авторефераты диссертаций БЕСПЛАТНАЯ БИБЛИОТЕКА РОССИИ

КОНФЕРЕНЦИИ, КНИГИ, ПОСОБИЯ, НАУЧНЫЕ ИЗДАНИЯ

<< ГЛАВНАЯ
АГРОИНЖЕНЕРИЯ
АСТРОНОМИЯ
БЕЗОПАСНОСТЬ
БИОЛОГИЯ
ЗЕМЛЯ
ИНФОРМАТИКА
ИСКУССТВОВЕДЕНИЕ
ИСТОРИЯ
КУЛЬТУРОЛОГИЯ
МАШИНОСТРОЕНИЕ
МЕДИЦИНА
МЕТАЛЛУРГИЯ
МЕХАНИКА
ПЕДАГОГИКА
ПОЛИТИКА
ПРИБОРОСТРОЕНИЕ
ПРОДОВОЛЬСТВИЕ
ПСИХОЛОГИЯ
РАДИОТЕХНИКА
СЕЛЬСКОЕ ХОЗЯЙСТВО
СОЦИОЛОГИЯ
СТРОИТЕЛЬСТВО
ТЕХНИЧЕСКИЕ НАУКИ
ТРАНСПОРТ
ФАРМАЦЕВТИКА
ФИЗИКА
ФИЗИОЛОГИЯ
ФИЛОЛОГИЯ
ФИЛОСОФИЯ
ХИМИЯ
ЭКОНОМИКА
ЭЛЕКТРОТЕХНИКА
ЭНЕРГЕТИКА
ЮРИСПРУДЕНЦИЯ
ЯЗЫКОЗНАНИЕ
РАЗНОЕ
КОНТАКТЫ


Pages:     | 1 | 2 || 4 |

«МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ ИНСТИТУТ УПРАВЛЕНИЯ, ИНФОРМАЦИИ И БИЗНЕСА ...»

-- [ Страница 3 ] --

Выводы 1. Усиление потенциала прогнозирования производства в экономике муниципального образования обусловлено рыночными условиями развития и обеспечивается применением для определения перспективных социально-экономических показателей методики, базирующейся на использовании аппарата искусственных нейронных сетей.

2. Методика прогнозирования на основе искусственной нейронной сети направлена на построение модели производства с учетом объемов выпуска по основным видам продукции.

3. Основные свойства и характеристики предлагаемой методики:

представляет собой развитие экономико-математического модели рования социально-экономических процессов;

в настоящее время имеет большое распространение в связи с рыночными условиями развития экономики;

основана на нейроматематике;

предполагает использование программ-генераторов искусствен ных нейронных сетей;

предназначена для решения задач моделирования и прогнози рования;

методика осуществляется поэтапно, в соответствии с требо ваниями нейросетевой обработки данных и с указаниями разработчика программ-генераторов искусственной нейронной сети.

4. В данной работе для создания нейронной сети использовался нейросимулятор NeuroPro. Обучение сети проводилось на выборке из показателей предыдущих периодов, использовались данные за год, первые три месяца 2000 года.

5. Для проверки прогнозной способности нейронной сети были использованы данные, ежемесячно учитываемые официальной статистикой за первую половину 2000 года.

6. Качество получаемых прогнозов во многом зависит от архитектуры используемой сети, режимов её обучения и от того, какие данные были подготовлены для подачи на вход нейронной сети и в каком виде. Поэтому подбор оптимальных режимов обучения, архитектуры и формы входных данных основывается на данных, полученных в результате эмпирических исследований и согласно методическим указаниям разработчика пакета – нейросимулятора для пользователей.

7. Данные подаются на вход нейронной сети в квантованном виде, т.е. имеют не непрерывное множество значений, а дискретное. В исследовании применялся алгоритм бинаризации данных с помощью пороговых значений. При этом переменные принимали вид «1», если наблюдался рост показателя, относительно порогового значения, и «0» во всех других случаях. Квантование (бинаризация) переменных обусловлено тем, что прогнозируется не само значение промышленного производства, а лишь его рост.

8. Модель производства, полученная с помощью предложенной нейро сетевой технологии обработки данных, имеет определенную структуру и параметры, объективно отражающие особенности территории.

Длительность существования найденных моделей определяется периодом сбора статистических данных, из которых они извлекаются.

9. С помощью обученной нейронной сети можно отследить структурные изменения в экономике муниципального образования “Город Ухта”. Так, например, в первом квартале 2000 года развитие экономики определялось добычей нефти, производством бензина, производством молока в сельском хозяйстве, производством хлеба и хлебобулочных изделий в АПК;

во втором квартале 2000 года значимыми факторами, определяющими рост производства в экономике города, является добыча нефти, производство дизельного топлива, производство молока в сельском хозяйстве, производство молочной продукции в АПК.

Таким образом, предлагаемая методика позволяет объективно решать задачи анализа факторов, определяющих рост производства в экономике муниципального образования в анализируемом периоде, моделировать и прогнозировать рост производства в анализируемом периоде;

количественно определять факторы, определяющие рост производства.

Глава III. Применение методики прогнозного моделирования производства в управлении экономикой муниципаль ного образования Реализация методики прогнозного моделирования произ 3. водства на основе автоматизированной информационной системы Реализация методики прогнозного моделирования производства необходима на базе автоматизированной информационной системы, где обученная нейронная сеть является элементом, обеспечивающим необходимую аналитическую обработку данных. Внедрение в практику разработки прогнозов нейросетевых моделей на базе автоматизированной информационной системы позволяет повысить уровень прогнозирования социально экономического развития муниципального образования по двум направлениям - методологическом и технологическом.

Можно утверждать, что данная методика будет востребована специалистами по управлению экономикой муниципального образования в качестве повседневного инструмента, если она будет автоматизирована. В этом случае специалисты администрации муниципального образования смогут ежемесячно (ежеквартально, в течении полугодового срока, года, двух лет и т.д.) отслеживать тенденции развития экономики, составлять адекватные прогнозы и варианты ее развития и всю эту работу выполнять оперативно.

Продуктивность таких технологий очевидна в рыночных условиях развития, когда неизмеримо возрастает потребность в предвидении тенденций социально-экономического развития и быстрой оценке последствий принимаемых решений.

Рекомендации по внедрению методики прогнозного моделирования производства должны обеспечить порядок разработки и внедрения полученных в ходе исследования методических и технологических решений на основе автоматизированной системы.

Исходя из этого, рекомендации содержат: цели создания автоматизированной системы, ее основные характеристики (структуру, функции системы), требования к разрабатываемой системе, модельное представление системы, технологическую схему формирования, хранения, обработки данных, перечень необходимых ресурсов для разработки и поддержки системы (схему баз данных, технические средства, кадры).

В процессе разработки автоматизированных информационных систем (АИС) традиционно выделяют несколько этапов, это:

предпроектный анализ объекта автоматизации, разработка проекта системы, реализация проекта, внедрение. Предпроектный анализ занимает особое место в технологии разработки АИС, так как на данном этапе определяются требования к системе, формируется ее будущая структура. Результаты предпроектного обследования (анализа) находят отражение в форме различных информационных моделей, которые могут представляться как информационно логические, включающие в себя информационные схемы, таблицы содержания входной и выходной информации по каждой операции преобразования, либо как информационные матричные модели с раскрытием показателей документов. В процессе разработки АИС оформляется в установленном порядке документация в форме Технического задания и Технического проекта. Если оформляется стадия внедрения - различные инструктивные материалы пользо вателям и методические указания по применению и поддержке АИС.

Для решения задачи автоматизации предлагаемой методики прогнозного моделирования необходимо:

рассмотреть существующую классификацию АИС с целью определения типовой структуры создаваемой автоматизированной информационной системы;

сформировать общие требования к автоматизированной информационной системе, ее составу и содержанию типовых проектных работ;

определить перечень необходимых подсистем в зависимости от выполняемых системой функций;

разработать модельное представление автоматизированной информационной системы, Техническое задание и Технический проект, определяющие порядок разработки и внедрения АИС;

определить необходимые технические средства АИС.

Анализ существующих автоматизированных информационных технологий показал, что для решения задачи автоматизации процесса прогнозирования экономического развития муниципального образования, наиболее актуальными является структура и набор функций, предлагаемых технологией поддержки принятия решений.

Отсюда определены основные типовые компоненты разрабатываемой АИС, их функциональное назначение:

база данных, как элемент, основной для любой АИС;

автоматизированная система должна обладать удобными и надёжными средствами управления базой данных, отслеживающими целостность и согласованность хранимой информации;

база моделей как аналитический блок АИС;

автоматизированная система должна иметь в составе базы моделей стратегические и оперативные модели для обеспечения разработки краткосрочных, среднесрочных, долгосрочных прогнозов;

подсистема управления интерфейсом;

назначение интерфейса - предоставлять пользователю возможность интегрироваться в систему, отслеживая технологию процесса там, где это является необходимым;

подсистемы управления базой моделей и базой данных, назначение которых в том, что они должны обеспечивать операции с данными структурами информации.

В разрабатываемой АИС обученная нейронная сеть обеспечивает подготовку принятия решений.

Основные (типовые) компоненты системы поддержки принятия решений представлены в Главе II (рис 1.6).

В процессе формирования требований к системе необходимо последовательно рассмотреть: объект автоматизации, последовательность выполнения операций прогноза, перечень автоматизируемых процедур и функций разрабатываемой системы.

Кроме того, необходимо определить подсистемы и их характеристики, тип интерфейса, необходимые программные и технические средства разработки системы и поддержки ее функционирования.

Объектом автоматизации является процесс разработки прогноза социально-экономического развития муниципального образования, который дополняется нейросетевыми моделями, обеспечивающими прогноз производства в экономике города.

Основными этапами процесса разработки прогноза являются:

подготовка материалов к формированию прогноза;

обоснование и выполнение расчёта прогнозных показателей;

формирование и уточнение прогноза;

составление пояснительной записки.

Под подготовкой материалов к формированию прогнозов понимается сбор необходимой информации в отделах администрации и на предприятиях города.

Предприятия, расположенные на территории МО “Город Ухта” предоставляют информацию об объемах производства основной продукции или объеме оказанных платных услуг в натуральном и денежном выражении, о среднесписочной численности персонала, их среднемесячной заработной плате, прибыли и убытках предприятия, кредиторской и дебиторской задолженности предприятия, задолженности по заработной плате, данные по прогнозу развития предприятия.

Отделы администрации и другие службы города представляют информацию об уровне жизни населения об общей численности населения, о численности безработных, о численности занятого населения, стоимости минимальной потребительской корзины, среднемесячном розничном товарообороте, об объемах инвестиций в производственную и непроизводственную сферу, состоянии городского бюджета, индексы-дефляторы, макроэкономические показатели развития территории.

На этапе формирования и уточнения прогноза на основе методических рекомендаций Министерства экономики Республики Коми рассчитываются прогнозные показатели и показатели предыдущих периодов, систематизируются данные, выявляются тенденции экономического развития территории. Прогноз уточняется на основе текущих показателей развития.

В пояснительную записку включается таблица значений прогнозных показателей, их обоснование и сам прогноз.

Основными требованиями к разрабатываемой системе является выполнение следующих функций:

сбор, хранение, обработка информации, характеризующей социально-экономическое развитие территории;

преобразование информации в формат нейросети с целью последующей генерации прогнозных моделей роста производства в экономике города;

прогнозное моделирование производства основных видов продукции и генерация моделей производства на основе обученной нейронной сети;

формирование запросов и отчетов.

В соответствии с основными функциями АИС имеет следующую структуру, т.е. включает следующие подсистемы:

База данных – для обеспечения надежного хранения данных, согласованности данных при выполнении операций над таблицами базы данных.

Подсистема заполнения базы данных – для обеспечения ввода информации в базу данных, согласованности данных при возникновении сбоев и отказов при вводе данных;

для обеспечения процедуры авторизации.

Кодировщик – для представления данных в формате нейронной сети (квантование исходных данных, предобработка данных).

Нейронная сеть – обеспечивает математический аппарат обработки данных и построения прогнозных моделей в формате нейронной сети.

Генератор отчетов - подсистема формирования запросов и отчётов.

Для обеспечения надежности выполнения функций системы необходимо соблюдать следующие требования:

Функции должны быть защищены от выполнения при неверных действиях пользователя.

Расчетные функции не должны выполняться при нарушении технологии обработки данных, сбоях оборудования и программного обеспечения, которые могут привести к искажению информации в базе данных.

Функционирование системы должно осуществляться без участия специалистов по информационно-программному обеспечению при минимальной специальной подготовке пользовательского персонала.

Интерфейс системы должен быть нагляден, интуитивно понятен пользователю, должен включать такие элементы как меню, управляющие компоненты, окна, обеспечивающие ввод, вывод, просмотр информации, всплывающие подсказки, и др. типовые элементы оконного Windows-интерфейса. Интерфейс не должен позволять пользователю вносить некорректную информацию в базу данных, или строить некорректные запросы к ней. Методический и инструктивный материал должен находиться в информационных блоках системы (Help системы) и позволять осваивать систему пользователю с минимумом дополнительных консультаций.

Для поддержки функционирования системы на ЭВМ пользователя должна быть установлена операционная система Windows NT или Windows 95/98.

Для хранения данных используется база данных формата DBF.

Через формат файлов с расширением DBF осуществляется интеграция в систему нейросетевых моделей. Работа с базой данных осуществляется через механизм ODBC-соединений.

На этапе анализа и проектирования структуры базы данных для построения модели данных используются как инструменты следующие программные пакеты: BPWin (Platinum) и ERWin (Platinum);

в результате их применения получаем логическую модель данных, которая дает представление о структуре информации, которая используется системой.

Для реализации запросов к базе данных и формирования отчетов используется язык SQL.

Техническое обеспечение системы определяется наличием в администрации муниципального образования компьютеров типа IBM PC AT или 100% совместимых на базе процессора 80486 и выше, со свободным дисковым пространством не менее 30 Мбайт. Для вывода отчётов на печать ПЭВМ должен быть обеспечен доступ к принтеру.

Для нормального функционирования системы необходимо, оснастить конечных пользователей рабочими станциями, с конфигурацией не ниже 80486, 32Mb ОЗУ, VGA.

Список требований к разрабатываемой системе более полно представлен в Приложении III (Техническое задание на разработку АИС “Прогноз социально-экономического развития муниципального образования “Город Ухта”).

С учетом сформированных требований к автоматизированной информационной системе разрабатывается Технический проект системы. Основной задачей этапа разработки проекта является выработка представлений о системе;

результаты данного этапа отражаются в виде различных информационных схем и моделей.

Это следующие информационные схемы и модели АИС:

структурно-функциональная схема (модель) системы;

схема информационных потоков (модель потоков) в системе;

технологическая схема (модель) обработки данных в системе;

структура и методы хранения информации в системе;

организация данных (модель данных) в системе;

виды входной и выходной информации системы;

интерфейсная часть (модель интерфейса) системы.

Информационные потоки определяются последовательностью выполнения вычислительных операций в процессе разработки прогнозов и формированием и использованием в ходе этого процесса поддерживающего документооборота. В ходе исследования идентифицированы информационные потоки, схема которых приведена в Приложении III.

Входная и выходная информация в системе представлена различными формами, реализующими отчеты с расчетными показате лями;

результатами (моделями), которые используются для получения данных в прогнозах муниципального развития. Выходные отчеты с расчетными показателями формируются с выводом на экран монитора, в текстовый файл, на печать. Содержание выходного запроса опре деляется содержанием запроса на языке SQL. Виды входных и выход ных форм, их структура, содержание, интерфейс подробно представлен в Приложении IV (Технический проект на создание АИС).

Модели автоматизированной информационной системы.

Следуя основным положениям методологии создания автоматизированных информационных систем, для обеспечения необходимой наглядности представим систему в моделях, где совмещаются основные структурные блоки системы и выполняемые ею основные функции (т.н. структурно-функциональная схема автоматизированной информационной системы).

результаты запроса отчет вформате нейросети Генератор Подсистема отчетов отчет заполнения БД Кодировщик нейросеть Составление, Контроль входных Кодирование Анализ отчетов исполнение данных и их ввод отчетов в и составление запросов и статистические в БД. формат прогнозов показатели предоставление нейросети пользователю их резутьтатов прошедшие корректировку показатели отчет Запрос полькователя генератор отчетов вывод отчетов в База файл или на данных печать Рис 3.1. Структурно- функциональная схема АИС Из представленной на рисунке 3.1. схемы видно, что данные, характеризующие социально-экономическое развитие муниципального образования, поступают в автоматизированную информационную систему через подсистему заполнения базы данных;

здесь осуществля ется контроль данных на соответствие формату ввода, на допустимый диапазон значений, выполняются процедуры авторизации и т.д.

Следующий структурный блок системы – база данных;

здесь осуществляется структуризация данных, их хранение, первичная обработка.

Пользователь получает доступ к информации из базы данных через использование запросов и генератор отчетов, результаты запросов представляются на экране монитора, сохраняются в файлах, выводятся на печать.

Следующие структурно-функциональные блоки системы отвечают за подготовку данных для обработки их в нейронной сети, за построение нейросетевых моделей прогнозирования роста производства в экономике города.

Таким образом, структурно-функциональная схема АИС дает наглядное представление об основных функциональных блоках системы, о последовательности формирования и использования информации в процессе построения прогнозных моделей.

Технологическая схема АИС (рис. 3.2) дает представление об основных этапах и последовательности обработки данных в системе.

Технологический процесс обработки данных включает следующие этапы обработки данных: регистрацию данных, хранение данных, обработку данных.

Процесс регистрации данных Вывод входной заполнение Контроль входных Корректировка Добавление данных формы,заполнения формы данных данных вБД БД Рис. 3.2. Процесс регистрации данных Регистрация данных осуществляется путем заполнения форм ввода при осуществлении необходимого контроля на корректность данных, необходимую первичную корректировку данных и занесение их в хранилище данных – в базу данных.

Для хранения данных используется формат файлов.DBF.

Использование данного формата обуславливается тем, что это один из самых распространенных и поддерживаемых производите лями программного обеспечения стандартов хранения информации.

Процесс обработки вывод входной формы для заполнение фомы Генерация SQL строки данных построения пользователем на основе запроса.

запроса выполнение запроса Отрображение Прогнозирование кодирова данных для полученной по средствам прогнозирования информации на экран нейросети.

текстовый файл вывод отчета на вывод отчета в печать принтер текстовый файл Рис 3.3. Процесс обработки данных Обработка данных (рис. 3.3) осуществляется в ходе вычислительных действий, реализуемых в ходе запросов к базе данных, а также в результате расчетов с использованием математического аппарата искусственных нейронных сетей и нейросимулятора NeuroPro. Результаты обработки представляются в виде сгенерированных отчетов и нейросетевых моделей.

Информационная модель АИС.

Информационная модель автоматизированной информацион ной системы включает две составляющие: логическую модель базы данных и физическую модель базы данных. Логическая модель определяет структуру хранилища информации, физическая модель определяет количество таблиц (файлов) для хранения информации, тип данных, организацию хранения.

Логическая структура хранилища представлена рис. 3.4.

Из схемы видно, что хранилище включает 6 отдельных отношений (таблиц): 5 справочников (справочная информация), и одно рабочее.

finance Farm Eat Finance_ID исп. кап.влож. из всех ист.

Farm_ID eat_ID Скот и птица в живой массе цельномолочная прод. исп. кап. влож. в произв. сфере.

молоко хлеб и хлебоизд. исп. кап. влож. в непроизв. сфере.

картофель мясо и субпрод. розничный товарооборот овощи объем платных услуг стоимость МПК people Industry people_ID отчет по СХ Ind_ID числ. экон. активног нас.

продукция промышленности числ. занятого нас.

нефть общая числ. нас.

бензин числ. нас. в статусе безработ.

отчет по переработке АПК диз. топливо прев. обработка нефти делов. древисина пиломатериалы стеновые материалы отчет по вложениям.

Org Рег. номер предприятие дата отчет по населению отчет по помышленности. среднемесячная зарплата прибыль убыток Дебит. задолженность Кредит. задолженность Задоженность по зарплате Ind_ID (FK) (IE) Farm_ID (FK) (IE) eat_ID (FK) (IE) Finance_ID (FK) (IE) people_ID (FK) (IE) Рис. 3.4. Логическая модель данных АИС Физическая модель хранилища представлена одним файлом storage.DBF, в котором содержатся все отношения (таблицы) базы, индексная информация.

База данных включает следующие информационные отноше ния:

Отношение Ogr - хранит информацию о предприятиях:

Таблица 3. Имя поля Тип Значение регистрационный номер отчета *Reg_num Text дата получения отчета Date_Inc Date среднемесячная зарплата Avg_sale Float прибыль предприятия Income Float убытки предприятия Outcome Float дебиторская задолженность Debit_zad Float кредиторская задолженность Credit_zad Float название организации Ogr_Name Text задолженность по зарплате.

Sale_zad Float Отношение Farm - хранит информацию об основных показателях сельского хозяйства:

Таблица 3. Имя поля Тип Значение ключ отношения Farm *Farm_ID Counter объем производства молока Milk Float объем производства скота и птицы Cattle Float объем производства картофеля Potato Float объем производства овощей Vegetables Float Отношение Industry - хранит информацию об основных показателях промышленного производства:

Таблица 3. Имя поля Тип Значение Сounter ключ отношения Industry Industry_ID продукция, произведенная за отчетный период all_prod Float производство нефти Oil Float производство бензина Petrol Float производство дизельного топлива Fuel Float производство переработки нефти oil_prod Float производство деловой древесины wood Float производство пиломатериалов wood_prod Float производство кирпича и стеновой продукции wall Float Отношение хранит информацию об основных Eat показателях АПК:

Таблица 3. Имя поля Тип Значение ключ отношения Eat *Eat_ID Counter производство цельномолочной продукции Milk_prod Float производство хлебобулочных изделий Bead Float производство мяса и субпродуктов Meat Float Отношение Finance - хранит информацию об объеме инвестиций:

Таблица 3. Имя поля Тип Значение ключ отношения Finance *Finance_ID Counter инвестиции всего Inv_All Float инвестиции в производственную сферу Inv_indust Float инвестиции в непроизводственную сферу Inv_service Float среднемесячный розничный товарооборот Trade Float платные услуги населению Servisce Float стоимость МПК MPK Float Отношение People - хранит информацию о занятости населения:

Таблица 3. Имя поля Тип Значение ключ отношения People *People_ID Counter общая численность населения People_all Float численность работоспособного населения Can_work Float численность занятого населения Have_job Float численность безработных Jobless Float Отношения связи:

Отношение Farm_Org - отношение связи таблиц Farm и Org:

Таблица 3. Имя поля Тип Значение регистрационный номер отчета * Reg_num Text ключ отношения Farm Farm_ID Counter Отношение Industry_Org - отношение связи таблиц Industry и Org:

Таблица 3. Имя поля Тип Значение регистрационный номер отчета * Reg_num Text ключ отношения Industry Industry_ID Counter Отношение Eat_Org - отношение связи таблиц Eat и Org:

Таблица 3. Имя поля Тип Значение регистрационный номер отчета * Reg_num Text ключ отношения Eat Eat _ID Counter Отношение Finance_Org - отношение связи таблиц Finance и Org:

Таблица 3. Имя поля Тип Значение регистрационный номер отчета * Reg_num Text Сounter ключ отношения Finance Finance_ID Отношение People_Org - отношение связи таблиц People и Org:

Таблица 3. Имя поля Тип Значение регистрационный номер отчета * Reg_num Text Ключ отношения Industry People _ID Counter На основе представленных моделей разрабатываемой АИС, Технического задания, Технического проекта (Приложение III и Приложение IV) на автоматизированную информационную систему осуществляется разработка программной части АИС.

3.2. Формирование и реализация управляющих воздействий на основе результатов прогнозного моделирования производства Полученные на основе предлагаемой методики модели производства можно трактовать как варианты роста производства в экономике муниципального образования, которые могут быть использованы при выработке управляющих решений.

Рассмотрим для примера значения одной из найденных моделей, полученной по проведенным расчетам с использованием обученной нейронной сети, характеризующей производство в 1999 г. I квартале 2000 г. для прогноза на второй квартал 2000 года.

В табл. 2.6 Главы II представлены данные, характеризующие факторы роста производства в 1999 г. - I квартале 2000 г. Все возможные сочетания факторов роста производства даны в табл. 3.12.

Путем опроса обученной нейронной сети получаем значения Y в табл. 3.12. Как видим, не все сочетания факторов роста производства, во втором квартале 2000 г. это: X1 (добыча нефти), X3 (производство дизельного топлива), X10 (производство молока в сельском хозяйстве), X12 (производство молочной продукции в АПК) дают рост производства в целом, т.е. определяют Y=1.

Таблица 3. Таблица возможных сочетаний факторов развития производства для прогноза на II кв. 2000 г.

N/N п.п X1 X3 X10 X12 Y 1 0 0 0 0 2 0 0 0 1 3 0 0 1 0 4 0 0 1 1 5 0 1 0 0 6 0 1 0 1 7 0 1 1 0 8 0 1 1 1 9 1 0 0 0 10 1 0 0 1 11 1 0 1 0 12 1 0 1 1 13 1 1 0 0 14 1 1 0 1 15 1 1 1 0 16 1 1 1 1 Значения модели представленные в табл. 3.12 используются в качестве исходных для модели роста производства в экономике МО во втором квартале 2000 года – табл. 3.13 (в Приложении II подробно представлены процесс получения значений модели с использованием нейронной сети).

Таблица 3. Модель прогнозирования роста производства во II кв. 2000 г.

№ п/п X1 X3 X10 X12 Y 1 0 1 0 1 2 0 1 1 1 3 1 0 0 1 4 1 0 1 1 5 1 1 0 1 6 1 1 1 0 7 1 1 1 1 Модель прогнозирования роста производства во втором квартале 2000 года, полученная с применением нейросетевых методов и моделей характеризуется следующими параметрами:

1. Факторы, обеспечивающие рост производства на территории МО “Город Ухта” во втором квартале 2000 года: добыча нефти, производство дизельного топлива, производство молока в сельском хозяйстве и производство молочной продукции в АПК;

2. Прирост производства (прогноз) во втором квартале года составит не менее 8. 8 млн. рублей в месяц, если добыча нефти составит не менее 52.5 тыс. тонн в месяц, производство дизельного топлива – не менее 42.2 тыс. тонн в месяц;

производство молока в сельском хозяйстве - не менее 481 тонны в месяц;

производство молочной продукции в АПК - не менее 502 тонны в месяц.

Основываясь на данных опроса обученной нейронной сети, протестированной и проверенной на прогнозную способность (Приложение II), можно определить варианты роста производства в экономике МО с учетом выпуска основных видов продукции.

Их всех представленных в табл. 3.13 семи вариантов роста производства (Y=1), можно видеть, что наиболее предпочтителен вариант, не предусматривающий спада производства в отдельных отраслях промышленности (вариант 7). При этом прирост производства (прогноз) во втором квартале 2000 года составит не менее 8. 8 млн. рублей в месяц, если добыча нефти составит не менее 52.5 тыс. тонн в месяц, производство дизельного топлива – не менее 42.2 тыс. тонн в месяц;

производство молока в сельском хозяйстве – не менее 481 тонны в месяц;

производство молочной продукции в АПК - не менее 502 тонны в месяц.

Прирост производства можно прогнозировать даже если в отдельных отраслях производства будет наблюдаться спад (варианты 1-6 табл. 3.13).

Первый вариант: добыча нефти меньше 52.5 тыс. тонн в месяц, производство молока в сельском хозяйстве также меньше порогового значения - 481 тонны в месяц;

производство дизельного топлива должно быть не менее 42.2 тыс. тонн в месяц;

производство молочной продукции в АПК должно быть не менее 502 тонны в месяц.

Второй вариант: добыча нефти меньше 52.5 тыс. тонн в месяц, производство дизельного топлива должно быть не менее 42. тыс. тонн в месяц;

производство молока в сельском хозяйстве не менее 481 тонны в месяц;

производство молочной продукции в АПК должно быть не менее 502 тонны в месяц.

Третий вариант: добыча нефти не менее 52.5 тыс. тонн в месяц, производство дизельного топлива может быть меньше 42. тыс. тонн в месяц;

производство молока в сельском хозяйстве может быть меньше 481 тонны в месяц и производство молочной продукции в АПК - не менее 502тонны в месяц.

Четвертый вариант: добыча нефти не менее 52.5 тыс. тонн в месяц, производство дизельного топлива может быть меньше 42. тыс. тонн в месяц;

производство молока в сельском хозяйстве должно быть не менее 481 тонны в месяц и производство молочной продукции в АПК - не менее 502 тонны в месяц.

Пятый вариант: добыча нефти не менее 52.5 тыс. тонн в месяц, производство дизельного топлива не менее 42.2 тыс. тонн в месяц;

производство молока в сельском хозяйстве может быть меньше, чем 481 тонны в месяц и производство молочной продукции в АПК - не менее 502 тонны в месяц.

Шестой вариант: добыча нефти не менее 52.5 тыс. тонн в месяц, производство дизельного топлива – не менее 42.2 тыс. тонн в месяц;

производство молока в сельском хозяйстве - не менее тонны в месяц;

производство молочной продукции в АПК может быть меньше, чем 502 тонны в месяц.

Выбор из полученных вариантов, обеспечивающих ежемесячный прирост производства остается за лицом, принимающим решения, исходя из предпочтений, отдаваемых тому или иному варианту с точки зрения его реализуемости.

Полученные на основе прогнозной модели варианты роста производства могут быть использованы для выработки управляющих решений.

Из предлагаемых вариантов (табл. 3.13, варианты 1-7) следует, что прирост объема промышленного производства в экономике муниципального образования во втором квартале 2000 года может быть достигнут не менее 8.8 млн. рублей в месяц, при этом управляющие воздействия должны быть направлены на то, чтобы одновременно решить следующие задачи:

обеспечить добычу нефти не менее 52.5 тыс. тонн ежемесячно;

обеспечить производство дизельного топлива не менее 42. тыс. тонн ежемесячно;

обеспечить производство молока в сельском хозяйстве не менее 481 тонны в месяц;

обеспечить производство молочной продукции в АПК не менее 502 тонны в месяц.

Реализация управленческих решений, полученных на основе прогнозной модели производства, может быть обеспечена за счет индикативного задания отрасли (от Министерства экономики Республики Коми), заключения муниципальных контрактов с предприятиями, организации муниципальных программ развития, муниципального госзаказа и других инструментов механизма управления экономикой МО.

Функционирование механизма управления экономикой муниципального образования с использованием элементов искусственного интеллекта (обученной нейронной сети), баз данных и АИС, представлено на рис. 3.5.

Прогнозы социально-экономического развития экономики территории (краткосрочные, среднесрочные, долгосрочные) разраба тываются по единой методике с использованием информационной технологии искусственных нейронных сетей, баз данных, базы моде лей роста производства, автоматизации управленческих процессов как инструментов поддержки и принятия управленческих решений.

Оперативное Стратегическое Разработка прогнозов социально управление управление экономического развития города ИТ краткосрочных ИТ краткосрочных, ИТ построения моделей прогнозов с среднесрочных, прогнозирования на основе НС, использованием НС долгосрочных базы данных, базы моделей прогнозов с использованием НС Согласование и утверждение в Совете Города Защита прогнозов в Министерстве экономики РК Муниципальные Индикативное Муниципальные Муниципальные контракты задание отрасли программы заказы с предприятиями Публикация прогнозных показателей в СМИ, статистических сборниках Ежемесячный мониторинг социально-экономического развития города АИС, базы данных предприятий города Рис. 3.5. Функционирование системы управления экономикой МО на базе ИТ: обученной нейронной сети и АИС На основе прогнозов определяются количественно цели перспективного социально-экономического развития муниципаль ного образования, выявляются факторы, обеспечивающие рост производства, рассчитываются их количественные значения, опреде ляются варианты развития производства, “точки роста”, перспектив ные производства, а также выявляются неблагоприятные тенденции в развитии экономики МО.

В процессе защиты прогнозов социально-экономического развития территории в Министерстве экономики Республики Коми местные власти, опираясь на данные прогнозов, могут обосновать индикативное задание отрасли (нефтедобыча, нефтепереработка и др.) для обеспечения целей социально-экономического развития территории, а также обоснованно использовать муниципальные программы, муниципальные заказы, муниципальные программы, инвестиции и другие инструменты воздействия на развитие производственного сектора экономики МО. В ходе ежемесячного мониторинга социально-экономического развития МО с применением краткосрочных прогнозов на основе технологии нейронных сетей, обработки управленческой информации на основе автоматизированной информационной системы, обеспечении ее хранения в базе данных, отслеживаются ежемесячные изменения в развитии экономики МО.

Применение предлагаемой методики построения прогнозных моделей производства в экономике МО позволяет организовать также стратегический уровень управления МО (его информационное обеспечение), главной задачей которого является адаптировать управление к постоянно изменяющимся условиям развития рыночной экономики и, с учетом этого, организовать эффективное функционирование механизма управления экономикой муниципаль ного образования.

Основываясь на данных рис. 1.1, представленного в Главе I (“Функции и механизм управления экономическим развитием МО на базе информационных технологий ИТ”) и рис. 3.5 Главы III можно отметить, что применение предлагаемых в работе информационных технологий окажет комплексное воздействие на совершенствование механизма управления экономикой муниципального образования за счет:

совершенствования функции управления (прогнозирования) на основе предлагаемой методики прогнозного моделирования производства с учетом выпуска основных видов продукции;

совершенствования функции управления – мониторинга социально-экономического развития МО на основе организации хранения, обработки данных с использованием баз данных, автоматизированной информационной системы управления и методики построения краткосрочных прогнозов;

организации информационной базы и применения предлагаемой методики прогнозного моделирования производства для разработки долгосрочных прогнозов для стратегического уровня управления;

совершенствования косвенных (экономических) методов управления экономикой на основе усиления потенциала прогнозирования развития производства, выявлении факторов, обеспечивающих рост производства в экономике МО, генерации вариантов развития производства;

более обоснованного применения на основе прогнозов инстру ментов управления: муниципальных контрактов, муниципальных программ развития, муниципальных заказов, инвестиций и т.д.

Выводы 1. Необходимым развитием разработанной методики прогнозного моделирования производства и обязательным условием применения ее для повседневного использования в процессе разработки прогнозов в системе муниципального управления является ее автоматизация.

2. Разрабатываемая АИС относится к классу систем принятия и поддержки решений задач управления, поэтому типовыми компонентами системы являются: база данных, база моделей, система управления интерфейсом.

3. В процессе автоматизации прогнозно-аналитических работ обученная нейронная сеть используется в качестве элемента искусственного интеллекта в структуре АИС и призвана обеспечить аналитическую поддержку принятия решений.

4. Для наглядного представления функций системы, ее структуры, основных компонентов, последовательности обработки данных в системе, для представления ее информационного обеспечения используется модельное представление системы: структурно функциональная схема АИС, технологическая схема АИС, которые отражают связь между модулями АИС и последовательность обработки управленческих данных;

информационная модель АИС представлена в виде логической и физической модели баз данных;

хранилище данных представлено 6 отдельными отношениями (таблицами, файлами): 5 справочными, одним рабочим.

5. В Техническом задании и Техническом проекте на АИС определяется порядок внедрения и реализации методических и технологических решений, полученных в ходе исследования.

6. Приведенные результаты показывают, что для выработки управляющих воздействий, направленных на рост производства в экономике муниципального образования с учетом выпуска основных видов продукции, может быть использована предлагаемая в работе методика построения прогнозных моделей производства на основе обученной нейронной сети. Данная методика позволяет сформировать систему управляющих воздействий, направленных на рост производства в экономике муниципального образования в прогнозируемом периоде.

7. Применение предлагаемой в работе методики построения прогнозных моделей производства с использованием информационной технологии нейронных сетей, автоматизированной системы, базы данных и базы знаний окажет комплексное воздействие на совершенствование механизма управления экономикой муниципального образования за счет совершенствования функции управления – прогнозирования;

совершенствования функции управления – мониторинга социально-экономического развития МО на основе баз данных и АИС и методики построения краткосрочных прогнозов;

организации информационной базы и применения методики прогнозного моделирования производства для разработки долгосрочных прогнозов для стратегического уровня управления;

совершенствования экономических методов управления экономикой на основе прогнозов развития производства, выявлении факторов, обеспечивающих рост производства в экономике МО, генерации вариантов развития производства;

более обоснованного применения на основе прогнозов инструментов управления, таких как муниципальные контракты, муниципальные программы развития, муниципальные заказы, инвестиции и т.д.

ЗАКЛЮЧЕНИЕ Исследование по теме “Совершенствование механизма управления экономикой муниципального образования на базе информационных технологий (на примере города Ухты)” проводилось в соответствии с поставленными задачами, в результате были получены следующие теоретические и практические результаты.

1. Существующие противоречия, когда муниципальные образования обладают развитым производственным потенциалом и, в то же время, имеют ряд проблем в обеспечении социально экономического развития территории, обуславливают необходимость совершенствования механизма управления экономикой на местном, муниципальном уровне применительно к рыночным условиям.

2. Раскрытие сущности механизма управления экономикой муниципального образования, выявление его особенностей, структуры, свойств, функций, а также создание теоретической конструкции механизма управления экономикой МО, позволили определить направления совершенствования механизма управления (функции управления, совокупность способов, методов, инструментов управления, обеспечивающих подсистем).

3. В рыночных условиях развития предпосылкой формирования эффективного механизма управления экономикой МО является повышение эффективности прогнозирования муниципального развития, которое обеспечивается средствами и инструментами новых информационных технологий управления (элементов искусственного интеллекта, баз данных и т.д.).

4. На примере МО “Город Ухта” рассмотрен практически действующий механизм управления, выявлены его недостатки, которые обуславливают необходимость совершенствования прогнозирования производства, так как город имеет развитый производственный потенциал, который определяет уровень его социально-экономического развития.

5. Усиление потенциала прогнозирования производства в экономике муниципального образования обусловлено рыночными условиями развития и обеспечивается применением для определения перспективных социально-экономических показателей методики, базирующейся на использовании аппарата искусственных нейронных сетей.

6. Методика прогнозного моделирования на основе искусственной нейронной сети направлена на построение прогнозной модели производства в экономике МО с учетом объема производства основных видов продукции.

7. Основные свойства и характеристики предлагаемой методики:

представляет собой развитие экономико-математического моделирования социально-экономических процессов;

в настоящее время имеет большое распространение в связи с рыночными условиями развития экономики;

основана на методах нейроматематики;

предполагает использование программ-генераторов искусственных нейронных сетей;

предназначена для решения задач моделирования и прогнозирования;

обеспечивает точность прогнозирования на уровне 90% и выше;

методика осуществляется поэтапно, в соответствии с требованиями нейросетевой обработки данных и с указаниями разработчика программы-генератора искусственной нейронной сети.

8. В данной работе для создания нейронной сети использовался нейросимулятор NeuroPro. Обучение нейронной сети проведено на выборке из показателей предыдущих периодов (использовались данные за 1999 год, первые три месяца 2000 года).

Для проверки прогнозной способности нейронной сети были использованы данные, ежемесячно учитываемые официальной статистикой за первую половину 2000 года.

9. Качество получаемых прогнозов во многом зависит от архитектуры используемой сети, режимов её обучения и от того, какие данные были подготовлены для подачи на вход нейронной сети и в каком виде. Поэтому подбор оптимальных режимов обучения, архитектуры и формы входных данных основывается на данных, полученных в результате эмпирических исследований и согласно методическим указаниям разработчика пакета – нейросимулятора для пользователей.

10. Данные подаются на вход нейронной сети в квантованном виде, т.е. имеют не непрерывное множество значений, а дискретное.

В исследовании применялся алгоритм квантования (бинаризации) данных с помощью пороговых значений. При этом переменные принимали вид “1”, если наблюдался рост показателя, относительно порогового значения, и “0” во всех других случаях. Квантование переменных обусловлено тем, что прогнозируется не само значение промышленного производства, а лишь его рост.

11. Модель производства, полученная с помощью предложенной нейросетевой технологии обработки данных, имеет определенную структуру и параметры, объективно отражающие особенности территории. Длительность существования найденных моделей определяется периодом сбора статистических данных, из которых они извлекаются.

12. С помощью обученной нейронной сети выявлены структурные изменения в экономике муниципального образования “Город Ухта”. Так например, в первом квартале 2000 года развитие экономики определялось ростом добычи нефти, ростом производства бензина, молока в сельском хозяйстве, хлеба и хлебобулочных изделий в АПК;

во втором квартале 2000 года значимыми факторами, определяющими рост производства в экономике города, является добыча нефти, производство дизельного топлива, производство молока в сельском хозяйстве, производство молочной продукции в АПК. Предлагаемая нейросетевая технология позволяет объективно решать задачи анализа факторов, определяющих рост производства в экономике муниципального образования в анализируемом периоде, моделировать и прогнозировать рост производства в краткосрочном, среднесрочном, долгосрочном периоде;

количественно определять факторы, определяющие рост производства.

13. Необходимым развитием разработанной методики прогнозного моделирования производства и обязательным условием применения ее для повседневного использования в процессе разработки прогнозов в системе муниципального управления является ее автоматизация.

14. Разрабатываемая АИС относится к классу систем принятия и поддержки решений задач управления, поэтому типовыми компонентами системы являются: база данных, база моделей, подсистема управления интерфейсом, подсистемы управления базой моделей, базой данных.

15. В процессе автоматизации прогнозно-аналитических работ обученная нейронная сеть используется в качестве элемента искусственного интеллекта в структуре АИС и призвана обеспечить аналитическую поддержку принятия решений.

16. Для наглядного представления АИС, ее структуры, основных компонентов, последовательности обработки данных в системе, для представления ее информационного обеспечения разработаны модели системы: структурно-функциональная схема (модель) АИС, технологическая схема (модель) АИС, которые отражают связь между модулями АИС и последовательность обработки управленческих данных;

информационная модель системы представлена в виде логической и физической модели базы данных;

хранилище данных разбито на 6 отдельных отношений (таблиц): справочников, и одно рабочее.

17. Техническим заданием и Техническим проектом на АИС определен порядок внедрения и реализации методических и технологических решений, полученных в ходе исследования.

18. Результаты исследования показали, что для выработки управляющих воздействий, направленных на рост производства в экономике муниципального образования с учетом выпуска основных видов продукции, может быть использована предлагаемая в работе методика построения прогнозных моделей производства на основе обученной нейронной сети. Данная методика позволяет сформировать систему управляющих воздействий, направленных на рост производства в экономике муниципального образования в прогнозируемом периоде.

19. Применение предлагаемой в работе методики построения прогнозных моделей производства с использованием информационной технологии нейронных сетей, автоматизированной системы, базы данных и базы знаний окажет комплексное воздействие на совершенствование механизма управления экономикой муниципального образования за счет:

совершенствования функции управления (прогнозирования) на основе предлагаемой методики прогнозирования роста производства;

совершенствования функции управления – мониторинга социально-экономического развития МО на основе организации, хранения, обработки данных с использованием АИС и методики построения краткосрочных прогнозов на основе нейронных сетей;

организации информационной базы и применения методики прогнозного моделирования производства для разработки долгосрочных прогнозов для стратегического уровня управления;

совершенствования косвенных (экономических) методов управления экономикой на основе прогнозов развития производства, выявлении факторов, обеспечивающих рост производства в экономике МО, генерации вариантов развития производства;

обоснованного применения на основе прогнозов инструментов управления: муниципальных контрактов, муниципальных программ развития, муниципальных заказов, инвестиций и т.д.

Проведенные исследования по проблеме совершенствования механизма управления экономикой муниципального образования (на примере города Ухты) позволили авторам работы сформулировать следующие предложения.

Повышение эффективности муниципального управления возможно за счет следующих моментов:

1. Раскрытие сущности механизма управления экономикой муниципального образования, выявление его особенностей, структуры, свойств, функций позволяет определить направления совершенствования механизма управления в условиях рыночной экономики и с учетом возможностей новых информационных технологий управления.


2. Усиление потенциала управленческих решений в системе механизма управления экономикой муниципального образования необходимо по условиям развития экономики и обеспечивается применением для определения перспективных экономических показателей методики прогнозного моделирования производства, базирующейся на использовании аппарата искусственных нейронных сетей.

3. Автоматизация прогнозно-аналитических работ и организация информационного обеспечения автоматизированной информационной системы в виде информационной модели системы, логической и физической модели базы данных является необходимым условием применения предлагаемой методики в повседневной управленческой деятельности специалистов местной администрации для повышения эффективности управления.

Использование результатов исследования позволит повысить эффективность механизма управления экономикой муниципального образования.

БИБЛИОГРАФИЧЕСКИЙ СПИСОК 1. Анимица Е.Г., Власова Н.Ю., Сурнина Н.М. Теоретико методологические аспекты структурной трансформации городов старопромышленного региона: в 2 ч. – Екатеринбург: Изд-во Урал.

гос. экон. ун-та, 2000. ч. 1 – 148 с.

2. Анимица Е.Г., Власова Н.Ю., Дворядкина Е.Б., Сурнина Н.М.

Структурная трансформация экономики городов старопромышлен ного региона. – Екатеринбург: Изд-во Урал. гос. экон. ун-та, 2001. – 140 с.

3. Анимица Е., Дворядкина Е., Силин Я. Бюджет большого города. М.: Московская школа политических исследований, 2002. – 264 с.

4. Анимица Е.Г., Тертышный А.Т. Местное самоуправление:

история и современность. – Екатеринбург: Изд-во Урал. гос. экон. ун та, 1998. – 296 с.

5. Анимица Е.Г., Медведева И.А., Сухих В.А. Малые и средние города: научно-теоретические аспекты исследования: Монография. – Екатеринбург: Изд-во Урал. гос. экон. ун-та, 2003. – 99 с.

6. Акопов В.И. Гаджиев Ю.А. Модель благосостояния Республики Коми. - Сыктывкар: Коми научный центр УрО РАН, 1998. – 52 с.

7. Анисимов В., Винслав Ю. Муниципальный уровень промыш ленной политики: специфика, опыт, принципы совершенствования // Российский экономический журнал, 2002. – №3, с. 13-23.

8. Афоничкин А.И. Принятие управленческих решений в экономических системах: Учебное пособие. – Саранск: Издательство Мордовского университета, 1998. – 72 c.

9. Бачило И.Л. Гренбэк В.Г. Проблемные регионы ресурсного типа – объекты государственного регулирования // Известия АН. Сер. Гео графическая, 1994. – № 5, с. 24-30.

10. Белобородова Н.А. Модели прогнозирования развития экономики муниципального образования “Город Ухта” с использованием нейронных сетей // Cборник научных трудов: Материалы научно технической конференции (16-18 апреля 2001 г.). – Ухта: УГТУ, 2002.

с. 176-180.

11. Белобородова Н.А. АИС прогнозирования роста производства // Сборник научных трудов: Материалы научно-технической конференции (16-18 апреля 2001г). – Ухта: УГТУ, 2002. с. 262-266.

12. Белобородова Н.А. Методика и модели прогнозирования развития экономики муниципального образования “Город Ухта”.

Ухта: УГТУ, 2002. – 50 с.

13. Белобородова Н.А. Модели прогнозирования роста производства с использованием нейронных сетей // Известия вузов. Нефть и газ, 2002. – № 4, с. 110-117.

14. Бендерский Ю.Г. Взаимодействие контрактных регионов // Регион: экономика и социология, 1999. – № 2, с. 48-57.

15. Бир Ст. Мозг фирмы. – М: Радио и связь, 1993. – 524 с.

16. Бир Ст. Кибернетика и управление производством. – М.: Гос. изд во физ.-мат. лит-ры, 1968. – 275 с.

17. Болотов С.П. Развитие управления – фактор обновления. Моно графия. – Сыктывкар, Коми книжное издательство, 1991. – 197 с.

18. Большаков Н.М., Кузьбожев Э. Н. Основы социально экономического прогнозирования. – Сыктывкар: СЛИ, 1997. – 143 с.

19. Бунич П.Г. Хозяйственный механизм. Учебник – М.: Высшая школа, 1994. – 210 с.

20. Барбаков О.М. Система управления регионом: детерминанты, информационные технологии, модели: Автореф. диссертации на соискание ученой степени д-ра социологических наук. – Тюмень, 1999. – 41 с.

21. Вапник В.Н. Восстановление зависимостей по эмпирическим данным. – М.: Наука, 1979. – 448 с.

22. Валентей С.Д., Лексин В.Н., Бухвальд Е.М. и др. Государствен ное регулирование территориального управления в России // XXI век.

Стратегические проблемы и перспективы российской экономики. – М.: Экономика, 1999.

23. Велехов Л.А. Основы городского хозяйства. – М.;

Л., 1928. Ч.П. – 243 с.

24. Вестник Екатеринбургской городской Думы. № 65. Екатерин бург, 2003. – 254 с.

25. Витковский О.В. Территориальный социально-экономический мониторинг для целей региональной политики (опыт ФРГ) // Вестник Московского Университета, сер. 5, география. 1990. – с. 16-23.

26. Воронин А.Г., Лапин В.А., Широков А.Н. Основы управления му ниципальным хозяйством. – М.: Издательство “Дело”, 1998. – 246 с.

27. Губанов В.А., Захаров В.В., Коваленко А.Н. Введение в системный анализ. Учебное пособие. – Ленинград: Издательство Ленинградского университета, 1988. – 232 с.

28. Гибеж А.А. Методы регулирования взаимоотношений местных органов власти и хозяйствующих субъектов. Автореф. диссертации на соискание ученой степени кандидата экономических наук. – Сыктывкар, 2000. – 27 с.

29. Горбань А.Н. Проблема скрытых параметров и задачи транспонированной регрессии // Нейроинформатика и ее приложения.

Тезисы докладов V Всероссийского семинара. – Красноярск:

Издательство КГТУ, 1997. – с. 57-58.

30. Горбань А.Н. Обучение нейронных сетей. – М.: ПараГраф, 1990.– 159 с.

31. Горбань А.Н., Миркес Е.М. Оценки и интерпретаторы ответа для сетей двойственного функционирования. – Красноярск, 1997. – 24 с.

(Рукопись деп. в ВИНИТИ 25.07.97, № 2511-В97).

32. Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере. – Новосибирск: Наука (Сибирское отделение), 1996. – 276 с.

33. Гвишиани Д.М. Организация и управление. Монография. – М.:

Издательство “Наука”, 1972. – 536 с.

34. Дмитриева Т.Е. Лаженцев В.Н. Концепция освоения минерально сырьевой базы европейского северо-востока в аспекте технологии программного управления // Геология и минеральные ресурсы европейского северо-востока России: новые результаты и новые перспективы: Материалы XIII геологического съезда Республики Коми. Сыктывкар, 1999.

35. Демин А. И. Информационная теория экономики. Макромодель. – М.: Издательство “Палев” Москва, 1996. – 312 с.

36. Есикова Т.Н. Малов В.Ю Хорев Ф.Г. Возможности использования ГИС-технологий при прогнозировании развития территориальных систем // Вычислительные технологии, 1998. т.3. – № 5, с. 37-50.

37. Евсеенко А.В. Кулешов В.В. Базовые процессы развития эконо мики Сибири // Регион: экономика и социология, 1998. – № 3, с. 22-32.

38. Жилкин С.Ф. Методические основы формирования стратегического выбора муниципального образования городского типа: Автореф. диссертации на соискание ученой степени кандидата эконом. наук. – СПб., 1998. – 23 с.

39. Загоруйко Н.Г., Елкина В.Н., Лбов Г.С. Алгоритмы обнаружения эмпирических закономерностей. – Новосибирск: Наука, 1985. – 110 с.

40. Ивахненко А.Г., Мюллер Й.А. Самоорганизация прогнозирую щих моделей. – Киев: Техника, 1985. – 225 с.

41. Ивахненко А.Г., Зайченко Ю.П., Димитров В.Д. Принятие решений на основе самоорганизации. – М.: Сов. Радио, 1976. – 280 с.

42. Ивахненко А.Г. Персептрон – система распознавания образов. – Киев: Наукова Думка, 1975. – 431 с.

43. Искусственный интеллект: В 3х кн. Системы общения и экспертные системы: Справочник / Под ред. Э.В. Попова. – М.: Радио и связь, 1990. – 461 с.

44. Котилко В.В., Орлова Д.В. Экономическое прогнозирование (региональный аспект). – М.: Университет имени Дашковой Е.Р., 1994. – 123 с.

45. Круглов В.В., Борисов В.В. Искусственные нейронные сети.

Теория и практика. М.: Горячая линия – Телеком, 2001. – 382 с.

46. Крюков В.А. Маршак В.Д. Селиверстов В.Е. Региональный экономический механизм // Регион: экономика и социология, 1997. – № 3, с. 23-48.

47. Крюков В.А. Регионы и нефтяной сектор – новые грани “старых проблем” // Регион: экономика и социология. – 1995, № 1. – с. 25-50.

48. Любовный В.Я. Пути повышения экономического взаимо действия субъектов Федерации и органов местного самоуправления // Тез. доклада на пленарном заседании // Материалы региональной научно-практической конференции “Стабилизация социально экономического развития Самарской области: стратегия, проблемы, решения”. – Самара, 1997.

49. Любовный В.Я Управление регионом в новых условиях хозяйствования // Регионология. – 1993. – № 4.

50. Концепция и приоритетные программные мероприятия средне срочнного социального и экономического развития / А.И. Татаркин, О.Н. Дунаев, Г.Ф. Пешков и др. – РАН Уральское отделение Ин-т экономики. – Екатеринбург, 1994.

51. Лаженцев В.Н. Реформы и проблемы социально-экономического развития Республики Коми // Экономика Северо-запада: проблемы и перспективы развития. – 1999. – № 2, c. 43-53.

52. Лаженцев В.Н. Региональная экономическая программа: опыт Республики Коми // Регион: экономика и социология. – 1996. – № 1, с. 183-196.

53. Лаженцев В.Н. Экономический федерализм и регулирование регионального развития // Проблемы комплексного регионального развития России. – Кн. 1. – М.: СОПС и ЭС, 1996. – с. 130-138.

54. Лаженцев В.Н. Дмитриева Т.Е. Региональная собственность в системе государственного управления // Уральский регион:

последствия экономического реформирования. – Екатеринбург: ИЭ УрО РАН, 1996. – с.37-47.

55. Лаженцев В.Н. Территориальное развитие: методология и опыт регулирования. – СПб.: Наука, 1996. – 109 с.


56. Лексин В.Н. Швецов А.Н. Государственное регулирование и селективная поддержка регионального развития // Росс. эконом.

журнал. – 1994. – № 5.

57. Лексин В.Н. Швецов А.Н. Приоритеты региональной политики.

Вопросы методологии анализа и оценок // Росс. эконом. журнал. – 1995. – № 2-3.

58. Лексин В.Н. Швецов А.Н. “Незаметная реформа”: передача со циальных объектов предприятий в муниципальную собственность // Росс. эконом. журнал. – 1998. – № 1-2.

59. Лексин В.Н. Швецов А.Н. Общероссийские реформы и терри ториальное развитие. Статья первая. Постановка проблемы // //Росс.

эконом. журнал. – 1999. – № 4.

60. Лексин В.Н. Швецов А.Н. Общероссийские реформы и террито риальное развитие. Статья первая. Проблемы территориальной целостности, дифференциации и дезинтеграции // Росс. эконом.

журнал. – 1999. – № 11-12.

61. Лексин В.Н. Швецов А.Н. Общая теория реформ. Контуры проблемы и система исследования // Теория и практика организации проведения реформ. – М.: Эдиториал. – УРСС. – 1995.

62. Лексин В.Н., Ситников А.И., Юнина О. Системное регулирование территориального развития: экономико-правовой аспект. – М.:

ВНИИСИ, 1990. – 35 с.

63. Лексин В.Н. Швецов А.Н Государственное регулирование территориального развития России // Путь в XXI век: стратегические проблемы и перспективы российской экономики / Рук. авт. колл. Д.С.

Львов. – М.: ОАО Изд-во “Экономика”, 1999. – 793 с.

64. Лорьер Ж.-Л. Системы искусственного интеллекта: Пер. с франц. – М., 1991. – 568 с.

65. Маршалова А.С., Новоселов А.С. Основы теории регионального воспроизводства. Курс лекций. – М.: Экономика, 1998. – 190 с.

66. Малышев В.И. Стратегические программы развития экономичес кого ядра региона в системе государственного регулирования эконо мики: Автореф. диссертации на соискание ученой степени кандидата эконом. наук. – СПб., 1999. – 24 с.

67. Монахова Е. Менеджмент республиканского масштаба // PC Week. – № 32-33, с. 48-49.

68. Морозова Т.Г., Победина М.П., Поляк Г.Б. и др. Муниципальный менеджмент. – Учебное пособие для вузов. – М.: Банки и биржи, ЮНИТИ, 1997. – 263 с.

69. Мотышина М.С. Методы социально-экономического прогнозиро вания. – Учебное пособие – СПб.:1998. – 256 c.

70. Осипов А.К. Методология экономического регулирования ком плексного развития экономики и региона (на примере Удмуртии) – Екатеринбург: УрО РАН, Ин-т экономики. – 1995. – 436 с.

71. Осипов Ю. М. Основы теории хозяйственного механизма. – М.:

Изд-во Московского университета. – 1994. – 562 с.

72. О’ Саливан А. Экономика города. – М.: ИНФРА–М., 2002. – 706 с.

73. Позин Н.В. Моделирование нейронных структур. – М.: Наука, 1970. – 264 с.

74. Путь России в XXI век. Стратегические проблемы и перспективы российской экономики / Под редакцией Львова Д.С. М.: Экономика, 1999.– 786 с.

75. Проблемы федерализма, местного самоуправления и террито риального развития в России. Серия: Региональная политика России:

Концепции, проблемы, решения / Под общей редакцией В.Н. Лексина, А.Н., Швецова. – М.: Эдиториал УРСС, 2000. – 584 с.

76. Пушкарев В.М., Горяченко Е.Е., Ростовцев П.С., Костин В.С.

Диагностика и прогнозирование социально-экономического развития монофункционального города // Регион: экономика и социология. – 1998. – № 2. – с. 93-102.

77. Региональная экономика: опыт и перспективы рыночных преобразований / Под ред. д. э. н. Лузина Г.П. – Апатиты: Изд-во КНЦ РАН, 1995. – ч. 1 – 180 с., ч.2. – 150 с.

78. Региональная стратегия устойчивого роста / Отв. Ред. А.И.

Татаркин, РАН УрО, Ин-т экономики. – Екатеринбург, НИСО УрО РАН, 1998. – Глава 2. Методологические и методические подходы к проблемам устойчивого развития / А.М. Коробейникова, Н.И. Климова, В.Н. Лаженцев, А.И. Татаркин, Л.М. Капустина. – с. 47-112.

79. Розенблат Ф. Принципы нейродинамики. Персептроны и теория механизмов мозга. – М.: Мир, 1965. – 480 с.

80. Рохчин В.Е., Якишин Ю.В. Стратегическое управление струк турной перестройкой экономики в городах России. – СПб.: ИРЭ РАН, 2001. – 194 с.

81. Селин В.С. Истомин А.В. и др. Макроэкономическая нестабиль ность на европейском Севере России: индикаторы, тенденции, меха низм регулирования. – Апатиты: 1997. –128 с.

82. Севастьянов Л.И. Индикаторы социально-экономического развития регионов: методические подходы к разработке // Регион:

экономика и социология. – 1996. – № 1, с.44-58.

83. Соколов Е.Н., Вайткявичюс Г.Г. Нейроинтеллект: от нейрона к нейрокомпьютеру. – М.: Наука, 1989. – 238 с.

84. Суспицын С.А. Стратегия регионального развития и приоритеты социально-экономической политики // Регион: экономика и социоло гия. – 1995. – № 4, с. 24-53.

85. Стратегия планирования регионального развития (на примере Республики Коми) // Региональная экономика и региональная политика: Сб. научн. трудов. Вып.3 / Под ред. Е.Г. Анимицы. – Екатеринбург: Изд-во Урал. гос. экон. ун-та, 1997. – с. 15-26.

86. Саати Т., Кернс К. Аналитическое планирование. Организация систем. – М.: Радио и связь, 1991. – 224 с.

87. Садов С.Л. Спирягин В.И. Моделирование экономических процессов в регионе (Коми научный центр УрО РАН). – Сыктывкар, 1999. – 280 с.

88. Садов С.Л. Спирягин В.И. Системные преобразования в эконо мике. (Коми научный центр УрО РАН). – Сыктывкар, 1996. – 32 с.

89. Саркисян С.А., Каспин В.И., Лисичкин В.А. и др. Теория прогнозирования и принятия решений. Учебное пособие. – М.:

Высшая школа, 1977. – 351 с.

90. Совершенствование хозяйственного механизма развития регионов и предприятий (Коми научн. центр УрО АН СССР № 118) / Отв. ред. Т.Е. Дмитриева, Г.А. Князева. – Сыктывкар, 1991. – 132 с.

91. Смирнов Э.А. Основы теории организации. Учебное пособие. – М.: ЮНИТИ, 1998. – 375 с.

92. Соловьев Ю.А. Формирование системы управления муниципальной собственностью в новых условиях хозяйствования:

Автореф. диссертации на соискание ученой степени кандидата эконом. наук. – М., 1998. – 25 с.

93. Советов Б.Я Информационная технология. Учебник для вузов. – М.: Высшая школа, 1994. – 368 с.

94. Татаркин А.И., Романова О.А., Куклин А.А., Яковлев В.И. Эконо мическая безопасность как объект регионального исследования // Вопросы экономики. – 1996. – № 6, с. 78-89.

95. Фридман Ю. Региональная экономическая модель: идея – реализация – прогноз // Финансы в Сибири. – 1996. – № 10, с. 1-5.

96. Черников А.П. Имитационное моделирование взаимосвязанного развития энергетики и экономики региона // Региональные энергети ческие программы: методические основы и опыт разработки. – Новосибирск: Наука, 1995. – с. 43-54.

97. Чепурко Ю.А. Совершенствование процесса регулирования регионального социально-экономического развития: Автореф.

диссертации на соискание ученой степени кандидата эконом. наук. – Краснодар, 1998. – 23 с.

98. Чукреев Ю.Я. Экспертная система текущего планирования режимов региональной электроэнергетической системы (Коми научный центр УрО РАН). – Сыктывкар, 1995. – 20 с.

99. Чукреев Ю.Я., Хохлов М.В., Н.Э. Готман. Применение искус ственных нейронных сетей в задачах оперативного управления режимами электроэнергетических систем. (Коми научный центр УрО РАН). – Сыктывкар, 2000. – 24 с.

100. Черныш Е.А., Молчанова Н.П., Новикова А.А., и др. Прогнози рование и планирование в условиях рынка. Учебное пособие. – М.:

ПРИОР, 1999. – 174 с.

101. Штульберг Б.М. Методологические проблемы прогнозирования регионального развития // Тезисы докладов на конференции “Регио нальная стратегия социально-экономического развития” ч. 1. – Екате ринбург, 1997. – с. 182-184.

102. Швецов А.Н. Проблемы системной организации экономических отношений в период реформ // Теория и практика организации проведения реформ. – М.: Эдиториал, УРСС. – 1995.

103. Ширинкин М.В. Совершенствование механизма управления социально-экономическим развитием муниципального образования крупнейшего города. Автореф. диссертации на соискание ученой степени кандидата экономических наук. – Екатеринбург, 2003. – 29 с.

104. Щетинин В.Г. Анализ факторов экономического роста региона // Вопросы статистики. – М: 1996. – № 3, с. 40-46.

105. Щетинин В.Г. Костюнин А.В. Принятие решений на нейронных сетях оптимальной сложности // Автоматизация и современные тех нологии. – М: 1998. – № 4, с. 38-43.

106. Щетинин В.Г. Самоорганизация минимальной нейронной сети // В сб. “Нейроинформатика и ее приложения”. – Красноярск: СО РАН, 1996. – с. 43-44.

107. Щетинин В.Г., Столярова О.В., Костюнин А.В. Синтез решаю щих правил на нейронных сетях для управления производством // Приборы и системы управления. – М: 1999. – № 1, с. 72-77.

108. Щетинин В.Г. Исследование методов многорядной само организации разделяющих функций и разработка дискриминаторов.

Дисс. на соискание ученой степени кандидата технических наук:

05.13. 01. – Пенза, 1996. – 131 с.

Приложение Результаты квантования m = 14 первичных (исходных) переменных хi, i = 1…m представлены в таблицах Приложения 1 – с по 14.

Приложение 1. Добыча нефти № Количество Прирост Индикатор мес. ошибок 1 55,7 2 50,8 3 56,3 4 53,7 5 52,0 6 48,7 7 53,8 52,5 порог 8 9 51,0 10 50,1 11 49,8 12 50 13 54,1 14 51,9 3 15 55,6 16 53,1 17 58,6 5 18 59,9 Приложение 1. Производство бензина автомобильного № Количество Прирост Индикатор мес. ошибок 1 26,8 2 10,3 3 22,2 4 31,4 5 22,5 6 7,4 7 16,4 8 24 9 22,8 10 30,4 11 28,4 12 28,3 28,1 порог 13 14 27,3 5 15 15,5 16 22,0 17 29,9 6 18 28,4 Приложение 1. Производство дизельного топлива № Количество Прирост Индикатор мес. ошибок 1 45,4 2 28,0 3 31,9 4 46,1 5 43,8 6 8,6 7 33,3 8 42,5 9 40,2 10 49,6 11 41,1 42,2 порог 12 13 51,0 14 33,4 4 15 53,4 16 41,9 17 104,6 5 18 72,3 Приложение 1.

Первичная переработка нефти № Количество Прирост Индикатор мес. ошибок 1 220,6 2 126,7 3 154,8 213,3 порог 4 5 164,9 6 75,1 7 142,9 8 184,6 9 189,1 10 222,4 11 203,4 12 216,7 13 251,6 14 233,5 5 15 297,0 16 170,0 17 317,7 6 18 306,3 Приложение 1. Производство деловой древесины № Количество Прирост Индикатор мес. ошибок 1 7,0 2 6,9 3 8,8 4 10,6 5 10,7 6 9,7 8,8 порог 7 8 6,2 9 5,2 10 5,11 11 6,3 12 13,0 13 12,4 14 13,3 5 15 11,3 16 7,8 17 8,8 5 18 3,6 Приложение 1. Производство пиломатериалов № Количество Прирост Индикатор мес. ошибок 1 1,1 2 2,0 3 1,0 4 5,3 5 3,0 6 1,1 1,3 порог 7 8 1,5 9 1,1 10 0,9 11 1,4 12 2,4 13 1,4 14 1,7 6 15 1,8 16 1,9 17 1,1 9 18 2,0 Приложение 1. Стеновые материалы № Количество Прирост Индикатор мес. ошибок 1 0,9 2 1,3 3 3,3 4 0,9 5 1,8 2,0 порог 6 7 1,7 8 2,0 9 4,4 10 3,5 11 3,0 12 2,8 13 2,4 14 3,1 6 15 2,8 16 3,3 17 2,5 8 18 3,5 Приложение 1. Продукция АПК. Хлеб и хлебобулочные изделия № Количество Прирост Индикатор мес. ошибок 1 911,2 2 859,9 3 928,6 4 926,5 5 948,1 6 914,0 7 930,8 925,0 порог 8 9 1046,1 10 937,2 11 868,4 12 886,4 13 809,9 14 789,6 5 15 834,6 16 773,8 17 786,6 6 18 807,6 Приложение 1. Продукция АПК. Производство мяса и мясопродуктов № Количество Прирост Индикатор мес. ошибок 1 37,6 2 37,5 3 27,4 4 17,0 5 14,3 6 20,0 7 10,7 8 10,7 9 16,1 10 14,3 11 23,2 23,4 порог 12 13 24,7 14 23,0 7 15 22,7 16 24,3 17 27,4 8 18 14,6 Приложение 1. Продукция АПК. Молоко и молочные продукты № Количество Прирост Индикатор мес. ошибок 1 383,5 2 509,6 3 535,3 502,0 порог 4 5 473,5 6 375,4 7 485,4 8 445,2 9 460,5 10 489,0 11 495,1 12 481,1 13 503,5 14 449,0 4 15 547,8 16 569,1 17 546,2 6 18 598,2 Приложение 1. Продукция сельского хозяйства. Скот и птица № Количество Прирост Индикатор мес. ошибок 1 26,1 2 34,7 3 31,7 4 31,8 5 27,2 6 30,4 7 20,3 8 23,9 9 47,3 10 32,8 11 36,9 31,6 порог 12 13 39,7 14 40,9 6 15 42,1 16 37,7 17 42,3 8 18 43,0 Приложение 1. Продукция сельского хозяйства. Молоко № Количество Прирост Индикатор мес. ошибок 1 439,6 2 439,2 481,0 порог 3 4 491,0 5 466,7 6 446,3 7 482,3 8 478,9 9 466,9 10 494,0 11 475,6 12 505,0 13 496,8 14 528,8 5 15 578,2 16 609,2 17 640,3 6 18 607,3 Приложение 1. Инвестиции в производственную сферу № Количество Прирост Индикатор мес. ошибок 1 31,9 2 31,9 3 5,68 4 16,6 5 11,9 6 27,3 7 13,25 8 27,2 9 18,5 41,47 порог 10 11 25,56 12 131,7 13 20,23 14 42,3 6 15 63,5 16 57,1 17 119,4 8 18 126,7 Приложение 1. Услуги № Количество Прирост Индикатор мес. ошибок 1 45,4 2 45,4 3 32,2 27,3 порог 4 5 23,8 6 61,2 7 36,0 8 17,8 9 22,8 10 27,5 11 26,7 12 43,3 13 27,8 14 38,7 5 15 45,5 16 36,7 17 33,9 6 18 26,9 Приложение Рис. 2.1. Входные и выходные данные для построения нейронной сети Рис. 2.2. Структура нейронной сети Рис. 2.3. Таблица с данными обучающей выборки Рис. 2.4. Результаты тестирования нейронной сети Рис. 2.5. Таблица исходных данных для прогноза на I квартал 2000 г.

Рис. 2.6. Результаты прогноза нейронной сети на I квартал 2000 г.

Рис. 2.7. Таблица исходных данных для построения модели роста объема производства Рис. 2.8. Результаты опроса нейронной сети Рис. 2.9. Входные и выходные данные нейронной сети Рис. 2.10. Структура нейронной сети Рис. 2.11. Таблица с данными обучающей выборки Рис. 2.12. Результаты тестирования нейронной сети Рис. 2.13. Таблица исходных данных для прогноза на II квартал 2000 г.

Рис. 2.14. Результаты прогноза нейронной сети на II квартал 2000 г.

Рис. 2.15. Таблица исходных данных для построения модели роста объема производства Рис. 2.16. Результаты опроса нейронной сети Приложение Техническое задание Автоматизированная система «Прогноз» разрабатывается для автоматизации процесса прогнозирования развития экономики муниципального образования «Город Ухта».

Начало работ по проектированию системы _ 2002 г., окончание 2003 г.

Назначение и цели создания и развития системы Автоматизированная система «Прогноз» предназначена для автоматизации процесса прогнозирования экономического развития региона.

При создании системы преследуются следующие цели:

предоставление пользователю прогнозов;

предоставление информации о состоянии развития территории для разработки программ развития;

повышение эффективности процесса прогнозирования за счет оперативности формирования прогноза развития и повышение точности прогнозов.

Характеристика объектов автоматизации В качестве объектов проектируемой автоматизированной системы рассматривается процесс прогнозирования экономического развития территории муниципального образования «Город Ухта».

Его основными этапами являются:

подготовка материалов к формированию прогноза (анализ состояния экономики);

выполнение и обоснование расчёта прогнозных показателей;

формирование и уточнение прогноза;

составление пояснительной записки.

Под подготовкой материалов к формированию прогнозов понимается сбор статистической информации с предприятий, расположенных на территории МО «Город Ухта» и отделов администрации.

Предприятия, расположенные на территории МО «Город Ухта»

предоставляют информацию об объемах производства основной продукции или объеме оказанных платных услуг в натуральном и денежном выражении, о численности работников и их среднемесячной заработной плате.

Отделы администрации представляют информацию о занятости и уровне жизни населения, среднемесячном товарном обороте, состоянии городского бюджета, макроэкономические показатели развития региона.

На этапе формирования и уточнения прогноза, специалист по прогнозированию, опираясь на аппарат математического анализа, рассчитанные прогнозные показатели и показатели предыдущих периодов, систематизирует данные, выявляет тенденции экономического развития региона. При долгосрочном прогнозировании специалисты уточняют прогноз, основываясь на текущих показателях развития.

В пояснительную записку включается таблица значений прогнозных показателей, их обоснования и сам прогноз.

Требования к системе Требования к системе в целом Основными требованиями к данной системе является выполнение следующих функций:

сбор, обработка и хранение статистической информации;

преобразование информации в формат нейросети с целью выполнения процедур анализа и прогнозирования;

анализ;

прогнозное моделирование;

формирование результатов запросов в виде отчетов.

Перечень подсистем и их основные характеристики Автоматизированная система “Прогноз” включает следующие подсистемы:

База данных – хранит информацию, необходимую для прогнозирования.

Подсистема заполнения базы данных – вносит информацию в базу данных.

Кодировщик – представляет данные в используемом нейросетью формате.

Нейросеть – математический аппарат обработки данных, предоставляемых кодировщиком.

Генератор отчетов – подсистема, отвечающая за формирование отчётов в виде, удобном для чтения и распечатки.

Требования к надёжности Функции должны быть защищены от выполнения при неверных действиях пользователя. Расчетные функции не должны выполняться при нарушении технологии обработки данных, сбоях оборудования и ПО (программного обеспечения), приведших к искажению БД (базы данных).

Функционирование системы должно осуществляться без участия специалистов по информационно-программному обеспечению при минимальной специальной подготовке пользовательского персонала.

Требования к интерфейсу пользователя Интерфейс системы должен быть нагляден, интуитивно понятен пользователю, где необходимо содержать всплывающие подсказки и комментарии. Интерфейс не должен позволять пользователю вносить некорректную информацию в базу данных, или строить некорректные запросы к ней.

Требования к безопасности Система должна обеспечивать авторизованный доступ к защищаемым ресурсам (базе данных).

Требования к функциям проектируемой системы База данных – должна быть построена в соответствии с требованиями обеспечения надёжного хранения и согласованности данных, при всех операциях с ее отношениями.

Подсистема заполнения базы данных – должна проводить про цедуру авторизации, обеспечивать ввод данных в базу и согласован ность данных при возникновении сбоев и отказов при вводе данных.

Кодировщик должен обеспечивать представление данных в формате, доступном нейросети.

Нейросеть обеспечивает получение на выходе прогнозируемых значений.

Генератор отчетов должен составлять запросы к базе и отображать результаты запросов в виде отчетов.

Требования к обеспечению Система должна использовать нейросеть, обученную по подобранным алгоритмам, протестированную.

Данные должны быть преобразованы согласно алгоритма бинаризации.

Требования к информационному обеспечению Информационное обеспечение системы должно соответствовать требованиям, принятым в администрации МО “Город Ухта”.

Требования к лингвистическому обеспечению Все функции системы должны обеспечиваться в соответствии с установленными требованиями к разрабатываемой системе.

Методический и инструктивный материал должен находиться в информационных блоках системы и позволять осваивать систему пользователем с минимумом дополнительных консультаций.

Требования к программному обеспечению Для функционирования проектируемой системы на персональной ЭВМ пользователя должна быть установлена операционная система Windows NT или Windows 95/98.

Для хранения данных используется база данных формата Microsoft DataBase. Работа с базой данных осуществляется через механизм ODBC-соединений.

На стадии анализа и проектирования используются следующие программные продукты:

BPWin (Platinum) Основные функции: моделирование для последующего структурного анализа. На выходе – схема информационных потоков.

ERWin (Platinum) Использование для построения модели данных. На выходе – логическая модель данных.

Использование объектно-ориентированных сред разработки:

Delphi или Visual C++.

Использование языка SQL при построении запросов к базе данных.



Pages:     | 1 | 2 || 4 |
 





 
© 2013 www.libed.ru - «Бесплатная библиотека научно-практических конференций»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.