Инструменты динамической сегментации рынка пивоваренной продукции с использованием аппроксимационных моделей тема диссертации и автореферата по ВАК РФ 08.00.13, кандидат экономических наук Храименков, Михаил Михайлович

  • Храименков, Михаил Михайлович
  • кандидат экономических науккандидат экономических наук
  • 2010, Смоленск
  • Специальность ВАК РФ08.00.13
  • Количество страниц 162
Храименков, Михаил Михайлович. Инструменты динамической сегментации рынка пивоваренной продукции с использованием аппроксимационных моделей: дис. кандидат экономических наук: 08.00.13 - Математические и инструментальные методы экономики. Смоленск. 2010. 162 с.

Оглавление диссертации кандидат экономических наук Храименков, Михаил Михайлович

Введение

1 Анализ современных подходов к сегментации рынков

1.1 Задача сегментации рынка и ее роль в процессе принятия 12 маркетинговых решений

1.2 Обзор математических методов многомерного кластерного анализа

1.3 Обзор математических методов прогнозирования социально- 30 экономических систем

1.4 Выводы

2 Организационно-экономический анализ состояния и основных 54 тенденций развития отечественных предприятий по производству алкогольной продукции

2.1 Анализ состояния и основных тенденций развития предприятий 54 пищевой промышленности РФ

2.2 Анализ состояния и основных тенденций развития рынка 75 виноводочной продукции и пива

2.3 Анализ предприятий пищевой промышленности Смоленской 87 области

2.4 Выводы

3 Разработка структурной модели и инструментов динамической 103 сегментации нестабильных рынков

3.1 Структурная модель динамического кластерного анализа рынка

3.2 Динамическая кластеризация

3.3 Прогнозирование параметров модели сегмента рынка с 114 использованием локально-аппроксимационного подхода во временных окнах переменной длины

3.4 Выводы

4 Результаты практической реализации предложенных 125 математических моделей и алгоритмов для динамического анализа сегментов рынка пивоваренной продукции

4.1 Архитектура информационной системы динамического анализа сегментов рынка

4.2 Методика динамического анализа кластерной структуры рынка

4.3 Применение результатов диссертационной работы в ОАО «Бахус»

4.4 Выводы

Рекомендованный список диссертаций по специальности «Математические и инструментальные методы экономики», 08.00.13 шифр ВАК

Введение диссертации (часть автореферата) на тему «Инструменты динамической сегментации рынка пивоваренной продукции с использованием аппроксимационных моделей»

Сегментация рынка является одной из важнейших стратегий маркетинга, которая позволяет определять характеристики потребителей, выбирать маркетинговую стратегию охвата рынка, определять стратегические ориентиры при разработке инструментов комплекса маркетинга. Особенно актуальной задача сегментации является для предприятий, которые вследствие ужесточения конкуренции реализуют конкурентную стратегию сфокусированной дифференциации и осуществляют свою маркетинговую деятельность на высоко дифференцированных рынках. К таким предприятиям в значительной степени относятся предприятия пивоваренной промышленности, объемы производства которой в 2009 г. снизились по отношению к 2008 г. на 4,8%. По некоторым номенклатурным группам наблюдался еще более выраженный негативный тренд. Например, объемы производства светлого пива в России в январе 2010 г. сократилось по отношению к январю 2009 г. на 44%. В таких условиях пивоваренные компании вынуждены осуществлять более детальный анализ рынка с целью выявления основных характеристик групп потребителей, которые могут рассматриваться как привлекательные сегменты рынка.

Вопросы сегментации рынка как инструмента оперативного и стратегического планирования рассмотрены в работах следующих авторов: X. Анн, В.Ф. Анурин, Г.Л. Багиев, Р.Д. Блэкуэлл, Б. Гантер, Е.В. Евтушенко, Ф. Котлер, Д.В. Кревенс, М.Дж. Крофт, Ж.Ж. Ламбен, М. Макдоналд, Т.Д. Маслова, П.У. Миниард, И.И. Муромкина, А.А. Паршин, Е.В. Попов, А.Н. Романов, Б.А. Резниченко, В.М. Тарасевич, В.М. Терещенко, А. Фернхам, В.Е. Хруцкий, Д.Ф. Энджел и др.

Учитывая, что сегмент рынка представляет собой кластер, включающий обладающих сходными характеристиками потребителей, при проведении сегментации целесообразно использовать инструменты кластерного анализа, рассмотренные в публикациях С.А. Айвазяна, М.А. Айзермана, Э.М. Бравермана, С.Я. Виленкина, Р. Гонсалеса, Ф. Груна, Ю.И. Журавлева, А.Г. Ивахненко, JI.A. Растригина, С.А. Редкозубова, В.П. Мешалкинва, В.С Мхитаряна, Дж. Ту, К. Фуканаги, ЯЗ. Цыпкина, Р.Х. Эренштейна, X. Хейкена. и др.

В тоже время использование традиционных инструментов кластерного анализа позволяет получить только статическую картину рынка и не дает возможность спланировать маркетинговую стратегию на длительный период. Так, с течением времени восприятие потребителями продукта и рекламы меняется, изменяются характеристики самих выделяемых кластеров, при этом при большом объеме данных осуществление качественного анализа становится затруднительным.

В таких условиях для поддержки принятия маркетинговых решений целесообразно использовать инструменты динамического кластерного анализа, предложенные в работах Ангстенбергер JL, Гимарова В.В., Баумана В.Е., Дорофеюка А.А., Круглова В.В., Синха С., Ганеса В., Луниса П.,. Чернявского A.JI.

Анализ данных работ показывает, что использование инструментов динамического кластерного анализа для решения задачи сегментации динамически изменяющихся рынков в условиях нерегулярности получения результатов маркетинговых исследований предполагает ряд модификаций, который позволил бы оценивать изменение во времени емкости и устойчивость сегментов, прогнозировать появление новых и тенденции изменения существующих сегментов, а также допускать возможность применения данных инструментов для построения систем поддержки принятия решений (СППР) по стратегическому управлению маркетинговой деятельностью предприятий, в том числе пивоваренной отрасли. Отметим также, что при применении аппроксимационных моделей анализа эконометрических рядов для прогнозирования состояния кластерной структуры рынка необходимо учитывать нерегулярность поступления информации и существенно нелинейный характер зависимости изменения во времени центров и других характеристик кластеров от внешних факторов.

Сказанное определяет актуальность научной задачи разработки аналитических и программных инструментов динамической сегментации рынка пивоваренной продукции, позволяющих прогнозировать изменение характеристик сегментов данного рынка, а также структуры кластерного поля в целом, имеющей существенное значение для развития математического аппарата анализа экономических систем.

Цель диссертационной работы — разработка инструментов кластеризации рынка пивоваренной продукции для анализа сегментов рынка и прогнозирования их характеристик с использованием методического аппарата динамической кластеризации и построения аппроксимационных моделей в условиях нерегулярности поступления информации, а также архитектуры и методики применения информационной системы, реализующей разработанные аналитические инструменты.

Для достижения указанной цели были поставлены и решены следующие задачи исследования:

1. Анализ основных задач маркетинговых исследований, решаемых при анализе потребительских рынков. Постановка задачи сегментации рынка как разновидности задачи динамической кластеризации в условиях изменения структуры кластерного поля и нерегулярности поступления маркетинговой информации.

2. Анализ современного математического аппарата для динамической кластеризации эконометрических данных, а также прогнозирования социально-экономических систем и процессов.

3. Экономический анализ и определение основных тенденций развития предприятий пивоваренной промышленности РФ и Смоленской области. Обоснование целесообразности применения инструментов динамической кластеризации с использованием аппроксимационных моделей для выбора стратегии сегментации и охвата целевых рынков пива.

4. Разработка структурной модели процедуры сегментации изменяющегося во времени рынка пивоваренной продукции, предполагающей комплексное использование инструментов динамической кластеризации и аппроксимационного анализа характеристик выделенных сегментов.

5. Разработка инструментов динамической сегментации рынка пива с использованием алгоритмов кластеризации, учитывающих возможность изменения характеристик сегментов и кластерного поля потребительского рынка, а также специфические особенности сегмента рынка как вида кластера.

6. Модификация существующих инструментов построения аппроксимационных моделей для прогнозирования изменения характеристик целевых сегментов рынка в условиях нерегулярности поступления маркетинговой информации.

7. Разработка архитектуры и методики построения СГТПР по стратегическому управлению маркетинговой деятельностью пивоваренных предприятий, использующей предложенные инструменты динамической сегментации рынка.

8. Выработка практических рекомендаций по применению предложенных инструментов в ОАО «Бахус» (г. Смоленск).

Теоретической и методологической базой исследования являются методы теории статистического анализа, моделирования и кибернетики, методы экономического анализа, эконометрики и экономико-математического моделирования, системный подход к анализу экономических явлений и процессов, научные положения и выводы, сформулированные в трудах отечественных и зарубежных ученых по математическому моделированию экономических объектов и процессов.

Информационной базой исследования являются данные Росстата, законодательные и нормативно-правовые акты Президента и Правительства РФ, связанные с тематикой диссертации, а также отчетные данные предприятий по производству пивоваренной продукции Смоленской области.

Наиболее существенные научные результаты, полученные лично автором:

1. Разработана структурная модель процедуры сегментации изменяющегося во времени рынка пивоваренной продукции, предполагающей, в отличие от известных, комплексное использование инструментов динамической кластеризации и аппроксимационного анализа характеристик выделенных сегментов, позволяющая осуществлять прогнозирование структуры рынка и основных характеристик целевых сегментов в условиях неравномерного поступления маркетинговой информации.

2. Разработаны инструменты (алгоритм и методика) динамической сегментации рынка пива с использованием алгоритмов кластеризации, учитывающих возможность изменения во времени характеристик сегментов и кластерного поля потребительского рынка, а также специфические особенности характеристик сегмента рынка (емкость, стабильность, доступность для предприятия и т.д.) как вида кластера, а также использующие нечеткий критерий оценки качества кластерной структуры для описания емкости сегмента, что позволяет оценить устойчивость анализируемых сегментов.

3. Предложены модифицированные алгоритм и методика построения аппроксимационной модели для прогнозирования изменения характеристик целевых сегментов рынка в условиях нерегулярности поступления маркетинговой информации, отличающийся введением дополнительной переменной, характеризующей размер временного окна, что позволяет осуществлять прогноз при существенно нелинейном характере зависимости наблюдаемых показателей сегмента от факторов внешней среды.

4. Предложена архитектура информационной системы динамического анализа сегментов рынка, отличающаяся возможностью осуществления кластерного анализа с изменяющимся количеством кластеров и прогноза динамики характеристик кластеров, что позволяет расширить функциональные возможности корпоративных информационных СППР по управлению маркетинговой деятельностью предприятий, осуществляющих выпуск пивоваренной продукции, инструментами оперативного и стратегического планирования.

Объектом исследования является маркетинговая деятельность предприятий пивоваренной отрасти на дифференцированных потребительских рынках.

Предметом исследования являются инструменты сегментации динамически изменяющихся рынков.

Обоснованность и достоверность научных результатов, выводов и рекомендаций диссертации определяются корректным применением методов экономического анализа и экономико-математического моделирования. Выводы и предложения диссертационного исследования не противоречат известным теоретическим и практическим результатам, содержащимся в трудах отечественных и зарубежных ученых в области кластерного анализа информации, теории моделирования социально-экономических систем и ее приложения к решению маркетинговых задач.

Научная новизна работы состоит в разработке структурной модели процедуры сегментации изменяющегося во времени рынка пивоваренной продукции, предполагающей комплексное использование предложенных инструментов динамической сегментации и модифицированных инструментов построения аппроксимационной модели для прогнозирования изменения характеристик целевых сегментов рынка в условиях нерегулярности поступления маркетинговой информации, а также реализующей ее информационной СППР по управлению маркетинговой деятельностью предприятий.

Значение полученных результатов для теории и практики.

Предложенные в диссертации инструменты динамической сегментации рынка вносят определенный вклад в развитие математических и инструментальных методов экономики в части развития математического аппарата анализа экономических систем: математической экономики, эконометрики, прикладной статистики, а также математического моделирования экономической конъюнктуры, определения трендов и тенденций развития.

Разработанная архитектура информационной системы динамического анализа сегментов рынка, реализующая предложенные инструменты, вносит вклад в теорию и практику применения систем поддержки принятия решений для оптимизации управления экономикой на уровне предприятия.

Сведения о реализации и целесообразности практического использования результатов.

Предложенные инструменты динамической сегментации рынка, а также реализующая их информационная СППР были использованы в ОАО «Бахус» (г. Смоленск) и ООО «Арис» (г. Смоленск), что позволило определить перспективные сегменты при выборе маркетинговой стратегии и повысить эффективность маркетинговой деятельности организаций.

Теоретические и методические результаты диссертации используются в учебном процессе филиала Московского энергетического института (технического университета) в г. Смоленске.

Предложенные инструменты и реализующая их СППР могут найти широкое применение на предприятиях различных отраслей промышленности, осуществляющих маркетинговую деятельность на нестабильных дифференцированных рынках.

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на XXII Международной научно-практической конференции «Математические методы в технике и технологиях» (Псков, 2009); VII Межрегиональной научной конференции «Информационные технологии, энергетика и экономика» (Смоленск, 2010); Международной научно-технической конференции «Управление экономическим и социальным развитием: инновационные и стратегические подходы (Гатчина, 2010)»; II Международной научно-практической конференции «Проблемы и пути совершенствования экономического механизма предпринимательской деятельности» (Днепропетровск, 2010), а также семинарах в филиале МЭИ (ТУ) в г. Смоленске.

Похожие диссертационные работы по специальности «Математические и инструментальные методы экономики», 08.00.13 шифр ВАК

Заключение диссертации по теме «Математические и инструментальные методы экономики», Храименков, Михаил Михайлович

4.4 Выводы

1. Предложена архитектура информационной системы динамического анализа сегментов рынка, отличающаяся возможностью осуществления кластерного анализа с неопределенным количеством кластеров и прогноза динамики характеристик кластеров, что позволяет расширить функциональные возможности корпоративных информационных систем средствами оперативного и стратегического планирования для предприятий, осуществляющих выпуск алкогольной продукции.

2. Предложена методика динамического анализа сегментов рынка с использованием разработанной информационной системы.

3. С использованием разработанной информационной системы был проведен анализ рынка пива низкой ценовой категории в Смоленской области для предприятия ОАО «Бахус» за 2006-2010 гг. В результате анализа были выделены перспективные сегменты для инвестиций и выработаны практические рекомендации для ведения маркетинговой политики и стратегического планирования.

Заключение

В ходе работы были получены следующие основные результаты:

1. Проанализированы основные задачи маркетинговых исследований, Выделен отдельный класс задач динамической сегментации рынка, который характеризуется необходимостью отслеживать изменение структуры сегментов во времени и давать прогнозы по их характеристикам.

2. Предложена обобщенная структурная модель динамического анализа сегментов рынка, позволяющая автоматизировать процедуры обработки и анализа статистических данных по рынку для ведения оперативного и стратегического планирования на предприятии в рамках использования интегрированной маркетинговой информационной системы.

3. Разработан алгоритм кластеризации статистических данных по потребителям с неизвестным числом кластеров, который позволяет осуществлять кластеризацию с учетом требований к емкости и устойчивости его сегментов.

4. Предложен модифицированный подход к построению локально-аппроксимационных моделей сегмента рынка, который позволяет строить статистические модели сегментов во временных окнах переменной длины, а также осуществлять прогноз динамики поведения сегмента на их основе.

5. Разработана архитектура информационной системы динамического анализа сегментов рынка, которая позволяет расширить функциональные возможности корпоративных информационных, систем средствами оперативного и стратегического планирования для предприятий, осуществляющих выпуск алкогольной продукции.

6. В соответствии с разработанной архитектурой информационной системы динамического анализа сегментов рынка предложена методика динамической сегментации рынка

7. С использованием разработанной информационной системы динамического анализа сегментов рынка в работе была рассмотрена задача анализа рынка пива низкой ценовой категории в Смоленской области, на основании решения которой были выработаны практические рекомендации для предприятия ОАО «Бахус» по стратегическому планированию сбыта продукции.

Список литературы диссертационного исследования кандидат экономических наук Храименков, Михаил Михайлович, 2010 год

1. Маркетинг: учебник / А.Н.Романов, Ю.Ю.Корлюгов, С.А.Красильников и др / под ред. А.Н.Романова. М.: Банки и биржи, ЮНИТИ, 1996.

2. Котлер Ф. Основы маркетинга. Краткий курс — М. Издательский дом Вильяме, 2007

3. Анурин В., Муромкина И., Евтушенко Е. Маркетинговые исследования потребительского рынка. СПб.: Питер, 2004.

4. Багиев Г.Л., Тарасевич В.М., Анн X. Маркетинг: учебник для вузов. -3-е изд. СПб.: Питер, 2005.

5. Ламбен Ж.-Ж. Стратегический маркетинг. Европейская перспектива. -СПб: Наука, 1996.

6. Карпов В.Н. Выбор целевого рынка /Маркетинг 1994 - № 3 - С. 6171.

7. Резниченко Б.А. Критический анализ критериев сегментирования // Маркетинг в России и за рубежом 2001 - №4.

8. Блэкуэлл Р.Д., Миниард П.У., Энджел Д.Ф. Поведение потребителей / Пер. с англ. под ред. Л.А. Волковой. 9-е изд. - СПб.: Питер, 2002.

9. Гантер Б., Фернхам А. Типы потребителей: введение в психографику / Пер. с англ. под ред. И. В. Андреевой. СПб.: Питер, 2001.

10. Данченок Л.А. Основы маркетинга: Учебное пособие / Московский государственный университет экономики, статистики и информатики. М., 2003.

11. Романов А. А. Методология экономико-статистического исследования рекламной деятельности: диссертация . доктора экономических наук: 08.00.12. Москва, 2007.

12. Воронов А. А. Организационно-экономическое обеспечение конкурентоспособности продукции: диссертация . доктора экономических наук : 08.00.05. Санкт-Петербург, 2003.

13. Беляев М.С. Методы построения рейтингов для анализа потребителей, дистрибьюторов и поставщиков: диссертация . кандидата экономических наук: 08.00.13. Санкт-Петербург, 2007.

14. Габидинова Г.С. Совершенствование методики сегментации рынка товаров потребительского назначения: На примере рынка копченых колбас г. Набережные Челны: диссертация . кандидата экономических наук: 08.00.05. Набережные Челны, 2006.

15. Селяков Е.В. Формирование маркетинговой информационной поддержки животноводческих предприятий регионального мясного кластера: диссертация . кандидата экономических наук: 08.00.05 / Ростов-на-Дону, 2007.

16. Паклин Н. Алгоритмы кластеризации на службе Data Mining. Электронный ресурс. URL: http://www.basegroup.ru/library/analysis/clusterization/datamining/

17. Миркип Б.Г. Анализ качественных признаков и структур. М.: Статистика, 1980.

18. Гитис JI.X. Статистическая классификация и кластерный анализ. -М.: Издательство МГГУ, 2003.

19. Манд ель И. Д. Кластерный анализ. -М.: Финансы и статистика, 1988.

20. Олдендерфер М.С., Блэшфилд Р.К. Кластерный анализ // Факторный, дискриминантный и кластерный анализ. М.: Финансы и статистика, 1989.

21. A.K.Jain, M.N.Murty, PJ.Flynn. Data Clustering: A Review, ACM Сотр. Surv., 1999.

22. JAIN, A. K. AND DUBES, R. C. 1988. Algorithms for Clustering Data. Prentice-Hall advanced reference series. Prentice-Hall, Inc., Upper Saddle River, NJ.

23. Жамбю М. Иерархический кластер-анализ и соответствия / Пер с франц. Б. Г. Миркина. М.: Финансы и статистика, 1988. - 342 с.

24. KING, В. 1967. Step-wise clustering procedures. J. Am. Stat. Assoc. 69, 86-101.

25. WARD, J. H. JR. 1963. Hierarchical grouping to optimize an objective function. J. Am. Stat. Assoc. 58, 236-244.

26. SNEATH, P. H. A. AND SOKAL, R. R. 1973. Numerical Taxonomy. Freeman, London, UK.

27. Hartigan, J A. and Wong, M. A. (1979). A K-means clustering algorithm. Applied Statistics 28,100-108.

28. ANDERBERG, M. R. 1973. Cluster Analysis for Applications. Academic Press, Inc., New York, NY.

29. DID AY, E. 1973. The dynamic cluster method in non-hierarchical clustering. J. Comput. Inf. Sci. 2, 61-88.

30. SYMON, M. J. 1977. Clustering criterion and multi-variate normal mixture. Biometrics 77, 35-43.

31. Kanungo, Т.; Mount, D. M.; Netanyahu, N. S.; Piatko, C. D.; Silverman, R.; Wu, A. Y. (2002). An efficient k-means clustering algorithm: Analysis and implementation. IEEE Trans. Pattern Analysis and Machine Intelligence 24: 881892.

32. Chris Ding and Xiaofeng He. "K-means Clustering via Principal Component Analysis". Proc. of Int'l Conf. Machine Learning (ICML 2004), pp 225-232. July 2004.

33. ZAHN, С. T. 1971. Graph-theoretical methods for detecting and describing gestalt clusters. IEEE Trans. Comput. C-20 (Apr.), 68-86.

34. GOWER, J. C. AND ROSS, G. J. S. 1969. Minimum spanning rees and single-linkage cluster analysis. Appl. Stat. 18, 54-64.

35. BACKER, F. В. AND HUBERT, L. J. 1976. A graph theoretic approach to goodness-of-fit in complete-link hierarchical clustering. J. Am. Stat. Assoc. 71, 870-878.

36. OZAWA, K. 1985. A stratificational overlapping cluster scheme. Pattern Recogn. 18, 279-286. 14b. A. P. Demster, N. M. Laird, D. B. Rubin. Maximum Likelihood from Incomplete Data via the EM Algorithm 1977

37. JAIN, A. K. AND DUBES, R. C. 1988. Algorithms for Clustering Data. Prentice-Hall advanced reference series. Prentice-Hall, Inc., Upper Saddle River, NJ.

38. MITCHELL,T. 1997. MachineLearning. McGraw-Hill, Inc., New York,1. NY.

39. Neal, Radford; Hinton, Geoffrey (1999). Michael I. Jordan, ed. "A view of the EM algorithm that justifies incremental, sparse, and other variants". Learning in Graphical Models (Cambridge, MA: MIT Press): 355-368.

40. Meng, Xiao-Li; Rubin, Donald B. (1993). "Maximum likelihood estimation via the ECM algorithm: A general framework". Biometrika 80 (2): 267-278.

41. Jamshidian, Mortaza; Jennrich, Robert I. (1997). "Acceleration of the EM Algorithm by using Quasi-Newton Methods". Journal of the Royal Statistical Society: Series В (Statistical Methodology) 59 (2): 569-587

42. Gath I., Geva A.B. Unsupervised optimal Fuzzy Clustering // IEEE Trans. On Pattern Analysis and Machine Intelligence. 1989. № 11. P. 773-781.

43. Setnes M., Kaymak U. Extended Fuzzy c-Means with Volume Prototypes and Cluster Merging / Proceedings of the 6th European Conference on Intelligent Techniques and Soft Computing (EUFIT'98). Aachen, Germany, 1998. P. 1360-1364.

44. Stutz C. Partially Supervised c-Means Clustering with Cluster Merg-ing / Proceedings of the 6th European Conference on Intelligent Techniques. and Soft Computing (EUFIT'98). Aachen, Germany, 1998. P. 1725-1729.

45. Bezdek, James С. (1981), Pattern Recognition with Fuzzy Objective Function Algorithms,

46. J. C. Bezdek, J. M. Keller, R. Krishnapuram and N. R. Pal (1999). Fuzzy Models and Algorithms for Pattern Recognition and Image Processing, Springer, NY.

47. F. Hoppner, F. Klawonn, R. Kruse, T. Runkler (1999). Fuzzy Cluster Analysis. Wiley, Chichester.

48. Осовский С. Нейронные сети для обработки информации. М.: финансы и статистика, 2002

49. Растригин JI.A. Современные принципы управления сложными объектами. М.: Сов. радио, 1980.

50. Гхосал А. Прикладная кибернетика и ее связь с исследованием операций. М.: Радио и связь, 1982.

51. Эйкофф П. Основы идентификации систем управления. М.: Мир, 1975.

52. Райбман Н.С., Чадеев В.М. Построение моделей производства. -М.: Энергия, 1975.

53. Ицкович Э.Л. Контроль производства с помощью вычислительных машин. М.: Энергия, 1975.

54. Гроп Д. Методы идентификации систем. М.: Мир, 1979.

55. Себер Дж. Линейный регрессионный анализ. М.: Мир, 1980.

56. Дисперсионная идентификация /Под. ред. Н.С. Райбмана. М.: Наука, 1981.

57. Демиденко Е.З. Линейная и нелинейная регрессия. М.: Финансы и статистика, 1981.

58. Цыпкин Я.З. Основы информационной теории идентификации. -М.: Наука, 1984.

59. Количественные методы финансового анализа/ Под ред. С Дж. Брауна и М.П.Ураумана. М.: ИНФА-М, 1996.

60. Вощинин А.П., Сотиров Г.Р. Оптимизация в условиях неопределенности. М.: Изд-во МЭИ, 1989.

61. Ивахненко А.Г., Юрачковский Ю.П. Моделирование сложных систем по экспериментальным данным. М.: Радио и связь, 1987.

62. Форрестер Дж. Мировая динамика. М.: Мир, 1978.

63. Дадаян B.C. Глобальные экономические модели. М.: Наука, 1981.

64. Горский В.Г. Планирование кинетических экспериментов. М.: Наука, 1984.

65. Ту Дж., Гонсалес Р. Принципы распознавания образов. М.: Мир, 1978.

66. Андерсон Т. Статистический анализ временных рядов. М.: Мир, 1976.

67. Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере. Новосибирск: Наука, 1996.

68. Бэстенс Д.-Э., ван ден Берг В.-М., Вуд Д. Нейронные сети и финансовые рынки: принятие решений в торговых операциях. М.: ТВП, 1997.

69. Уоссермен Ф. Нейрокомпьютерная техника М.: Мир, 1992.

70. Галушкин А.О. О современных направлениях развития нейрокомпьютеров// Нейрокомпьютер 1997 - № 1,2 - С.5-22.

71. Priestly М.В. Non-linear and поп stationary time series prediction. Lon-don: Academic Press, 1988.

72. Connor J., Atlas L. Recurrent neural networks and time series prediction// Proceeding IJCNN. 1991. V.l. P.301-306.

73. Круглов B.B., Борисов B.B., Харитонов Е.В. Нейронные сети: конфигурации, обучение, применение. Смоленск: МЭИ (фил-л в г. Смоленске), 1998.

74. Логовский А.С. Зарубежные нейропакеты: современное состояние и сравнительные характеристики// Нейрокомпьютер — 1998 № 1,2 -С. 13-26.

75. Катковник В.Я. Непараметрическая идентификация и сглаживание данных. М.: Наука, 1985.

76. Stone CJ. Nearest neighbor estimator of a nonlinear regression function // Proc. of Computer Sciences and Statistics: 8ht Annual Symposium on the Inter-face, Health Science Computer Faculty, UCLA, 1975. P.413-418.

77. Stone C.J. Consistent nonparametric regression// The Annals of Statistics. 1977. V. 5. № 4. P.595-645.

78. Cover T.M., Hart P.E. Nearest neighbor pattern classification// IEEE Trans, on Inform. Theory. 1967. V. IT-13. P.21-27.

79. Lancaster P., Saulkauskas K. Surfaces generated by moving least squiares methods // Mathematics of Computation. 1981. Y.37. N155. P.141-158.

80. Россия в цифрах. 2010: Краткий статистический сборник/Росстат М., 2010.

81. Российская экономика в 2009 году. Тенденции и перспективы. (Выпуск 31) М.: ИЭПП, 2010.

82. Торговля в России. 2009: Стат. сб./ Росстат. М., 2009.

83. Промышленность России. 2008: Стат.сб./ Росстат М., 2008.

84. Инвестиции в России. 2009: Стат.сб./ Росстат. М., 2009.

85. Динамика развития пищевой промышленности России ( 2001-2007 гг.) Автономная некоммерческая организация «Федерация» электронный ресурс. URL:http://www.idfederal.ru/?p=98

86. Департамент Смоленской области по промышленности электронный ресурс. URL: http://admin.smolensk.m/~depprom/index.php?option=com content&task=view&id=17&Itemid=30

87. Промышленность. Официальный сервер администрации города-героя Смоленска электронный ресурс. URL: http://www.admcity.smolensk.ru/ invest/pasport/haract/manufact.html

88. Торговля. Официальный сервер администрации города-героя Смоленска электронный ресурс. URL: http://www.admcity.smolensk.ru/invest/pasport/ haract/torgo vl.html

89. Регионы России. Социально-экономические показатели. 2009: Стат. сб. / Росстат. М., 2009.

90. Регионы России. Основные характеристики субъектов Российской Федерации. 2008: Стат. сб. / Росстат. М., 2009.

91. Годовой отчет за 2008 год Смоленского открытого акционерного общества производителей спирта и ликероводочных изделий «Бахус», Смоленск, 2008г. Сайт СОАО «Бахус» электронный ресурс. URL: http://www.bahus.smolensk.ru/

92. Анализ конкурентоспособности рынка алкогольной продукции в России. Кузнецов С.В. Энциклопедия маркетинга электронный ресурс. — URL: http://www.marketing.spb.ru/read/article/a39.htm

93. Рынок импорта алкогольной продукции в Россию Энциклопедия маркетинга электронный ресурс. URL: http://www.marketing.spb.ru/ mr/food/alcoholimport.htm

94. Россия и страны мира. 2008.: Стат.сб. / Росстат. М., 2008.

95. Точиева Л.Б. Обзор пищевой промышленности России: 2009 г электронный ресурс. URL: http://www.id-marketing.ru/production/obzor-pischevoy-promishlennosti/

96. Современное развитие пищевой промышленности в России электронный ресурс. URL: http://www.millionmenu.ru/rus/kitchen/facts /posts44/articll042/

97. Алкогольный рынок. Россия: Аналитики предрекают в 2010 г. неменее, чем 10% падение рынка пива электронный ресурс. URL: http://alcotrend.ru/news/read7icb224252

98. Алкогольная ситуация в России. Необходимость структурного изменения алкогольного рынка электронный ресурс. — URL: http://tatalc.ru/tatalc2/?pg=3&bl=10&md=2&iddoc=9424

99. Алкогольный рынок. Акцизы раздора электронный ресурс. -URL: http://alcotrend.ru/news/read?id=224364

100. Деловой портал Красноярска. В России введены минимальные розничные цены на крепкий алкоголь электронный ресурс. — URL: http://krasnoyarsk.biz/news/2010/06/01/alcohol/

101. Резолюция Конференции «Российский рынок алкогольной продукции: бизнес и социальная ответственность» электронный ресурс. — URL: http://www.alkogol.com/index.php/news/news-part/354-konference

102. Ismo Karkkainen and Pasi Franti. Stepwise Clustering Algorithm for Unknown Number of Clusters // University of Joensuu, Department of Computer Science, Report A-2002-5, 2005.

103. Davies DL, Bouldin DW, A cluster separation measure // IEEE Transactions on Pattern Analysis and Machine Intelligence 1979; 1(2): 224-227.

104. B.B. Круглов, М.И. Дли, Р.Ю. Голупов. Нечеткая логика и искусственные нейронные сети. М.: Физматлит, 2000.

105. Бокс Дж., Дженкинс Г. Анализ временных рядов: Прогноз и управление. Вып. 1 и 2. М.: Мир, 1974.

106. Дли М.И., Круглов В.В., Осокин М.В. Локально-аппроксимационные модели социально-экономических систем и процессов. — М.: Наука. Физматлит, 2000.

107. Савченко В.В. Прогнозирование социально-экономических процессов на основе адаптивных методов спектрального оценивания// Автометрия 1999 - № 3 - с.99-108.

108. Статический анализ в экономике /Под ред. Г.Л.Громыко. М.: Изд-воМГУ, 1992.

109. Статистическое моделирование экономических процессов/ Под ред. Б.Б.Розина. Новосибирск: Изд-во НГУ, 1991.

110. Броуди М.Б. О статистическом рассуждении. М.: Статистика, 1968.

Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.