 103
2 111 113 117 119 122 126 129 132 134 138 140
2 147 150 152 154 159 162 164 167 169 174 177
2 183 186 187 191 194 197
3 3 6 8 11 13 17 20 23 26 28 32
3 38 41 43 48 51 54 56 60 62 65 67
3 73 77 80 83 85 89 93 94 98 101 103
3 111 113 116 118 121 125 129 135 138 141 142
3 150 152 154 159 162 165 168 171 173 177 179
3 184 187 190 194 197 201 204 207 209 213 216
3 221 224 226 231 234 236 239 241 245 248 251
3 257 261 264 266 270 271 276 279 282 285 287
3 292 295 298 301 305 309 311 315 317 320 324
3 330 332 336 338 341 345 348 350 352 357 360
3 365 367 372 375 378 381 384 385 389 392 395
4 3 6 8 11 13 18 20 24 26 28 33
4 39 42 44 47 50 54 56 59 63 66 68
4 73 78 81 84 86 90 91 94 99 102 104
4 111 112 115 118 121 125 129 132 135 138 140
4 146 150 153 154 158 161 164 167 170 174 177
4 183 184 187 191 194 197 201 204 206 209 211
4 218 221 224 226 230 233 236 239 241 246 249
4 254 258 260 263 265 269 271 275 278 281 283
4 291 292 296 299 301 304 309 311 314 316 319
4 327 333 336 339 340 343 348 350 352 357 360
4 366 369 371 375 377 380 382 385 388 392 395
4 402 405 407 411 414 417 419 422 424 429 432
4 437 439 443 446 449 453 455 459 462 464 468
4 474 477 480 483 485 489 490 493 496 499 503
4 509 513 515 518 522 525 528 530 534 536 539
4 546 548 550 555 558 560 563 565 570 573 576
4 582 583 587 590 593
5 1 4 7 10 13 17 20 24 26 29 32
5 38 40 43 46 49 52 56 58 62 65 67
5 73 76 79 82 85 88 91 94 98 101 104
5 111 112 115 118 121 125 127 130 133 136 140
5 147 150 152 154 158 161 163 167 169 172 175
5 181 184 187 190 193 196 201 204 206 209 211
5 218 222 224 226 231 234 237 240 242 245 248
5 254 257 261 264 266 270 271 276 279 282 285
5 289 292 297 300 302 305 309 310 313 316 319
5 327 330 333 336 338 341 344 348 351 352 356
5 362 365 368 372 375 377 381 382 385 389 393
5 399 402 404 407 409 413 416 419 422 424 428
5 434 437 439 444 447 450 452 456 458 461 463
5 469 473 476 479 481 485 489 490 494 497 499
5 507 509 512 514 517 520 525 531 534 537 538
База заголовков (таблица 8) связана с базой трендов факторов (таблица 9) отношением «Один ко многим» по полю: «Код источника информации».
Таким образом, в данной работе созданы все предпосылки для реализации последующих этапов АСК-анализа:
3) синтез и верификация (оценка степени адекватности) модели;
4) решение задачи прогнозирования трендов экономических показателей многоотраслевой корпорации, рассмотрению которых посвящена работа [7].
Литература4
1. Оперативное прогнозирование значений экономических показателей многоотраслевой корпорации с применением технологий искусственного интеллекта (часть 1-я: постановка задачи и формализация предметной области) / Е.В. Луценко,
В.И. Лойко, О. А. Макаревич, Л.О. Макаревич // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2011. -№07(71). С. 692 - 705. - Режим доступа: http://ei.kubagro.ru/2011/07/pdf/49.pdf. 0,875 у. п. л.
2. Оперативное прогнозирование значений экономических показателей многоотраслевой корпорации с применением технологий искусственного интеллекта (часть 2-я: синтез и верификация модели) / Е.В. Луценко, В.И. Лойко, О.А. Макаревич,
Л.О. Макаревич // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2011. - №07(71). С. 706 - 719. - Режим доступа: http://ei.kubagro.ru/2011/07/pdf/50.pdf, 0,875 у.п.л.
3. Луценко Е.В. Автоматизированный системно-когнитивный анализ в управлении активными объектами (системная теория информации и ее применение в исследовании экономических, социально-психологических, технологических и организационно-технических систем): Монография (научное издание). - Краснодар: КубГАУ. 2002. - 605 с.
4. Луценко Е.В., Лойко В.И., Семантические информационные модели управления агропромышленным комплексом. Монография (научное издание). - Краснодар: КубГАУ. 2005. - 480 с.
5. Макаревич О. А. Управление агропромышленным холдингом с применением технологий искусственного интеллекта: Монография (научное издание). - М: "Финансы и статистика", 2009. - 215 с.
6. Луценко Е.В. Системно-когнитивные основы автоматизации инвестиционного управления региональным агропромышленным комплексом с применением интеллектуальных технологий / Е.В. Луценко, В.И. Лойко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университе-
4 Для удобства читателей некоторые из работ приведены на сайте одного из авторов: http ://lc. kubagro. ru
та (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2011.
- №08(72). С. 521 - 535. - Режим доступа: http://ej.kubagro.ru/2011/08/pdf/45.pdf. 0,938 у.п.л.
7. Оперативное прогнозирование трендов экономических показателей многоотраслевой корпорации с применением технологий искусственного интеллекта (часть 2-я: синтез и верификация модели) / Е.В. Луценко, В.И. Лойко, О. А. Макаревич // Поли-тематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2011. - №09(73). - Режим доступа:
http://ej.kubagro.ru/2011/09/pdf/44.pdf, 0,875 у.п.л.
