Содержание к диссертации
Введение
1. Анализ проблемы поддержки принятия решений при планировании налоговых доходов регионального бюджета 13
1.1. Анализ процесса планирования налоговых доходов регионального бюджета 13
1.2. Существующие подходы к информационно-аналитической поддержке принятия решений при планировании налоговых доходов регионального бюджета 23
1.2.1 Обзор существующих концепций и программных комплексов систем поддержки принятия решений при планировании регионального бюджета 26
1.2.2 Анализ методов и моделей прогнозирования экономических показателей 30
1.3. Подход к информационно-аналитической поддержке планирования налоговых доходов регионального бюджета на основе инженерии знаний 40
Выводы к 1 главе 47
2. Модели формализации знаний о процессе планирования налоговых доходов регионального бюджета 49
2.1. Извлечение и представления знаний для интеллектуальной информационно-аналитической системы поддержки планирования налоговых доходов регионального бюджета 49
2.2. Разработка комплекса объектно-ориентированных моделей процесса планирования налоговых доходов регионального бюджета 51
Выводы ко 2 главе 67
ГЛАВA 3. Алгоритмы интеллектуальной информационно-аналитической поддержки планирования налоговых доходов регионального бюджета 68
3.1. Модель прогнозирования налоговых доходов регионального бюджета на основе адаптивной нечеткой базы знаний 69
3.1.1 Структуризация адаптивной нечеткой базы знаний 69
3.1.2 Проектирование системы нечеткого вывода 73
3.1.3.Формирование нечеткой базы знаний 75
3.1.4 Настройка нечеткой базы знаний 77
3.1.5 Тестирование нечеткой базы знаний 82
3.2 Структура интеллектуальной информационно-аналитической системы поддержки планирования налоговых доходов регионального бюджета 83
3.3 Алгоритмы интеллектуальной информационно-аналитической поддержки планирования налоговых доходов регионального бюджета 85
3.4 Методика построения интеллектуальной информационно-аналитической системы поддержки планирования налоговых доходов регионального бюджета 89
Выводы к 3 главе 91
4. Реализация интеллектуальной информационно-аналитической системы поддержки планирования налоговых доходов регионального бюджета и оценка ее эффективности 93
4.1 Имитационное моделирование прогнозирования налоговых доходов бюджета в среде MA TLAB
4.2 Сравнительная оценка эффективности методов прогнозирования с использованием искусственной нейронной сети 106
4.3 Разработка исследовательского прототипа интеллектуальной информационно-аналитической системы поддержки планирования налоговых доходов регионального бюджета 109
Выводы к 4 главе 110
Заключение 111
Литература 113
- Существующие подходы к информационно-аналитической поддержке принятия решений при планировании налоговых доходов регионального бюджета
- Разработка комплекса объектно-ориентированных моделей процесса планирования налоговых доходов регионального бюджета
- Алгоритмы интеллектуальной информационно-аналитической поддержки планирования налоговых доходов регионального бюджета
- Сравнительная оценка эффективности методов прогнозирования с использованием искусственной нейронной сети
Введение к работе
Актуальность
Эффективность работы бюджетной системы оказывает непосредственное влияние на качество жизни населения и является необходимым условием успешного функционирования и социально-экономического развития территориального образования. Аккумулируя с помощью бюджета денежные средства, государство через финансовые механизмы осуществляет выполнение возложенных на него обществом политических, экономических и социальных функций.
В рамках бюджетного планирования задачей первостепенной важности является прогноз ожидаемых налоговых поступлений как основного источника доходной базы, ключевым вопросом при этом является учет особенностей социально-экономической ситуации в регионе и возможных сценариев ее развития.
Задача планирования экономической деятельности и прогнозирования ее результатов является одной из самых сложных, что обусловлено нестационарностью экономических процессов, нестабильным состоянием современной экономики, вследствие чего принятие управленческих решений содержит фактор неопределенности. В данных условиях особую актуальность приобретает подход к информационной поддержке принятия решений в процессе прогнозно-аналитической деятельности бюджетного планирования на основе инженерии знаний.
Проблемы поддержки принятия решений, в том числе с использованием методов искусственного интеллекта, изучали такие отечественные ученые, как Г.С. Поспелов, Д.А. Поспелов, В.И. Вагин, Э.В. Попов, Э.А. Трахтенгерц и др. Большой вклад в развитие систем управления сложными динамическими объектами в условиях неопределенности внесли Б.Г. Ильясов, Л.А. Исмагилова, Н.И. Юсупова, В.В Миронов, В.И. Васильев. В трудах зарубежных ученых Л. Заде, М. Сугэно, С. Осовского, Д. Рутковской излагаются теоретические и
8 прикладные аспекты моделирования систем, использующих концепцию
"мягких вычислений". Работы Т.А. Гавриловой, В. Ф. Хорошевского, Ю.В. Тельнова посвящены вопросам инженерии знаний и разработки интеллектуальных информационных систем. Вопросами анализа и планирования региональных финансов, прогнозирования социально-экономического развития региона на основе математического моделирования, в том числе разработки соответствующих автоматизированных систем, занимались Д. Л. Андрианов, Г. Р. Хасаев. Применение интеллектуальных технологий для повышения эффективности налогового контроля рассматривается в работах С.А. Горбаткова. Вопросы разработки и использования нейросетевых моделей для решения задач экономического анализа и прогноза, в том числе налоговых поступлений, исследуются в работе Д.-Э. Бэстенса.
Вместе с тем недостаточно исследованным является вопрос
автоматизированной разработки интеллектуальной предметно-
ориентированной информационно-аналитической системы для поддержки решения задач регионального бюджетного планирования, на основе формализованного представления и использования экспертных знаний, что обуславливает актуальность выбранного направления исследований.
Диссертационные исследования проведены в рамках гранта РФФИ (проект № 03-06-80012а) «Экономико-математические модели управления межбюджетными отношениями в регионе (на примере Республики Башкортостан)».
Цель и задачи исследования
Целью диссертационной работы является разработка моделей и алгоритмов интеллектуальной информационно-аналитической поддержки для повышения эффективности процесса планирования налоговых доходов регионального бюджета.
Для достижения поставленной цели решаются следующие задачи:
1. Построить комплекс моделей процесса планирования налоговых
доходов регионального бюджета на основе объектно-ориентированного анализа предметной области.
На основе результатов объектно-ориентированного моделирования разработать структуру интеллектуальной информационно-аналитической системы поддержки планирования налоговых доходов регионального бюджета, включающую адаптивную нечеткую базу знаний иерархического типа.
Разработать модель прогнозирования налоговых доходов регионального бюджета на основе адаптивной нечеткой базы знаний иерархического типа.
Разработать методику построения интеллектуальной информационно-аналитической системы поддержки планирования налоговых доходов регионального бюджета.
Разработать алгоритмическое, программное обеспечение интеллектуальной информационно-аналитической системы поддержки планирования налоговых доходов регионального бюджета и исследовать ее эффективность.
Методика исследования
Результаты исследований базируются на методах системного анализа, методологии объектно-ориентированного анализа и моделирования информационных систем, методологии построения экспертных систем, теории искусственных нейронных сетей, теории нечеткой логики.
Результаты, выносимые на защиту
На защиту выносятся:
1. Комплекс объектно-ориентированных моделей процесса планирования налоговых доходов регионального бюджета, включающий модели структуры классов процесса планирования налоговых доходов
10 регионального бюджета, логические модели интеллектуальных компонентов
информационно-аналитической системы и модели динамики ее
функционирования.
Структура интеллектуальной информационно-аналитической системы поддержки планирования налоговых доходов регионального бюджета, включающая интеллектуальные компоненты в виде адаптивной нечеткой базы знаний иерархического типа, и нейро-нечеткой сети для настройки ее параметров.
Модель прогнозирования налоговых доходов регионального бюджета на основе адаптивной нечеткой базы знаний иерархического типа, позволяющая интегрировать экспертные знания и фактографическую информацию, используемую для обучения нейро-нечеткой сети.
Методика построения интеллектуальной информационно-аналитической системы поддержки планирования налоговых доходов регионального бюджета.
Алгоритмическое и программное обеспечение для реализации интеллектуальной информационно-аналитической системы поддержки планирования налоговых доходов регионального бюджета в соответствии с предложенными формальными моделями.
Научная новизна
Новизна структуры интеллектуальной информационно-аналитической системы поддержки планирования налоговых доходов регионального бюджета состоит в наличии интеллектуальных компонентов в виде адаптивной нечеткой базы знаний иерархического типа, построенной на основе результатов объектно-ориентированного моделирования, и нейро-нечеткой сети для настройки ее параметров.
Новизна разработанной модели прогнозирования налоговых доходов регионального бюджета состоит в формировании прогноза на основе
экспертных знаний, содержащихся в нечетких правилах, и фактографической информации, описывающей текущие социально-экономические условия.
Новизна предложенной методики построения интеллектуальной информационно-аналитической системы поддержки планирования налоговых доходов регионального бюджета заключается в использовании результатов объектно-ориентированного моделирования на этапе концептуализации знаний и настройке параметров адаптивной нечеткой базы знаний на этапе формализации.
Практическая значимость
Практическую значимость имеют:
- методика, в соответствии с которой осуществляется
автоматизированная разработка интеллектуальной информационно-
аналитической системы поддержки планирования налоговых доходов
регионального бюджета.
- программное обеспечение, реализующее исследовательский прототип
интеллектуальной информационно-аналитической системы поддержки
планирования налоговых доходов регионального бюджета, позволяющее
проводить анализ и прогнозирование на основе интеграции фактографической
информации с экспертными знаниями и повысить эффективность процесса
принятия решений.
Основные результаты диссертационной работы в виде моделей, методики и программного обеспечения исследовательского прототипа интеллектуальной информационно-аналитической системы поддержки планирования налоговых доходов регионального бюджета внедрены в Институт социально-экономических исследований УНЦ РАН и в Министерство финансов Республики Башкортостан. Кроме того, результаты диссертационной работы внедрены в учебный процесс на базе Уфимского государственного авиационного технического университета и изложены в методических указаниях к лабораторным работам.
12 Апробация работы
Основные результаты работы докладывались и обсуждались на 6 научно — технических конференциях, в том числе на международной научно-практической конференции "Саморазвитие регионов", г. Уфа, 2002 г., V международной конференции «Проблемы управления и моделирования в сложных системах», г.Самара, 2003 г., VII международной научно-практической конференции «Системный анализ в проектировании и управлении», г. Санкт-Петербург, 2003 г., V международной конференции «Computer Science and Information Technologies CSIT'2003», г.Уфа, 2003 г., VI международной конференции «Computer Science and Information Technologies CSIT'2004», г.Будапешт, 2004 г., VII международной конференции «Computer Science and Information Technologies CSIT'2005», г.Уфа, 2005 г.
Публикации
Основные результаты исследования по теме диссертации опубликованы в 11 работах - в том числе 9 статей, 2 тезисов докладов, 1 методические указания к лабораторным работам для студентов специальностей «Прикладная информатика в экономике» и «Математические методы и исследование операций в экономике».
Существующие подходы к информационно-аналитической поддержке принятия решений при планировании налоговых доходов регионального бюджета
Управление сложными социальными, экономическими и промышленными системами, как правило, происходит в условиях неполной информации, недостаточного знания закономерностей функционирования и постоянного изменения обстановки, в которой функционирует система. Поэтому в процессе принятия управленческих решений опираются как на аналитические методы анализа ситуации и прогнозирования, так и на субъективный опыт, знания и оценки экспертов и руководителя.
Как правило, в состоянии нестабильной экономики, характеризующейся частой сменой экономических условий, принятие управленческих решений осуществляется в условиях неопределенности, вследствие чего задача планирования экономической деятельности и прогнозирования ее результатов является одной из самых сложных и неоднозначных.
Прогнозирование - функция управления, в наибольшей степени подверженная субъективизму, наименее формализуемая, нестационарность наблюдаемых экономических процессов обуславливает трудности применения формальных методов и моделей, в связи с чем повышается роль экспертных знаний, эвристических приемов в процессе принятия решений.
Предсказание варианта развития в будущем содержит большой элемент неопределенности, и это вынуждает ограничиваться утверждениями преимущественно качественного характера в сочетании с экстраполяцией наиболее обобщенных параметров экономики в целом.
Для определения научно-обоснованных предпосылок применения того или иного метода прогнозирования необходим анализ не только применяемого математического аппарата, но и рассмотрение характеристик класса объектов прогнозирования.
Вопрос о применении математических моделей для анализа проблем принятия решений в экономике и других областях, законы функционирования которых еще плохо формализованы и изучены, не может рассматриваться также, как, например, в физике, в которой математические модели являются результатом многовековых достаточно успешных исследований. Это связано, в частности, как с огромной сложностью таких проблем, так и с их зависимостью от чисто субъективных факторов, кроме того, нельзя не учитывать, что модель может оказаться неустойчивой. Поэтому отношение к результатам моделирования задач, относящихся к этим областям как к чему-то безусловному, столь естественное, например, в большинстве областей физики, недопустимо [45, 62, 95].
Социально-экономические системы в отличие, например, от технических систем, имеют ряд особенностей, обуславливающих сложность их моделирования, среди которых можно отметить следующие: - невозможность проведения экспериментов для получения полноценных статистических данных по результатам испытаний, - невоспроизводимость условий наблюдений, что накладывает ограничения на объем и качество имеющейся информации о поведении системы; - наличие множества взаимосвязей и взаимовлияющих факторов. Кроме того, как отмечается в [49], социально-экономический объект в отличие от технического имеет непостоянную структуру, которая изменяется в каждый момент времени, практически все параметры такой системы преобразуются по нелинейным зависимостям. Специфика исходной информации и объекта прогнозирования требует выбора адекватного метода прогнозирования. По оценкам отечественных и зарубежных исследователей число различных методов, приемов и методик прогнозирования превысило 150. Однако, число базовых методов, повторяющихся в различных вариациях в других методах, не превышает десяти [62]. Обзор источников [10, 27, 108] позволил сделать вывод о том, что актуальной тенденцией развития систем поддержки принятия решений является их интеллектуализация, ориентированная на способность выбора метода решения задачи прогнозирования, наиболее адекватного имеющейся исходной информации о задаче. А именно: разработка методов идентификации структур данных с целью автоматизации выбора наиболее подходящей модели прогнозирования; либо использование коллектива моделей, а также разработка и встраивание электронных консультантов для оказания помощи аналитикам при решении задач анализа данных и конструирования моделей. Так, в [27] приводится иерархическая сеть атрибутов проблемной области выбора метода прогнозирования (применительно к техническим объектам), в которой выделено 5 категорий (объект прогнозирования и управления; процесс изменения состояния объекта; информация, поступаемая в результате текущего контроля объекта; модель прогнозирования, влияющая на состав алгоритмического и программного обеспечения; результат прогнозирования), 18 видов факторов и 41 вид подфакторов. Таким образом, формируется кортеж требований, учет которых ввиду их многочисленности превращает задачу выбора модели и алгоритма прогнозирования в большую самостоятельную проблему, для решения которой необходимо создавать интеллектуализированную систему. Современные системы поддержки принятия решений (О II IP) в области управления государственных финансов, в том числе бюджетного планирования, представляют собой интегрированные информационно-аналитические комплексы. В общем случае под такими СГШР понимаются программные системы, имеющие следующие компоненты [13]: - информационный (совокупность ретроспективных данных предметной области); - аналитический (специальные аналитические методы обработки накопленных данных, отыскания закономерностей и другие функции анализа ретроспективной информации); - прогнозный (функции прогнозирования, моделирования последствий различных вариантов эндогенных и экзогенных воздействий, планирования процессов принятия решений с учетом результатов моделирования и прогнозирования). Проведенный анализ литературы [13, 14, 30, 75, 76, 99] позволил выделить следующие концепции СГШР регионального управления и бюджетного планирования: 1. СГШР, основанные на концепции комплексного имитационного моделирования социально-экономической деятельности для прогнозирования территориального развития.
Разработка комплекса объектно-ориентированных моделей процесса планирования налоговых доходов регионального бюджета
Системный подход к разработке интеллектуальной информационной системы предполагает анализ среды, в которой предстоит функционировать проектируемой системе, определение функций системы и необходимой для ее работы информации. Повышение качества проекта и сокращение сроков разработки системы поддержки принятия решений может быть достигнуто путем использования современных С4Е-средств проектирования программных продуктов.
Анализ современных стандартов и методик моделирования информационных систем показал, что существуют два основных современных подхода к моделированию: структурный и объектный, в соответствии с которыми разработаны методологии структурного и объектного моделирования. В практике проектирования информационных систем данные подходы реализуются в следующих основных технологиях анализа предметной области [9, 42]: технология структурного анализа и проектирования {Structure Analysis and Design Technique, SADT) и технология объектно-ориентированного анализа и проектирования {Object-Oriented Analysis and Design).
Модели предметной области, оформленные с использованием современных CASE - средств моделирования: Unified Modeling Language {UML), Integrated Definition and Design Technique {IDEF), Colored Petri Nets {CPN), Architecture of Integrated Information System Toolset {ARIS), содержат в себе элементы когнитивной графики и облегчают экспертам задачу формализации знаний, что приближает их к моделям, используемым для накопления знаний в интеллектуальных технологиях. Таким образом, системное моделирование является основой процесса создания интеллектуальных информационных систем [17].
Выбор методологии моделирования на основе объектно-ориентированного подхода в данной работе обусловлен следующим: 1) объектные модели являются более адекватным инструментом для представления семантики, отражаемой в сущностях предметной области, которые представлены классами и объектами реального мира, а также отношениями между ними; 2) в настоящее время реализация информационных систем осуществляется преимущественно в соответствии с парадигмой объектно-ориентированного программирования. В [22] этапы объектно-ориентированного подхода к разработке программных систем определяются следующим образом. Объектно-ориентированный анализ - способ анализа, изучающий требования к системе с точки зрения будущих классов и объектов, основываясь на словаре предметной области. Объектно-ориентированное проектирование - способ проектирования, включающий в себя описание процесса объектно-ориентированной декомпозиции и объектно-ориентированную нотацию для описания различных моделей системы (логической и физической, статической и динамической). Объектно-ориентированное программирование - это метод реализации, в основе которого лежит идея представления программной системы в виде набора взаимодействующих объектов, каждый из которых является экземпляром некоторого класса, а классы объединены в иерархию наследования. Важным качеством объектного подхода является согласованность моделей системы от стадии анализа до программных модулей. По объектным моделям может быть прослежено отображение реальных сущностей моделируемой предметной области в объекты и классы информационной системы.
Важнейшим понятием объектной технологии является объект, определяемый как инкапсулирующая сущность, обладающая свойствами и методами. Объекты - это основные элементы, моделирующие реальный мир. В отличие от структурного подхода, где основное внимание уделяется функциональной декомпозиции, в объектном подходе предметная область разбивается на некоторое множество относительно независимых сущностей -объектов. Объектная декомпозиция, отраженная в спецификациях и кодах приложений, есть главное отличие объектного подхода.
Объект — это абстракция множества предметов реального мира, обладающих одинаковыми характеристиками и законами поведения. Экземпляр объекта - это конкретный определенный элемент множества. Каждый объект имеет состояние, поведение и индивидуальность. Состояние объекта обычно меняется во времени и определяется набором свойств, называемых атрибутами. Поведение объекта определяет, как объект взаимодействует с другими объектами. Индивидуальность означает, что каждый объект уникален и отличается от других объектов. Объект — это типичный представитель класса, а класс - это множество предметов реального мира, связанных общностью структуры и поведения. Элемент класса - это конкретный элемент данного множества. Таким образом, термины «экземпляр объекта» и «элемент класса» равнозначны.
Реализация объектно-ориентированного подхода подразумевает построение набора моделей, которые в используемой нами нотации языка UML представляются в виде графических конструкций, называемых диаграммами (рис.2.2).
Визуальное моделирование в UML можно представить как некоторый процесс поуровневого спуска от наиболее общей и абстрактной концептуальной модели исходной системы к логической, а затем и к физической модели соответствующей программной системы [53].
Необходимо отметить, что результатом нашего моделирования является разработка двух комплексов моделей: прикладные объектно-ориентированные модели применительно к рассматриваемому процессу (планирования налоговых доходов) и метамодели представления и обработки знаний, инвариантные к конкретной предметной области.
В данной работе разработка моделей осуществлялась с помощью программного продукта Rational Rose {Rational Software Corporation) -инструментального средства визуального моделирования.
Алгоритмы интеллектуальной информационно-аналитической поддержки планирования налоговых доходов регионального бюджета
Интеллектуальная информационно-аналитическая система, предназначенная для поддержки принятия решений при планировании налоговых доходов бюджета, функционирует в трех режимах. Основная функция системы - это выдача прогнозов динамики налоговых доходов в зависимости от реализации того или иного сценария социально-экономического развития региона. Для данного режима функционирования системы разработан алгоритм формирования прогноза динамики налоговых доходов регионального бюджета (рис. 3.4).
В результате выбора того или иного вида налога Nalogk инициируется соответствующая система нечеткого вывода FISk, которая инкапсулирует модель взаимосвязи множества факторов {Х}ь и итогового показателя. Затем аналитиком формируется сценарий социально-экономического развития Xk, представленный вектором прогнозных значений факторов, который подается на вход системы нечеткого вывода.
Далее осуществляются процедуры фаззификации и нечеткого логического вывода последовательно для каждого уровня иерархии, т.е. полученные выходные значения блоков предыдущего уровня подаются на вход блока(ов) следующего уровня. В результате обработки блока нечетких правил последнего уровня определяется итоговое значение ук - прогнозная величина изменения объема налоговых доходов.
При качественных изменениях социально-экономической ситуации, по мере накопления информации в хранилище данных необходимо производить обучение базы знаний с целью обеспечения ее адекватности. Для такого режима функционирования системы разработан алгоритм настройки базы знаний, включающий процедуры формирования запросов на получение данных, предобработки полученных выборок и собственно обучения нейро-нечеткой сети, реализуемые на уровне отдельных блоков. На рис. 3.5 представлен алгоритм настройки ИИАС.
После того как пользователь определит, какую базу знаний (для какого вида налога Nalogk) требуется обучить, инициируется соответствующая система нечеткого вывода FISk. Затем для каждого блока нечетких правил By формируется запрос Q щ (xj, х2,..., х„,..., xN,y), в результате выполнения которого из хранилища данных извлекается выборка xis, Х2 st Хп л XN s, У s =Л ДЛЯ приведения показателей к требуемому виду производится предобработка данных, а именно: пересчет в сопоставимые цены, расчет величин изменений показателей, в результате модифицированная выборка хи, ..., ЗсИї, ..., xNs; s=iS используется для обучения нейро-нечеткой сети. В результате обучения происходит изменение значений параметров системы нечеткого вывода, завершающим этапом работы алгоритма является сохранение измененной FIS\.c целью ее дальнейшего использования для прогнозирования. Для редактирования модели, лежащей в основе системы нечеткого вывода, предусмотрен режим моделирования, в процессе которого пользователь имеет возможность изменять структуру модели, т.е. добавлять новые факторы и правила, актуальные для текущей социально-экономической ситуации, удалять факторы, которые перестали оказывать существенное влияние на динамику налоговых доходов и изменять правила, которые не соответствуют реалиям. Тем самым обеспечивается необходимая гибкость системы поддержки принятия решений.
Предлагаемая методика разработки интеллектуальной информационно-аналитической системы планирования налоговых доходов регионального бюджета представляется следующей последовательностью этапов (рис.3.6).
Этап идентификации проблемной области предваряет разработку любой экспертной системы [18, 26, 93]. На этом этапе определяются задачи, которые должны решаться с помощью экспертной системы, ее основные функции, «очерчивается контур» будущей системы. В результате данного этапа составляется спецификация системы, определяется коллектив разработчиков, коллектив экспертов (специалистов предметной области), с которыми предстоит взаимодействовать инженеру по знаниям. Кроме того, собирается документация (нормативные документы, положения, инструкции, отчеты и т.д.), в которой содержится та или иная информация о бизнес-процессах, относящихся к планированию налоговых доходов регионального бюджета, для последующей их формализации на этапе системного анализа и моделирования предметной области.
Системный анализ и моделирование проводится с использованием объектного подхода и предполагает построение комплекса объектно-ориентированных моделей.
Сравнительная оценка эффективности методов прогнозирования с использованием искусственной нейронной сети
В п.2.2 были разработаны модели физической реализации интеллектуальной информационно-аналитической поддержки планирования налоговых доходов регионального бюджета. В соответствии с диаграммой развертывания ИИАС имеет трехуровневую архитектуру «клиент - сервер», отвечая концепции корпоративной системы, реализующей интеллектуальный анализ данных. В качестве «клиента» выступает АРМ аналитика, основными элементами которого являются: интеллектуальные компоненты - адаптивная нечеткая база знаний с механизмом настройки, программные модули, отвечающие за сопряжение с хранилищем данных (витриной данных) и обеспечивающие получение требуемых выборок, а также интерфейс пользователя, который является интегрирующим звеном в работе аналитической системы.
В данной работе разработан исследовательский прототип ИИАС в виде приложения в среде MATLAB, включающий систему нечеткого вывода, нечеткую базу знаний и графический интерфейс пользователя.
Система MATLAB помимо того, что она выполняет функции оболочки нечеткой экспертной системы, представляет собой программную среду, которая позволяет создавать дополнительные модули, требуемые для работы предметно-ориентированной системы с заданной функциональностью. В Приложении 4 приведен фрагмент программного кода для приложения «Интеллектуальная информационно-аналитическая поддержка планирования налоговых доходов регионального бюджета», основу которого составляет множество М-функций. В Приложении 5 приведены фрагменты экранных форм разработанного приложения. 1. Проведено имитационное моделирование интеллектуальной информационно-аналитической системы в среде MATLAB и прогнозирование динамики налоговых доходов (на примере налога на прибыль), в ходе которого спроектирована система нечеткого вывода и осуществлена настройка ее параметров по блокам «Объем производства» и «Затраты» посредством обучения нейро-нечеткой сети. Показано, что разработанная модель имеет удовлетворительные характеристики качества прогноза, проверка адекватности полученной модели с использованием ретроспективных данных позволяет утверждать, что среднее отклонение от фактических значений не превышает 5%. 2. Проведена сравнительная оценка эффективности методов прогнозирования с использованием искусственной нейронной сети. При обучении и проверке работы нейронной сети на идентичном наборе данных получены результаты, близкие к тем, что формируются с помощью нейро-нечеткой сети. Преимуществом разработанной модели на основе адаптивной нечеткой базы знаний является ее логическая прозрачность и возможность корректировки (адаптации) как параметров базы знаний, так и самих правил при качественных изменениях в социально-экономической среде. 3. Разработано программное обеспечение, на основе которого реализован прототип интеллектуальной информационно-аналитической системы поддержки планирования налоговых доходов регионального бюджета. 4. Предложенные средства интеллектуальной информационно-аналитической поддержки позволяют улучшить качественные характеристики эффективности процесса бюджетного планирования за счет автоматизации прогнозно-аналитической деятельности, повышая ее оперативность и обоснованность формируемых рекомендаций для принятия решений в условиях неопределенности. В ходе проведенного исследования автором сделан ряд выводов и получены следующие результаты: 1. Разработан комплекс объектно-ориентированных моделей процесса планирования налоговых доходов регионального бюджета, включающий модели структуры классов предметной области и метамодели представления и обработки знаний, а также модели динамики функционирования интеллектуальной информационно-аналитической системы. Результаты моделирования используются для формального представления и разработки адаптивной нечеткой базы знаний. 2. На основе результатов объектно-ориентированного моделирования разработана структура интеллектуальной информационно-аналитической системы поддержки планирования налоговых доходов регионального бюджета, включающая интеллектуальные компоненты в виде адаптивной нечеткой базы знаний и нейро-нечеткой сети для настройки ее параметров. 3. Предложена модель прогнозирования налоговых доходов регионального бюджета, позволяющая формировать прогноз на основе адаптивной нечеткой базы знаний иерархического типа. Интеграция фактографической информации с экспертными знаниями позволяет обеспечить адаптацию базы знаний к текущим социально-экономическим условиям, подверженным качественным изменениям. 4. Предложена методика, позволяющая автоматизировать построение интеллектуальной информационно-аналитической системы поддержки планирования налоговых доходов регионального бюджета. Особенность предложенной методики заключается в использовании результатов объектно-ориентированного моделирования на этапе концептуализации знаний и настройке параметров адаптивной нечеткой базы знаний на этапе формализации. 5. Разработано алгоритмическое и программное обеспечение, реализующее методы инженерии знаний в соответствии с предложенными формальными моделями, на основе которых разработан исследовательский прототип интеллектуальной информационно-аналитической системы. Исследована эффективность интеллектуальной информационно-аналитической системы поддержки планирования налоговых доходов регионального бюджета. Показано, что использование модели прогнозирования налоговых доходов регионального бюджета на основе адаптивной нечеткой базы знаний позволяет получить прогноз удовлетворительного качества. Проверка адекватности полученной модели с использованием ретроспективных данных позволяет утверждать, что среднее отклонение от фактических значений не превышает 5%.
Кроме того, предложенные средства интеллектуальной информационно-аналитической поддержки позволяют улучшить качественные характеристики эффективности процесса бюджетного планирования за счет автоматизации прогнозно-аналитической деятельности, повышая ее оперативность и обоснованность формируемых рекомендаций для принятия решений в условиях неопределенности.
