Прикладные задачи менеджмента

Кричевский  М.Л. 

 
 
 
 

 

ПРИКЛАДНЫЕ  ЗАДАЧИ  

МЕНЕДЖМЕНТА 

 

монография 

 
 
 
 
 

Mikhail  L. Krichevsky 

Management applications  

(monograph) 

Moscow, 2018 

 
 

 

Москва 

КРЕАТИВНАЯ ЭКОНОМИКА 

2018 

УДК 005 
ББК 65.05 
К82         
  
 
Работа выполнена при поддержке РФФИ, грант № 18-010-00338А. 
 
 
Рецензенты: 
Гильдингерш М.Г. – д-р экон. наук, профессор кафедры управления персоналом Санкт-Петербургского государственного экономического университета. 
Степанов А.Г. – д-р пед. наук, профессор Санкт-Петербургского государственного университета аэрокосмического приборостроения. 
 

К82 

Кричевский М.Л. 
Прикладные задачи менеджмента: монография / М.Л. Кричевский. – 
М.: КРЕАТИВНАЯ ЭКОНОМИКА, 2018. – 210 с. 

 
ISBN  978-5-91292-221-3 
DOI 10.18334/9785912922213 
 
Приведены  решения  наиболее  часто  встречающихся практических задач  в  области  менеджмента,  в  частности,  в  сфере   управления  персоналом,  
финансового  менеджмента,  прогнозирования  временных  рядов.  Все  задачи  
решены  с  применением  инструментов  из  области  искусственного  интеллекта,  включающих  нейронные  сети,    нечеткую  логику,  нейронечеткие  системы.  Подобная  методология    создала  основу  для  перехода  к  количественному  менеджменту.   
Книга  может  быть  полезна     специалистам-аналитикам,  преподавателям,  аспирантам,   студентам    в  области  менеджмента,  использующим  
в  своей  работе  интеллектуальные  технологии. 
Ключевые  слова: количественные методы в менеджменте,  нейронные  
сети,  нечеткая  логика,  временные  ряды  в менеджменте. 
 

ISBN 978-5-91292-221-3 
© Кричевский М.Л., 2018 

© Дизайн и оформление обложки, ООО Издательство 
«Креативная экономика», 2018 
 

СОДЕРЖАНИЕ 
 

ВВЕДЕНИЕ ............................................................................................... 9 

 1. МНОГОМЕРНЫЕ МЕТОДЫ В МЕНЕДЖМЕНТЕ ........................... 14 

1.1. Введение в количественные методы ............................................ 14 

1.2. Метод главных компонентов ........................................................ 15 

1.2.1. Сущность метода ....................................................................... 15 

1.2.2. Выбор числа компонентов ......................................................... 18 

1.2.3. Графическое представление данных......................................... 23 

1.3. Кластерный анализ ......................................................................... 30 

1.3.1. Основные понятия кластерного анализа ................................. 30 

1.3.2. Пример кластерного анализа ..................................................... 37 

 2. НЕЙРОННЫЕ СЕТИ ПРИ РЕШЕНИИ ЗАДАЧ МЕНЕДЖМЕНТА .... 49 

2.1. Основные понятия нейронных сетей ........................................... 50 

2.2. Примеры использования нейронных сетей ................................. 63 

2.2.1. Кредитная оценка заемщика ..................................................... 63 

2.2.2. Набор персонала в организацию ................................................ 69 

2.2.3. Оценка инвестиционной деятельности регионов ................... 73 

2.2.4. Группирование данных ................................................................ 81 

2.2.5. Аппроксимация зависимостей ................................................... 89 

2.2.6. Классификация объектов ........................................................... 97 

 3. НЕЧЕТКАЯ ЛОГИКА В ЗАДАЧАХ МЕНЕДЖМЕНТА ................. 108 

3.1. Краткие сведения из нечеткой логики ....................................... 108 

3.2. Пакет расширения Fuzzy Logic Toolbox .................................... 124 

3.3. Оценка качества персонала фирмы ............................................ 126 

3.4. Оценка привлекательности финансовых продуктов ................ 133 

3.5. Оценка кредитоспособности заемщика ..................................... 141 

3.6. Нейронечеткая система подбора персонала .............................. 147 

 4. ВРЕМЕННЫЕ РЯДЫ В ЗАДАЧАХ МЕНЕДЖМЕНТА .................. 157 

4.1. Введение в анализ временных рядов .......................................... 157 

4.2. Задача прогнозирования временных рядов ............................... 167 

4.3. Методы экспоненциального сглаживания ................................. 169 

4.4. Нелинейные модели временных рядов ...................................... 187 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Mikhail  L. Krichevsky 

Saint Petersburg State University of Aerospace Instrumentation 

MANAGEMENT APPLICATIONS 
 

CONTENTS 
INTRODUCTION ..................................................................................... 9 

1. MULTIDIMENSIONAL METHODS IN MANAGEMENT............. 14 

1.1. Introduction to quantitative methods ............................................... 14 

1.2. Principal component analysis ........................................................... 15 

1.2.1. Essence of the method ................................................................... 15 

1.2.2. Selecting the number of components ............................................. 18 

1.2.3. Graphical representation of data .................................................. 23 

1.3. Cluster analysis ................................................................................. 30 

1.3.1. Basic concepts of cluster analysis ................................................. 30 

1.3.2. Example of cluster analysis ........................................................... 37 

2.   NEURAL NETWORKS IN SOLVING THE MANAGEMENT 
ISSUES .......................................................................................................... 49 

2.1. Basic concepts of neural networks ................................................... 50 

2.2.   Examples of the application of neural networks ............................ 63 

2.2.1. Borrower’s credit rating ............................................................... 63 

2.2.2. Recruitment for the organization .................................................. 69 

2.2.3. Assessing investment activity of regions ....................................... 73 

2.2.4. Grouping the data ......................................................................... 81 

2.2.5. Approximation of dependencies .................................................... 89 

2.2.6. Classification of objects ................................................................ 97 

3.   FUZZY LOGIC IN MANAGEMENT TASKS .............................. 108 

3.1. Brief information from fuzzy logic ................................................ 108 

3.2. Expansion package Fuzzy Logic Toolbox ..................................... 124 

3.3.  Staff’s quality assessment ............................................................. 126 

3.4. Assessing attractiveness of financial products ............................... 133 

3.5. Assessing   borrower creditworthiness ........................................... 141 

3.6. Neural-fuzzy recruitment system ................................................... 147 

4. TIME SERIES IN MANAGEMENT TASKS .................................. 157 

4.1. Introduction to the analysis of time series ..................................... 157 

4.2. Task of forecasting time series ....................................................... 167 

4.3. Exponential smoothing methods .................................................... 169 

4.4. Nonlinear time series models ......................................................... 187 

 
We present solutions to the most common practical tasks in 
management, in particular, in staff management, financial management 
and forecasting time series.  All tasks were solved through application of 
tools from the field of artificial intelligence, including neural networks, 
fuzzy logic and neural-fuzzy systems.  The methodology has created the 
basis for the transition to quantitative management.   

The book may be useful to analysts, teachers, postgraduates, 
students in management, who use the intelligent technologies in their 
work. 

Keywords: quantitative methods in management, neural networks, 
fuzzy logic, time series in management. 

 

СПИСОК СОКРАЩЕНИЙ 

 

БП – база правил; 

ВП – вейвлет-преобразование; 

ВР – временной ряд; 

ГК – главные компоненты; 

ИД – инвестиционная деятельность; 

ИИ – искусственный интеллект; 

КА – кластерный анализ; 

МВ – мягкие вычисления; 

МНК – метод наименьших квадратов; 

МОП – метод опорных векторов; 

МСП – многослойный персептрон; 

НМ – нечеткое множество; 

НЛ – нечеткая логика; 

НЛВ – нечеткий логический вывод; 

НЛЗ – нечеткие логические зависимости; 

НС – нейронная сеть; 

ОРО – обратное распространение ошибки; 

ПФ – преобразование Фурье; 

ПЭС – простое экспоненциальное сглаживание; 

СНВ – система нечеткого вывода; 

ФА – функция активации;  

ФП – функция принадлежности; 

ХФ – характеристическая функция; 

ЦФ – целевая функция; 

ЭС – экспоненциальное сглаживание; 

ARCH – Autoregressive Conditional Heteroscedastic; 

ANFIS – Adaptive Network-Based Fuzzy Inference System; 

ARIMA – AutoRegressive Integrated Moving Average; 

MLP – MultiLayer Perceptron; 

SOS – Sum оf Squares; 

SVM – Support Vector Maсhine; 

TAR – Threshold Autoregressive Model. 

 

 

 

 

 

 

 

 

 

 

 

 

 

ВВЕДЕНИЕ 

 

Преподавание различных дисциплин направления «Менеджмент», работа в государственных аттестационных комиссиях, руководство магистрантами и аспирантами – все это привело автора к 
решению научить студентов методам, которые способны дать ответ 
на большинство задач менеджмента. При этом желательно получить 
решение задачи в количественном виде, что позволит в дальнейшем 
проводить мониторинг бизнес-процесса и управлять им. 

В основу таких методов могут быть положены технологии, 
объединенные термином «мягкие вычисления» (soft computing). Это 
словосочетание, введенное основателем нечеткой логики Л. Заде, 
обозначает совокупность неточных, приближенных методов решения задач. Такие задачи возникают в технике, экономике, биологии. 
Мягкие вычисления (МВ) – это не какая-то отдельная методология. 
Сущность применяемого подхода состоит в том, что, в отличие от 
традиционных жестких (hard) вычислений, МВ нацелены на приспособление к неточности реального мира. В условиях, когда экономическую среду невозможно описать точными законами, методы МВ, 
по мнению автора, являются наиболее пригодными способами исследований в менеджменте. 

МВ позволит студентам освоить методологии и приемы решения задач менеджмента на основе принципиально нового подхода, 
учитывающего нечеткость внешней среды, неполноту входных данных, наличие шумовых искажений. Преимущество такого перехода 
состоит в том, что решения искомых задач из области менеджмента 
можно получить в количественном виде, выражаемом в виде числа 
или степени принадлежности к определенному классу. Используемые в сфере МВ приемы иногда относят к так называемым интеллектуальным информационным технологиям, указывая на связь 

между методами получения решений и интеллектуальной деятельностью человека. 

Методы, объединяемые термином «мягкие вычисления», отличаются от способов «жестких вычислений» тем, что последние являются менее гибкими и более трудоемкими с вычислительной точки зрения. Неточные результаты, вытекающие из наших ограниченных возможностей детального рассмотрения процесса, приводят 
к неполной информации об окружающем мире. Иначе говоря, становится не только трудно, но даже неуместно применять методы жестких вычислений в ситуациях, когда требуемая информация недоступна, поведение рассматриваемой системы полностью неизвестно, 
результаты измерений основных параметров искажены шумом. 

В менеджменте наиболее часто возникающие задачи связаны 
с классификацией и регрессией, как и во многих других областях 
науки. Например, оценка финансового состояния предприятия или 
физического лица, обратившегося за получением кредита в банк, 
сводится к проблеме классификации клиента: надежный – ненадежный. Такого же рода задачи возникают в управлении качеством: годная продукция – бракованная продукция; управлении персоналом 
при приеме на работу: принять – не принять, и т.п. 

В отношении регрессии нужно отметить, что во многих управленческих задачах важным является вопрос, связанный с прогнозированием грядущих событий, и в этой области МВ находят свою 
нишу. В частности, применение регрессионных моделей для формирования прогноза часто оказывается непродуктивным из-за чересчур 
сложного характера зависимости между выходной (прогнозируемой) 
величиной и предикторами (входными независимыми величинами). 
В этом случае методы МВ, например, нейронные сети или нечеткая 
логика, могут выполнять роль аппроксиматора сложных функциональных соотношений.