bgscience@idbg.ru
+7 495 648 62 41 127015, Москва, ул. Новодмитровская, д. 5А, стр. 7
Меню

Switch to English:to English

Инструменты искусственного интеллекта при оценке эффективности инвестиционного проекта


Кричевский М.Л., Мартынова Ю.А.
(подробнее об авторах)

Кричевский Михаил Лейзерович – профессор кафедры менеджмента наукоемких производств, доктор технических наук, профессор (Санкт-Петербургский государственный университет аэрокосмического приборостроения )

Мартынова Юлия Анатольевна – доцент кафедры менеджмента наукоемких производств, кандидат экономических наук, доцент (Санкт-Петербургский государственный университет аэрокосмического приборостроения )

Опубликовано в журнале:
Креативная экономика
– Том 12, Номер 8 (Август 2018)

JEL classification: D81, С45, С65

Ключевые слова: инвестиционный проект, искусственный интеллект, нейронечеткая система, оценка эффективности


Цитировать статью:
Кричевский М.Л., Мартынова Ю.А. Инструменты искусственного интеллекта при оценке эффективности инвестиционного проекта // Креативная экономика. — 2018. — Том 12. — № 8. — с. 1105-1118. — doi: 10.18334/ce.12.8.39265


Другие статьи по этой тематике :
Михайлова Е.В. (2012) Использование теории опционного ценообразования для оценки инвестиционно-строительных проектов
Канивец П.И. (2010) Возможности опционного подхода при оценке стратегических инвестиционных проектов
Хайруллина Р.Р. (2006) Оценка рисков заемщика, реализующего инвестиционный проект

(+ еще похожие статьи)



Поделиться этой страницей:

Аннотация:

Приведены результаты оценки эффективности инвестиционного проекта, полученные с использованием нейронечеткой системы. В отличие от традиционных методов оценки эффективности проекта, которые плохо работают в условиях неполной информации, предложено использовать инструментарий, относящийся к "слабым" методам искусственного интеллекта. В качестве инструментов для решения задачи выбраны искусственная нейронная сеть и система нечеткой логики. Объединение этих технологий в гибридную нейронечеткую систему, сочетающую лучшие свойства указанных методов, позволило сформировать количественную оценку эффективности инвестиционных проектов. Продемонстрирована работа нейронечеткой системы типа ANFIS (adaptive neuro-fuzzy inference system), реализованная в программном комплексе MatLab R2012b. Выведено уравнение регрессии, связывающее входные параметры инвестиционного проекта с оценкой его эффективности, и проведено сравнение двух подходов к решению задачи.







Источники:
1. Булгакова Л.Н., Литовка Г.Л. Методические аспекты оценки эффективности инвестиционных проектов // Управление экономическими системами. – 2014. – № 10(70). – С. 1. – url: https://cyberleninka.ru/journal/n/upravlenie-ekonomicheskimi-sistemami-elektronnnyy-nauchnyy-zhurnal.
Кричевский М.Л. Прикладные задачи менеджмента. / Монография. - Москва: Креативная экономика, 2018. – 210 с.
Методические рекомендации по оценке эффективности инвестиционных проектов. Niec.ru. [Электронный ресурс]. URL: http://www.niec.ru/Met/02redMR.pdf.
4. Орехова А.С.. Соколов М.А. Оценка эффективности инвестиционных проектов и выбор оптимального пути развития предприятия // Транспортное дело России. – 2012. – № 6. – С. 53-57. – url: https://cyberleninka.ru/article/n/otsenka-effektivnosti-investitsionnyh-proektov-i-vybor-optimalnogo-puti-razvitiya-predpriyatiya..
Грачева М.В., Секерин А.Б. Риск-менеджмент инвестиционного проекта. / учебник. - Москва: ЮНИТИ-ДАНА, 2009. – 544 с.
Рутковский Л. Методы и технологии искусственного интеллекта. Горячая линия - Телеком. [Электронный ресурс]. URL: http://www.techbook.ru/book.php?id_book=400.
Штовба С.Д. Проектирование нечетких систем средствами MATLAB. Горячая линия - Телеком. [Электронный ресурс]. URL: https://www.ozon.ru/context/detail/id/3179905.
Coppin B. Artificial intelligence illuminated. Sudbury. Jones & Bartlett Publishers. [Электронный ресурс]. URL: https://www.abebooks.com/9780763732301/Artificial-Intelligence-Illuminated-Jones-Bartlett-0763732303/plp.
9. Doskočil R. An evaluation of total project risk based on fuzzy logic. Verslas: Teorija ir praktika // Business: Theory and Practice. – 2016. – № 1. – С. 23-31. – doi: 10.3846/btp.2015.534.
10. Ingle M.M. // Imperial Journal of Interdisciplinary Research. – 2017. – № 6. – С. 107-111. – url: https://www.onlinejournal.in/IJIRV3I6/020.pdf.
11. Jang R. ANFIS :Adaptive-Network-Based Fuzzy Inference System // IEEE Transactions on Systems, MAN, and Cybernetics. – 193. – № 3. – С. 665-685.
Jang J-S. R., Sun C-T., Mizutani E. Neuro-Fuzzy and Soft Computing: A Computational Approach to Learning and Machine Intelligence. Prentice-Hall. [Электронный ресурс]. URL: https://www.dca.ufrn.br/~meneghet/FTP/anfis%2093.pdf.
Kecman V. Learning and Soft Computing - Support Vector Machines, Neural Networks, and Fuzzy Logic Models. [Электронный ресурс]. URL: https://mitpress.mit.edu/books/learning-and-soft-computing.
14. Mousavi J., Ponnambalam K., Karray F. // Fuzzy Sets and Systems. – 2007. – С. 1064–1082. – url: https://www.sciencedirect.com/science/article/pii/S0165011406004428.
15. Puryaev A., Puryaeva Zh., Mammaev R., Borisova L. Neural Networks in an Assessment of Investment Projects Efficiency // Ayer. – 2015. – № 4. – С. 6-10. – url: http://www.ayeronline.com.
Russell S., Norvig P. Artificial Intelligence: A Modern Approach. - Boston: Prentice Hall, 2010. – 1152 с.