CC BY
1462. Павлиашвили С. Человеский фактор в социально-экономическом процессе и факторы его развития. [Электронный ресурс] URL: http://www. for.ge/view.php?for_id=4856&cat=3; (последний доступ к ресурсу 07.12.2015 г.).
3. Иакобидзе Д. Для вопросов новой парадигмы экономического развития Грузии. [Электронный ресурс] URL: http://www. globalresearch.ge/workshops/davit-iakobidze-moxseneba.html; (последний доступ к ресурсу 12.02.2016 г.).
4. Кунцева-Габашвили Н. Forbes Georgia. 17 января, 2014, стр.18-19.
5. Национальная служба статистики Грузии: http://www.geostat.ge/(последний доступ к ресурсу 4.03.2016 г.).
6. Национальное агентство вина Грузии: www.georgianwine.gov.ge (последний доступ к ресурсу 22.01.2016г.).
7. The Global Competitiveness Report 2014-2015 // World, Economic Forum. -Швейцария: Davos, 2015. - P. 530.
8. The World Bank: World Development Indicators. Gross National Income per Capita. -2014 // [Электронный ресурс] URL: http://www.worldbank.org/ (последний доступ к ресурсу 13.02.2016г.).
Применение интеллектуальных информационных систем
в сфере экономики
1 2 Кириллов С. Е. , Пучков А. Ю.
1Кириллов Сергей Евгеньевич /Kirillov Sergei Evgenevich - cmydeHm;
2Пучков Андрей Юрьевич /Puchkov Andrei Yurevich - кандидат технических наук, доцент, кафедра менеджмента и информационных технологий в экономике (МИТЭ), Филиал федерального государственного бюджетного образовательного учреждения Высшего образования Национальный исследовательский университет, г. Смоленск
Аннотация: в данной статье рассматривается тема применения интеллектуальных информационных систем в экономической сфере. Также описаны возможности, достоинства и недостатки данных систем.
Ключевые слова: интеллектуальные информационные системы, экономика, экспертные системы, база знаний, нейросетевые технологии.
Развитие современной экономики невозможно представить без внедрения современных информационных технологий. За основу этих технологий берутся, как правило, различные экономические информационные системы. Современная экономика должна быть эффективной, а для этого, в первую очередь, необходимо эффективное управление. Главной проблемой в этом случае является разработка и принятие управленческих решений, а также их оценка и прогнозирование последствий в условиях неопределенности. Для решения данной проблемы необходимо применять различные средства и методы интеллектуальных информационных технологий, которые считаются наиболее эффективными для решения подобного рода задач.
Сфера применения интеллектуальных информационных технологий огромна, и включает выполнение различных функций, начиная от обычной служебной переписки и заканчивая решением сложных задач принятия решений. Главным этапом для развития этих технологий является разработка и использование различных экспертных систем в сфере экономики.
Назначение экспертных систем заключается в решении достаточно трудных для экспертов задач на основе накапливаемой базы знаний, отражающей опыт работы экспертов в рассматриваемой проблемной области [1]. Главным плюсом применения
экспертных систем является возможность принятия решений в уникальных ситуациях, алгоритм которых изначально не известен и формируется в форме цепочки различных правил из базы знаний. База знаний - это совокупность единиц знаний, которые представляют собой формализованное с помощью некоторого метода представления знаний отражение объектов проблемной области и их взаимосвязей, действий над объектами и, возможно, неопределенностей, с которыми эти действия осуществляются [1].
Интеллектуальные информационные системы имеют следующую классификацию:
- интеллектуальные базы данных, в том числе с интерфейсами, использующими естественный язык, гипертекст и мультимедиа, когнитивную графику;
- самообучающиеся системы на принципах индуктивного вывода, нейронных систем, поиска прецедентов, организации информационных хранилищ;
- статические и динамические экспертные системы;
- адаптивные информационные системы на основе использований СЛ8Б-технологий и/или компонентных технологий [2].
Однако, при всех достоинствах и широком применении интеллектуальных информационных систем, они, как и любые другие системы, имеют ряд недостатков. Одним из главных минусов является сложность определения границ возможностей ИИС. Также весомым недостатком таких систем являются и значительные трудовые затраты, которые необходимы для наполнения базы знаний.
Некоторые ограничения и трудности возникают также на стадии проектирования экспертных систем. Такие системы слабо приспособлены к обучению, по каким либо новым правилам, а также малоэффективны в случаях, когда надо учитывать нестандартность задач.
Очевидно, что в будущем успешно развиваться будут те предприятия, которые смогут собирать, изучать и использовать необходимую информацию о рынках, новых продуктах, предложениях, ценах и т.д. При этом растущий уровень конкуренции, высокий уровень неопределенности деловой среды и риски, делают необходимым практическое использование новых эффективных интеллектуальных информационных систем, обладающих всеми нужными характеристиками.
Наиболее значимый эффект от внедрения интеллектуальных информационных систем достигается там, где для принятия решений вместе с различными показателями необходимо учитывать и слабо формализованные факторы -социальные, политические или экономические. Именно поэтому в области экономики, менеджмента, управления, инвестиционного анализа и стратегического планирования существует множество сфер деятельности, в которых можно применить интеллектуальные системы и технологии.
Интеллектуальные информационные системы могут проводить диагностику состояния предприятий или организаций, а также обеспечивать выбор оптимальных решений в соответствии со стратегией развития предприятия и оказывать помощь в антикризисном управлении. Благодаря наличию средств естественного речевого интерфейса, появляется возможность использовать интеллектуальные информационные системы и тем пользователям, которые не знают языков программирования.
Существуют и другие технологии представления знаний из огромных объемов накопленной экономической информации - это нейросетевые технологии. Суть данных технологий заключается в распознавании образцов и обучении на основе нейронных сетей. Технологии такого вида используются при прогнозировании финансовой деятельности предприятий и организаций, а также являются современными и довольно мощными технологиями прогнозирования в экономической сфере в целом.
Литература
1. Тельнов Ю. Ф. Интеллектуальные информационные системы в экономике: Учебное пособие М: СИНТЕГ, 2002. 316 с.
2. Дубок С. А. Информационные системы в экономике: Учебный курс. [Электронный ресурс]: URL: http: //www.e-
college.ru/xbooks/xbook018/book/index/index. html?go=part-019*page.htm (дата обращения: 26.03.2016).
Использование аппарата искусственных нейронных сетей
для оценки кредитоспособности юридических лиц
1 2 Михалченкова Е. А. , Пучков А. Ю.
Михалченкова Екатерина Андреевна /Mikhalchenkova Ekaterina Andreevna - cmydeHm;
2Пучков Андрей Юрьевич /Puchkov Andrei Yurevich - кандидат технических наук, доцент, кафедра менеджмента и информационных технологий в экономике (МИТЭ), Филиал федерального государственного бюджетного образовательного учреждения Высшего образования Национальный исследовательский университет, г. Смоленск
Аннотация: авторы в данной статье провели исследование, доказывающее, что аппарат искусственных нейронных сетей является эффективным способом оценки кредитоспособности юридических лиц.
Ключевые слова: нейронные сети, кредитный скоринг, кредитоспособность юридических лиц.
Аппарат искусственных сетей представляет собой совокупность математических моделей (нейронных сетей), способных обучаться на массивах данных и с помощью этого решать задачи прикладного характера, будь то прогноз или классификация, с чем лучше всего справляется модель нейронной сети - многослойный персептрон.
Алгоритм проведенного исследования можно представить следующим образом:
1. Сбор статистической информации, характеризующей две группы заемщиков. В первую группу были включены заемщики, которые в той или иной степени отклонились от условий договора о займе, нарушив его пункты; во вторую группу -лица, в полной мере погасившие свои обязательства без каких - либо сложностей.
2. Выбор скоринговой модели, наиболее точно отражающей финансовую устойчивость предприятия.
3. Формирование обучающегося и тестового массивов. Выполнить предобработку данных, используя принцип «один из N».
4. Определение архитектуры нейронной сети: числа слоев и количества нейронов в них, вид нейронной (синоптической) связи.
5. Обучение нейросети выбранной архитектуры.
6. Определение оптимальной архитектуры нейросети, обеспечивающей наименьшую ошибку. Осуществление прогноза кредитоспособности.
Операции по обработке исходных данных и формированию массивов для нейронной сети были осуществлены в программе MS Excel с использованием арифметических функций, функций логики и условия. Полученные результаты представлены в таблице №1.
