• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
Магистратура 2019/2020

Экономико-математическое моделирование

Статус: Курс обязательный (Электронный бизнес)
Направление: 38.04.05. Бизнес-информатика
Когда читается: 1-й курс, 1 модуль
Формат изучения: Full time
Прогр. обучения: Электронный бизнес
Язык: русский
Кредиты: 3

Программа дисциплины

Аннотация

Программа дисциплины "Экономико-математическое моделирование" предполагает знакомство слушателей с теоретическими аспектами и современными направлениями экономико-математического моделирования. В результате освоения дисциплины студент должен знать классификацию экономико-математических моделей, владеть навыками использования экономико-математических моделей для решения задач в различных отраслях экономики, иметь представление о возможностях и направлении применения экономико-математических моделей в управлении бизнесом. Уметь разрабатывать экономико-математические модели с использованием статистических методов, методов имитационного моделирования, методов машинного обучения и нечеткой логики.
Цель освоения дисциплины

Цель освоения дисциплины

  • Целью освоения дисциплины является формирование у студентов комплекса теоретических знаний и методологических основ в области экономико-математического моделирования, а также практических навыков, необходимых для использования экономико-математических моделей, обеспечивающих решение широкого круга задач в области бизнес-аналитики и управления бизнесом.
Результаты освоения дисциплины

Результаты освоения дисциплины

  • Объясняет сущность методологии моделирования экономически обоснованной стратегии компании на основе проведения SWOT – анализа; приоритизации целей и стратегических инициатив проектов; формирования оптимального портфеля стратегических инициатив.
  • Оценивает знание основных экономико-математических методов и моделей, этапов их разработки и применения для решения макро- и микро-экономических задач.
  • Объясняет сущность макроэкономической динамической модели Солоу; оптимизационной и теоретико-игровых микроэкономических моделей; статической и динамической макроэкономической балансовой модели Леонтьева.
  • Анализирует статистические методы и модели, применение линейной и логистической регрессионных моделей, кластерного и факторного анализа, методов дерева решений для решения экономических задач и поддержки принятия решений.
  • Объясняет методологию имитационного моделирования, сущность теории и методов системной динамики, методов стохастического имитационного моделирования, многоагентных систем, архитектуру агентных моделей, динамических систем и дискретно-событийного моделирования.
  • Объясняет сущность постановки задачи обучения по прецедентам, задач классификации, методов построения регрессионных моделей, прогнозирования и ранжирования.
  • Объясняет сущность математической теории нечетких множеств и нечеткой логики, понятий лингвистической переменной, функции принадлежности, нечетких чисел и нечеткого логического вывода.
  • Объясняет сущность моделирования проектов с детерминированной и случайной продолжительностью работ, понятия критического пути, резервов времени работ и событий.
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Классификация экономико-математических моделей и их применение для решения задач в области микро- и макроэкономики.
    Предмет и метод экономико-математического моделирования. Понятие экономико-математической модели. Классификация экономико-математических моделей. Основные этапы разработки моделей. Применение экономико-математических моделей для решения макро- и микро-экономических задач.
  • Статические и динамические, линейные и нелинейные, теоретико-игровые и оптимизационные модели в макро- и микроэкономике.
    Модель Солоу как пример макроэкономической динамической модели: описание модели, стационарный режим, типы сходимости к стационарному режиму, значение стационарного режима фондовооруженности в случае производственной функции Кобба-Дугласа, золотое правило накопления. Постановка транспортной задачи. Постановка модели поведения потребителя (как примеры микроэкономических оптимизационных моделей). Конкуренция между двумя фирмами: равновесие Курно, равновесие и неравновесие Стэкельберга (как пример теоретико-игровой микроэкономической модели). Постановка модели межотраслевого баланса (модель Леонтьева), необходимое и достаточное условие ее продуктивности. Линейная модель международной торговли, условие сбалансированности торговли.
  • Статистические методы и модели прогнозирования в экономических исследованиях.
    Цели и задачи экономико-статистического моделирования и прогнозирования. Типы задач и область применения статистического анализа. Методы многомерного статистического анализа и моделирования социально-экономических явлений. Корреляционный анализ. Регрессионный анализ. Факторный анализ. Кластерный анализ. Метод наименьших квадратов. Коэффициент детерминации. Критерии статистической надежности: критерий Стьюдента, критерий Дарбина-Ватсона. Мультиколлинеарность. Обучающая и экзаменующая выборки. Методы классификации и анализа структуры данных. Деревья решений. Пакеты прикладных программ для статистического моделирования (IBM SPSS Statistics, Eviews, MS Excel).
  • Имитационные модели в экономике.
    Методология имитационного моделирования. Теория и методы системной динамики. Методология разработки системно-динамических моделей. Примеры системно-динамических моделей. Методы стохастического имитационного моделирования. Имитационный эксперимент в условиях неопределенности. Оценка рисков и оптимизация решений с помощью имитационной модели. Многоагентные системы. Парадигма агентного моделирования. Архитектура агентных моделей. Агентное моделирование в оптимизационных задачах. Примеры агентных моделей. Динамические системы и дискретно-событийное моделирование. Введение в динамические системы. Блочный метод реализации моделей динамических систем. Интеграция систем имитационного моделирования с внешними приложениями.
  • Модели машинного обучения.
    Постановка задач обучения по прецедентам. Объекты и признаки. Типы шкал: бинарные, номинальные, порядковые, количественные. Типы задач: классификация, регрессия, прогнозирование, ранжирование. Основные понятия: модель алгоритмов, метод обучения, функция потерь и функционал качества, принцип минимизации эмпирического риска, обобщающая способность, скользящий контроль. Линейные модели регрессии и классификации. Полиномиальная регрессия. Примеры прикладных задач. Методика экспериментального исследования и сравнения алгоритмов на модельных и реальных данных.
  • Модели нечеткой логики.
    Математическая теория нечетких множеств (fuzzy sets) и нечеткая логика (fuzzy logic) являются обобщениями классической теории множеств и классической формальной логики. Данные понятия были впервые предложены американским ученым Лотфи Заде (Lotfi Zadeh) в 1965 г. Основной причиной появления новой теории стало наличие нечетких и приближенных рассуждений при описании человеком процессов, систем, объектов. Нечеткие множества. Символы. Основные понятия. Основные операции над нечеткими множествами: включение, равенство, дополнение, пересечение, объединение, разность, дизъюнктивная сумма. Примеры. Лингвистическая переменная. Функции принадлежности. Классификация. Нечеткие числа. Нечеткий логический вывод. Интеграция с интеллектуальными парадигмами: нечеткие нейронные сети, адаптивные нечеткие системы, нечеткие запросы, нечеткие ассоциативные правила, нечеткие когнитивные карты, нечеткая кластеризация.
  • Моделирование проектов.
    Моделирование проектов: постановка задачи. Моделирование проектов с детерминированной продолжительностью работ. Сетевые графики в нотациях «узел–работа» и «дуга–работа». Определение критического пути. Определение резервов времени работ и событий. Моделирование проектов со случайной продолжительностью работ и случайными временными лагами между работами с применением системы дискретно-событийного имитационного моделирования Arena.
  • Моделирование экономически-обоснованной стратегии компании на основе приоритизации стратегических инициатив.
    Моделирование экономически обоснованной стратегии компании. SWOT – анализ стратегических целей в четырёх стратегических перспективах Нортона и Каплана: «Финансы», «Клиенты», «Внутренние процессы», «Обучение и рост сотрудников». Приоритизация целей. Инициирование стратегических инициатив проектов, направленных на достижение стратегических целей. Приоритизация стратегических инициатив. Формирование оптимального портфеля стратегических инициатив, являющегося стратегией компании.
Элементы контроля

Элементы контроля

  • аудиторная работа (неблокирующий)
  • тест (неблокирующий)
Промежуточная аттестация

Промежуточная аттестация

  • Промежуточная аттестация (1 модуль)
    0.5 * аудиторная работа + 0.5 * тест
Список литературы

Список литературы

Рекомендуемая основная литература

  • Doing data analysis with SPSS version 18, Carver R. H., Nash J. G., 2012
  • Learning Python : [covers Python 2.5], Lutz M., 2008
  • Pattern recognition and machine learning, Bishop, C. M., 2006
  • Programming Python : [covers Python 2.5], Lutz M., 2006
  • Python for data analysis : data wrangling with pandas, numPy, and IPhython, Mckinney, W., 2017
  • Python для сложных задач: наука о данных и машинное обучение : пер. с англ., Плас, Дж. Вандер, 2019
  • Python и анализ данных, Маккинли У., Слинкина А. А., 2015
  • Simulation with arena, Kelton W. D., Sadowski R. P., 1998
  • SPSS 19: профессиональный статистический анализ данных, Наследов А., 2011
  • SPSS: искусство обработки информации : анализ стат. данных и восстановление скрытых закономерностей: пер. с нем., Бююль А., Цефель П., 2002
  • SPSS: искусство обработки информации : анализ стат. данных и восстановление скрытых закономерностей: пер. с нем., Бююль А., Цефель П., 2005
  • SPSS: Статистический анализ в маркетинговых исследованиях, Таганов Д., 2005
  • Анализ данных : учебник для академического бакалавриата, Мхитарян, В. С., 2018
  • Анализ данных и процессов : учеб. пособие, Барсегян А. А., Куприянов М. С., 2009
  • Анализ данных на компьютере : учеб. пособие для вузов, Тюрин Ю. Н., Макаров А. А., 2013
  • Анализ данных на компьютере : учеб. пособие, Тюрин Ю. Н., Макаров А. А., 2008
  • Анализ данных на компьютере : учеб. пособие, Тюрин Ю. Н., Макаров А. А., 2012
  • Анализ данных на компьютере, Тюрин Ю. Н., Макаров А. А., 2003
  • Анализ социологических данных с помощью пакета SPSS : учеб. пособие для вузов, Крыштановский А. О., 2006
  • Введение в анализ данных : учебник и практикум для вузов, Миркин Б. Г., 2015
  • Введение в машинное обучение с помощью Python : руководство для специалистов по работе с данными, Мюллер, А., Гвидо, С., 2018
  • Изучаем pandas : высокопроизводительная обработка и анализ данных в Python, Хейдт, М., Груздева, А. В., 2018
  • Изучаем Python, Лутц М., Киселева А., 2014
  • Изучаем программирование на Python, Бэрри, П., Райтман, М. А., 2017
  • Имитационное моделирование : учеб. пособие для вузов, Строгалев В. П., Толкачева И. О., 2018
  • Имитационное моделирование : учебник и практикум для акад. бакалавриата, Акопов А. С., 2015
  • Имитационное моделирование : учебник и практикум для академич. бакалавриата, Акопов А.С., НИУ ВШЭ, 2017
  • Имитационное моделирование : учебное пособие, Строгалев В. П., Толкачева И. О., 2015
  • Имитационное моделирование систем. Введение в моделирование с AnyLogic 5, Карпов Ю., 2006
  • Имитационное моделирование экономических процессов : учеб. пособие для вузов, Лычкина Н. Н., 2012
  • Имитационное моделирование экономических процессов : учеб. пособие, Казаков О. Л., Смирнов Г. Б., 2006
  • Имитационное моделирование экономических процессов : учебное пособие, Емельянов А. А., Власова Е. А., 2009
  • Имитационное моделирование, Лоу А. М., Кельтон В. Д., 2004
  • Интеллектуальные системы : учебник и практикум для бакалавриата и магистратуры, Кудрявцев, В. Б., Гасанов, Э. Э., 2017
  • Интеллектуальные системы : учебник, Ясницкий Л.Н., 2016
  • Интеллектуальные технологии управления. Искусственные нейронные сети и нечеткая логика, Усков А. А., Кузьмин А. В., 2004
  • Искусственный интеллект : современный подход, Рассел С., Норвиг П., 2006
  • Искусственный интеллект : стратегии и методы решения сложных проблем, Люгер Дж. Ф., Галагана Н. И., 2005
  • Искусственный интеллект на службе бизнеса : как машинное прогнозирование помогает принимать решения, Агравал, А., Ганс, Дж., 2019
  • Крупномасштабное машинное обучение вместе с Python : учитесь быстро создавать мощные модели машинного обучения и развертывать крупномасштабные приложения прогнозирования, Шарден, Б., Массарон, Л., 2018
  • Маркетинговые исследования с SPSS : учеб. пособие для вузов, Моосмюллер Г., Ребик Н. Н., 2011
  • Маркетинговые исследования с SPSS : учеб. пособие для вузов, Моосмюллер Г., Ребик Н. Н., 2018
  • Маркетинговые исследования с SPSS : учеб. пособие, Моосмюллер Г., Ребик Н.Н., 2013
  • Математическая экономика : равновесные модели, оптим. планирование и упр. : сб. переводов, Митягина Б. С., 1974
  • Математическая экономика : учебник для вузов, Колемаев В. А., 1998
  • Математическая экономика : учебник для вузов, Колемаев В. А., 2002
  • Математическая экономика с применением Mathcad и Excel, Салманов О. Н., 2003
  • Математическая экономика, Суровцов Л. К., 2011
  • Математические основы машинного обучения и прогнозирования, Вьюгин В. В., 2013
  • Методы эконометрики : учебник для вузов, Айвазян С. А., 2010
  • Методы эконометрики : учебник, Айвазян С.А., Мос. шк. экономики МГУ им. М.В. Ломоносова, 2016
  • Мировая динамика, Форрестер Д., Ворощука А., 2003
  • Многомерный статистический анализ в экономических задачах: компьютерное моделирование в SPSS : учеб. пособие для вузов, Концевая, Н. В., 2019
  • Нейронные сети,генетические алгоритмы и нечеткие системы, Рутковская Д., Пилиньский М., 2008
  • Нечеткие множества и нейронные сети : учеб. пособие, Яхъяева Г. Э., 2008
  • Нечеткие множества и нейронные сети : учеб. пособие, Яхъяева Г. Э., 2012
  • Нечеткие модели и методы в менеджменте : учеб. пособие для вузов, Птускин А. С., 2008
  • Нечеткие модели и сети, Борисов В. В., Круглов В. В., 2007
  • Организация, ориентированная на стратегию : как в новой бизнес - среде преуспевают организации, применяющие сбалансированную систему показателей, Каплан Р. С., Нортон Д. П., 2005
  • Основы Data Science и Big Data. Python и наука о данных : пер. с англ., Силен, Д., Мейсман, А., Али, М., 2018
  • Понятие лингвистической переменной и его применение к принятию приближенных решений, Заде Л., Ринго Н. И., 1976
  • Построение систем машинного обучения на языке Python : как извлечь больше информации из данных путем построения практичных систем машинного обучения на языке Python, Коэльо Л. П., Ричарт В., 2016
  • Построение систем машинного обучения на языке Python : как извлечь больше информации из данных путем построения практичных систем машинного обучения на языке Python, Коэльо Л. П., Ричарт В., 2019
  • Прикладная статистика : Исследование зависимостей: Справ. изд., Айвазян С. А., Енюков И. С., 1985
  • Прикладная статистика : классификация и снижение размерности: справ. изд., Айвазян С. А., Бухштабер В. М., 1989
  • Прикладная статистика : основы моделирования и первичная обработка данных: справочное изд., Айвазян С. А., Енюков И. С., 1983
  • Прикладная статистика в задачах и упражнениях : учебник для вузов, Айвазян С. А., Мхитарян В. С., 2001
  • Прикладная статистика и основы эконометрики : Учебник для вузов, Айвазян С. А., Мхитарян В. С., 1998
  • Прикладная статистика. Основы эконометрики. Т.1: Теория вероятностей и прикладная статистика, Айвазян С. А., Мхитарян В. С., 2001
  • Прикладная статистика. Основы эконометрики. Т.2: Основы эконометрики, Айвазян С. А., 2001
  • Принятие решений : интегрированные интеллектуальные системы: учеб. пособие для вузов, Арсеньев Ю. Н., Шелобаев С. И., 2003
  • Принятие решений при зависимостях и обратных связях : аналитические сети, Саати Т. Л., Андрейчиковой О. Н., 2009
  • Прогнозное моделирование в IBM SPSS Statistics и R : метод деревьев решений, Груздев, А. В., 2017
  • Профессиональное управление проектом, Хелдман К., Шаврина А. В., 2012
  • Путеводитель по современной эконометрике : учеб. пособие для вузов, Вербик М., Банникова В. А., 2008
  • Путеводитель по современной эконометрике : учеб.-метод. пособие, Вербик М., Айвазян С.А., Банников В.А., 2008
  • Сбалансированная система показателей : от стратегии к действию, Каплан Р. С., Нортон Д. П., 2005
  • Сбалансированная система показателей : от стратегии к действию, Каплан Р. С., Нортон Д. П., 2011
  • Современный стратегический анализ : учебник для программы "Мастер делового администрирования", Грант Р., Малковой И., 2012
  • Современный стратегический анализ : учебник, Грант Р., Фунтова В. Н., 2008
  • Современный стратегический анализ, Грант Р., Дмитриева, С., 2018
  • Статистический анализ данных на компьютере, Тюрин Ю. Н., Макаров А. А., 1998
  • Теория вероятностей : учебник для экономических и гуманитарных специальностей: учеб. пособие для вузов, Тюрин Ю. Н., Макаров А. А., 2009
  • Управление проектом : основы проектного управления: учебник для вузов, Разу М. Л., Лялин А. М., 2007
  • Эконометрика : учеб. пособие для вузов, Айвазян С. А., Иванова С. С., 2010
  • Экономико-математические методы и модели : задачник : учеб.-практ. пособие, Макаров С.И., Севастьянова С.А., 2008
  • Экономико-математические методы и модели : Компьютерные технологии решения: Учеб. пособие для вузов, Акулич И. Л., Велесько Е. И., 2003
  • Экономико-математические методы и модели : учеб. пособие для вузов, Горбунова Р. И., Макаров С. И., 2007
  • Экономико-математические методы и модели : учеб. пособие для вузов, Хуснутдинов Р. Ш., 2013
  • Экономико-математические методы и модели (микроэкономика) : учеб. пособие, Багриновский К. А., Матюшок В. М., 2006
  • Экономико-математические методы и модели в маркетинге : учеб. пособие для вузов, Федосеев В. В., 1996

Рекомендуемая дополнительная литература

  • Econometrics : theory and applications with EViews, Vogelvang B., 2005
  • Как предсказать курс доллара : эффективные методы прогнозирования с использованием Excel и EViews, Брюков В. Г., 2011