Инструменты искусственного интеллекта при оценке эффективности инвестиционного проекта
Кричевский М.Л.1
, Мартынова Ю.А.1
1 Санкт-Петербургский государственный университет аэрокосмического приборостроения, Россия, Санкт-Петербург
Скачать PDF | Загрузок: 77 | Цитирований: 12
Статья в журнале
Креативная экономика (РИНЦ, ВАК)
опубликовать статью | оформить подписку
Том 12, Номер 8 (Август 2018)
Эта статья проиндексирована РИНЦ, см. https://elibrary.ru/item.asp?id=35384452
Цитирований: 12 по состоянию на 07.12.2023
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.
Ключевые слова: оценка эффективности, инвестиционный проект, искусственный интеллект, нейронечеткая система
Источники:
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.
Страница обновлена: 09.12.2025 в 21:51:05
Download PDF | Downloads: 77 | Citations: 12
Instruments of artificial intelligence in assessment of effectiveness of investment project
Krichevskiy M.L., Martynova Y.A.Journal paper
Creative Economy
Volume 12, Number 8 (August 2018)
Abstract:
The results of the analysis of the investment project with the help of a neuro-fuzzy system are presented. Unlike the traditional methods of evaluating the effectiveness of the project, which works poorly in conditions of incomplete information, it is proposed to use tools related to "weak" methods of artificial intelligence. As an instrument for solving the problem, an artificial neural network and a fuzzy logic system were chosen. Incorporation these technologies into a hybrid neuron-fuzzy system that combines the best properties of these methods has made it possible to form a quantitative assessment of the effectiveness of investment projects. The work of a neuron-fuzzy system of the type ANFIS (adaptive neuro-fuzzy inference system), implemented in the MatLab R2012b software package, is demonstrated. The regression equation connecting the input parameters of the investment project with the evaluation of its efficiency was derived and a comparison of the two approaches to the solution of the problem was made.
Keywords: investment project, efficiency evaluation, artificial intelligence, neuro-fuzzy system
JEL-classification: D81, С45, С65
References:
Coppin B. Artificial intelligence illuminated. SudburyJones & Bartlett Publishers. Retrieved from https://www.abebooks.com/9780763732301/Artificial-Intelligence-Illuminated-Jones-Bartlett-0763732303/plp
Doskočil R. (2016). An evaluation of total project risk based on fuzzy logic. Verslas: Teorija ir praktika Business: Theory and Practice. 17 (1). 23-31. doi: 10.3846/btp.2015.534.
Gracheva M.V., Sekerin A.B. (2009). Risk-menedzhment investitsionnogo proekta [Investment project risk management] Moscow: YuNITI-DANA. (in Russian).
Ingle M.M. (2017). Risk Analysis and Fuzzy Logic Based Project Evaluation Imperial Journal of Interdisciplinary Research. 3 (6). 107-111.
Jang J-S. R., Sun C-T., Mizutani E. Neuro-Fuzzy and Soft Computing: A Computational Approach to Learning and Machine IntelligencePrentice-Hall. Retrieved from https://www.dca.ufrn.br/~meneghet/FTP/anfis%2093.pdf
Jang R. (193). ANFIS :Adaptive-Network-Based Fuzzy Inference System IEEE Transactions on Systems, MAN, and Cybernetics. 23 (3). 665-685.
Kecman V. Learning and Soft Computing - Support Vector Machines, Neural Networks, and Fuzzy Logic Models. Retrieved from https://mitpress.mit.edu/books/learning-and-soft-computing
Krichevskiy M.L. (2018). Prikladnye zadachi menedzhmenta [Applied tasks of management] Moscow: Kreativnaya ekonomika. (in Russian).
Mousavi J., Ponnambalam K., Karray F. (2007). Inferring operating rules for reservoir operations using fuzzy regression and ANFIS Fuzzy Sets and Systems. 158 1064–1082.
Orekhova A.S.. Sokolov M.A. (2012). Otsenka effektivnosti investitsionnyh proektov i vybor optimalnogo puti razvitiya predpriyatiya [Assessment of investment projects efficiency and choice of an optimum way of the enterprisedevelopment]. Transport business in Russia. (6). 53-57. (in Russian).
Puryaev A., Puryaeva Zh., Mammaev R., Borisova L. (2015). Neural Networks in an Assessment of Investment Projects Efficiency Ayer. (4). 6-10.
Russell S., Norvig P. (2010). Artificial Intelligence: A Modern Approach Boston: Prentice Hall.
Методические рекомендации по оценке эффективности инвестиционных проектовNiec.ru. (in Russian). Retrieved from http://www.niec.ru/Met/02redMR.pdf
Рутковский Л. Методы и технологии искусственного интеллектаГорячая линия - Телеком. (in Russian). Retrieved from http://www.techbook.ru/book.php?id_book=400
Штовба С.Д. Проектирование нечетких систем средствами MATLABГорячая линия - Телеком. (in Russian). Retrieved from https://www.ozon.ru/context/detail/id/3179905