Проектирование автоматизированной информационной системы для анализа выполнения плана сдачи изделий по отклонениям: Методология и разработка

Введение: Актуальность, цели и структура работы

Неэффективное управление производственным процессом и логистикой готовой продукции часто приводит к финансовым потерям, вызванным либо излишками, замораживающими оборотный капитал, либо дефицитом, провоцирующим срывы сроков отгрузки и штрафные санкции. В условиях современного высококонкурентного рынка, где скорость реакции на оперативные изменения является критическим фактором успеха, предприятия обязаны внедрять высокоточные инструменты контроля.

Именно поэтому план-фактный анализ сдачи готовых изделий на склад перестает быть просто бухгалтерской сверкой, а становится краеугольным камнем оперативного управления. Анализ входных данных показал, что для эффективного контроля необходима не только методология, но и автоматизированная информационная система (АИС), способная интегрировать данные, проводить сложный факторный анализ и оперативно информировать руководство о причинах отклонений.

Цель данной работы — разработка комплексной методологии анализа отклонений выполнения плана сдачи изделий на склады и проектирование на ее основе автоматизированной информационной системы, которая позволит эффективно выявлять, локализовать и устранять причины возникновения дефицита или излишков.

Для достижения поставленной цели в работе последовательно решаются следующие задачи:

1. Определение теоретических основ и ключевых метрик план-фактного анализа в контексте производственного учета.
2. Разработка алгоритма факторного анализа отклонений с использованием метода цепных подстановок.
3. Определение места проектируемой ИС в современном ландшафте информационных систем управления производством.
4. Проектирование АИС в соответствии с требованиями ГОСТ 34.601-90, включая разработку логической модели данных (ER-диаграммы).
5. Формулирование детальных функциональных и нефункциональных требований к системе, обеспечивающих ее эффективность и надежность.

Структура данной работы отражает логику перехода от теории к практике, начиная с методологической базы анализа и завершая инженерным проектированием информационной системы, что делает ее полноценным руководством для создания подобного аналитического инструмента.

Теоретические основы и ключевые метрики план-фактного анализа

Сущность и задачи анализа отклонений (Факт — План)

План-фактный анализ (ПФА) представляет собой фундаментальный метод управленческого учета и контроллинга. Его сущность заключается в систематическом сравнении фактических результатов деятельности предприятия с заранее установленными плановыми (нормативными, целевыми) показателями. Ключевая задача ПФА — не просто констатация факта, но выявление расхождений, определение их количественного влияния и установление первопричин.

Ключевые понятия и их взаимосвязь:

• План: Утвержденный объем сдачи изделий на склад, выраженный в натуральных или стоимостных показателях за определенный период.
• Факт: Фактический объем сдачи изделий, зафиксированный в учетной системе.
• Отклонение (Δ): Разница между фактическим и плановым показателем (Δ = Факт – План).

Отклонения подразделяются на две основные категории, критически важные для принятия решений:

1. Абсолютные отклонения: Прямая разница в единицах измерения (штуках, рублях, тоннах).

   Δабс = Факт − План

   Абсолютное отклонение позволяет оценить масштаб расхождения. Если результат положительный, это означает перевыполнение плана (излишки); если отрицательный — недовыполнение (дефицит).

2. Относительные отклонения: Отношение абсолютного отклонения к плановому показателю, выраженное в процентах.

   Δотн = (Δабс / План) · 100%

   Относительное отклонение незаменимо для мониторинга результативности, так как позволяет сравнивать степень выполнения планов по разнородным изделиям или подразделениям, независимо от масштаба их плановых заданий.

Возникновение дефицита (недостачи) или излишков (перепроизводства) готовой продукции на складе требует немедленного расследования. Причины могут быть как операционными (ошибки в отгрузке, естественная убыль, пересортица), так и учетными (неверное отражение операций, ошибки в бухгалтерском учете), а также связанными с хищениями. И что из этого следует? Оперативное реагирование на отклонения — это не просто устранение последствий, но и возможность предотвратить цепную реакцию сбоев в смежных процессах, таких как планирование закупок или своевременная отгрузка конечному потребителю.

Производственные показатели и аналитические разрезы

Для полноценного анализа выполнения плана сдачи изделий на склад используются различные производственные показатели. Учет готовой продукции традиционно ведется по трем группам измерителей, обеспечивающих комплексную картину:

Группа показателей	Описание и назначение
Натуральные	Количество, объем, вес. Используются для оперативного контроля объемов производства и сдачи, а также для выявления физического дефицита/излишков.
Условно-натуральные	Приведение разнородной продукции к единому измерителю (например, тонна условного топлива, условная банка). Необходимы для агрегированного анализа выполнения плана в многономенклатурном производстве.
Стоимостные	Фактическая или нормативная себестоимость. Критически важны для финансового анализа и расчета влияния отклонений на конечный финансовый результат предприятия.

Для того чтобы ПФА был не просто констатацией, а инструментом для принятия решений, анализ должен проводиться в максимально детализированных разрезах. Традиционный финансовый анализ оперирует центрами финансовой ответственности (ЦФО) и статьями бюджета. Однако для оперативного производственного анализа, направленного на устранение дефицита, критически важны следующие разрезы:

1. Рабочие центры/Оборудование: Позволяет определить, какой конкретный станок, линия или участок стал источником недовыпуска или перевыпуска.
2. Производственные смены: Дает возможность оценить эффективность работы конкретных бригад или смен, выявить проблемы с соблюдением технологической дисциплины.
3. Технологические операции: Детализация до уровня конкретной операции в маршрутной карте (например, сварка, покраска, сборка) позволяет точно локализовать технологические или ресурсные причины отклонений (брак, простои, избыточный расход сырья).

Именно эти детальные разрезы должны стать основой для проектирования базы данных и аналитического модуля разрабатываемой ИС. Без такой детализации, по сути, мы лишаемся возможности точно определить, почему произошло отклонение и кого следует назначить ответственным.

Методология факторного анализа причин отклонений в производстве

Обзор методов факторного анализа

Выявление причин, вызвавших отклонение, является ключевым этапом ПФА. Факторный анализ — это методика, позволяющая измерить количественное влияние каждого отдельного фактора на изменение результативного показателя.

Среди основных методов факторного анализа выделяют: метод абсолютных разниц, метод относительных разниц, интегральный метод и метод цепных подстановок. Последний является наиболее распространенным и наглядным в академической и прикладной практике, поскольку позволяет последовательно изолировать влияние каждого фактора, обеспечивая четкую проверяемость расчетов. Поэтому именно метод цепных подстановок выбран в качестве методологической основы для аналитического модуля проектируемой АИС.

Алгоритм и расчет методом цепных подстановок (на примере P = Q · C)

Метод цепных подстановок предполагает последовательную замену базовых (плановых) значений факторов на фактические в формуле результативного показателя.

Рассмотрим результативный показатель Стоимость сданной продукции (P), который зависит от двух факторов:

• Количество сданных изделий (Q), ед.
• Нормативная цена/себестоимость единицы (C), руб./ед.

Базовая формула: P = Q · C

Этапы расчета влияния факторов:

1. Расчет общего отклонения (ΔP):

   ΔP = Pфакт − Pплан = (Qфакт · Cфакт) − (Qплан · Cплан)

2. Расчет влияния фактора Q (Количество):

   Мы заменяем плановое количество на фактическое, оставляя остальные факторы (цену/себестоимость) на плановом уровне. Для этого вводится промежуточный (условный) показатель Pусл.

   Pусл = Qфакт · Cплан

   ΔPQ = Pусл − Pплан = (Qфакт · Cплан) − (Qплан · Cплан)

3. Расчет влияния фактора C (Нормативная цена/себестоимость):

   Мы заменяем плановое значение последнего фактора (C) на фактическое, используя уже измененный (фактический) показатель количества (Q).

   ΔPC = Pфакт − Pусл = (Qфакт · Cфакт) − (Qфакт · Cплан)

4. Проверка: Сумма влияний отдельных факторов должна быть равна общему отклонению: ΔP = ΔPQ + ΔPC.

Детализированный числовой пример

Продемонстрируем применение метода на конкретных данных, которые будут обрабатываться проектируемой АИС.

Показатель	План (База)	Факт
Количество сданных изделий (Q)	Qплан = 1000 ед.	Qфакт = 1050 ед.
Себестоимость единицы (C)	Cплан = 500 руб./ед.	Cфакт = 520 руб./ед.
Стоимость сданной продукции (P)	Pплан = 500 000 руб.	Pфакт = 546 000 руб.

Шаг 1. Расчет общего отклонения:

ΔP = 546 000 − 500 000 = +46 000 руб.

Шаг 2. Расчет условного показателя (P_усл):

Pусл = Qфакт · Cплан = 1050 · 500 = 525 000 руб.

Шаг 3. Расчет влияния изменения количества (ΔP_Q):

ΔPQ = Pусл − Pплан = 525 000 − 500 000 = +25 000 руб.

Вывод: Перевыполнение плана по количеству (на 50 ед.) привело к увеличению общей стоимости на 25 000 руб.

Шаг 4. Расчет влияния изменения себестоимости (ΔP_C):

ΔPC = Pфакт − Pусл = 546 000 − 525 000 = +21 000 руб.

Вывод: Рост фактической себестоимости (на 20 руб./ед.) привел к увеличению общей стоимости на 21 000 руб. (рост себестоимости — негативное отклонение для прибыли, но позитивное для общего показателя P).

Шаг 5. Проверка:

ΔP = ΔPQ + ΔPC = 25 000 + 21 000 = 46 000 руб.

Таким образом, АИС, используя этот алгоритм, может четко разделить, какая часть общего отклонения вызвана операционными факторами (недовыпуск), а какая — экономическими (рост себестоимости), что позволяет принимать адресные управленческие решения. Но разве не является ключевым вопросом, почему себестоимость вообще выросла? Система должна не только констатировать факт влияния, но и подтолкнуть аналитика к изучению причин роста себестоимости единицы (C), например, через анализ перерасхода сырья или увеличения непроизводственных затрат.

Информационные технологии и автоматизация производственного учета

Классификация систем автоматизации (SCADA, MES, APS, ERP)

Разрабатываемая информационная система для анализа отклонений не существует в вакууме; она является частью более широкой экосистемы управления предприятием. Понимание этой экосистемы критически важно для проектирования интерфейсов и интеграции данных. Системы управления производством традиционно классифицируются по уровням:

1. SCADA (Supervisory Control and Data Acquisition): Самый низкий уровень. Используется для управления технологическими процессами и сбора данных с датчиков и контроллеров в реальном времени.
2. MES (Manufacturing Execution System): Средний уровень, оперативное управление производством. MES-системы контролируют выполнение производственных заданий, управляют маршрутизацией, ресурсами и отслеживают качество. Они являются основным источником фактических данных о выпуске и простоях.
3. APS (Advanced Planning and Scheduling): Системы оптимизированного планирования и составления расписаний. В контексте анализа отклонений APS играет ключевую роль, поскольку позволяет оперативно пересчитывать расписание и график сдачи изделий при возникновении задержек или дефицита, минимизируя негативное влияние отклонений.
4. ERP (Enterprise Resource Planning): Высший уровень, управление всеми бизнес-процессами (финансы, запасы, продажи, кадры). ERP является хранилищем плановых данных (нормативная себестоимость, плановый объем выпуска) и конечным потребителем обобщенной аналитики.

Проектируемая АИС анализа отклонений функционирует на стыке MES и ERP, забирая фактические данные из MES/учета готовой продукции и плановые данные из ERP/системы бюджетирования, а затем предоставляя детализированную аналитику обратно для корректировки планов (APS) и принятия финансовых решений (ERP).

Обзор современных отечественных решений и технологий

Выбор технологического стека для АИС должен учитывать современный тренд на импортозамещение и потребность в масштабируемых, надежных решениях.

1. Платформы для разработки и учета:

• СУБД (SQL-системы): Для хранения больших объемов структурированных данных (план, факт, номенклатура, транзакции) необходима мощная реляционная СУБД. На российском рынке активно используются как открытые решения (PostgreSQL), так и коммерческие отечественные аналоги.
• Платформа 1С:Предприятие: Остается доминирующим инструментом для автоматизации учета и управления на многих российских предприятиях. Разработка аналитического модуля на базе 1С обеспечивает простую интеграцию с существующими системами учета готовой продукции и складами.

2. Специализированные APS/MES-системы:

Для оперативного управления и сбора факта, критически важного для нашего анализа, используются специализированные решения. В России активно развиваются платформы, предлагающие функционал APS/MES:

• MSA Платформа: Предоставляет широкий функционал, включая оперативное планирование (APS) и мониторинг производства (MES), что делает ее идеальным источником достоверных фактических данных о выполнении сменных заданий и простоях.

3. Инструменты Business Intelligence (BI) и визуализации:

Для наглядного представления отчетов о дефиците/излишках и результатов факторного анализа необходимо использовать современные BI-инструменты.

• PIX BI: Отечественная платформа, которая позволяет создавать интерактивные дашборды, визуализируя отклонения, тренды и влияние факторов. Она соответствует требованиям импортозамещения и обеспечивает высокую скорость обработки данных.
• Купер Платформа: Еще один пример отечественной аналитической системы, часто ориентированной на специфические отраслевые задачи (например, FMCG), но обладающей гибкостью для создания любых аналитических отчетов.

Использование этих инструментов позволяет создать систему, которая не только проводит расчеты, но и представляет их в удобном, интерактивном формате, что значительно повышает оперативность принятия решений.

Проектирование автоматизированной информационной системы анализа отклонений

Стадии и принципы проектирования по ГОСТ 34.601-90

Проектирование автоматизированных систем в России регламентируется комплексом стандартов, в частности ГОСТ 34.601-90, который определяет последовательность этапов создания АИС. Это обеспечивает методологическую строгость и проверяемость проекта.

Процесс создания АИС включает восемь ключевых стадий, которые должны быть учтены в курсовой работе:

Стадия по ГОСТ 34.601-90	Основное содержание для АИС анализа отклонений
1. Формирование требований к АС	Определение потребностей пользователей (руководители производства, плановики, бухгалтеры), сбор функциональных и нефункциональных требований.
2. Разработка концепции АС	Обоснование выбора архитектуры (клиент-сервер), технологического стека (например, SQL + PIX BI) и основных принципов взаимодействия с существующими системами.
3. Разработка Технического задания (ТЗ)	Формализация всех требований, включая структуру базы данных, алгоритмы расчетов (метод цепных подстановок) и требования к безопасности. Критически важный этап.
4. Эскизное проектирование	Разработка предварительных проектных решений, включая концептуальную ER-модель и макеты ключевых пользовательских интерфейсов и отчетов.
5. Техническое проектирование	Детализация всех решений, разработка физической структуры БД, описание программного обеспечения.
6. Разработка рабочей документации	Создание инструкций для пользователей и персонала, занимающегося сопровождением.
7. Ввод в действие	Тестирование, обучение персонала, опытная эксплуатация и ввод системы в промышленную эксплуатацию.
8. Сопровождение АС	Поддержка, устранение сбоев, модернизация и расширение функционала (например, добавление предиктивной аналитики).

Начальные фазы (1-3) являются решающими. Недоработка требований или нечеткое ТЗ неизбежно приводит к срыву сроков и неработоспособности конечного продукта. Какой важный нюанс здесь упускается? Точное соответствие ГОСТу обеспечивает не только методологическую строгость, но и юридическую защищенность проекта, что критически важно при работе с государственными и крупными частными предприятиями.

Моделирование данных: ER-диаграмма для анализа отклонений

Для обеспечения достоверности и целостности данных, а также для возможности проведения детализированного факторного анализа, необходимо разработать логическую модель данных, представленную в виде ER-диаграммы (сущность-связь).

Концептуальная модель данных должна отражать не только стандартный складской учет, но и специфику производственного план-фактного анализа, включая источники плановых и фактических данных.

Ключевые сущности для анализа отклонений:

Сущность	Атрибуты (Примеры)	Связи и назначение
НОМЕНКЛАТУРА	ID_Номенклатуры (PK), Наименование, Ед_измерения, Нормативная_себестоимость (Cплан)	Связана со всеми транзакциями и плановыми документами.
ЗАКАЗ_НА_ПРОИЗВОДСТВО	ID_Заказа (PK), Период_Плана, Плановое_количество (Qплан), Подразделение_плана (ЦФО)	Хранит плановые показатели, является базой для сравнения.
РАБОЧИЙ_ЦЕНТР	ID_Центра (PK), Наименование, Тип_оборудования	Обеспечивает аналитический разрез для локализации фактических отклонений.
СДАЧА_ГОТОВОЙ_ПРОДУКЦИИ	ID_Документа (PK), Дата_Сдачи, Фактическое_количество (Qфакт), Фактическая_себестоимость (Cфакт)	Журнал транзакций, фиксирующий факт сдачи на склад.
РАСЧЕТ_ОТКЛОНЕНИЙ	ID_Расчета (PK), Дата_Расчета, Отклонение_Количество (ΔQ), Отклонение_Стоимость (ΔC), Общее_Отклонение (ΔP)	Сущность, созданная модулем анализа, хранит результаты расчета по методу цепных подстановок.

Ключевые связи:

• 1:M (Один ко многим): Один ЗАКАЗ_НА_ПРОИЗВОДСТВО может быть связан со многими документами СДАЧА_ГОТОВОЙ_ПРОДУКЦИИ.
• 1:M: Одна НОМЕНКЛАТУРА фигурирует во многих документах СДАЧА_ГОТОВОЙ_ПРОДУКЦИИ и ЗАКАЗ_НА_ПРОИЗВОДСТВО.
• 1:M: Каждый документ СДАЧА_ГОТОВОЙ_ПРОДУКЦИИ привязан к конкретному РАБОЧЕМУ_ЦЕНТРУ или смене, что позволяет проводить локализацию.

Включение сущностей ЗАКАЗ_НА_ПРОИЗВОДСТВО и РАБОЧИЙ_ЦЕНТР позволяет проводить анализ отклонений не только на агрегированном уровне склада, но и на оперативном уровне производственных подразделений, что критически важно для принятия корректирующих действий.

Функциональные и нефункциональные требования к ИС

Функциональные требования (Модули системы)

Функциональные требования определяют конкретные возможности, которые система должна предоставлять пользователям для эффективного анализа. Они структурируются по логическим модулям.

1. Модуль Планирования и Нормирования:

• Обеспечение ввода, хранения и редактирования плановых показателей выпуска (количества, сроков) в разрезе номенклатуры и производственных заказов.
• Поддержка версионности планов для сравнения текущего факта с разными базовыми сценариями.
• Интерфейс для ввода и обновления нормативной себестоимости (C_план).

2. Модуль Учета Факта (Сбора данных):

• Интеграция с производственным или складским ПО (MES/ERP) для автоматизированного импорта данных о фактической сдаче готовой продукции на склад.
• Функция ручного ввода фактических данных с обязательным указанием рабочего центра/смены и даты сдачи (для мелких корректировок).

3. Модуль Расчета Отклонений:

• Автоматический расчет абсолютных и относительных отклонений (Δ_абс, Δ_отн) для каждого изделия, заказа и подразделения.
• Система оповещений при превышении заданных критических порогов относительных отклонений (например, Δ_отн > 5%).

4. Модуль Факторного Анализа:

• Реализация алгоритма расчета методом цепных подстановок (например, для P = Q · C).
• Возможность выбора аналитических разрезов (по рабочему центру, по номенклатуре, по периоду) для применения факторного анализа.

5. Модуль Генерации Отчетов и Визуализации:

• Формирование стандартных отчетов:
  • Отчет о дефиците/излишках: Таблица с перечнем номенклатуры, по которой обнаружено наибольшее абсолютное и относительное отклонение (дефицит выделяется красным, излишки — синим).
  • Отчет о влиянии факторов: Визуализация результатов факторного анализа (например, столбчатые диаграммы), показывающие вклад ΔP_Q и ΔP_C в общее отклонение.
• Возможность фильтрации, сортировки данных и выгрузки отчетов в форматы Excel/PDF.

Нефункциональные требования и обеспечение качества данных

Нефункциональные требования определяют качество и характеристики, которые гарантируют надежную работу системы в производственной среде.

1. Производительность (Performance):

Аналитическая система должна обеспечивать оперативность.

• Скорость ответа при выполнении стандартных запросов и фильтрации данных не должна превышать 2 секунды.
• Генерация аналитических отчетов (например, факторный анализ за месяц) должна занимать не более 5 секунд.

2. Надежность и Доступность (Reliability & Availability):

Для критических производственных систем требуется высокий уровень доступности. Система должна обеспечивать доступность на уровне 99,9% (не более 8,76 часов простоя в год). Для систем, напрямую влияющих на отгрузку, часто требуется уровень 99,99% (менее 52 минут простоя в год). Должна быть реализована система резервного копирования данных с ежедневным полным бэкапом.

3. Безопасность (Security):

• Разграничение прав доступа: Реализация ролевой модели (например, Администратор, Аналитик, Оператор ввода). Оператор может только вводить факт, Аналитик — проводить расчеты и генерировать отчеты, Администратор — управлять пользователями и настройками.
• Защита от несанкционированного изменения исторических данных (факта и плана).

4. Масштабируемость (Scalability):

Система должна быть способна обрабатывать рост объема транзакций и номенклатуры на 30% в год без необходимости существенного изменения архитектуры.

5. Обеспечение Целостности и Актуальности Данных (Data Quality):

Ввод данных о фактической сдаче должен сопровождаться автоматической проверкой на соответствие справочникам (Номенклатура, Рабочий центр). При интеграции данных из внешних систем (MES, ERP) должен применяться механизм контроля дублирования и проверки временных меток для обеспечения актуальности. Каким образом мы можем быть абсолютно уверены в том, что факт, введенный вручную, является достоверным и не содержит ошибок?

Эти требования формируют инженерную основу АИС, гарантируя, что система будет не только функциональной, но и стабильной в условиях высокой производственной нагрузки.

Заключение

Проведенное исследование и проектирование автоматизированной информационной системы полностью подтверждают возможность создания эффективного инструмента для анализа выполнения плана сдачи изделий на склады по отклонениям.

Ключевые результаты работы:

1. Теоретическая база: Определены ключевые метрики (абсолютные и относительные отклонения) и обоснована необходимость детализации анализа до уровня рабочих центров и технологических операций для оперативного управленческого контроля.
2. Методологическое ядро: Разработан и численно продемонстрирован алгоритм факторного анализа с использованием метода цепных подстановок. Этот алгоритм является основой аналитического модуля ИС, позволяя количественно измерить влияние факторов количества и себестоимости на общее отклонение.
3. Инженерное проектирование: Проектирование АИС проведено с учетом требований ГОСТ 34.601-90, что придает проекту методологическую строгость. Разработана концептуальная ER-модель, включающая специфические сущности (Заказ на производство, Рабочий центр), критически важные для глубокого план-фактного анализа.
4. Технологический контекст: Определены актуальные отечественные инструменты (СУБД SQL, MSA Платформа, PIX BI), позволяющие создать масштабируемую систему в условиях импортозамещения.
5. Требования: Сформулированы детальные функциональные требования (модули Планирования, Расчета отклонений, Факторного анализа) и строгие нефункциональные требования, включая высокий уровень надежности (99,9%) и производительности, обеспечивающие качество системы.

Внедрение разработанной АИС позволит предприятию перейти от констатации проблем (дефицит/излишки) к их оперативной локализации и устранению, снизить операционные издержки, минимизировать потери от брака и повысить точность планирования. Это означает, что управленческие решения будут приниматься не по наитию, а на основе точных, верифицированных данных о реальном влиянии каждого фактора.

Направления для дальнейшего развития системы:

Дальнейшее совершенствование системы может включать интеграцию с предиктивной аналитикой (например, использование алгоритмов машинного обучения для прогнозирования вероятности возникновения дефицита на основе исторических данных о простоях и отклонениях) и создание мобильного клиентского приложения для оперативного мониторинга критических отклонений руководителями цехов. Причем создание мобильного приложения, обеспечивающего оперативный доступ к критическим отклонениям, значительно ускорит реакцию производственного руководства.

Список использованной литературы

1. Балдин К. В. Информационные технологии в менеджменте : учеб. для студ. учреждений высш. проф. образования / К. В. Балдин. — М. : Академия, 2012. — 288 с.
2. Дейт К. Введение в системы баз данных: проектирование. Реализация и управление. — СПб. : БХВ-Петербург, 2004. — 324 с.
3. Гарсиа-Молина Г. Системы баз данных. Полный курс / Г. Гарсиа-Молина, Дж. Ульман, Дж. Уидом. — М. : Вильямс, 2004. — 1088 с.
4. Кошелев В. Е. Access 2007. Эффективное использование. — М. : Бином-Пресс, 2009. — 590 с.
5. Кузин А. В. Базы данных : учебное пособие / А. В. Кузин, С. В. Левонисова. — 2-е изд., стереотип. — М. : Академия, 2008. — 320 с.
6. Кузнецов С. Д. Основы баз данных. — 2-е изд. — М. : Интернет-Университет Информационных Технологий ; БИНОМ. Лаборатория знаний, 2007. — 484 с.
7. Малыхина М. П. Базы данных: основы, проектирование, использование. — 2-е изд., перераб. и доп. — СПб. : БХВ-Петербург, 2007. — 528 с.
8. Мак-Дональд М. Access 2007 Недостающее руководство. — СПб. : БХВ-Петербург, 2007. — 784 с.
9. Проектирование баз данных. СУБД MicrosoftAccess : учебное пособие для вузов / Н. Н. Гринченко [и др.]. — М. : Горячая линия-Телеком, 2004. — 240 с.
10. Сергеев А. В. Access 2007. Новые возможности. — СПб. : Питер, 2008. — 176 с.
11. Харитонова И. MicrosoftOfficeAccess 2007 / И. Харитонова, Л. Рудикова. — СПб. : БХВ-Петербург, 2008. — 1280 с.
12. Хомоненко А. Д. Базы данных : учебник для высших учебных заведений / под ред. проф. А. Д. Хомоненко. — 6-е изд. — СПб. : КОРОНА принт, 2009. — 736 с.