Μαθηματικές μέθοδοι πρόβλεψης όγκων πωλήσεων24.02.2016. Οικονομικές-μαθηματικές και στατιστικές μέθοδοι πρόβλεψης

Οι μαθηματικές μέθοδοι πρόβλεψης μπορούν να αναπτυχθούν με βάση διάφορες συναρτήσεις, χρονοσειρές και αναλυτικές εξαρτήσεις. Για τη μαθηματική μοντελοποίηση και την πρόβλεψη των αγορών συναλλάγματος, τόσο η δυναμική των τιμών όσο και τα παράγωγά τους (τιμές δεικτών, σημαντικά επίπεδα κ.λπ.) και τα δεδομένα της αγοράς μπορούν να χρησιμεύσουν ως πληροφορίες εισόδου. μακροοικονομικούς δείκτες. Στα μαθηματικά μοντέλα για την πρόβλεψη οικονομικών χρονοσειρών, η δυναμική των τιμών χρησιμοποιείται ως είσοδος. Ωστόσο, η εργασία με τα μοντέλα πληροφοριών χρονοσειρών, τα οποία είναι περιγραφές αρχικών αντικειμένων χρησιμοποιώντας διαγράμματα, γραφήματα, τύπους, σχέδια κ.λπ., είναι διαφορετική. Ένας από τους πιο σημαντικούς τύπους μοντελοποίησης πληροφοριών είναι η μαθηματική, όταν οι περιγραφές διατυπώνονται στη γλώσσα των μαθηματικών. Αντίστοιχα, η μελέτη τέτοιων μοντέλων πραγματοποιείται με τη χρήση μαθηματικών μεθόδων.

Μαθηματικά, το πρόβλημα της πρόβλεψης της συναλλαγματικής ισοτιμίας μπορεί να αναχθεί στο πρόβλημα της προσέγγισης πολυδιάστατων συναρτήσεων και, κατά συνέπεια, στο πρόβλημα της κατασκευής μιας πολυδιάστατης χαρτογράφησης. Ανάλογα με τον τύπο των μεταβλητών εξόδου, η προσέγγιση των συναρτήσεων μπορεί να λάβει τη μορφή: ταξινόμησης ή παλινδρόμησης. Ως εκ τούτου, σε μοντέλα πρόβλεψηςΟι συναλλαγματικές ισοτιμίες, μπορούν να διακριθούν δύο κύριες δευτερεύουσες εργασίες: 1. κατασκευή ενός μαθηματικού μοντέλου. 2η εκπαίδευση δικτύων εμπειρογνωμόνων που υλοποιούν τη λύση του προβλήματος. Ως αποτέλεσμα της μελέτης της θεματικής περιοχής, θα πρέπει να αναπτυχθεί ένα μαθηματικό μοντέλο πρόβλεψης, το οποίο θα περιλαμβάνει ένα σύνολο μεταβλητών εισόδου. η μέθοδος διαμόρφωσης των χαρακτηριστικών εισόδου και η μέθοδος εκπαίδευσης του έμπειρου συστήματος.

Αναλυτικές εξαρτήσεις

Εξετάστε τα χαρακτηριστικά μοντέλα πρόβλεψηςμε βάση αναλυτικές εξαρτήσεις.

Αυτό το μοντέλο βασίζεται στην ανάλυση του μηχανισμού σχηματισμού συναλλαγματικών ισοτιμιών. Ο τύπος του τύπου σε αυτή την περίπτωση θα εξαρτηθεί από τη φύση και τον τύπο των αλληλεπιδρούντων παραγόντων που επηρεάζουν το σχηματισμό της συναλλαγματικής ισοτιμίας. Το μοντέλο βασίζεται στην υπόθεση του ισοτιμία αγοραστικής δύναμης. Επιπλέον, στη διαδικασία εξέτασης των πραγματικών οικονομικών συστημάτων, θα προστεθούν νέοι παράγοντες και το γενικευμένο μοντέλο θα επιλέξει τους κύριους παράγοντες που επηρεάζουν το σχηματισμό της συναλλαγματικής ισοτιμίας.

Η αύξηση της αποτελεσματικότητας των βραχυπρόθεσμων συναλλαγών σε συνάλλαγμα είναι ένα από τα σημαντικά καθήκοντα στις δραστηριότητες των τραπεζών και άλλων επενδυτών που πωλούν και αγοράζουν διάφορα νομίσματα σε σημαντικούς όγκους, επιδιώκοντας να δώσουν κίνηση στα διαθέσιμα ελεύθερα αποθεματικά προκειμένου να αποφευχθούν ζημιές από τις διακυμάνσεις της αγοράς. σε συναλλαγματικές ισοτιμίες και να λάβουν πρόσθετο κέρδος. Και συναλλαγματικές πράξειςπραγματοποιούνται με υψηλή ταχύτητα μέσω Διαδικτύου, καθώς είναι πολύ σημαντικό να εισέλθετε στην αγορά συναλλάγματος με προσφορά ενώπιον των ανταγωνιστών. Όλα αυτά αποτελούν αναπόσπαστο μέρος της συνεχούς διαδικασίας διαμόρφωσης της βέλτιστης δομής των συναλλαγματικών αποθεμάτων.

Η αποτελεσματικότητα των συναλλαγών σε ξένο συνάλλαγμα εξαρτάται σε μεγάλο βαθμό από την αξιοπιστία των προβλέψεων για τις συναλλαγματικές διακυμάνσεις. Γι' αυτό η βραχυπρόθεσμη πρόβλεψη των επιτοκίων έχει μεγάλη πρακτική σημασία για τις λειτουργικές δραστηριότητες των τραπεζών και άλλων επενδυτών. Και το ζήτημα της δυνατότητας χρήσης στατιστικών μεθόδων για το σκοπό αυτό φαίνεται σχετικό και φυσικό. Πρόβλημα βραχυπρόθεσμαΗ πρόβλεψη των συναλλαγματικών ισοτιμιών με τη χρήση στατιστικών μοντέλων λαμβάνεται υπόψη με βάση το γεγονός ότι για την επιτυχή διεξαγωγή των συναλλαγών σε συνάλλαγμα, απαιτείται η λήψη προβλέψεων για μία ημέρα νωρίτερα. Όπως, για παράδειγμα, στην ταινία «Πι» ο μαθηματικός Μαξ Κοέν προσπαθεί εδώ και πολλά χρόνια να βρει και να αποκρυπτογραφήσει τον παγκόσμιο ψηφιακό κώδικα, σύμφωνα με τον οποίο αλλάζουν οι ρυθμοί όλων. Καθώς πλησιάζετε στη λύση, ο κόσμος γύρω από τον Μαξ μετατρέπεται σε έναν σκοτεινό εφιάλτη: τον καταδιώκουν ισχυροί αναλυτές από τη Wall Street για να ανακαλύψουν τον κώδικα του παγκόσμιου σύμπαντος. Στο χείλος της τρέλας, ο Μαξ πρέπει να κάνει μια αποφασιστική επιλογή ανάμεσα στην τάξη και το χάος και να αποφασίσει αν είναι σε θέση να αντιμετωπίσει την ισχυρή δύναμη που έχει τώρα αφυπνίσει το λαμπρό μυαλό του. Αλλά αυτό είναι φαντασία. Στην πραγματικότητα, δεν είναι σκληρή δουλειά, αλλά το τρένο σκέψης που καθορίζει το εισόδημα από επενδύσεις, και μόνο η επαρκής μαθηματική μοντελοποίηση μπορεί να χρησιμεύσει για την αξιολόγηση της αποτελεσματικότητας μιας ιδέας.

Προσαρμοστικές μέθοδοι πρόβλεψης

Είναι δύσκολο να χαράξουμε μια σαφή γραμμή που να διαχωρίζει τις προσαρμοστικές μεθόδους πρόβλεψης από τις μη προσαρμοστικές. Ακόμη και η πρόβλεψη με παρέκταση των συνηθισμένων καμπυλών παλινδρόμησης περιέχει κάποιο στοιχείο προσαρμογής, όταν με κάθε νέα λήψη πραγματικών δεδομένων, οι παράμετροι των καμπυλών παλινδρόμησης υπολογίζονται εκ νέου και τελειοποιούνται. Μετά από αρκετά μεγάλο χρονικό διάστημα, ακόμη και ο τύπος της καμπύλης μπορεί να αλλάξει. Ωστόσο, εδώ ο βαθμός προσαρμογής είναι πολύ μικρός. Επιπλέον, με την πάροδο του χρόνου, πέφτει μαζί με την αύξηση του συνολικού αριθμού των σημείων παρατήρησης και, κατά συνέπεια, με τη μείωση της αναλογίας κάθε νέου σημείου στο δείγμα.

Η ακολουθία της διαδικασίας προσαρμογής είναι η εξής. Αφήστε το μοντέλο να είναι σε κάποια αρχική κατάσταση και γίνεται μια πρόβλεψη σε αυτό. Όταν λήξει μία μονάδα χρόνου (βήμα προσομοίωσης), αναλύουμε πόσο απέχει το αποτέλεσμα που προκύπτει από το μοντέλο από την πραγματική τιμή της σειράς. Σφάλμα πρόβλεψηςμέσω ανατροφοδότησης, εισέρχεται στην είσοδο του συστήματος και χρησιμοποιείται από το μοντέλο σύμφωνα με τη λογική του για τη μετάβαση από τη μια κατάσταση στην άλλη προκειμένου να εναρμονιστεί καλύτερα η συμπεριφορά του με τη δυναμική της σειράς. Το μοντέλο πρέπει να ανταποκρίνεται στις αλλαγές της σειράς με αντισταθμιστικές αλλαγές. Στη συνέχεια γίνεται μια πρόβλεψη για το επόμενο χρονικό σημείο και η όλη διαδικασία επαναλαμβάνεται. Έτσι, η προσαρμογή πραγματοποιείται διαδραστικά με την παραλαβή κάθε νέου πραγματικού σημείου της σειράς. Ωστόσο, ποιοι πρέπει να είναι οι κανόνες για τη μετάβαση του συστήματος από τη μια κατάσταση στην άλλη, ποια είναι η λογική του μηχανισμού προσαρμογής;

Ουσιαστικά, αυτό το ερώτημα λύνεται από κάθε ερευνητή διαισθητικά. Η λογική του μηχανισμού προσαρμογής δίνεται a priori και στη συνέχεια ελέγχεται εμπειρικά. Κατά την κατασκευή ενός μοντέλου, αναπόφευκτα το προικίζουμε με έμφυτες ιδιότητες και, ταυτόχρονα, για μεγαλύτερη ευελιξία, πρέπει να φροντίζουμε τους μηχανισμούς των εξαρτημένων αντανακλαστικών που αποκτώνται ή χάνονται με μια ορισμένη αδράνεια. Η ολότητά τους αποτελεί τη λογική του μηχανισμού προσαρμογής. Λόγω της απλότητας κάθε μεμονωμένου μοντέλου και των περιορισμένων αρχικών πληροφοριών, που συχνά αντιπροσωπεύονται από μία μόνο σειρά, δεν μπορούμε να περιμένουμε ότι οποιοδήποτε προσαρμοστικό μοντέλο είναι κατάλληλο για την πρόβλεψη οποιασδήποτε σειράς, οποιωνδήποτε παραλλαγών συμπεριφοράς. Προσαρμοστικά μοντέλααρκετά ευέλικτα, αλλά η ευελιξία τους δεν μπορεί να υπολογιστεί. Επομένως, κατά την κατασκευή και την επεξήγηση συγκεκριμένων μοντέλων, είναι απαραίτητο να ληφθούν υπόψη τα πιο πιθανά μοτίβα ανάπτυξης μιας πραγματικής διαδικασίας και να συσχετιστούν οι δυναμικές ιδιότητες της σειράς με τις δυνατότητες του μοντέλου. Είναι απαραίτητο να τεθούν στο μοντέλο εκείνες οι προσαρμοστικές ιδιότητες που είναι αρκετές ώστε το μοντέλο να παρακολουθεί την πραγματική διαδικασία με δεδομένη ακρίβεια.

Ωστόσο, δεν μπορεί κανείς να ελπίζει σε μια επιτυχημένη μοντέλο αυτοπροσαρμογής, πιο γενικό σε σχέση με αυτό που είναι απαραίτητο για να αντικατοπτρίζει αυτή τη διαδικασία, επειδή η αύξηση του αριθμού των παραμέτρων καθιστά το σύστημα υπερβολικά ευαίσθητο, οδηγεί στη συσσώρευσή του και στην επιδείνωση των προβλέψεων που λαμβάνονται από αυτό. Έτσι, κατά την κατασκευή ενός προσαρμοστικού μοντέλου, πρέπει κανείς να επιλέξει μεταξύ ενός γενικού και ενός συγκεκριμένου μοντέλου και, σταθμίζοντας τα πλεονεκτήματα και τα μειονεκτήματά τους, να προτιμήσει αυτό από το οποίο μπορεί κανείς να αναμένει το μικρότερο σφάλμα πρόβλεψης. Ως εκ τούτου, είναι απαραίτητο να υπάρχει ένα συγκεκριμένο απόθεμα εξειδικευμένων μοντέλων, διαφορετικών στη δομή και τις λειτουργικές ιδιότητες. Για να συγκριθούν πιθανές εναλλακτικές, απαιτείται ένα κριτήριο χρησιμότητας του μοντέλου. Ενώ ένα τέτοιο κριτήριο είναι γενικά αμφιλεγόμενο, στην περίπτωση της βραχυπρόθεσμης πρόβλεψης, το αποδεκτό κριτήριο είναι συνήθως το μέσο τετράγωνο του σφάλματος πρόβλεψης. Η ποιότητα του μοντέλου κρίνεται επίσης από την παρουσία αυτοσυσχέτισης στα σφάλματα. Σε πιο προηγμένα συστήματα, η διαδικασία δοκιμής και λάθους πραγματοποιείται ως αποτέλεσμα της ανάλυσης τόσο διαδοχικών χρονικά όσο και παράλληλων (ανταγωνιστικών) τροποποιήσεων του μοντέλου.

Βραχυπρόθεσμη πρόβλεψη συναλλαγματικών ισοτιμιών

Οι πληροφορίες σχετικά με τη δυναμική των συναλλαγματικών ισοτιμιών δημιουργούν την εντύπωση μιας χαοτικής κίνησης: η πτώση και η αύξηση των ισοτιμιών αντικαθιστούν η μία την άλλη με κάποια τυχαία σειρά. Ακόμη και αν για μεγάλο χρονικό διάστημα υπάρχει μια τάση, για παράδειγμα, προς την ανάπτυξη, τότε στο γράφημα μπορείτε εύκολα να δείτε ότι αυτή η τάση ανοίγει το δρόμο της μέσα από πολύπλοκες κινήσεις. χρονοσειρές συναλλαγματικών ισοτιμιών. Η κατεύθυνση της σειράς αλλάζει συνεχώς υπό την επίδραση ακανόνιστες και συχνά άγνωστων δυνάμεων. Το υπό μελέτη αντικείμενο είναι πλήρως εκτεθειμένο στα στοιχεία της παγκόσμιας αγοράς και δεν υπάρχουν ακριβείς πληροφορίες για τη μελλοντική κίνηση της συναλλαγματικής ισοτιμίας. Πρέπει να κάνετε μια πρόβλεψη. Ταυτόχρονα, είναι προφανές ότι προβλέψει ακόμη και το πρόσημο του ρυθμού ανάπτυξης πολύ δύσκολο. Αυτό γίνεται συνήθως από ειδικούς που αναλύουν τις τρέχουσες συνθήκες της αγοράς και προσπαθούν επίσης να εντοπίσουν παράγοντες που σχετίζονται τακτικά με την κίνηση της συναλλαγματικής ισοτιμίας (θεμελιώδης ανάλυση). Κατά την κατασκευή επίσημων μοντέλων, προσπαθούν επίσης να εντοπίσουν μια σειρά σημαντικών παραγόντων και να κατασκευάσουν κάποιο είδος δείκτη στη βάση τους, αλλά ούτε οι ειδικοί επαγγελματίες ούτε οι επίσημες μέθοδοι δίνουν καλά σταθερά αποτελέσματα μέχρι στιγμής. Πιστεύουμε ότι αυτό εξηγείται, πρώτα απ 'όλα, από το γεγονός ότι εάν υπάρχει πραγματικά οποιοσδήποτε κύκλος παραγόντων που επηρεάζουν τη συναλλαγματική ισοτιμία με σταθερό τρόπο, τότε ο αντίκτυπός τους κρύβεται αξιόπιστα από μια υπερτιθέμενη τυχαία συνιστώσα και ενέργειες ελέγχου.

Ως αποτέλεσμα, αυτοί οι παράγοντες και η επιρροή τους είναι δύσκολο να απομονωθούν. Ως εκ τούτου, είναι απαραίτητο να εξεταστεί η βραχυπρόθεσμη πρόβλεψη συναλλαγματικών ισοτιμιών ως γεγονός το έργο της πρόβλεψης της συνεπούς κίνησης μιας μεμονωμένης χρονοσειράς, η αιτία της οποίας είναι κυρίως η μαζική συμπεριφορά μικρών και μεγάλων χρηματοοικονομικών παραγόντων στο ξένο συνάλλαγμα. αγορά, οι οποίες πραγματοποιούν το μεγαλύτερο μέρος των χρηματοοικονομικών συναλλαγών με το νόμισμα. Αυτή η προσέγγιση μπορεί να αποδοθεί σε Φυσικά, ένας μόνο συμμετέχων στο παιχνίδι νομισμάτων είναι ελεύθερος να αλλάξει εντελώς αυθαίρετα τη στρατηγική του. Και όμως μπορεί να υποτεθεί ότι η συμπεριφορά ολόκληρης της μάζας των συμμετεχόντων μέσω του λόγου προσφοράς και ζήτησης, που επηρεάζει τη συναλλαγματική ισοτιμία, έχει κάποια συγκεκριμένη κυρίαρχη λογική στην τρέχουσα χρονική περίοδο, η οποία αποκαλύπτεται μέσω του νόμου των μεγάλων αριθμών. . Για παράδειγμα, όταν πέφτει η ισοτιμία, μπορούν να το αγοράσουν, αναμένοντας περαιτέρω ανατίμηση στο μέλλον. Και μια τέτοια τεράστια ζήτηση για το νόμισμα οδηγεί πραγματικά σε αύξηση της συναλλαγματικής του ισοτιμίας. Ή αντίστροφα, αν μετά την πτώση του νομίσματος πέσει η εμπιστοσύνη σε αυτό και αναμένεται περαιτέρω υποτίμησή του, τότε επικρατεί η μαζική προσφορά και ο συντελεστής πέφτει ακόμη χαμηλότερα. Σημειώστε ότι με μια τόσο απλοποιημένη προσέγγιση, η ίδια η δυναμική των χρονοσειρών μπορεί να διαβαστεί ως μια χρονολογική καταγραφή της μαζικής συμπεριφοράς των συμμετεχόντων στην αγορά συναλλάγματος. Αυτό καθιστά δυνατό, κατά την κατασκευή ενός μοντέλου, να προχωρήσουμε από την ίδια τη σειρά, χωρίς να εμπλέκονται πρόσθετες πληροφορίες, και να χρησιμοποιούνται όλα τα επιχειρήματα σχετικά με τη μαζική συμπεριφορά των συμμετεχόντων στην αγορά μόνο για ποιοτική ερμηνεία. Εάν ήταν δυνατό να βρεθούν στη δυναμική της σειράς τουλάχιστον βραχυπρόθεσμα μοτίβα που πραγματοποιούνται με πιθανότητα μεγαλύτερη από 50%, τότε αυτό θα έδινε λόγο να υπολογίζουμε στην επιτυχία. Τότε θα ήταν δυνατό να εφαρμοστούν στατιστικές μέθοδοι για την πρόβλεψη των ρυθμών, συλλαμβάνοντας περισσότερο ή λιγότερο σταθερές σχέσεις διαδοχικών γεγονότων στις χρονοσειρές.

Σε αυτή την περίπτωση, τίθεται η ακόλουθη εργασία. Αρχικά, ανακαλύψτε τη δυνατότητα εφαρμογής για βραχυπρόθεσμη πρόβλεψη των συναλλαγματικών ισοτιμιών οποιωνδήποτε στατιστικών μεθόδων, σκοπός της οποίας είναι η περιγραφή επαναλαμβανόμενων γεγονότων ή καταστάσεων που χαρακτηρίζονται από σχετικά σταθερές σχέσεις. Δεύτερον, εάν οι στατιστικές μέθοδοι είναι εφαρμόσιμες για την επίλυση του προβλήματος, τότε ορίστε την πιο υποσχόμενη κατηγορία τους, υποδείξτε Χαρακτηριστικάαυτές τις μεθόδους, δώστε ιδιαίτερη προσοχή στις απλούστερες από αυτές. Τρίτον, να δείξουμε πρακτικά αποτελέσματα με το παράδειγμα. Πρέπει να σημειωθεί ότι ανέκαθεν δόθηκε μεγάλη προσοχή στα θέματα πρόβλεψης των συναλλαγματικών ισοτιμιών. Από δημοσιεύσεις για σχετικό θέμα, επισημαίνουμε, για παράδειγμα, την εργασία των K. Granger και O. Morgenstern (Granger Clive W.J., Morgenstern Oscar. Predictability of stock market prices. Massachusetts, 1970), η οποία εξετάζει τη δυναμική των τιμών των μετοχών και παρέχει εκτενή βιβλιογραφία. Αυτή η μονογραφία καταλήγει στην πραγματικότητα ότι εάν υπάρχει κάποια σειρές αυτού του είδους, τότε είναι πολύ πιθανό να υπάρχει μεταξύ γειτονικών αυξήσεων ποσοστού. Ωστόσο, τίθεται το ερώτημα εάν προσπαθούμε να προβλέψουμε εντελώς τυχαίες διακυμάνσεις στις συναλλαγματικές ισοτιμίες. Η απάντηση σε αυτό το ερώτημα βρίσκεται σε ειδική μελέτη.

Σύγχρονη πρόβλεψη

Μια νέα ματιά στο ρόλο της πρόβλεψης έχει καθιερωθεί ως απαραίτητο στοιχείο της διαδικασίας λήψης αποφάσεων. Λογική συνέπεια της ενίσχυσης του ρόλου της πρόβλεψης ήταν η αύξηση των απαιτήσεων για την εγκυρότητα και την αξιοπιστία των εκτιμήσεων προβλέψεων. Ωστόσο, το επίπεδο συμμόρφωσης της σύγχρονης συσκευής πρόγνωσης με αυτές τις νέες απαιτήσεις παραμένει εξαιρετικά χαμηλό. Ακόμη και η χρήση προσαρμοστικών μοντέλων, με τη βοήθεια των οποίων, κατά κανόνα, είναι δυνατό να επιτευχθεί απαιτούμενο επίπεδοη επάρκεια στην περιγραφή των προβλεπόμενων διαδικασιών, μόνο εν μέρει λύνει το πρόβλημα της αύξησης της αξιοπιστίας. Η σύγχρονη οικονομία δημιουργεί διαδικασίες με τόσο περίπλοκη δυναμική που η αναγνώριση των προτύπων της από τη συσκευή της σύγχρονης πρόβλεψης συχνά αποδεικνύεται άλυτο έργο. Η βελτίωση αυτής της συσκευής, πρώτα απ 'όλα, χρειάζεται νέες ιδέες και νέες προσεγγίσεις, βάσει των οποίων είναι δυνατό να εφαρμοστούν οι μηχανισμοί και οι τρόποι αντανάκλασης της δυναμικής που διαμορφώνεται υπό την επίδραση των επιδράσεων, η δυνατότητα των οποίων στο μέλλον είναι δεν βρίσκεται στα στοιχεία της ιστορικής περιόδου. Υπάρχει μια σαφής αντίφαση, η υπέρβαση της οποίας θα συμβάλει στη διαμόρφωση μιας νέας άποψης για η πρόβλεψη ως προληπτικός προβληματισμός σε ένα πιθανό περιβάλλονιδέες για την υπό μελέτη διαδικασία με τη μορφή μιας τροχιάς που βασίζεται σε αντικειμενικές τάσεις και υποκειμενικές προσδοκίες.

Στο πλαίσιο των οικονομικών προβλέψεων, η ανάπτυξη μιας προσαρμοστικής προσέγγισης γίνεται σε τρεις κατευθύνσεις. Το πρώτο επικεντρώνεται κυρίως σε επιπλοκέςπροσαρμοστικά προγνωστικά μοντέλα. Η ιδέα πίσω από τη δεύτερη κατεύθυνση είναι βελτίωσηπροσαρμοστικός μηχανισμός μοντέλων πρόβλεψης. Στην τρίτη κατεύθυνση, η προσέγγιση εφαρμόζεται μοιρασιάπροσαρμοστικές αρχές και άλλες μεθόδους πρόβλεψης, ιδίως μοντελοποίηση προσομοίωσης. Τα έργα του V.V. Ο Νταβνής.

Η ανάπτυξη της αγοράς καθορίζεται, αλλά ισχύει και το αντίθετο - οι θεμελιώδεις παράγοντες καθορίζονται από την αγορά, δηλ. τη συμπεριφορά των συμμετεχόντων στην αγορά, τις εκτιμήσεις και τις προσδοκίες τους. Ταυτόχρονα, η ικανότητα να δίνεται σωστή αξιολόγηση της εξέλιξης των καταστάσεων της αγοράς εξαρτάται από την ικανότητα πρόβλεψης των επικρατουσών προσδοκιών των συμμετεχόντων στην αγορά και όχι από την ικανότητα πρόβλεψης αλλαγών στον πραγματικό κόσμο. Επομένως, οι ιδέες για την ανάπτυξη της μαθηματικής συσκευής πρόβλεψης δεν λαμβάνουν επαρκώς υπόψη τις ιδιότητες της δραστηριότητας των οικονομικών συστημάτων, γεγονός που μειώνει το επίπεδο αληθοφάνειας των εκτιμήσεων πρόβλεψης ακόμη και με υψηλή ακρίβεια παρεμβολής. Ταυτόχρονα, οι προβλέψεις που βασίζονται μόνο σε υποκειμενικές πληροφορίες επικεντρώνονται στην πρόβλεψη ποιοτικών χαρακτηριστικών και ως εκ τούτου η χρήση τους είναι δυνατή μόνο σε ειδικές περιπτώσεις. Αυτό φέρνει στο προσκήνιο το πρόβλημα της οικοδόμησης προβλέψεων που βασίζονται σε συνδυασμό παρεκβολής και υποκειμενικών εκτιμήσεων. Σε αυτόν τον τομέα διεξήχθησαν μελέτες, ωστόσο, η ανάλυση των αποτελεσμάτων αυτών των μελετών έδειξε την κυριαρχία του δημιουργικού χαρακτήρα σε αυτές, γεγονός που υποδηλώνει, στην πραγματικότητα, περίπου επίπεδο εισόδουανάπτυξη του προβλήματος της κατασκευής συνδυασμένων προβλέψεων.

Βιβλιογραφία

1. Sobolev V.V. Συναλλαγές νομισμάτων στις χρηματοπιστωτικές αγορές / Yuzh.-Ros. κατάσταση τεχν. un-t (NPI). - Novocherkassk, 2009. - 442 σελ.
2. Lukashin Yu. P. Προσαρμοστικές μέθοδοι βραχυπρόθεσμης πρόβλεψης χρονοσειρών: Proc. επίδομα. - Μ.: Οικονομικά και στατιστική, 2003. - 416 σελ.
3. Davnis V.V., Tinyakova V.I. Adaptive Models: Analysis and Forecast in Economic Systems. - Voronezh: Voronezh Publishing House. κατάσταση un-ta, 2006.– 380 p.
4. Mishkin F. Οικονομική θεωρία του χρήματος, των τραπεζών και των χρηματοπιστωτικών αγορών: Φροντιστήριογια πανεπιστήμια / Per. από τα Αγγλικά. D.V. Vinogradov, εκδ. ΜΟΥ. Ντοροσένκο. – Μ.: Aspect Press, 1999. – 820 σελ.
5. Lukashin Yu.P. Σχετικά με τη δυνατότητα βραχυπρόθεσμης πρόβλεψης των συναλλαγματικών ισοτιμιών με χρήση απλών στατιστικών μοντέλων // Δελτίο του Κρατικού Πανεπιστημίου της Μόσχας. -1990. — Σερ. 6. Οικονομία. -Αριθ. 1.-Σ. 75-84.
6. Sobolev V.V. Χρηματοδότες / South-Ros. κατάσταση τεχν. un-t (NPI).–Novocherkassk, 2009.–315 p.
7. Soros J. Alchemy of Finance: Μετάφραση από τα αγγλικά. – Μ.: “Infra-M”, 1996. – 416 σελ.

Fortrader Σουίτα 11, Δεύτερος Όροφος, Sound & Vision House, Francis Rachel Str. Victoria Victoria, Mahe, Σεϋχέλλες +7 10 248 2640568 1

Στο άρθρο, σε συγκεκριμένα παραδείγματα, εξετάζονται διάφορες μαθηματικές μέθοδοι πρόβλεψης με την πάροδο του χρόνου, συμπεριλαμβανομένης της απλής παρέκτασης, των μεθόδων που βασίζονται σε ρυθμούς ανάπτυξης και της μαθηματικής μοντελοποίησης. Αποδεικνύεται ότι η επιλογή της μεθόδου εξαρτάται από τη βάση πρόβλεψης - πληροφορίες για την προηγούμενη χρονική περίοδο.

πρόβλεψη

βιοστατιστική

1. Afanasiev V.N., Yuzbashev M.M. Ανάλυση χρονοσειρών και πρόβλεψη: Ένα εγχειρίδιο. - Μ.: Οικονομικά και στατιστική, 2001. - 228 σελ.

2. Petri A., Sabin K. Οπτική στατιστική στην ιατρική. - Μ.: GEOTAR-MED, 2003. - 144 σελ.

3. Sadovnikova N.A., Shmoylova R.A. Ανάλυση και Πρόβλεψη Χρονοσειρών: Σχολικό βιβλίο. – Μ.: Εκδ. Κέντρο ΕΑΟΙ, 2001. - 67 σελ.

Συνήθως, η πρόβλεψη νοείται ως η διαδικασία πρόβλεψης του μέλλοντος με βάση κάποια δεδομένα από το παρελθόν, δηλ. μελετάται η ανάπτυξη του φαινομένου του ενδιαφέροντος στο χρόνο. Τότε η προβλεπόμενη τιμή θεωρείται συνάρτηση του χρόνου y=f(t) . Ωστόσο, στην ιατρική εξετάζονται και άλλοι τύποι πρόγνωσης: μια διάγνωση προβλέπεται, η διαγνωστική αξία μιας νέας εξέτασης, μια αλλαγή σε έναν παράγοντα υπό την επίδραση ενός άλλου κ.λπ.

Σκοπός του άρθρου ήταν να παρουσιάσει διάφορες μεθόδους πρόβλεψης και προσεγγίσεις σε αυτές σωστή χρήσηστην ιατρική.

Υλικά και μέθοδοι έρευνας

Οι ακόλουθες μέθοδοι πρόβλεψης εξετάζονται στο άρθρο: μέθοδοι απλής παρέκτασης, μέθοδος κινούμενου μέσου όρου, μέθοδος εκθετικής εξομάλυνσης, μέθοδος μέσης απόλυτης ανάπτυξης, μέθοδος μέσου ρυθμού ανάπτυξης, μέθοδοι πρόβλεψης βασισμένες σε μαθηματικά μοντέλα.

Αποτελέσματα έρευνας και συζήτηση

Όπως έχει ήδη σημειωθεί, η πρόβλεψη βασίζεται σε ορισμένες πληροφορίες από το παρελθόν (βάση προβλέψεων). Πριν επιλέξετε μια μέθοδο πρόβλεψης, είναι χρήσιμο να αξιολογήσετε τουλάχιστον ποιοτικά τη δυναμική της ποσότητας που μελετήθηκε σε προηγούμενες χρονικές στιγμές. Τα παρουσιαζόμενα γραφήματα (Εικ. 1) δείχνουν ότι μπορεί να είναι διαφορετικό.

Ρύζι. 1. Παραδείγματα δυναμικής της μελετώμενης ποσότητας

Στην πρώτη περίπτωση (γραφική παράσταση Α), παρατηρείται σχετική σταθερότητα με μικρές διακυμάνσεις γύρω από τη μέση τιμή. Στη δεύτερη περίπτωση (γραφική παράσταση Β), η δυναμική αυξάνεται γραμμικά, στην τρίτη περίπτωση (γράφημα Γ), η εξάρτηση από το χρόνο είναι μη γραμμική, εκθετική. Η τέταρτη περίπτωση (διάγραμμα Δ) είναι ένα παράδειγμα σύνθετων διακυμάνσεων που έχουν πολλές συνιστώσες.

Η πιο κοινή μέθοδος βραχυπρόθεσμης πρόβλεψης (1-3 χρονικές περίοδοι) είναι η παρέκταση, η οποία συνίσταται στην επέκταση των προηγούμενων προτύπων στο μέλλον. Η χρήση της παρέκτασης στην πρόβλεψη βασίζεται στις ακόλουθες παραδοχές:

Η εξέλιξη του υπό μελέτη φαινομένου στο σύνολό του περιγράφεται από μια ομαλή καμπύλη.

Η γενική τάση στην εξέλιξη του φαινομένου στο παρελθόν και το παρόν δεν θα υποστεί μεγάλες αλλαγές στο μέλλον.

Η πρώτη μέθοδος των απλών μεθόδων παρέκτασης είναι η μέθοδος του μέσου όρου της σειράς. Στη μέθοδο αυτή, το προβλεπόμενο επίπεδο της υπό μελέτη ποσότητας λαμβάνεται ίσο με τη μέση τιμή των επιπέδων της σειράς αυτής της ποσότητας στο παρελθόν. Αυτή η μέθοδος χρησιμοποιείται εάν το μέσο επίπεδο δεν τείνει να αλλάξει ή αυτή η αλλαγή είναι ασήμαντη (δεν υπάρχει σαφής τάση, Εικ. 1, γράφημα Α)

όπου yprog είναι το προβλεπόμενο επίπεδο της τιμής που μελετήθηκε. yi - τιμή του i-ου επιπέδου. n - βάση πρόβλεψης.

Κατά μία έννοια, το τμήμα της χρονοσειράς που καλύπτεται από την παρατήρηση μπορεί να παρομοιαστεί με ένα δείγμα, πράγμα που σημαίνει ότι η προκύπτουσα πρόβλεψη θα είναι επιλεκτική, για την οποία μπορεί να καθοριστεί ένα διάστημα εμπιστοσύνης

πού είναι η τυπική απόκλιση της χρονοσειράς; tα -Τεστ μαθητή για ένα δεδομένο επίπεδο σημασίας και τον αριθμό των βαθμών ελευθερίας (n-1).

Παράδειγμα. Στον πίνακα. Το 1 δείχνει τα δεδομένα της χρονοσειράς y(t). Υπολογίστε την προβλεπόμενη τιμή του y τη χρονική στιγμή t =13 χρησιμοποιώντας τη μέθοδο μέσης σειράς.

Τραπέζι 1

Δεδομένα χρονοσειράς y(t)

		(80+98+94+103)/4
		(80+98+94+103+84)/5
		(80+98+94+103+84+115)/6
		(80+98+94+103+84+115+98)/7
		(80+98+94+103+84+115+98+113)/8
		(80+98+94+103+84+115+98+113+114)/9
		(80+98+94+103+84+115+98+113+114+87)/10
		(80+98+94+103+84+115+98+113+114+87+107)/11
		(80+98+94+103+84+115+98+113+114+87+107+85)/12

Η αρχική και η λειασμένη σειρά φαίνονται στο Σχ. 2, υπολογισμός y - στον πίνακα. 2.

Ρύζι. 2. Αρχική και λειασμένη σειρά

πίνακας 2

Διάστημα εμπιστοσύνης για πρόβλεψη τη χρονική στιγμή t =13

Η μέθοδος κινητού μέσου όρου είναι μια μέθοδος βραχυπρόθεσμης πρόβλεψης που βασίζεται στη διαδικασία εξομάλυνσης των επιπέδων της μελετώμενης τιμής (φιλτράρισμα). Χρησιμοποιούνται κυρίως γραμμικά φίλτρα κατά της παραμόρφωσης με διάστημα m, δηλ.

.

Διάστημα εμπιστοσύνης

πού είναι η τυπική απόκλιση της χρονοσειράς; tα - Τεστ μαθητή για ένα δεδομένο επίπεδο σημαντικότητας και τον αριθμό των βαθμών ελευθερίας (n-1).

Παράδειγμα. Στον πίνακα. 3 δείχνει τα δεδομένα της χρονοσειράς y(t). Υπολογίστε την προβλεπόμενη τιμή y τη χρονική στιγμή t =13 χρησιμοποιώντας τη μέθοδο κινητού μέσου όρου με διάστημα εξομάλυνσης m=3.

Η αρχική και η λειασμένη σειρά φαίνονται στο Σχ. 3, υπολογισμός y - στον πίνακα. τέσσερα.

Πίνακας 3

Δεδομένα χρονοσειράς y(t)

Ρύζι. 3. Αρχική και λειασμένη σειρά

Πίνακας 4

Προγνωστική τιμή y

Η μέθοδος εκθετικής εξομάλυνσης είναι μια μέθοδος κατά την οποία οι τιμές των προηγούμενων επιπέδων, που λαμβάνονται με ένα ορισμένο βάρος, χρησιμοποιούνται στη διαδικασία ισοπέδωσης κάθε επιπέδου. Καθώς απομακρύνεστε από ένα ορισμένο επίπεδο, το βάρος αυτής της παρατήρησης μειώνεται. Η εξομαλυνόμενη τιμή του επιπέδου τη στιγμή t καθορίζεται από τον τύπο

όπου St είναι η τρέχουσα εξομαλυνόμενη τιμή. yt - τρέχουσα τιμή της αρχικής σειράς. St - 1 - προηγούμενη εξομαλυνθείσα τιμή. α - παράμετρος εξομάλυνσης.

Το S0 λαμβάνεται ίσο με τον αριθμητικό μέσο όρο των πρώτων τιμών της σειράς.

Για τον υπολογισμό του α, προτείνεται ο παρακάτω τύπος

Δεν υπάρχει συναίνεση για την επιλογή του α, αυτό το πρόβλημα βελτιστοποίησης του μοντέλου δεν έχει ακόμη λυθεί. Κάποια βιβλιογραφία συνιστά την επιλογή 0,1 ≤ α ≤ 0,3.

Η πρόβλεψη υπολογίζεται ως εξής

.

Διάστημα εμπιστοσύνης

Πίνακας 5

Δεδομένα χρονοσειράς y(t)

		0,3×80+(1-0,3)×90,7
		0,3×98+(1-0,3)×87,5
		0,3×94+(1-0,3)×90,6
		0,3⋅103+(1-0,3)×91,6
		0,3×84+(1-0,3)×95
		0,3⋅115+(1-0,3)×91,7
		0,3×98+(1-0,3)×98,7
		0,3⋅113+(1-0,3)×98,5
		0,3⋅114+(1-0,3) ⋅102,8
		0,3×87+(1-0,3) ⋅106,2
		0,3⋅107+(1-0,3) ⋅100,4
		0,3×85+(1-0,3) ⋅102,4
		97,2+0,3× (85-97,2)

Η αρχική και η λειασμένη σειρά φαίνονται στο Σχ. 4, υπολογισμός y - στον πίνακα. 6.

Ρύζι. 4. Αρχική και λειασμένη σειρά

Πίνακας 6

Προβλεπόμενη τιμή y τη χρονική στιγμή t =11

Η επόμενη μέθοδος πρόβλεψης είναι η μέθοδος μέσης απόλυτης αύξησης.Το προβλεπόμενο επίπεδο της μελετημένης ποσότητας αλλάζει ανάλογα με τη μέση απόλυτη αύξηση αυτής της ποσότητας στο παρελθόν. Αυτή η μέθοδος εφαρμόζεται εάν Η γενική τάσηγραμμικό σε δυναμική (για την περίπτωση που φαίνεται στο Σχ. 1, γράφημα Β)

όπου ; y0 - το βασικό επίπεδο παρέκτασης επιλέγεται ως ο μέσος όρος των τελευταίων τιμών της αρχικής σειράς. - μέση απόλυτη αύξηση στα επίπεδα της σειράς. l είναι ο αριθμός των διαστημάτων πρόβλεψης.

Ως βασικό επίπεδο λαμβάνεται η μέση τιμή των τελευταίων τιμών της σειράς, το μέγιστο τρεις.

Πίνακας 7

Δεδομένα χρονοσειράς y(t)

				Πρόβλεψη = y0+Δl
			(60+75+70)/3=68,3
			(75+70+103)/3=82,7
			(70+103+100)/3=91
			(103+100+115)/3=106
			(100+115+125)/3=113,3
			(115+125+113)/3=117,7
			(125+113+138)/3=125,3
			(113+138+136)/3=129
			(138+136+145)/3=139,7
			(136+145+150)/3=143,7	143,7+8,2⋅1=151,9
				143,7+8,2⋅2=160,1
				143,7+8,2⋅3=168,3

Η αρχική και η λειασμένη σειρά φαίνονται στο Σχ. 5.

Ρύζι. 5. Αρχική και λειασμένη σειρά

Μέθοδος μέσου ρυθμού ανάπτυξης

Το προβλεπόμενο επίπεδο της υπό μελέτη ποσότητας αλλάζει ανάλογα με τον μέσο ρυθμό αύξησης αυτής της ποσότητας στο παρελθόν. Αυτή η μέθοδος χρησιμοποιείται εάν η συνολική τάση στη δυναμική χαρακτηρίζεται από μια εκθετική ή εκθετική καμπύλη (Εικ. 1Β)

πού είναι ο μέσος ρυθμός ανάπτυξης στο παρελθόν; l είναι ο αριθμός των διαστημάτων πρόβλεψης.

Η προγνωστική εκτίμηση θα εξαρτηθεί από την κατεύθυνση στην οποία το βασικό επίπεδο y0 αποκλίνει από την κύρια τάση (τάση), επομένως συνιστάται ο υπολογισμός του y0 ως μέσος όρος των τελευταίων τιμών της σειράς.

Πίνακας 8

Δεδομένα χρονοσειράς y(t)

				62,5⋅1,081 = 67,7
			(70/60)1/2 =1,08	65⋅1,081 = 70,2
		(65+70+68)/3=67,7	(68/60)1/3 =1,04	67,7⋅1,041 =70,5
		(70+68+82)/3=73,3	(82/60)1/4 =1,08	73,3⋅1,081 =79,3
		(68+82+80)/3=76,7	(80/60)1/5 =1,06	76,7⋅1,061 =81,2
		(82+80+95)/3=85,7	(95/60)1/6 =1,08	85,7⋅1,081 =92,5
		(80+95+113)/3=96	(113/60)1/7 =1,09	96⋅1,091 =105,1
		(95+113+135)/3=114,3	(135/60)1/8 =1,11	114,3⋅1,111 =126,5
		(113+135+140)/3=129,3	(140/60)1/9 =1,10	129,3⋅1,11 =142,1
		(135+140+168)/3=147,7	(168/60)1/10 =1,11	147,7⋅1,111 =163,7
		(140+168205)/3=171	(205/60)1/11 =1,12	171⋅1,121 =191,2
				171⋅1,122 =213,8
				171⋅1,123 =239,1

Η αρχική και η λειασμένη σειρά φαίνονται στο Σχ. 6.

Ρύζι. 6. Αρχική και λειασμένη σειρά

Μέχρι σήμερα, η πιο κοινή μέθοδος πρόβλεψης είναι η εύρεση μιας αναλυτικής έκφρασης (εξίσωσης) της τάσης. Η τάση του προεκτεινόμενου φαινομένου είναι η κύρια τάση της χρονοσειράς, σε κάποιο βαθμό απαλλαγμένη από τυχαίες επιρροές.

Η ανάπτυξη της πρόβλεψης συνίσταται στον προσδιορισμό του τύπου της συνάρτησης παρέκτασης y=f(t), η οποία εκφράζει την εξάρτηση της μελετημένης τιμής από το χρόνο με βάση τα αρχικά παρατηρούμενα δεδομένα. Το πρώτο βήμα είναι να επιλέξετε τον βέλτιστο τύπο συνάρτησης που δίνει την καλύτερη περιγραφή της τάσης. Οι πιο συχνά χρησιμοποιούμενες εξαρτήσεις είναι:

Γραμμικός ;

Παραβολική ;

Εκθετικη συναρτηση ;

Τα προβλήματα εύρεσης των συντελεστών μιας γραμμικής συνάρτησης και η πρόβλεψη βάσει αυτής εξετάζονται στην ενότητα στατιστικών «ανάλυση παλινδρόμησης». Εάν το σχήμα της καμπύλης που περιγράφει την τάση είναι μη γραμμικό, τότε το έργο της εκτίμησης της συνάρτησης y=f(t) γίνεται πιο περίπλοκο και σε αυτή την περίπτωση είναι απαραίτητο να εμπλακούν βιοστατιστικοί στην ανάλυση και να χρησιμοποιηθούν προγράμματα υπολογιστών για στατιστικές επεξεργασία δεδομένων.

Στις περισσότερες πραγματικές περιπτώσεις, η χρονοσειρά είναι μια σύνθετη καμπύλη που μπορεί να αναπαρασταθεί ως το άθροισμα ή το γινόμενο της τάσης, των εποχιακών, των κυκλικών και των τυχαίων στοιχείων.

Η τάση είναι μια ομαλή αλλαγή της διαδικασίας με την πάροδο του χρόνου και οφείλεται στη δράση μακροπρόθεσμων παραγόντων. Η εποχιακή επίδραση σχετίζεται με την παρουσία παραγόντων που δρουν με προκαθορισμένη περιοδικότητα (για παράδειγμα, εποχές, σεληνιακούς κύκλους). Η κυκλική συνιστώσα περιγράφει μεγάλες περιόδους σχετικής ανόδου και πτώσης και αποτελείται από κύκλους μεταβλητής διάρκειας και πλάτους (για παράδειγμα, ορισμένες επιδημίες έχουν μακρά κυκλική φύση). Το τυχαίο στοιχείο της σειράς αντανακλά την επίδραση πολλών τυχαίων παραγόντων και μπορεί να έχει ποικίλη δομή.

συμπέρασμα

Οι μέθοδοι της απλής παρέκτασης, η μέθοδος των κινητών μέσων, η μέθοδος της εκθετικής εξομάλυνσης είναι οι απλούστερες, και ταυτόχρονα οι πιο προσεγγιστικές - αυτό φαίνεται από τα μεγάλα διαστήματα εμπιστοσύνης στα παραδείγματα που δίνονται. Ένα μεγάλο σφάλμα πρόβλεψης παρατηρείται στην περίπτωση έντονων διακυμάνσεων του επιπέδου. Θα πρέπει να σημειωθεί ότι είναι παράνομη η χρήση αυτών των μεθόδων εάν υπάρχει σαφής ανοδική (ή πτωτική) τάση στην αρχική χρονοσειρά. Ωστόσο, για βραχυπρόθεσμες προβλέψεις, η χρήση τους είναι δικαιολογημένη.

Η ανάλυση όλων των στοιχείων των χρονοσειρών και η πρόβλεψη με βάση αυτές δεν είναι μια ασήμαντη εργασία, εξετάζεται στην ενότητα στατιστικών «ανάλυση χρονοσειρών» και απαιτεί ειδική εκπαίδευση.

Βιβλιογραφικός σύνδεσμος

Koichubekov B.K., Sorokina M.A., Mkhitaryan K.E. ΜΑΘΗΜΑΤΙΚΕΣ ΜΕΘΟΔΟΙ ΠΡΟΒΛΕΨΗΣ ΣΤΗΝ ΙΑΤΡΙΚΗ // Επιτυχίες της σύγχρονης φυσικής επιστήμης. - 2014. - Αρ. 4. - Σ. 29-36;
URL: http://natural-sciences.ru/ru/article/view?id=33316 (ημερομηνία πρόσβασης: 30/03/2019). Εφιστούμε στην προσοχή σας τα περιοδικά που εκδίδονται από τον εκδοτικό οίκο "Academy of Natural History"

Δημοσιεύτηκε στις http://www.allbest.ru/

Σχέδιο

Εισαγωγή

1. Ουσία και ταξινόμηση μεθόδων οικονομικής και μαθηματικής πρόβλεψης

1.1 Βασικές μέθοδοι οικονομικής και μαθηματικής πρόβλεψης

1.2 Κύριες ιδέες της τεχνολογίας των προβλέψεων ειδικών σεναρίων

2. Εφαρμογή των τεχνολογιών της πληροφορίας στις οικονομικές και μαθηματικές προβλέψεις

συμπέρασμα

Κατάλογος χρησιμοποιημένης βιβλιογραφίας

Εισαγωγή

Το οικονομικό σύστημα στη χώρα μας, που διαμορφώθηκε στα τέλη της δεκαετίας του 1980, χαρακτηριζόταν από σχετικά υψηλή υλική και κεφαλαιακή ένταση παραγωγής, χαμηλούς ρυθμούς επιστημονικής και τεχνολογικής προόδου και σημαντική ανισορροπία στην οικονομία. Τα προβλήματα που προέκυψαν σχετικά με τη χαμηλή παραγωγικότητα της εργασίας, την τεχνική και τεχνολογική καθυστέρηση, την υποβάθμιση του περιβάλλοντος, τα χαμηλά επίπεδα βιομηχανικής παραγωγής και τις διαρθρωτικές ανισορροπίες έπρεπε να επιλυθούν με οικονομικές μεταρρυθμίσεις.

Κατά τη διάρκεια πολλών ετών οικονομικών μεταρρυθμίσεων, επιλύθηκαν μόνο ορισμένα τακτικά καθήκοντα, ιδίως για να επιτευχθεί βελτίωση της αναλογίας μεταξύ της ζήτησης χρήματος του πληθυσμού και της προσφοράς καταναλωτικών αγαθών. Αυτό όμως επιτεύχθηκε όχι με την αύξηση της παραγωγής του τελευταίου, αλλά με τη μείωση των πραγματικών εισοδημάτων του μεγαλύτερου μέρους του πληθυσμού.

Τρέχουσα κοινωνικοοικονομική κατάσταση Ρωσική Ομοσπονδίαχαρακτηρίζεται από οξεία διαρθρωτική κρίση, η οποία οδήγησε σε απότομη πτώση του βιοτικού επιπέδου. Η κρίση αυτή εκφράζεται, μεταξύ άλλων, στη μείωση της παραγωγής βιομηχανικών και καταναλωτικών αγαθών και σε αρκετές περιπτώσεις με τον τερματισμό της παραγωγικής και οικονομικής δραστηριότητας των βιομηχανικών επιχειρήσεων. Ως αποτέλεσμα της τρέχουσας κατάστασης - μείωση των δαπανών για κοινωνικές ανάγκες. Μια άλλη σημαντική πτυχή της κατάστασης της κρίσης είναι η απώλεια όχι μόνο διεθνών, αλλά και εγχώριων περιφερειακών αγορών προϊόντων για εγχώριους παραγωγούς.

Η πτώση της εγχώριας παραγωγής, φυσικά, προκαθορίζει την ανάγκη για ευρεία εισαγωγή βιομηχανικών αγαθών, και ιδιαίτερα καταναλωτικών αγαθών, ειδικότερα, ενός τόσο σημαντικού είδους όπως τα τρόφιμα. Με τη σειρά της, η επέκταση των εισαγωγών απαιτεί την τόνωση των εξαγωγών για την αγορά συναλλάγματος. Από τότε όμως διεθνείς αγορέςΤα εγχώρια προϊόντα επί του παρόντος δεν έχουν διέξοδο (για διάφορους λόγους - χαμηλή ποιότητα, έλλειψη ανταγωνιστικότητας κ.λπ.), στη συνέχεια εξάγονται πρώτες ύλες - πετρέλαιο, φυσικό αέριο, μεταλλεύματα, ξυλεία, γεγονός που έχει εξαιρετικά αρνητική επίδραση στη γενική κατάσταση της οικονομίας της χώρας .

Τα προβλήματα που έχουν προκύψει δεν μπορούν να επιλυθούν ακόμη και αν επιβραδυνθεί ο ρυθμός της πληθωριστικής διαδικασίας. Επιπλέον, οι επενδύσεις σε μικρά μερίδια σε πολλούς κλάδους της βιομηχανικής παραγωγής είναι απολύτως αναποτελεσματικές ελλείψει σαφούς, πραγματικού σχεδιασμού και πρόβλεψης των οικονομικών διαδικασιών.

Η αποτελεσματικότητα της οικονομικής έρευνας και των προβλέψεων αυτή τη στιγμή εξαρτάται σε μεγάλο βαθμό από το πόσο πλήρως και με ακρίβεια αντικατοπτρίζουν τα χαρακτηριστικά γνωρίσματα των οικονομικών διαδικασιών. Ταυτόχρονα, οι δείκτες που χαρακτηρίζουν την αύξηση της πολυπλοκότητας, της ταχύτητας, της αβεβαιότητας και του πιθανού αριθμού εναλλακτικών λύσεων για την υλοποίηση οικονομικών διαδικασιών έχουν τον σημαντικότερο αντίκτυπο στην αξιοπιστία και αξιοπιστία της έρευνας.

Προετοιμασία και λήψη αποφάσεων διαχείρισης παρόν στάδιοευθύνεται για έναν υψηλό βαθμό δυναμικής αλλαγής στις οικονομικές διαδικασίες, την απότομη αυξημένη πολυπλοκότητα, την απροσδιοριστία και τη μη γραμμικότητά τους. Ταυτόχρονα, κατά την ανάπτυξη προγνωστικών επιλογών για την ανάπτυξη των οικονομικών διαδικασιών, είναι απαραίτητο να λαμβάνεται υπόψη η πολυπλοκότητα, η συνέπεια, η πολυπαραγοντική και πολυπαραγοντική φύση της περαιτέρω ανάπτυξής τους.

Σκοπός της εργασίας είναι να μελετήσει την ουσία, την ταξινόμηση και τα εργαλεία των οικονομικών και μαθηματικών μεθόδων πρόβλεψης.

1) να μελετήσει την ουσία και την ταξινόμηση των μεθόδων οικονομικής και μαθηματικής πρόβλεψης

2) εξετάστε τη χρήση της τεχνολογίας της πληροφορίας στις οικονομικές και μαθηματικές προβλέψεις

1. Ουσία και ταξινόμηση μεθόδωνοικονομική και μαθηματικήπρόβλεψη

1.1 Βασικές μέθοδοι οικονομικής και μαθηματικής πρόβλεψης

Ας εξετάσουμε εν συντομία διάφορες μεθόδους πρόβλεψης (πρόβλεψη, παρέκταση) που χρησιμοποιούνται στον κοινωνικοοικονομικό τομέα. Για την πρόβλεψη, υπάρχει μεγάλος αριθμόςδημοσιεύσεις. Στο πλαίσιο της οικονομετρίας λειτουργεί επιστημονικός και εκπαιδευτικός κλάδος «Μαθηματικές Μέθοδοι Πρόβλεψης». Σκοπός του είναι η ανάπτυξη, η μελέτη και η εφαρμογή σύγχρονων μαθηματικών μεθόδων οικονομετρικής (ιδίως στατιστικής, εμπειρογνωμόνων, συνδυασμένης) πρόβλεψης κοινωνικοοικονομικών φαινομένων και διαδικασιών και οι μέθοδοι πρέπει να επεξεργάζονται σε επίπεδο που να επιτρέπει τη χρήση τους σε τις πρακτικές δραστηριότητες ενός οικονομολόγου, μηχανικού και διευθυντή.

Οι κύριοι στόχοι αυτού του κλάδου περιλαμβάνουν την ανάπτυξη, μελέτη και εφαρμογή σύγχρονων μαθηματικών και στατιστικών μεθόδων πρόβλεψης (συμπεριλαμβανομένων μη παραμετρικών μεθόδων ελάχιστων τετραγώνων με εκτίμηση της ακρίβειας πρόβλεψης, προσαρμοστικές μεθόδους, αυτοπαλινδρομικές μεθόδους κ.λπ.), ανάπτυξη της θεωρίας και της πρακτικής της πρόβλεψης ειδικών μεθόδους, συμπεριλαμβανομένων μεθόδων για την ανάλυση εκτιμήσεων εμπειρογνωμόνων που βασίζονται σε στατιστικές μη αριθμητικών δεδομένων, μεθόδων πρόβλεψης υπό συνθήκες κινδύνου και συνδυασμένων μεθόδων πρόβλεψης με χρήση από κοινού οικονομομαθηματικών και οικονομετρικών μοντέλων (τόσο στατιστικών όσο και ειδικών). Η θεωρητική βάση των μεθόδων πρόβλεψης είναι μαθηματικοί κλάδοι (κυρίως θεωρία πιθανοτήτων και μαθηματικές στατιστικές, διακριτά μαθηματικά, επιχειρησιακή έρευνα), καθώς και οικονομική θεωρία, οικονομική στατιστική, διαχείριση, κοινωνιολογία, πολιτικές επιστήμες και άλλες κοινωνικοοικονομικές επιστήμες.

Όπως είναι γενικά αποδεκτό από την εποχή του ιδρυτή του επιστημονικού μάνατζμεντ, Henri Fayol, η πρόβλεψη και ο προγραμματισμός αποτελούν τη βάση της δουλειάς ενός μάνατζερ. Η ουσία της οικονομετρικής πρόβλεψης είναι η περιγραφή και ανάλυση της μελλοντικής εξέλιξης, σε αντίθεση με τον προγραμματισμό, στον οποίο η μελλοντική κίνηση διαμορφώνεται με κατευθυντικό τρόπο. Για παράδειγμα, το συμπέρασμα του προγνώστη μπορεί να είναι ότι σε μια ώρα δεν μπορούμε να περπατήσουμε περισσότερο από 5 km από το σημείο Α και η ένδειξη του σχεδιαστή ότι σε μια ώρα πρέπει να είμαστε στο σημείο Β. Είναι σαφές ότι αν η απόσταση μεταξύ Α και Β όχι περισσότερο από 5 km, τότε το σχέδιο είναι πραγματικό (εφικτό) και αν είναι πάνω από 10 km, δεν μπορεί να υλοποιηθεί υπό τις δεδομένες συνθήκες. Είναι απαραίτητο είτε να εγκαταλείψουμε το μη ρεαλιστικό σχέδιο είτε να στραφούμε σε άλλες προϋποθέσεις για την υλοποίησή του, για παράδειγμα, να μην κινούμαστε με τα πόδια, αλλά με αυτοκίνητο. Το εξεταζόμενο παράδειγμα καταδεικνύει τις δυνατότητες και τους περιορισμούς των μεθόδων πρόβλεψης. Δηλαδή, αυτές οι μέθοδοι μπορούν να εφαρμοστούν με επιτυχία υπό την προϋπόθεση κάποιας σταθερότητας στην εξέλιξη της κατάστασης και να αποτύχουν με απότομες αλλαγές.

Μία από τις εφαρμογές των μεθόδων πρόβλεψης είναι ο εντοπισμός της ανάγκης για αλλαγές με «αναγωγή στο παράλογο». Για παράδειγμα, αν ο πληθυσμός της Γης διπλασιάζεται κάθε 50 χρόνια, τότε δεν είναι δύσκολο να υπολογίσουμε σε πόσα χρόνια θα υπάρχουν 10.000 άνθρωποι ανά τετραγωνικό μέτρο της επιφάνειας της Γης. Από μια τέτοια πρόβλεψη προκύπτει ότι τα πρότυπα αύξησης του πληθυσμού πρέπει να αλλάξουν.

Ο υπολογισμός των ανεπιθύμητων τάσεων που εντοπίζονται κατά τη διάρκεια της πρόβλεψης καθιστά δυνατή τη λήψη των απαραίτητων μέτρων για την αποτροπή τους και, ως εκ τούτου, παρεμποδίζει την εφαρμογή της πρόβλεψης.

Υπάρχουν επίσης αυτοεκπληρούμενες προβλέψεις. Για παράδειγμα, εάν ένα βραδινό τηλεοπτικό πρόγραμμα προβλέπει την επικείμενη χρεοκοπία μιας συγκεκριμένης τράπεζας, τότε το πρωί πολλοί καταθέτες αυτής της τράπεζας θα επιθυμούν να λάβουν τα χρήματά τους, ένα πλήθος θα συγκεντρωθεί στην είσοδο της τράπεζας και οι τραπεζικές εργασίες θα πρέπει να να σταματήσει. Οι δημοσιογράφοι περιγράφουν αυτή την κατάσταση με τις λέξεις: «Έσκασε η τράπεζα». Συνήθως, αρκεί για αυτό ότι σε μια «τέλεια» (για την τράπεζα) στιγμή, οι καταθέτες επιθυμούν να αποσύρουν ένα σημαντικό μερίδιο (ας πούμε, 30%) των κεφαλαίων από καταθετικούς λογαριασμούς.

Η πρόβλεψη είναι ένας ιδιαίτερος τύπος μοντελοποίησης ως βάση γνώσης και ελέγχου.

Ο ρόλος της πρόβλεψης στη διαχείριση μιας χώρας, βιομηχανίας, περιοχής, επιχείρησης είναι προφανής. Είναι απαραίτητο να ληφθούν υπόψη παράγοντες STEP (κοινωνικοί, τεχνολογικοί, οικονομικοί, πολιτικοί), παράγοντες του ανταγωνιστικού περιβάλλοντος και της επιστημονικής και τεχνολογικής προόδου, καθώς και η πρόβλεψη του κόστους και των εσόδων των επιχειρήσεων και της κοινωνίας στο σύνολό της (σύμφωνα με την κύκλος ζωής των προϊόντων - σε χρόνο και σε 11 στάδια του διεθνούς προτύπου ISO 9004). Τα προβλήματα εφαρμογής και πρακτικής χρήσης μαθηματικών μεθόδων οικονομετρικής πρόβλεψης σχετίζονται πρωτίστως με την έλλειψη επαρκώς εκτεταμένης εμπειρίας τέτοιων μελετών στη χώρα μας, αφού εδώ και δεκαετίες δίνεται προτεραιότητα στον σχεδιασμό έναντι της πρόβλεψης.

Στατιστικές μέθοδοι πρόβλεψης. Οι απλούστερες μέθοδοι για την ανάκτηση εξαρτήσεων που χρησιμοποιούνται για την πρόβλεψη βασίζονται σε μια δεδομένη χρονική σειρά, δηλ. μια συνάρτηση που ορίζεται σε έναν πεπερασμένο αριθμό σημείων στον άξονα του χρόνου. Σε αυτή την περίπτωση, οι χρονοσειρές συχνά εξετάζονται στο πλαίσιο ενός πιθανολογικού μοντέλου· εισάγονται και άλλοι παράγοντες (ανεξάρτητες μεταβλητές), εκτός από το χρόνο, για παράδειγμα, το ποσό της προσφοράς χρήματος (συγκεντρωτικό Μ2). Η χρονοσειρά μπορεί να είναι πολυδιάστατη, δηλ. ο αριθμός των απαντήσεων (εξαρτημένες μεταβλητές) μπορεί να είναι περισσότερες από μία. Οι κύριες εργασίες που πρέπει να επιλυθούν είναι η παρεμβολή και η παρέκταση. Η μέθοδος των ελαχίστων τετραγώνων στην απλούστερη περίπτωση (γραμμική συνάρτηση ενός παράγοντα) αναπτύχθηκε από τον K. Gauss πριν από περισσότερους από δύο αιώνες, το 1794-1795. Οι προκαταρκτικοί μετασχηματισμοί μεταβλητών μπορεί να είναι χρήσιμοι.

Στο Ινστιτούτο Υψηλών Στατιστικών Τεχνολογιών και Οικονομετρίας έχει συσσωρευτεί εμπειρία στην πρόβλεψη του δείκτη πληθωρισμού και του κόστους του καταναλωτικού καλαθιού. Ταυτόχρονα, αποδείχθηκε χρήσιμο να μετασχηματιστεί (λογάριθμος) μια μεταβλητή - ο τρέχων δείκτης πληθωρισμού. Χαρακτηριστικά, υπό σταθερές συνθήκες, η ακρίβεια της πρόβλεψης αποδείχθηκε αρκετά ικανοποιητική - 10-15%. Ωστόσο, η σημαντική αύξηση του επιπέδου των τιμών που προβλεπόταν για το φθινόπωρο του 1996 δεν υλοποιήθηκε. Γεγονός είναι ότι η ηγεσία της χώρας έχει στραφεί σε μια στρατηγική περιορισμού της αύξησης των τιμών καταναλωτή μέσω μαζικής μη καταβολής μισθών και συντάξεων. Οι συνθήκες έχουν αλλάξει - και η στατιστική πρόβλεψη αποδείχθηκε αχρησιμοποίητη. Η επιρροή των αποφάσεων της ηγεσίας της Μόσχας εκδηλώθηκε επίσης στο γεγονός ότι τον Νοέμβριο του 1995 (πριν από τις κοινοβουλευτικές εκλογές) οι τιμές στη Μόσχα μειώθηκαν κατά μέσο όρο κατά 9,5%, αν και ο Νοέμβριος συνήθως χαρακτηρίζεται από ταχύτερη άνοδο των τιμών από ό,τι σε άλλους μήνες του έτους, εκτός από τον Δεκέμβριο και τον Ιανουάριο.

Η πιο συχνά χρησιμοποιούμενη μέθοδος είναι η μέθοδος των ελαχίστων τετραγώνων με πολλούς παράγοντες. Η μέθοδος των ελάχιστων μονάδων και άλλες μέθοδοι παρέκτασης χρησιμοποιούνται λιγότερο συχνά, αν και οι στατιστικές τους ιδιότητες είναι συχνά καλύτερες. Μεγάλος ρόλοςπαίζουν ρόλο η παράδοση και το γενικά χαμηλό επίπεδο γνώσεων σχετικά με τις οικονομετρικές μεθόδους πρόβλεψης.

Η αξιολόγηση της ακρίβειας των προβλέψεων είναι απαραίτητο μέρος της ειδικής διαδικασίας πρόβλεψης. Σε αυτήν την περίπτωση, συνήθως χρησιμοποιούνται πιθανοτικά-στατιστικά μοντέλα ανάκτησης εξάρτησης, για παράδειγμα, δημιουργούν την καλύτερη πρόβλεψη χρησιμοποιώντας τη μέθοδο μέγιστης πιθανότητας. Έχουν αναπτυχθεί παραμετρικές (συνήθως βασισμένες στο μοντέλο κανονικών σφαλμάτων) και μη παραμετρικές εκτιμήσεις της ακρίβειας της πρόβλεψης και των ορίων εμπιστοσύνης για αυτήν (με βάση το Κεντρικό Οριακό Θεώρημα της θεωρίας πιθανοτήτων). Έτσι, προτείναμε και μελετήσαμε μεθόδους εκτίμησης εμπιστοσύνης του σημείου επικάλυψης (συνάντησης) δύο χρονοσειρών και την εφαρμογή τους για την αξιολόγηση της δυναμικής του τεχνικού επιπέδου των δικών μας προϊόντων και προϊόντων ανταγωνιστών που παρουσιάζονται στην παγκόσμια αγορά.

Χρησιμοποιούνται επίσης ευρετικές τεχνικές που δεν βασίζονται σε καμία θεωρία: η μέθοδος των κινητών μέσων όρων, η μέθοδος της εκθετικής εξομάλυνσης.

Οι προσαρμοστικές μέθοδοι πρόβλεψης σάς επιτρέπουν να διορθώνετε γρήγορα τις προβλέψεις όταν εμφανίζονται νέα σημεία. Μιλάμε για προσαρμοστικές μεθόδους για την εκτίμηση των παραμέτρων του μοντέλου και προσαρμοστικές μεθόδους για μη παραμετρική εκτίμηση. Σημειώστε ότι με την ανάπτυξη της υπολογιστικής ισχύος των υπολογιστών, το πρόβλημα της μείωσης του όγκου υπολογισμού χάνει τη σημασία του.

Η πολυμεταβλητή παλινδρόμηση, συμπεριλαμβανομένης της χρήσης μη παραμετρικών εκτιμήσεων πυκνότητας κατανομής, είναι επί του παρόντος το κύριο εργαλείο οικονομετρικής πρόβλεψης. Τονίζουμε ότι δεν είναι απαραίτητο να χρησιμοποιηθεί η μη ρεαλιστική υπόθεση για την κανονικότητα των σφαλμάτων μέτρησης και των αποκλίσεων από τη γραμμή παλινδρόμησης (επιφάνεια). Ωστόσο, για να εγκαταλείψουμε την υπόθεση της κανονικότητας, είναι απαραίτητο να βασιστούμε σε μια διαφορετική μαθηματική συσκευή που βασίζεται στο πολυδιάστατο κεντρικό οριακό θεώρημα της θεωρίας πιθανοτήτων και στην οικονομετρική τεχνολογία της γραμμικοποίησης. Σας επιτρέπει να εκτελείτε εκτίμηση σημείου και διαστήματος των παραμέτρων, να ελέγξετε τη σημασία της διαφοράς τους από το 0 σε μια μη παραμετρική διατύπωση και να δημιουργήσετε όρια εμπιστοσύνης για την πρόβλεψη.

Το πρόβλημα του ελέγχου της επάρκειας του μοντέλου, καθώς και το πρόβλημα της επιλογής παραγόντων, είναι πολύ σημαντικό. Το γεγονός είναι ότι ο εκ των προτέρων κατάλογος των παραγόντων που επηρεάζουν την απόκριση είναι συνήθως πολύ εκτενής, είναι επιθυμητό να μειωθεί και ένας μεγάλος χώρος σύγχρονης οικονομετρικής έρευνας αφιερώνεται σε μεθόδους επιλογής ενός "πληροφοριακού συνόλου χαρακτηριστικών". Ωστόσο, αυτό το πρόβλημα δεν έχει ακόμη επιλυθεί οριστικά. Εμφανίζονται ασυνήθιστα εφέ. Έτσι, έχει διαπιστωθεί ότι οι συνήθως χρησιμοποιούμενες εκτιμήσεις του βαθμού ενός πολυωνύμου έχουν γεωμετρική κατανομή. Οι μη παραμετρικές μέθοδοι για την εκτίμηση της πυκνότητας πιθανότητας και η εφαρμογή τους για την αποκατάσταση της εξάρτησης παλινδρόμησης μιας αυθαίρετης μορφής είναι πολλά υποσχόμενες. Οι πιο γενικές δηλώσεις σε αυτόν τον τομέα λαμβάνονται χρησιμοποιώντας προσεγγίσεις στατιστικών στοιχείων μη αριθμητικών δεδομένων.

Οι σύγχρονες μέθοδοι στατιστικής πρόβλεψης περιλαμβάνουν επίσης αυτοπαλινδρομικά μοντέλα, το μοντέλο Box-Jenkins, συστήματα οικονομετρικών εξισώσεων που βασίζονται τόσο σε παραμετρικές όσο και σε μη παραμετρικές προσεγγίσεις.

Για να καθοριστεί η δυνατότητα εφαρμογής ασυμπτωτικών αποτελεσμάτων για πεπερασμένα (τα λεγόμενα "μικρά") μεγέθη δειγμάτων, είναι χρήσιμες οι στατιστικές τεχνολογίες υπολογιστών. Σας επιτρέπουν επίσης να δημιουργήσετε διάφορα μοντέλα προσομοίωσης. Σημειώστε τη χρησιμότητα των μεθόδων διάδοσης δεδομένων (μέθοδοι bootstrap). Τα συστήματα πρόβλεψης εντάσεως ηλεκτρονικών υπολογιστών συνδυάζουν διάφορες μεθόδους πρόβλεψης σε έναν ενιαίο σταθμό εργασίας προβλέψεων.

Πρόβλεψη με βάση δεδομένα που δεν είναι αριθμητικά, ειδικότερα, η πρόβλεψη ποιοτικών χαρακτηριστικών βασίζεται στα αποτελέσματα στατιστικών στοιχείων μη αριθμητικών δεδομένων. Πολύ ελπιδοφόρα για την πρόβλεψη είναι η ανάλυση παλινδρόμησης που βασίζεται σε δεδομένα διαστήματος, συμπεριλαμβανομένου, ειδικότερα, του προσδιορισμού και του υπολογισμού της σημείωσης και του ορθολογικού μεγέθους δείγματος, καθώς και της ανάλυσης παλινδρόμησης ασαφών δεδομένων. Η γενική διατύπωση της ανάλυσης παλινδρόμησης στο πλαίσιο της στατιστικής των μη αριθμητικών δεδομένων και των ειδικών περιπτώσεων - ανάλυση διακύμανσης και διακριτική ανάλυση (αναγνώριση προτύπων με δάσκαλο), δίνοντας μια ενιαία προσέγγιση σε τυπικά διαφορετικές μεθόδους, είναι χρήσιμη στην εφαρμογή λογισμικού σύγχρονων μεθόδων στατιστικής πρόβλεψης.

Μέθοδοι πρόβλεψης ειδικών. Η ανάγκη και η γενική κατανόηση της εφαρμογής μεθόδων πρόβλεψης ειδικών στη λήψη αποφάσεων σε διάφορα επίπεδα διοίκησης - σε επίπεδο χώρας, βιομηχανίας, περιοχής, επιχείρησης. Σημειώνουμε τη μεγάλη πρακτική σημασία της τεχνογνωσίας στη σύγκριση και την επιλογή επενδυτικών και καινοτόμων έργων, στη διαχείριση έργων και στις περιβαλλοντικές ανασκοπήσεις. Οι ρόλοι των υπευθύνων λήψης αποφάσεων (DM) και των ειδικών (ειδικών) στις διαδικασίες λήψης αποφάσεων, τα κριτήρια λήψης αποφάσεων και η θέση των αξιολογήσεων εμπειρογνωμόνων στις διαδικασίες λήψης αποφάσεων συζητούνται παραπάνω. Ως παραδείγματα συγκεκριμένων διαδικασιών εμπειρογνωμόνων που χρησιμοποιούνται ευρέως στην πρόβλεψη, επισημαίνουμε τη μέθοδο Delphi και τη μέθοδο του σεναρίου. Βάσει αυτών, διαμορφώνονται συγκεκριμένες διαδικασίες προετοιμασίας και λήψης αποφάσεων με τη χρήση μεθόδων αξιολόγησης εμπειρογνωμόνων, για παράδειγμα, διαδικασίες κατανομής της χρηματοδότησης της έρευνας (βάσει βαθμολογιών ή ζευγαρωμένων συγκρίσεων), ανάλυση σκοπιμότητας, επιτραπέζια έρευνα μάρκετινγκ (σε αντίθεση με την επιλεκτική "πεδία" έρευνα ), αξιολόγηση, σύγκριση και επιλογή επενδυτικών σχεδίων.

Σε σχέση με τα καθήκοντα της πρόβλεψης, ας θυμηθούμε ορισμένες πτυχές του σχεδιασμού και της οργάνωσης μιας μελέτης εμπειρογνωμόνων. Θα πρέπει να δημιουργηθεί μια ομάδα εργασίας και μια επιτροπή εμπειρογνωμόνων. Πολύ σημαντικά στάδια είναι ο σχηματισμός των στόχων της μελέτης εμπειρογνωμόνων (συλλογή πληροφοριών για τον υπεύθυνο λήψης αποφάσεων ή/και προετοιμασία ενός σχεδίου απόφασης για τον υπεύθυνο λήψης αποφάσεων κ.λπ.) και ο σχηματισμός της σύνθεσης της επιτροπής εμπειρογνωμόνων (μέθοδοι λίστες (μητρώα), «χιονοπόλεμο», αυτοαξιολόγηση, αμοιβαία αξιολόγηση) με προκαταρκτική λύση στο πρόβλημα a priori προτιμήσεις ειδικών. Διάφορες επιλογές για τη διοργάνωση μιας μελέτης εμπειρογνωμόνων, που διαφέρουν ως προς τον αριθμό των γύρων (ένας, αρκετοί, μη καθορισμένοι), η σειρά συμμετοχής των εμπειρογνωμόνων (ταυτόχρονα, διαδοχικά), η μέθοδος λήψης υπόψη απόψεων (με βάρη, χωρίς βάρη), η οργάνωση της επικοινωνίας μεταξύ ειδικών (χωρίς επικοινωνία, ερήμην, πρόσωπο με πρόσωπο περιορισμούς ("καταιγισμός ιδεών") ή χωρίς περιορισμούς) σας επιτρέπει να λάβετε υπόψη τις ιδιαιτερότητες μιας συγκεκριμένης μελέτης εμπειρογνωμόνων. Υποστήριξη ηλεκτρονικών υπολογιστών για τις δραστηριότητες των εμπειρογνωμόνων και της ομάδας εργασίας, οικονομικά ζητήματαΗ διεξαγωγή αξιολόγησης από ομοτίμους είναι απαραίτητη για την επιτυχή διεξαγωγή της αξιολόγησης από ομοτίμους.

Οι αξιολογήσεις εμπειρογνωμόνων μπορούν να ληφθούν με διάφορες μαθηματικές μορφές. Τα πιο συχνά χρησιμοποιούμενα είναι ποσοτικά ή ποιοτικά (τακτικά, ονομαστικά) σημεία, δυαδικές σχέσεις (κατατάξεις, διαιρέσεις, ανοχές), διαστήματα, ασαφή σύνολα, αποτελέσματα ζευγαρωμένων συγκρίσεων, κείμενα κ.λπ. Βασικές έννοιες (αντιπροσωπευτικής) θεωρίας μέτρησης: βασικοί τύποι κλίμακες, αποδεκτοί μετασχηματισμοί, επαρκή συμπεράσματα, κ.λπ. - είναι σημαντικά σε σχέση με την αξιολόγηση των ειδικών. Είναι απαραίτητο να χρησιμοποιηθούν μέσες τιμές που αντιστοιχούν στις κύριες κλίμακες μέτρησης. Όσον αφορά τους διάφορους τύπους αξιολογήσεων, η αντιπροσωπευτική θεωρία των μετρήσεων καθιστά δυνατό τον προσδιορισμό του βαθμού επάρκειάς τους στην προγνωστική κατάσταση, την πρόταση των πιο χρήσιμων για σκοπούς πρόβλεψης.

Για παράδειγμα, μια ανάλυση των αξιολογήσεων των πολιτικών ως προς την επιρροή τους, που δημοσιεύτηκε από μια από τις γνωστές εθνικές εφημερίδες, έδειξε ότι λόγω της ανεπάρκειας του μαθηματικού μηχανισμού που χρησιμοποιείται, μόνο οι πρώτες 10 θέσεις μπορεί να έχουν κάποια σχέση με την πραγματικότητα (δεν αλλάζουν κατά τη μετάβαση σε άλλη μέθοδο ανάλυσης δεδομένων). , δηλαδή δεν εξαρτώνται από τον υποκειμενισμό των μελών της Ομάδας Εργασίας), τα υπόλοιπα είναι "θόρυβος πληροφοριών", οι προσπάθειες να βασιστούν σε αυτά στην προγνωστική ανάλυση μπορούν μόνο οδηγήσει σε σφάλματα. Όσο για την αρχική ενότητα της βαθμολογίας αυτής της εφημερίδας, μπορεί επίσης να αμφισβητηθεί, αλλά για βαθύτερους λόγους, για παράδειγμα, που σχετίζονται με τη σύνθεση της επιτροπής εμπειρογνωμόνων.

Οι κύριες διαδικασίες για την επεξεργασία των προγνωστικών αξιολογήσεων εμπειρογνωμόνων είναι ο έλεγχος συνέπειας, η ανάλυση συμπλέγματος και η εύρεση ομαδικής γνώμης.

Ο έλεγχος της συνέπειας των απόψεων των εμπειρογνωμόνων, που εκφράζονται με κατάταξη, πραγματοποιείται χρησιμοποιώντας τους συντελεστές συσχέτισης κατάταξης Kendall και Spearman, τον συντελεστή συμφωνίας κατάταξης Kendall και Babington Smith. Χρησιμοποιούνται παραμετρικά μοντέλα ζευγαρωμένων συγκρίσεων - Thurstone, Bradley-Terry-Lews - και μη παραμετρικά μοντέλα της θεωρίας του Lucians (σχετικά με τον Lucians).

Ελλείψει συνοχής, ο διαχωρισμός των γνωμοδοτήσεων εμπειρογνωμόνων σε ομάδες παρόμοιων πραγματοποιείται με τη μέθοδο του πλησιέστερου γείτονα ή άλλες μεθόδους ανάλυσης συστάδων (αυτόματη δημιουργία ταξινόμησης, αναγνώριση προτύπων χωρίς δάσκαλο). Η ταξινόμηση των Λουκιανών πραγματοποιείται με βάση ένα πιθανο-στατιστικό μοντέλο.

Χρησιμοποιούνται διάφορες μέθοδοι για την κατασκευή της τελικής γνώμης της επιτροπής εμπειρογνωμόνων. Η μέθοδος της μέσης κατάταξης ξεχωρίζει για την απλότητά της. Η μοντελοποίηση υπολογιστή κατέστησε δυνατή τη δημιουργία ενός αριθμού ιδιοτήτων της διάμεσης τιμής Kemeny, η οποία συχνά συνιστάται για χρήση ως η τελική (γενικευμένη, μέση) γνώμη μιας επιτροπής ειδικών. Η ερμηνεία του νόμου των μεγάλων αριθμών για μη αριθμητικά δεδομένα από την άποψη της θεωρίας της έρευνας εμπειρογνωμόνων έχει ως εξής: η τελική γνώμη είναι σταθερή, δηλ. αλλάζει ελάχιστα όταν αλλάζει η σύνθεση της επιτροπής εμπειρογνωμόνων και με την αύξηση του αριθμού των εμπειρογνωμόνων προσεγγίζει το «αληθινό». Ταυτόχρονα, σύμφωνα με την αποδεκτή προσέγγιση, θεωρείται ότι οι απαντήσεις των ειδικών μπορούν να θεωρηθούν ως αποτελέσματα μέτρησης με σφάλματα, όλα είναι ανεξάρτητα πανομοιότυπα κατανεμημένα τυχαία στοιχεία, η πιθανότητα αποδοχής μιας συγκεκριμένης τιμής μειώνεται με την απόσταση από κάποιο κέντρο - "αλήθεια", και ο συνολικός αριθμός των ειδικών είναι επαρκής μεγάλος.

Προβλήματα εφαρμογής μεθόδων πρόβλεψης υπό συνθήκες κινδύνου. Υπάρχουν πολλά παραδείγματα καταστάσεων που σχετίζονται με κοινωνικούς, τεχνολογικούς, οικονομικούς, πολιτικούς, περιβαλλοντικούς και άλλους κινδύνους. Σε τέτοιες περιπτώσεις είναι συνήθως απαραίτητη η πρόβλεψη. γνωστός διαφορετικά είδηκριτήρια που χρησιμοποιούνται στη θεωρία λήψης αποφάσεων υπό συνθήκες αβεβαιότητας (ρίσκο). Λόγω της ασυνέπειας των αποφάσεων που λαμβάνονται σύμφωνα με διάφορα κριτήρια, η ανάγκη εφαρμογής αξιολογήσεων εμπειρογνωμόνων είναι προφανής.

Σε συγκεκριμένες εργασίες πρόβλεψης, είναι απαραίτητο να ταξινομηθούν οι κίνδυνοι, να οριστεί το καθήκον της αξιολόγησης ενός συγκεκριμένου κινδύνου, να πραγματοποιηθεί η δόμηση κινδύνου, ειδικότερα να δημιουργηθούν δέντρα αιτίας (άλλη ορολογία, δέντρα αποτυχίας) και δέντρα συνεπειών (δέντρα συμβάντων). Το κεντρικό καθήκον είναι η δημιουργία ομαδικών και γενικευμένων δεικτών, για παράδειγμα, δεικτών ανταγωνιστικότητας και ποιότητας. Οι κίνδυνοι πρέπει να λαμβάνονται υπόψη κατά την πρόβλεψη των οικονομικών συνεπειών των αποφάσεων που λαμβάνονται, της συμπεριφοράς των καταναλωτών και του ανταγωνιστικού περιβάλλοντος, των εξωτερικών οικονομικών συνθηκών και της μακροοικονομικής ανάπτυξης της Ρωσίας, της οικολογικής κατάστασης του περιβάλλοντος, της ασφάλειας των τεχνολογιών και του περιβαλλοντικού κινδύνου της βιομηχανίας και άλλες εγκαταστάσεις. Η μέθοδος του σεναρίου είναι απαραίτητη σε σχέση με την ανάλυση των τεχνικών, οικονομικών και κοινωνικών συνεπειών των ατυχημάτων.

Υπάρχει κάποια ιδιαιτερότητα στην εφαρμογή μεθόδων πρόβλεψης σε καταστάσεις που σχετίζονται με κίνδυνο. Ο ρόλος της συνάρτησης ζημιών και των μεθόδων εκτίμησής της είναι μεγάλος, μεταξύ άλλων και από οικονομική άποψη. Σε συγκεκριμένες περιοχές, χρησιμοποιείται πιθανοτική ανάλυση ασφάλειας (για πυρηνική ενέργεια) και άλλες ειδικές μεθόδους.

Σύγχρονες τεχνολογίες υπολογιστών πρόβλεψης. Οι διαδραστικές μέθοδοι πρόβλεψης που χρησιμοποιούν οικονομετρικές βάσεις δεδομένων, βάσεις δεδομένων προσομοίωσης (συμπεριλαμβανομένων εκείνων που βασίζονται στη μέθοδο Monte Carlo, δηλαδή τη μέθοδο των στατιστικών δοκιμών) και οικονομικά και μαθηματικά δυναμικά μοντέλα που συνδυάζουν μπλοκ εμπειρογνωμόνων, στατιστικών και μοντελοποίησης είναι πολλά υποσχόμενα. Ας δώσουμε προσοχή στις ομοιότητες και τις διαφορές μεταξύ των μεθόδων εμπειρογνωμόνων αξιολογήσεων και των έμπειρων συστημάτων. Μπορούμε να πούμε ότι το έμπειρο σύστημα μοντελοποιεί τη συμπεριφορά ενός ειδικού επισημοποιώντας τις γνώσεις του χρησιμοποιώντας μια ειδική τεχνολογία. Αλλά η διαίσθηση ενός «ζωντανού εμπειρογνώμονα» δεν μπορεί να μπει σε έναν υπολογιστή, και όταν οι απόψεις του ειδικού επισημοποιούνται (στην πραγματικότητα, κατά την ανάκρισή του), μαζί με την τελειοποίηση ορισμένων από τις ιδέες του, άλλες χοντροκομίζονται. Με άλλα λόγια, όταν χρησιμοποιούν αξιολογήσεις εμπειρογνωμόνων, στρέφονται άμεσα στην εμπειρία και τη διαίσθηση υψηλά καταρτισμένων ειδικών και όταν χρησιμοποιούν έμπειρα συστήματα, ασχολούνται με αλγόριθμους υπολογιστών για υπολογισμούς και συμπεράσματα, στη δημιουργία των οποίων κάποτε συμμετείχαν ειδικοί ως πηγή δεδομένων και τυπικά συμπεράσματα.

Ας δώσουμε προσοχή στη δυνατότητα χρήσης συναρτήσεων παραγωγής στην πρόβλεψη, που περιγράφουν στατιστικά τη σχέση μεταξύ παραγωγής και συντελεστών παραγωγής, σε διάφορους τρόπους συνεκτίμησης της επιστημονικής και τεχνολογικής προόδου, ιδίως με βάση την ανάλυση τάσεων και με τη βοήθεια αναγνώριση των σημείων ανάπτυξης από εμπειρογνώμονες. Παραδείγματα οικονομικών προβλέψεων κάθε είδους είναι διαθέσιμα στη βιβλιογραφία. Μέχρι σήμερα έχουν αναπτυχθεί συστήματα υπολογιστών και εργαλεία λογισμικού για συνδυασμένες μεθόδους πρόβλεψης.

ενημερωτική οικονομική μαθηματική πρόβλεψη

1. 2 Κύριες ιδέες της τεχνολογίας των προβλέψεων ειδικών σεναρίων

Όπως έχει ήδη σημειωθεί, οι κοινωνικοοικονομικές προβλέψεις, όπως κάθε πρόβλεψη γενικά, μπορούν να είναι επιτυχείς μόνο υπό κάποια σταθερότητα συνθηκών. Ωστόσο, οι αποφάσεις των αρχών, των ατόμων, άλλων γεγονότων αλλάζουν τις συνθήκες και τα γεγονότα εξελίσσονται διαφορετικά από ό,τι αναμενόταν προηγουμένως. Αντικειμενικά, υπάρχουν σημεία επιλογής (furcations), μετά τα οποία η εξέλιξη που εξετάζουν οι μετεωρολόγοι μπορεί να ακολουθήσει ένα από τα πολλά πιθανά μονοπάτια (αυτά τα μονοπάτια ονομάζονται συνήθως σενάρια). Η επιλογή μπορεί να γίνει στις διαφορετικά επίπεδα- ένα συγκεκριμένο άτομο (αλλαγή σε άλλη θέση εργασίας ή διαμονή), διευθυντής (παραγωγή μιας ή άλλης μάρκας προϊόντων), ανταγωνιστές (συνεργασία ή αγώνας), δομές εξουσίας (επιλογή συγκεκριμένου φορολογικού συστήματος), ο πληθυσμός της χώρας (επιλογή ο πρόεδρος), «η διεθνής κοινότητα» (να επιβάλει ή όχι κυρώσεις κατά της Ρωσίας).

Εξετάστε ένα παράδειγμα. Είναι προφανές ότι μετά τον πρώτο γύρο των προεδρικών εκλογών το 1996, ήταν δυνατό να μιλήσουμε για περαιτέρω εξέλιξη των κοινωνικοοικονομικών γεγονότων μόνο ως προς τα σενάρια: εάν ο Β.Ν. Yeltsin, τότε αυτό και αυτό θα συμβεί αν κερδίσει ο G.A. Zyuganov, τότε τα γεγονότα θα εξελιχθούν έτσι κι από εκεί.

Για παράδειγμα, η εργασία στόχευε στην πρόβλεψη της δυναμικής του ακαθάριστου εγχώριου προϊόντος (ΑΕΠ) για 9 χρόνια (1999-2007). Όταν διεξήχθη, ήταν σαφές ότι κατά τη διάρκεια αυτής της περιόδου θα πραγματοποιούνταν διάφορα πολιτικά γεγονότα, ιδίως τουλάχιστον δύο κύκλοι βουλευτικών και προεδρικών εκλογών (υπό την προϋπόθεση ότι θα διατηρούνταν η τρέχουσα πολιτική δομή), τα αποτελέσματα των οποίων δεν θα μπορούσαν να είναι μονοσήμαντα. προβλεπόταν. Επομένως, η πρόβλεψη της δυναμικής του ΑΕΠ θα μπορούσε να γίνει μόνο ξεχωριστά για κάθε σενάριο από ένα συγκεκριμένο εύρος, καλύπτοντας τις πιθανές διαδρομές της κοινωνικοοικονομικής δυναμικής της Ρωσίας.

Η μέθοδος του σεναρίου χρειάζεται όχι μόνο στον κοινωνικοοικονομικό τομέα. Για παράδειγμα, κατά την ανάπτυξη μεθοδολογικής, λογισμικού και υποστήριξης πληροφοριών για την ανάλυση κινδύνου έργων χημικής μηχανικής, είναι απαραίτητο να καταρτιστεί ένας λεπτομερής κατάλογος σεναρίων ατυχημάτων που σχετίζονται με διαρροές τοξικών χημικών ουσιών. Κάθε ένα από αυτά τα σενάρια περιγράφει ένα ατύχημα του δικού του τύπου, με τη δική του ατομική προέλευση, ανάπτυξη, τεχνικές, οικονομικές και κοινωνικές συνέπειες και προειδοποιητικές δυνατότητες.

Έτσι, η μέθοδος σεναρίου είναι μια μέθοδος αποσύνθεσης (διαίρεσης σε μέρη) της εργασίας πρόβλεψης, η οποία προβλέπει την επιλογή ενός συνόλου μεμονωμένων επιλογών για την ανάπτυξη γεγονότων (σενάρια), οι οποίες μαζί καλύπτουν όλες τις πιθανές επιλογές ανάπτυξης. Ταυτόχρονα, κάθε μεμονωμένο σενάριο θα πρέπει να επιτρέπει την επαρκώς ακριβή πρόβλεψη και ο συνολικός αριθμός των σεναρίων θα πρέπει να είναι ορατός.

Η πιθανότητα μιας τέτοιας αποσύνθεσης δεν είναι προφανής. Κατά την εφαρμογή της μεθόδου του σεναρίου, είναι απαραίτητο να πραγματοποιηθούν δύο στάδια της μελέτης:

Δημιουργία ενός ολοκληρωμένου αλλά διαχειρίσιμου συνόλου σεναρίων.

Πρόβλεψη σε κάθε συγκεκριμένο σενάριο προκειμένου να ληφθούν απαντήσεις σε ερωτήματα που ενδιαφέρουν τον ερευνητή.

Κάθε ένα από αυτά τα στάδια επισημοποιείται μόνο εν μέρει. Ένα σημαντικό μέρος του συλλογισμού διεξάγεται σε ποιοτικό επίπεδο, όπως συνηθίζεται στις κοινωνικοοικονομικές και ανθρωπιστικές επιστήμες. Ένας από τους λόγους είναι ότι η επιθυμία για υπερβολική επισημοποίηση και μαθηματοποίηση οδηγεί στην τεχνητή εισαγωγή της βεβαιότητας εκεί που δεν υπάρχει στην ουσία ή στη χρήση μιας δυσκίνητης μαθηματικής συσκευής. Έτσι, ο συλλογισμός σε λεκτικό επίπεδο θεωρείται ότι βασίζεται σε στοιχεία στις περισσότερες καταστάσεις λήψης αποφάσεων, ενώ μια προσπάθεια αποσαφήνισης της σημασίας των λέξεων που χρησιμοποιούνται, χρησιμοποιώντας, για παράδειγμα, τη θεωρία ασαφών συνόλων, οδηγεί σε πολύ δυσκίνητα μαθηματικά μοντέλα και υπολογισμούς.

Προκειμένου να δημιουργηθεί ένα εξαντλητικό, αλλά ορατό σύνολο σεναρίων, είναι απαραίτητο να αναλυθεί πρώτα η δυναμική της κοινωνικοοικονομικής ανάπτυξης του εξεταζόμενου οικονομικού παράγοντα και του περιβάλλοντος του. Οι ρίζες του μέλλοντος βρίσκονται στο παρόν και στο παρελθόν, και συχνά στο πολύ μακρινό παρελθόν. Εκτός από τα μακροοικονομικά και μικροοικονομικά χαρακτηριστικά, τα οποία είναι γνωστά μόνο με σφάλματα που δεν μπορούν να θεωρηθούν τυχαία ή μικρά, είναι απαραίτητο να ληφθούν υπόψη η κατάσταση και η δυναμική της εγχώριας μαζικής συνείδησης, η πολιτική, συμπεριλαμβανομένης της εξωτερικής πολιτικής, καθώς συνήθως θεωρούμενο χρονικό διάστημα (έως 10 χρόνια), η οικονομία ακολουθεί συχνά την πολιτική και όχι το αντίστροφο.

Έτσι, για παράδειγμα, στις αρχές του 1985, η οικονομία της ΕΣΣΔ βρισκόταν σε μια αρκετά σταθερή κατάσταση με ετήσια ανάπτυξη 3-5% κατά μέσο όρο. Αν η ηγεσία της χώρας βρισκόταν στα χέρια άλλων ανθρώπων, τότε η ανάπτυξη θα συνεχιζόταν με τις ίδιες συνθήκες και μέχρι το τέλος της χιλιετίας το ΑΕΠ της ΕΣΣΔ θα είχε αυξηθεί κατά 50% και θα ανερχόταν στο 150% περίπου του το επίπεδο του 1985. 15 χρόνια έπεσαν περίπου 2 φορές, δηλ. ανήλθε σε περίπου 50% σε σύγκριση με το 1985, ή 3 φορές λιγότερο από ό,τι θα μπορούσε να αναμενόταν για καθαρά οικονομικούς λόγους, εάν οι συνθήκες του 1985 ήταν σταθερές.

Το σύνολο των σεναρίων πρέπει να είναι ορατό. Πρέπει να αποκλείσουμε διάφορα απίθανα γεγονότα - την άφιξη εξωγήινων, την πτώση ενός αστεροειδούς, μαζικές επιδημίες προηγουμένως άγνωστων ασθενειών κ.λπ.

Από μόνη της, η δημιουργία ενός συνόλου σεναρίων αποτελεί αντικείμενο μελέτης εμπειρογνωμόνων που πραγματοποιείται σύμφωνα με τη μεθοδολογία που περιγράφεται παραπάνω. Επιπλέον, οι ειδικοί μπορούν να αξιολογήσουν τις πιθανότητες υλοποίησης ενός συγκεκριμένου σεναρίου. Είναι σαφές ότι αυτές οι εκτιμήσεις δεν είναι αξιόπιστες.

Συχνά χρησιμοποιείται μια απλοποιημένη προσέγγιση για την πρόβλεψη σεναρίων. Δηλαδή, διατυπώνουν τρία σενάρια - αισιόδοξο, πιθανό και απαισιόδοξο. Ταυτόχρονα, για κάθε ένα από τα σενάρια, οι τιμές των παραμέτρων που περιγράφουν την παραγωγή και την οικονομική κατάσταση (στα αγγλικά - περίπτωση) επιλέγονται μάλλον αυθαίρετα. Ο σκοπός αυτής της προσέγγισης είναι να υπολογίσει τα διαστήματα διασποράς για χαρακτηριστικά και «διαδρόμους» για χρονοσειρές που ενδιαφέρουν τον ερευνητή (και τον πελάτη της έρευνας). Για παράδειγμα, προβλέπουν μια χρηματοοικονομική ροή (στα αγγλικά - ταμειακές ροές) και μια καθαρή παρούσα αξία (στα αγγλικά - καθαρή παρούσα αξία ή NPV) ενός επενδυτικού σχεδίου.

Είναι σαφές ότι μια τέτοια απλοποιημένη προσέγγιση δεν μπορεί να δώσει τη μέγιστη ή την ελάχιστη τιμή του χαρακτηριστικού, δίνει μόνο μια ιδέα για τη σειρά του ποσοτικού μέτρου της διαφοράς. Ωστόσο, η ανάπτυξή του οδηγεί σε μια Bayesian διατύπωση στη θεωρία αποφάσεων. Για παράδειγμα, εάν ένα σενάριο περιγράφεται από ένα στοιχείο ενός πεπερασμένων διαστάσεων Ευκλείδειου χώρου, τότε οποιαδήποτε κατανομή πιθανότητας στο σύνολο των αρχικών παραμέτρων μετατρέπεται σε κατανομή χαρακτηριστικών που ενδιαφέρουν τον ερευνητή. Οι υπολογισμοί μπορούν να πραγματοποιηθούν χρησιμοποιώντας σύγχρονη τεχνολογία πληροφοριών της μεθόδου των στατιστικών δοκιμών. Είναι απαραίτητο, σύμφωνα με τη δεδομένη κατανομή στο σύνολο των παραμέτρων, να επιλέξετε ένα συγκεκριμένο διάνυσμα παραμέτρων χρησιμοποιώντας μια γεννήτρια ψευδοτυχαίων αριθμών και να υπολογίσετε τα τελικά χαρακτηριστικά για αυτό. Το αποτέλεσμα είναι μια εμπειρική κατανομή στο σύνολο των τελικών χαρακτηριστικών, που μπορεί να είναι διαφορετικοί τρόποιαναλύστε, βρείτε μια εκτίμηση της μαθηματικής προσδοκίας, διασπορά, κ.λπ. Παραμένει μόνο ασαφές πώς να ορίσετε την κατανομή σε ένα σύνολο παραμέτρων. Φυσικά, μπορούν να χρησιμοποιηθούν ειδικοί για αυτό.

Η πρόβλεψη σε κάθε συγκεκριμένο σενάριο προκειμένου να ληφθούν απαντήσεις σε ερωτήματα που ενδιαφέρουν τον ερευνητή πραγματοποιείται επίσης σύμφωνα με τη μεθοδολογία πρόβλεψης που περιγράφεται παραπάνω. Υπό σταθερές συνθήκες, μπορούν να εφαρμοστούν στατιστικές μέθοδοι πρόβλεψης χρονοσειρών. Ωστόσο, συνήθως προηγείται ανάλυση με τη βοήθεια ειδικών και συχνά η πρόβλεψη σε προφορικό επίπεδο αρκεί (για να ληφθούν συμπεράσματα που ενδιαφέρουν τον ερευνητή και τον υπεύθυνο λήψης αποφάσεων) και δεν απαιτεί ποσοτική διευκρίνιση.

Το ζήτημα της χρήσης των αποτελεσμάτων πρόβλεψης δεν σχετίζεται με την οικονομετρία, αλλά με μια σχετική επιστήμη - θεωρία αποφάσεων. Όπως είναι γνωστό, κατά τη λήψη αποφάσεων με βάση την ανάλυση της κατάστασης, συμπεριλαμβανομένων των αποτελεσμάτων προγνωστικών μελετών, μπορεί κανείς να προχωρήσει από διάφορα κριτήρια. Έτσι, μπορείτε να εστιάσετε στο γεγονός ότι η κατάσταση θα εξελιχθεί με τον χειρότερο, ή καλύτερο, ή μέτριο (με οποιαδήποτε έννοια) τρόπο. Μπορείτε να προσπαθήσετε να περιγράψετε δραστηριότητες που παρέχουν τα ελάχιστα αποδεκτά χρήσιμα αποτελέσματα σε οποιοδήποτε σενάριο, κ.λπ.

Έτσι, εξετάζεται η έννοια μιας σύγχρονης μεθοδολογίας για την αξιολόγηση εμπειρογνωμόνων με τη μέθοδο του σεναρίου. Χρησιμοποιήθηκε, για παράδειγμα, για να προβλέψει την κοινωνικοοικονομική ανάπτυξη της Ρωσίας.

2. Εφαρμογή των τεχνολογιών της πληροφορίας στα οικονομικά και τα μαθηματικάσχετικά μεπροβλέποντας

Πριν από την εμφάνιση της σύγχρονης πληροφορικής, δεν υπήρχαν ευρείες ευκαιρίες για χρήση αποτελεσματικών οικονομικών και μαθηματικών μοντέλων απευθείας στη διαδικασία της οικονομικής δραστηριότητας. Επιπλέον, η χρήση υφιστάμενων μοντέλων πρόβλεψης για αναλυτικούς σκοπούς δεν προέβαλε τόσο υψηλές απαιτήσεις για την πληροφοριακή τους υποστήριξη.

Βασικές αρχές τεχνολογιών πρόβλεψης

Κατά την κατασκευή ενός συστήματος πρόβλεψης από την αρχή, είναι απαραίτητο να επιλυθούν ορισμένα οργανωτικά και μεθοδολογικά ζητήματα. Τα πρώτα περιλαμβάνουν:

Εκπαίδευση των χρηστών σε μεθόδους ανάλυσης και ερμηνείας των αποτελεσμάτων των προβλέψεων.

Καθορισμός των κατευθύνσεων κίνησης των προγνωστικών πληροφοριών εντός της επιχείρησης, σε επίπεδο τμημάτων και μεμονωμένων εργαζομένων, καθώς και της δομής των επικοινωνιών με τους επιχειρηματικούς εταίρους και τις αρχές.

Καθορισμός του χρόνου και της συχνότητας των διαδικασιών πρόβλεψης.

Ανάπτυξη αρχών για τη σύνδεση της πρόβλεψης με τον μακροπρόθεσμο σχεδιασμό και τη διαδικασία επιλογής επιλογών για τα αποτελέσματα που προκύπτουν κατά την κατάρτιση ενός σχεδίου ανάπτυξης επιχείρησης.

Τα μεθοδολογικά προβλήματα κατασκευής ενός υποσυστήματος πρόβλεψης είναι:

Ανάπτυξη της εσωτερικής δομής και του μηχανισμού λειτουργίας της.

Οργάνωση υποστήριξης πληροφοριών.

Ανάπτυξη λογισμικού.

Το πρώτο πρόβλημα είναι το πιο δύσκολο, καθώς για την επίλυσή του είναι απαραίτητο να δημιουργηθεί ένα σύνολο μοντέλων πρόβλεψης, το πεδίο εφαρμογής του οποίου είναι ένα σύστημα αλληλένδετων δεικτών. Το πρόβλημα της συστηματοποίησης και αξιολόγησης των μεθόδων πρόβλεψης είναι ένα από τα κεντρικά εδώ, αφού για την επιλογή μιας συγκεκριμένης μεθόδου είναι απαραίτητο να γίνει η συγκριτική τους ανάλυση. Μια παραλλαγή της ταξινόμησης των μεθόδων πρόβλεψης, λαμβάνοντας υπόψη τις ιδιαιτερότητες του συστήματος γνώσης που διέπει κάθε ομάδα, μπορεί να συνοψιστεί ως εξής: μέθοδοι αξιολογήσεων εμπειρογνωμόνων. μέθοδοι λογικής μοντελοποίησης· μαθηματικές μεθόδους.

Κάθε ομάδα είναι κατάλληλη για την επίλυση ενός συγκεκριμένου φάσματος εργασιών. Επομένως, η πρακτική προβάλλει τις ακόλουθες απαιτήσεις για τις μεθόδους που χρησιμοποιούνται: πρέπει να επικεντρώνονται σε ένα συγκεκριμένο αντικείμενο πρόβλεψης, να βασίζονται σε ποσοτικό μέτρο επάρκειας και να διαφοροποιούνται ως προς την ακρίβεια των εκτιμήσεων και τον ορίζοντα πρόβλεψης.

Τα κύρια καθήκοντα που προκύπτουν στη διαδικασία δημιουργίας ενός συστήματος πρόβλεψης χωρίζονται σε:

Δημιουργία συστήματος προβλέψιμων διαδικασιών και δεικτών.

Ανάπτυξη μιας συσκευής για οικονομική και μαθηματική ανάλυση προβλεπόμενων διαδικασιών και δεικτών.

Πραγματοποίηση της μεθόδου των αξιολογήσεων εμπειρογνωμόνων, επιλογή δεικτών για εξέταση και λήψη αξιολογήσεων εμπειρογνωμόνων για ορισμένες προβλεπόμενες διαδικασίες και δείκτες.

Πρόβλεψη δεικτών και διαδικασιών με ένδειξη διαστημάτων εμπιστοσύνης και ακρίβειας.

Ανάπτυξη μεθόδων ερμηνείας και ανάλυσης των αποτελεσμάτων που προέκυψαν.

Η εργασία για την πληροφόρηση και τη μαθηματική υποστήριξη του συστήματος πρόβλεψης αξίζει ιδιαίτερης προσοχής. Η διαδικασία δημιουργίας λογισμικού μπορεί να αναπαρασταθεί ως τα ακόλουθα βήματα:

Ανάπτυξη μεθοδολογίας για τον δομικό προσδιορισμό του αντικειμένου της πρόβλεψης.

Ανάπτυξη μεθόδων για την παραμετρική αναγνώριση του αντικειμένου πρόβλεψης.

Ανάπτυξη μεθόδων για την πρόβλεψη των τάσεων.

Ανάπτυξη μεθόδων για την πρόβλεψη των αρμονικών συνιστωσών των διεργασιών.

Ανάπτυξη μεθόδων για την αξιολόγηση των χαρακτηριστικών των τυχαίων συστατικών των διεργασιών.

Δημιουργία σύνθετων μοντέλων πρόβλεψης δεικτών που σχηματίζουν ένα διασυνδεδεμένο σύστημα.

Η δημιουργία ενός συστήματος πρόβλεψης απαιτεί μια ολοκληρωμένη προσέγγιση για την επίλυση του προβλήματος της πληροφοριακής του υποστήριξης, η οποία συνήθως νοείται ως ένα σύνολο αρχικών δεδομένων που χρησιμοποιούνται για τη λήψη προβλέψεων, καθώς και ως μέθοδοι, μέθοδοι και εργαλεία που διασφαλίζουν τη συλλογή, τη συσσώρευση, την αποθήκευση , αναζήτηση και μετάδοση δεδομένων στη διαδικασία λειτουργίας του συστήματος πρόβλεψης και αλληλεπίδρασή του με άλλα συστήματα διαχείρισης επιχειρήσεων.

Η υποστήριξη πληροφοριών του συστήματος συνήθως περιλαμβάνει:

Ταμείο πληροφοριών (βάση δεδομένων).

Πηγές σχηματισμού του ταμείου πληροφοριών, ροές και μέθοδοι λήψης δεδομένων.

Μέθοδοι συσσώρευσης, αποθήκευσης, ενημέρωσης και ανάκτησης δεδομένων που αποτελούν το ταμείο πληροφοριών·

Μέθοδοι, αρχές και κανόνες κυκλοφορίας δεδομένων στο σύστημα.

Μέθοδοι για τη διασφάλιση της αξιοπιστίας των δεδομένων σε όλα τα στάδια της συλλογής και επεξεργασίας τους.

Μέθοδοι ανάλυσης και σύνθεσης πληροφοριών.

Μέθοδοι για μια σαφή τυπική περιγραφή των οικονομικών δεδομένων.

Έτσι, απαιτούνται τα ακόλουθα κύρια στοιχεία για την υλοποίηση της διαδικασίας πρόβλεψης:

Πηγές εσωτερικών πληροφοριών, οι οποίες βασίζονται σε συστήματα διαχείρισης και λογιστικής·

Πηγές εξωτερικών πληροφοριών.

Εξειδικευμένο λογισμικό που εφαρμόζει αλγόριθμους πρόβλεψης και ανάλυση αποτελεσμάτων.

Δεδομένης της σημασίας της επίλυσης του προβλήματος της πρόβλεψης για τους συμμετέχοντες στην αγορά, είναι σκόπιμο να ελέγχεται η ποιότητα των προτεινόμενων μεθόδων και αλγορίθμων, καθώς και των τεχνολογιών γενικότερα, χρησιμοποιώντας ειδικά επιλεγμένα (δοκιμαστικά) αρχικά δεδομένα. Μια παρόμοια μέθοδος επαλήθευσης έχει χρησιμοποιηθεί για μεγάλο χρονικό διάστημα για την αξιολόγηση της επάρκειας των μαθηματικών εργαλείων που έχουν σχεδιαστεί για μη γραμμική βελτιστοποίηση, για παράδειγμα, χρησιμοποιώντας τις συναρτήσεις Rosenbrock και Powell.

Η επιβεβαίωση (ή η επαλήθευση) της ποιότητας και της απόδοσης της τεχνολογίας πρόβλεψης πραγματοποιείται συνήθως συγκρίνοντας εκ των προτέρων γνωστά δεδομένα μοντέλου με τις προβλεπόμενες τιμές τους και αξιολογώντας τα στατιστικά χαρακτηριστικά της ακρίβειας της πρόβλεψης. Ας εξετάσουμε αυτό το τέχνασμα σε μια κατάσταση όπου τα μοντέλα διαδικασίας είναι ένα πρόσθετο σύνολο των τάσεων Tt, εποχιακών (αρμονικών) και τυχαίων στοιχείων.

Επί του παρόντος, μια μεγάλη ποικιλία εργαλείων λογισμικού έχει γίνει ευρέως διαδεδομένη, παρέχοντας, στον ένα ή τον άλλο βαθμό, τη συλλογή και την αναλυτική επεξεργασία πληροφοριών. Ορισμένα από αυτά, όπως το MS Excel, είναι εξοπλισμένα με ενσωματωμένες στατιστικές λειτουργίες και εργαλεία προγραμματισμού. Άλλα, ειδικά τα φθηνά προγράμματα λογιστικής και λογιστικής διαχείρισης, δεν έχουν τέτοιες δυνατότητες ή οι αναλυτικές ικανότητες δεν εφαρμόζονται σε αυτά επαρκώς και μερικές φορές εσφαλμένα. Ωστόσο, αυτό είναι, δυστυχώς, εγγενές σε ορισμένα πιο ισχυρά και πολυλειτουργικά συστήματα διαχείρισης επιχειρήσεων. Αυτή η κατάσταση εξηγείται προφανώς από μια ρηχή ανάλυση από την πλευρά των προγραμματιστών των ιδιοτήτων των αλγορίθμων πρόβλεψης που έχουν επιλέξει και την άκριτη εφαρμογή τους. Για παράδειγμα, κρίνοντας από τις διαθέσιμες πηγές, η εκθετική εξομάλυνση μηδενικής τάξης χρησιμοποιείται συχνά ως βάση για προγνωστικούς αλγόριθμους. Ωστόσο, αυτή η προσέγγιση ισχύει μόνο εάν δεν υπάρχει τάση στη διαδικασία που μελετάται. Στην πραγματικότητα, οι οικονομικές διαδικασίες είναι μη στάσιμες και η πρόβλεψη περιλαμβάνει τη χρήση πιο πολύπλοκων μοντέλων από μοντέλα με σταθερή τάση.

Είναι ενδιαφέρον να παρακολουθήσουμε την πορεία ανάπτυξης των εγχώριων αυτοματοποιημένων τραπεζικών συστημάτων από την οπτική γωνία του θέματος που εξετάζουμε. Τα πρώτα τραπεζικά συστήματα βασίστηκαν σε άκαμπτη τεχνολογία, που απαιτούσαν συνεχώς αλλαγές ή πρόσθετο λογισμικό. Αυτό ώθησε τους προγραμματιστές χρηματοοικονομικού λογισμικού, ακολουθώντας τις αρχές του ανοίγματος, της επεκτασιμότητας και της ευελιξίας, να χρησιμοποιήσουν βιομηχανικά DBMS. Ωστόσο, από μόνα τους, αυτά τα DBMS αποδείχθηκαν ακατάλληλα για την επίλυση αναλυτικών προβλημάτων υψηλού επιπέδου, τα οποία περιλαμβάνουν το πρόβλημα της πρόβλεψης. Για να γίνει αυτό, ήταν απαραίτητο να χρησιμοποιηθούν πρόσθετες τεχνολογίες για την αποθήκευση δεδομένων και την επιχειρησιακή αναλυτική επεξεργασία, οι οποίες εξασφάλιζαν τη λειτουργία συστημάτων υποστήριξης αποφάσεων για χρηματοπιστωτικά και πιστωτικά ιδρύματα και για την πραγματοποίηση προβλέψεων. Η ίδια προσέγγιση χρησιμοποιείται σε πολύπλοκα συστήματα διαχείρισης επιχειρήσεων.

Μια άλλη κατεύθυνση σύγχρονης εφαρμοσμένης χρήσης μεθόδων πρόβλεψης που βασίζονται στην πληροφορική είναι η επίλυση ενός ευρέος φάσματος εργασιών μάρκετινγκ. Ένα παράδειγμα είναι το λογισμικό SAS Churn Management Solution for Telecommunications. Προορίζεται για τηλεπικοινωνιακούς φορείς και επιτρέπει, σύμφωνα με τους προγραμματιστές του, τη δημιουργία προγνωστικών μοντέλων και τη χρήση τους για την αξιολόγηση της πιθανότητας εκροής ορισμένων κατηγοριών πελατών. Η βάση αυτού του λογισμικού είναι ο Scalable Performance Data Server κατανεμημένος διακομιστής βάσης δεδομένων, εργαλεία για την κατασκευή και διαχείριση αποθηκών δεδομένων και μάρκετ δεδομένων, εργαλεία εξόρυξης δεδομένων Enterprise Miner, σύστημα υποστήριξης αποφάσεων διακομιστή SAS / MDDB, καθώς και βοηθητικά εργαλεία.

Για να διασφαλιστεί η ανταγωνιστικότητα των νέων συστημάτων CRM στη λίστα των προηγμένων χαρακτηριστικών τους, καθώς και στα αυτοματοποιημένα τραπεζικά συστήματα, περιλαμβάνονται λειτουργίες αναφοράς που χρησιμοποιούν τεχνολογίες OLAP και επιτρέπουν σε κάποιο βαθμό την πρόβλεψη των αποτελεσμάτων του μάρκετινγκ, των πωλήσεων και της εξυπηρέτησης πελατών.

Υπάρχουν πολλά εξειδικευμένα προϊόντα λογισμικού που παρέχουν στατιστική επεξεργασία αριθμητικών δεδομένων, συμπεριλαμβανομένων μεμονωμένων στοιχείων πρόβλεψης. Αυτά τα προϊόντα περιλαμβάνουν SPSS, Statistica κ.λπ. Αυτά τα εργαλεία έχουν τόσο πλεονεκτήματα όσο και μειονεκτήματα, τα οποία περιορίζουν σημαντικά το εύρος της πρακτικής εφαρμογής τους. Να σημειωθεί εδώ ότι η αξιολόγηση της καταλληλότητας εξειδικευμένων εργαλείων μαθηματικών και στατιστικών λογισμικού για την επίλυση προβλημάτων πρόβλεψης από απλούς χρήστες που δεν έχουν ειδική εκπαίδευση απαιτεί ξεχωριστή σοβαρή μελέτη και συζήτηση.

Ωστόσο, η επίλυση προβλημάτων πρόβλεψης για τους καταναλωτές από μικρές και μεσαίες επιχειρήσεις με τη βοήθεια ισχυρών και ακριβών πληροφοριακών συστημάτων και τεχνολογιών είναι πρακτικά αδύνατη, κυρίως για οικονομικούς λόγους. Επομένως, μια πολλά υποσχόμενη κατεύθυνση είναι η ανάπτυξη των αναλυτικών δυνατοτήτων των υφιστάμενων και ευρέως διαδεδομένων συστημάτων λογιστικής και διαχείρισης χαμηλού κόστους. Οι ανεπτυγμένες πρόσθετες αναφορές που βασίζονται σε συγκεκριμένες επιχειρηματικές διαδικασίες και περιέχουν τις απαραίτητες αναλυτικές πληροφορίες για έναν συγκεκριμένο χρήστη έχουν υψηλή αναλογία «αποτελεσματικότητας - κόστους».

Ορισμένοι προγραμματιστές λογισμικού δημιουργούν ολόκληρες σειρές αναλυτικών εργαλείων. Για παράδειγμα, η Parus Corporation προσφέρει λύσεις Parus-Analytics και Triumph-Analytics για ένα ευρύ φάσμα χρηστών από μικρές και μεσαίες επιχειρήσεις. Πιο πολύπλοκα καθήκοντα αναλυτικής επεξεργασίας των πληροφοριών πρόβλεψης ενσωματώνονται στο σύστημα Parus με τη μορφή ενός λεγόμενου κέντρου καταστάσεων. Σύμφωνα με τον Dmitry Sudarev, διευθυντή για την ανάπτυξη λύσεων κυκλοφορίας, αποφασίστηκε να αναπτυχθούν και να εφαρμοστούν προϊόντα λογισμικού που επιτρέπουν τη μετάβαση από την απλή καταγραφή γεγονότων στις δραστηριότητες της επιχείρησης στην ανάλυση πληροφοριών. Ταυτόχρονα, σχεδιάστηκε μια μετάβαση από την αυτοματοποίηση της εργασίας των λογιστών και των μεσαίων στελεχών στην επεξεργασία πληροφοριών για την ανώτατη διοίκηση. Λαμβάνοντας υπόψη τον πιθανό κύκλο των καταναλωτών, η Parus-Analytics και η Triumph-Analytics δεν επιβάλλουν ειδικές απαιτήσεις στο περιβάλλον λογισμικού και υλικού, ωστόσο, η λύση Triumph-Analytics υλοποιείται με βάση τον MS SQL Server, ο οποίος της παρέχει μεγαλύτερες ευκαιρίες πρόβλεψης των υπό μελέτη διαδικασιών, λαμβάνεται υπόψη ιδίως η αρμονική συνιστώσα των προβλέψεων.

Η αξία της πρόβλεψης αυξάνεται πολλές φορές όταν χρησιμοποιείται άμεσα στη διαχείριση της επιχείρησης. Επομένως, μια σημαντική κατεύθυνση είναι η ενοποίηση συστημάτων πρόβλεψης με συστήματα όπως Kasatka, MS Project Expert κ.λπ. Για παράδειγμα, το λογισμικό Kasatka από την SBI τοποθετείται ως αυτοματοποιημένο ΧΩΡΟΣ ΕΡΓΑΣΙΑΣεπικεφαλής και ειδικοί του τμήματος μάρκετινγκ και προορίζεται για την ανάπτυξη συγκροτημάτων διαχείρισης, μάρκετινγκ και στρατηγικού σχεδιασμού. Ένας τέτοιος σκοπός προκαθορίζει την ανάγκη εντοπισμού μακροπρόθεσμων τάσεων και λήψης τους υπόψη στον προγραμματισμό. Ο ορίζοντας πρόβλεψης καθορίζεται με βάση τους σχετικούς στόχους του οργανισμού.

συμπέρασμα

Έτσι, μέχρι σήμερα, έχει γίνει αρκετή έρευνα και έχουν ληφθεί εντυπωσιακές πρακτικές λύσεις για το πρόβλημα της πρόβλεψης στην επιστήμη, την τεχνολογία, την οικονομία, τη δημογραφία και άλλους τομείς. Η προσοχή στο πρόβλημα αυτό οφείλεται, μεταξύ άλλων, στην κλίμακα της σύγχρονης οικονομίας, στις ανάγκες παραγωγής, στη δυναμική της ανάπτυξης της κοινωνίας, στην ανάγκη βελτίωσης του σχεδιασμού σε όλα τα επίπεδα διοίκησης, καθώς και στη συσσωρευμένη εμπειρία. Η πρόβλεψη είναι ένα από τα καθοριστικά στοιχεία αποτελεσματική οργάνωσηδιαχείριση μεμονωμένων επιχειρηματικών οντοτήτων και οικονομικών κοινοτήτων λόγω του γεγονότος ότι η ποιότητα των αποφάσεων που λαμβάνονται καθορίζεται σε μεγάλο βαθμό από την ποιότητα της πρόβλεψης των συνεπειών τους. Ως εκ τούτου, οι αποφάσεις που λαμβάνονται σήμερα θα πρέπει να βασίζονται σε αξιόπιστες εκτιμήσεις για την πιθανή εξέλιξη των μελετηθέντων φαινομένων και γεγονότων στο μέλλον.

Η βελτίωση των προβλέψεων από πολλούς ειδικούς φαίνεται στην ανάπτυξη κατάλληλων τεχνολογιών πληροφοριών. Η ανάγκη εφαρμογής τους οφείλεται σε διάφορους λόγους, όπως: η αύξηση του όγκου πληροφοριών. την πολυπλοκότητα των αλγορίθμων για τον υπολογισμό και την ερμηνεία των αποτελεσμάτων· υψηλές απαιτήσεις για την ποιότητα των προβλέψεων· την ανάγκη χρήσης αποτελεσμάτων πρόβλεψης για την επίλυση προβλημάτων προγραμματισμού και ελέγχου.

Κατά καιρούς υπάρχουν πληροφορίες για τα θετικά αποτελέσματα που επιτυγχάνει μια συγκεκριμένη εταιρεία. Ορισμένες δημοσιεύσεις σημειώνουν ότι η επιτυχής αξιολόγηση των τάσεων στην κατάσταση της αγοράς, της ζήτησης αγαθών ή υπηρεσιών, καθώς και άλλων οικονομικών διαδικασιών και χαρακτηριστικών σάς επιτρέπει να έχετε σημαντική αύξηση στα κέρδη, να βελτιώσετε άλλους οικονομικούς δείκτες. Με την πρώτη ματιά, ο μηχανισμός της επιτυχίας είναι απλός και ξεκάθαρος: υποθέτοντας τι θα συμβεί στο μέλλον, μπορούν να ληφθούν αποτελεσματικά μέτρα έγκαιρα, χρησιμοποιώντας θετικές τάσεις και αντισταθμίζοντας αρνητικές διαδικασίες και φαινόμενα.

Η ακρίβεια, η αξιοπιστία και η αποτελεσματικότητα, ωστόσο, καθώς και άλλα στοιχεία της ποιότητας της πρόβλεψης, διασφαλίζονται από μια σειρά παραγόντων, μεταξύ των οποίων είναι απαραίτητο να επισημανθούν: λογισμικό που βασίζεται σε οικονομικά και μαθηματικά μοντέλα επαρκή στην πραγματικότητα· n πληρότητα κάλυψης και αξιοπιστία των πηγών αρχικών πληροφοριών σχετικά με τη λειτουργία των αλγορίθμων πρόβλεψης· Αποτελεσματικότητα επεξεργασίας εσωτερικών και εξωτερικών πληροφοριών. την ικανότητα κριτικής ανάλυσης των εκτιμήσεων προβλέψεων· την επικαιρότητα να γίνουν οι απαραίτητες αλλαγές στη μεθοδολογική και Υποστήριξη Πληροφοριώνπρόβλεψη.

Το ειδικό λογισμικό βασίζεται σε προσεκτικά επιλεγμένα μοντέλα, μεθόδους και τεχνικές. Η εφαρμογή τους είναι εξαιρετικά σημαντική για την απόκτηση προβλέψεων υψηλής ποιότητας κατά την επίλυση προβλημάτων τρέχοντος και στρατηγικού σχεδιασμού. Η ανάλυση της τρέχουσας κατάστασης δείχνει ότι οι δυσκολίες στην εισαγωγή της πληροφορικής, οι οποίες παρέχουν πρόβλεψη των οικονομικών διαδικασιών, δεν είναι μόνο τεχνικές ή μεθοδολογικές, αλλά και οργανωτικές και ψυχολογικές. Οι καταναλωτές των αποτελεσμάτων μερικές φορές δεν κατανοούν τις αρχές των μοντέλων που χρησιμοποιούνται, την επισημοποίησή τους και τους αντικειμενικά υπάρχοντες περιορισμούς. Αυτό, κατά κανόνα, προκαλεί δυσπιστία για τα αποτελέσματα που επιτεύχθηκαν. Μια άλλη ομάδα προβλημάτων υλοποίησης σχετίζεται με το γεγονός ότι τα προγνωστικά μοντέλα είναι συχνά κλειστά, αυτόνομα και επομένως η γενίκευσή τους με σκοπό την ανάπτυξη και την αμοιβαία προσαρμογή είναι δύσκολη. Επομένως, μια συμβιβαστική λύση μπορεί να αποδειχθεί μια σταδιακή προσέγγιση με την κατανομή των κύριων αναλυτικών εργασιών.

Ωστόσο, πρακτικά δεν υπάρχουν έτοιμες αναπαραγόμενες ή εταιρικές λύσεις που να παρέχουν προβλέψεις για μικρομεσαίες οικονομικές οντότητες σε επίπεδο συστήματος με υψηλή ποιότητα και προσιτές τιμές. Επί του παρόντος, τα αυτοματοποιημένα συστήματα διαχείρισης επιχειρήσεων περιορίζονται κυρίως σε στοιχειώδεις εργασίες λογιστικής και ελέγχου.

Κατάλογος χρησιμοποιημένης βιβλιογραφίας

1. Ayvazyan S.A. Βασικές αρχές της οικονομετρίας. Μ.: UNITI, 2011. - 432σ.

2. Arzhenovsky S.V., Fedosova O.N. Οικονομετρία. Rostov-on-Don: RGEU, 2012. - 202σ.

3. Borodich S.A. Οικονομετρία. Μν.: Νέα γνώση, 2015. - 408s.

4. Vladimirova L.P. Πρόβλεψη και προγραμματισμός σε συνθήκες αγοράς. Μ.: Dashkov i K., 2013. - 308s.

5. Dougherty K. Εισαγωγή στην οικονομετρία. / Μετάφραση από τα αγγλικά. - Μ.: Infra-M, 2011. - 402 σελ.

6. Ezhemanskaya S.N. Οικονομετρία. Rostov-on-Don: Phoenix, 2013. - 160σ.

7. Kremer N.Sh., Putko B.A. Οικονομετρία. Μ.: UNITI, 2015. - 311s.

8. Magnus Ya.R., Katyshev P.K., Peresetsky A.A. Οικονομετρία: ένα εισαγωγικό μάθημα. Μ.: Delo, 2011. - 400s.

9. Novikov A.I. Οικονομετρία. Μ.: Infra-M, 2013. - 306s.

10. Orlov A.I. Οικονομετρία. Μ.: Εξεταστική, 2014. - 576s.

11. Tikhomirov N.P., Dorokhina E.Yu. Οικονομετρία. Μ.: Εξεταστική, 2013. - 512s.

12. Οικονομετρία. / Εκδ. Ι.Ι. Ελισέεβα. - Μ.: Οικονομικά και στατιστική, 2012. - 344 σελ.

Φιλοξενείται στο Allbest.ru

Ειδικά μαθήματα και ειδικά σεμινάρια το εαρινό εξάμηνο 2018/2019 ακαδημαϊκό έτος

25/03/2019:14:35 - 16:10 s / c masters "Ανάλυση γραφημάτων, δικτύων, συναρτήσεων ομοιότητας", Maisurase A.I., 507 μάθημα δεν θα πραγματοποιηθεί 25 Μαρτίου (Δευτέρα), ο λέκτορας είναι άρρωστος;
16:20 - 17:55 s / c μάθημα "Analytic SQL", Maysuradze A.I., 582 δεν θα πραγματοποιηθεί 25 Μαρτίου (Δευτέρα), ο λέκτορας είναι άρρωστος.
27/02/2019: Εκπαιδευτικό και ερευνητικό σεμινάριο «Data Mining: New Tasks and Methods», ηγέτες S.I. Gurov, A.I. Maisuradze Τετάρτες στο οντ. 704, έναρξη 18-05. 04 Μαρτίου (Δευτέρα)Ο I. S. Balashov θα αναφερθεί στο ειδικό σεμινάριο (VVO, 3ο έτος) "Μελέτη του μικροβιώματος κατά τη διάρκεια της εγκυμοσύνης με τη χρήση μεθόδων θεωρίας γραφημάτων". Είναι γνωστό ότι οι μικροοργανισμοί που ζουν σε διαφορετικούς τόπους του σώματος αλληλεπιδρούν μεταξύ τους και σχηματίζουν κοινότητες που ονομάζονται μικροβίωμα, και το σύνολο αυτών των μικροοργανισμών ονομάζεται μικροβίωμα. Για μια σειρά από ασθένειες, η μικροχλωρίδα έχει αποδειχθεί ότι αποτελεί παράγοντα κινδύνου για την ανάπτυξη ορισμένων ασθενειών. Τα δεδομένα σχετικά με τη σύνθεση της μικροχλωρίδας μπορούν να παρουσιαστούν με τη μορφή γραφήματος και στη συνέχεια να διερευνηθούν τα χαρακτηριστικά αυτού του γραφήματος σε φυσιολογικές και παθολογικές καταστάσεις. Η εργασία θα παρουσιάσει τα χαρακτηριστικά της θεματικής περιοχής και την επιρροή τους στην επιλογή των μεθόδων για την περιγραφή και την ανάλυση δεδομένων και θα παρουσιάσει βασικά μοντέλα που περιγράφουν το μικροβίωμα.

• 27/02/2019: Λογική ανάλυση δεδομένων στην αναγνώριση, (Λογική ανάλυση δεδομένων σε αναγνώριση) λέκτορας Ε.Β. Dyukova, λαμβάνει χώρα τις Δευτέρες στην αίθουσα. 645, έναρξη 16-20. Πρώτη συνεδρία 25 Φεβρουαρίου. Το μάθημα θα παρουσιαστεί γενικές αρχές, υποκείμενες διακριτές μεθόδους ανάλυσης πληροφοριών στα προβλήματα αναγνώρισης, ταξινόμησης και πρόβλεψης. Θα εξεταστούν προσεγγίσεις για το σχεδιασμό διαδικασιών αναγνώρισης που βασίζονται στη χρήση της συσκευής λογικών συναρτήσεων και μεθόδων για την κατασκευή καλύψεων Boolean και ακέραιων πινάκων. Θα μελετηθούν τα κύρια μοντέλα και θα εξεταστούν θέματα σχετικά με τη μελέτη της πολυπλοκότητας της εφαρμογής τους και της ποιότητας επίλυσης εφαρμοζόμενων προβλημάτων. Ειδικό μάθημα για πτυχιούχους 2-4 μαθημάτων. Εκδόθηκε εγχειρίδιο για το ειδικό μάθημα.

• 27/02/2019: Πιθανολογική Θεματική Μοντελοποίηση(Πιθανοτική μοντελοποίηση θεμάτων), λέκτορας, καθηγητής της Ρωσικής Ακαδημίας Επιστημών, Ph.D. K.V. Vorontsov, λαμβάνει χώρα την Πέμπτη στην αίθουσα. 510, έναρξη 18-05. Πρώτη συνεδρία 14 Φεβρουαρίου. Η μοντελοποίηση θεμάτων είναι ένας σύγχρονος τομέας έρευνας στη διασταύρωση της μηχανικής μάθησης και της υπολογιστικής γλωσσολογίας. Το μοντέλο θεμάτων καθορίζει ποια θέματα περιέχονται σε μια μεγάλη συλλογή κειμένου και σε ποια θέματα ανήκει κάθε έγγραφο. Τα μοντέλα θεμάτων σάς επιτρέπουν να αναζητάτε κείμενα με βάση το νόημα και όχι με λέξεις-κλειδιά και να δημιουργείτε έναν νέο τύπο υπηρεσιών ανάκτησης πληροφοριών για τη συστηματοποίηση της γνώσης. Το ειδικό μάθημα ασχολείται με θεματικά μοντέλα ταξινόμησης, κατηγοριοποίησης, τμηματοποίησης, περίληψης κειμένων φυσικής γλώσσας, καθώς και συστήματα συστάσεων, ανάλυση δεδομένων τραπεζικών συναλλαγών και βιοϊατρικών σημάτων. Από τα μαθηματικά χρειαζόμαστε θεωρία πιθανοτήτων, μεθόδους βελτιστοποίησης, επεκτάσεις πινάκων. Για τους λάτρεις του προγραμματισμού, υπάρχει η ευκαιρία να συμμετάσχουν στο έργο ανοιχτού κώδικα BigARTM.org. Για όσους είναι ιδιαίτερα ενθουσιώδεις, υπάρχουν επιπλέον σεμινάρια τα βράδια στο γραφείο της Yandex. Οι εργασίες για το μάθημα θα είναι επίλυση προβλημάτων από πραγματική ζωήπου δεν έχουν τη σωστή απάντηση στο τέλος του σεμιναρίου. Ένα ειδικό μάθημα για προπτυχιακούς, αλλά και δευτεροετείς φοιτητές θα καταλάβουν τα πάντα :) 18+ (για φοιτητές που γνωρίζουν τη θεωρία).

• 27/02/2019: Προβλήματα και αλγόριθμοι υπολογιστικής γεωμετρίας(Υπολογιστική Γεωμετρία: Προβλήματα και Αλγόριθμοι), L.M. Mestetsky, λαμβάνει χώρα τις Παρασκευές στην αίθουσα. 607, έναρξη 18-05. Πρώτη συνεδρία 15 Φεβρουαρίου. Οι αποτελεσματικοί αλγόριθμοι για την εργασία με γεωμετρικές πληροφορίες είναι ένα απαραίτητο χαρακτηριστικό όλων των σύγχρονων συστημάτων μηχανικής όρασης, ανάλυσης και αναγνώρισης εικόνων, γραφικών υπολογιστών και γεωπληροφορικής. Οι γεωμετρικοί αλγόριθμοι παρέχουν ένα καλό πεδίο για την ανάπτυξη της αλγοριθμικής σκέψης, η οποία είναι απαραίτητη στα εφαρμοσμένα μαθηματικά. Στο πρώτο μέρος του ειδικού μαθήματος θα εξεταστούν κλασικά θέματα υπολογιστικής γεωμετρίας: γεωμετρική αναζήτηση, κυρτές γάστρες, τομή και εγγύτητα αντικειμένων, διαγράμματα Voronoi, τριγωνισμοί Delaunay. Το δεύτερο μέρος του μαθήματος είναι αφιερωμένο σε σκελετούς, γενικεύσεις διαγραμμάτων Voronoi για πολύγωνα και προβλήματα ανάλυσης σχήματος μεσαίας εικόνας. Προσκαλούνται πτυχιούχοι.

• 27/02/2019: Μηχανική μάθηση και αναζήτηση κανονικοτήτων στα δεδομένα, λέκτορας O.V. Senko, λαμβάνει χώρα την Πέμπτη στο αμφιθέατρο. 507, έναρξη 18-05. Πρώτη συνεδρία 14 Φεβρουαρίου. Το μάθημα συζητά τα κύρια προβλήματα που προκύπτουν κατά τη χρήση μεθόδων μάθησης που βασίζονται σε προηγούμενα (μηχανική μάθηση). Δεδομένος σύντομη κριτικήυπάρχουσες μεθόδους αναγνώρισης και ανάλυσης παλινδρόμησης. Λέει για τις μεθόδους αξιολόγησης της ακρίβειας στον γενικό πληθυσμό (γενικευτική ικανότητα). Συζητούνται διάφοροι τρόποι για να αυξηθεί η ικανότητα γενίκευσης των μεθόδων μηχανικής μάθησης. Προσκαλούνται πτυχιούχοι.

• 27/02/2019: Ανάλυση γραφημάτων, δικτύων, συναρτήσεων ομοιότητας(Γραφήματα, Δίκτυο, Ανάλυση Συναρτήσεων Απόστασης), A.I. Maisuradze, λαμβάνει χώρα τις Δευτέρες στην αίθουσα. 582, έναρξη 16-20. Πρώτη συνεδρία 18 Φεβρουαρίου. Εξετάζονται προβλήματα και μέθοδοι ανάλυσης συστημάτων, η περιγραφή των οποίων βασίζεται σε ζεύγη ή πολλαπλή αλληλεπίδραση αντικειμένων. Αυτά τα αντικείμενα μπορεί να είναι του ίδιου τύπου ή διαφορετικών τύπων. Όταν η ίδια η παρουσία ή η απουσία αλληλεπίδρασης είναι σημαντική, η επισημοποίηση πραγματοποιείται στη γλώσσα της θεωρίας γραφημάτων. Η επέκταση της περιγραφής του γραφήματος με ποσοτικά χαρακτηριστικά οδηγεί σε δίκτυα. Εάν πιστεύεται ότι κάθε σύνολο αντικειμένων μπορεί να χαρακτηριστεί αριθμητικά, μιλάμε για αποστάσεις ή ομοιότητες. Παρουσιάζεται η θεωρητική βάση για την επισημοποίηση των εργασιών και την κατασκευή, υλοποίηση και ανάλυση ενός ευρέος φάσματος μοντέλων και μεθόδων του IAD. Μελετάμε ευρετικά μοντέλα δεδομένων που περιγράφουν τις αρχικές πληροφορίες για τα αντικείμενα αναγνώρισης με βάση διάφορες υλοποιήσεις της έννοιας της ομοιότητας. Εξετάζονται προβλήματα που πρέπει να επιλυθούν κατά την εφαρμογή αυτών των μοντέλων. Μελετάμε ειδικές δομές δεδομένων και αλγόριθμους που σας επιτρέπουν να διαμορφώνετε αποτελεσματικά και να χρησιμοποιείτε τα μελετημένα μοντέλα. Η ιδέα της ομοιότητας είναι εγγενής στην ανθρώπινη σκέψη· αυτό έχει οδηγήσει σε μια ολόκληρη σειρά προσεγγίσεων για όλες τις θεμελιώδεις εργασίες του IAD - τις λεγόμενες μετρικές μεθόδους. Εξετάζονται μέθοδοι κατασκευής και υπολογισμού συναρτήσεων ομοιότητας, αντιστοίχισης ομοιότητας σε διαφορετικά σύνολα αντικειμένων και σύνθεσης νέων τρόπων σύγκρισης αντικειμένων με βάση τα υπάρχοντα. Εξετάζεται ένα σύνολο τεχνικών σχεδιασμένων για αποτελεσματική αναπαράσταση και επεξεργασία μετρικών πληροφοριών από συστήματα υπολογιστών. Λαμβάνονται υπόψη τα χαρακτηριστικά των γραφημάτων που χρησιμοποιούνται ενεργά στην ανάλυσή τους. Μελετώνται αλγόριθμοι σε γραφήματα - τόσο θεωρητικά όσο και από την άποψη της αποτελεσματικής υλοποίησης. Διάφορα μοντέλα ανάπτυξης γραφημάτων. Κατασκευή αντιπροσωπευτικών δειγμάτων σε γραφήματα. Δημιουργία γραφημάτων με δεδομένα χαρακτηριστικά. Σημαντική προσοχή στο μάθημα δίνεται σε πολυάριθμες επισημοποιήσεις της ανάλυσης συστάδων. Δείχνεται ποια προβλήματα επιλύονται με κοινές μεθόδους. Έχει πραγματοποιηθεί η τυπολογία ενός ευρέος φάσματος προβλημάτων ομαδοποίησης για ομοιογενή και ετερογενή συστήματα (διπλή συστάδα, συστάδα). Ειδικό μάθημα για προπτυχιακούς φοιτητές.

• 27/02/2019: Αναλυτική SQL(Analytic SQL), A.I. Maisuradze, λαμβάνει χώρα τις Δευτέρες στην αίθουσα. 507, ώρα έναρξης 2:35 μ.μ. Πρώτη συνεδρία 18 Φεβρουαρίου. Στις μέρες μας, η αυτοματοποίηση και η βελτιστοποίηση πολλών δραστηριοτήτων είναι αδύνατη χωρίς τη συλλογή και την επακόλουθη ανάλυση μεγάλου όγκου πληροφοριών. Ταυτόχρονα, με την πάροδο του χρόνου, κατέστη σαφές ότι ορισμένα μοντέλα δεδομένων είναι ιδιαίτερα βολικά για τους ανθρώπους - τέτοια μοντέλα έχουν γίνει μια καθολική γλώσσα επικοινωνίας με μια ποικιλία τεχνολογιών. Υπό αυτή την έννοια, η SQL αποδείχθηκε ότι ήταν μια από τις πιο ευρέως χρησιμοποιούμενες γλώσσες και σήμερα μια ποικιλία τεχνολογιών (όχι μόνο σχεσιακές) καθιστούν δυνατή τη χρήση της. Το μάθημα θα παρέχει πρακτικά παραδείγματα γνώσεων και δεξιοτήτων που θα χρειαστούν σχεδόν κάθε αναλυτής όταν εργάζεται με πηγές δεδομένων. Η έμφαση δίνεται στις αναλυτικές δραστηριότητες: ο αναλυτής χρησιμοποιεί συστήματα συλλογής και αποθήκευσης δεδομένων, αλλά δεν πρόκειται να τα διαχειριστεί. Οι τάξεις περιλαμβάνουν διαδραστική εκτέλεση εργασιών σε πραγματικές βάσεις δεδομένων. Ειδικό μάθημα για εργένηδες.

Υπάρχουν διάφορες μέθοδοι για την πρόβλεψη δεικτών τεχνικού επιπέδου, μεταξύ των οποίων μπορούμε να διακρίνουμε την ευρετική και τη μαθηματική πρόβλεψη. Κοινό σε αυτές τις μεθόδους είναι η παρουσία αβεβαιότητας που σχετίζεται με τη μελλοντική κατάσταση.

Οι ευρετικές μέθοδοι βασίζονται στη χρήση των απόψεων ειδικών στον τομέα της τεχνολογίας και συνήθως χρησιμοποιούνται για την πρόβλεψη της εξέλιξης διαδικασιών και αντικειμένων όταν η επισημοποίηση δεν είναι δυνατή αυτή τη στιγμή.

Οι μαθηματικές μέθοδοι, ανάλογα με τον τύπο της μαθηματικής περιγραφής των αντικειμένων πρόβλεψης και τις μεθόδους για τον προσδιορισμό άγνωστων παραμέτρων, χωρίζονται υπό όρους σε μεθόδους μοντελοποίησης διαδικασιών που περιγράφονται με διαφορικές εξισώσεις και μεθόδους παρέκτασης ή στατιστικές. Η δεύτερη ομάδα περιλαμβάνει μεθόδους που καθορίζουν τις προβλεπόμενες παραμέτρους ενός αντικειμένου με βάση στατιστικά δεδομένα. Ως μαθηματική συσκευή στη στατιστική πρόβλεψη, η μέθοδος της μέγιστης πιθανότητας χρησιμοποιείται συχνότερα και, ειδικότερα, η διακύμανσή της είναι η μέθοδος των ελαχίστων τετραγώνων. Οι μαθηματικές εξαρτήσεις που κατασκευάζονται με τη μέθοδο των ελαχίστων τετραγώνων μπορεί να είναι γραμμικές, τετραγωνικές ή πολυωνυμικές.

Το τελικό στάδιο της ευρετικής και μαθηματικής προγνωστικής έρευνας είναι η λογική ανάλυση, η οποία περιλαμβάνει τη μελέτη των τάσεων ανάπτυξης του προβλεπόμενου αντικειμένου, την ανάλυση των αποτελεσμάτων της πρόβλεψης παρόμοιων αντικειμένων και την αξιολόγηση των αποτελεσμάτων που λαμβάνονται.

ευρετικήπρόβλεψη

Η ευρετική πρόβλεψη είναι μια από τις παλαιότερες και πιο διαδεδομένες όχι μόνο στην τεχνολογία, αλλά και στην Καθημερινή ζωήμεθόδους. Το πλεονέκτημά του είναι η δυνατότητα αποφυγής χονδροειδών λαθών, ειδικά στον τομέα των απότομων αλλαγών στο προβλεπόμενο χαρακτηριστικό, υπό την προϋπόθεση ότι στη μελέτη συμμετέχουν ειδικοί υψηλής ειδίκευσης σε αυτόν τον τομέα. Ωστόσο, αυτή η μέθοδος είναι υποκειμενική και χρονοβόρα.

Το κύριο αποτέλεσμα της ευρετικής πρόβλεψης είναι ο εντοπισμός νέων περιοχών ανάπτυξης και των ευκαιριών τους. Παράλληλα, πρέπει να ληφθεί υπόψη ότι η αντίληψη του νέου και ο ορισμός υποσχόμενες κατευθύνσειςψυχολογικές πτυχές μπορεί να παρεμβαίνουν. Αυτοί είναι, πρώτα απ 'όλα, οι επαγγελματικοί περιορισμοί των ειδικών στενού προφίλ που "ξέρουν τα πάντα για το τίποτα" ή, αντίθετα, ενός ευρέος προφίλ - "τίποτα για τα πάντα". Μπορεί επίσης να γίνει εμπόδιο η εστίαση σε γνωστά φαινόμενα, την επιρροή της κυρίαρχης τάσης της κοινωνικής σκέψης, τη δυσκολία αντίληψης αρνητικών συμπερασμάτων, την τάση υπερβολής του κακού κ.λπ. Δεν είναι τυχαίο ότι πολλές ανακαλύψεις ήταν μπροστά της εποχής τους δεν έγιναν αποδεκτές από τους σύγχρονους.

Τα κύρια στάδια στην πρακτική εφαρμογή της ευρετικής πρόβλεψης είναι η επιλογή των ειδικών, η οργάνωση ερευνών και η επεξεργασία των αποτελεσμάτων. Η ευρετική πρόβλεψη βασίζεται σε μια μέση αξιολόγηση των απόψεων μιας ομάδας εμπειρογνωμόνων. Ως εκ τούτου, η κύρια προϋπόθεση για μια τέτοια μελέτη μπορεί να θεωρηθεί η επιλογή εμπειρογνωμόνων, των οποίων η αρμοδιότητα καθορίζει την ποιότητα του αποτελέσματος. Πρακτικά δεν υπάρχουν μέθοδοι για την αξιολόγηση της ικανότητας των εμπειρογνωμόνων. Ως εκ τούτου, οι ειδικοί συνήθως αξιολογούν τις δικές τους ικανότητες και τις ικανότητες των συναδέλφων τους.

Με την ανάπτυξη και τη βελτίωση της τεχνολογίας ηλεκτρονικών υπολογιστών, ο ρόλος των ευρετικών μεθόδων μειώνεται αισθητά.

Μαθηματική πρόβλεψη

Η μαθηματική πρόβλεψη συνίσταται στη χρήση των διαθέσιμων χαρακτηριστικών του προβλεπόμενου αντικειμένου, στην επεξεργασία αυτών των δεδομένων μαθηματικές μεθόδους, αποκτώντας τη μαθηματική τους εξάρτηση από το χρόνο και άλλες γνωστές ανεξάρτητες μεταβλητές και υπολογίζοντας χρησιμοποιώντας τη ευρεία εξάρτηση των χαρακτηριστικών του αντικειμένου σε μια δεδομένη χρονική στιγμή για δεδομένες τιμές άλλων ανεξάρτητων μεταβλητών.

Η μέθοδος της μαθηματικής πρόβλεψης χαρακτηρίζεται από αντικειμενικότητα και υψηλή ακρίβεια των αποτελεσμάτων που προκύπτουν με τη σωστή επιλογή ενός μαθηματικού μοντέλου. Τα κύρια στάδια της μαθηματικής πρόβλεψης περιλαμβάνουν:

1) συλλογή και προετοιμασία αρχικών δεδομένων (στατιστικές).

2) επιλογή και αιτιολόγηση του μαθηματικού μοντέλου του προβλεπόμενου αντικειμένου.

3) επεξεργασία στατιστικών δεδομένων για τον προσδιορισμό των άγνωστων παραμέτρων του μοντέλου.

4) εκτέλεση υπολογισμών και ανάλυση των ληφθέντων αποτελεσμάτων.

Η εκτίμηση της προβλεπόμενης παραμέτρου μπορεί να είναι σημείο ή διάστημα, δηλαδή να συνίσταται στον προσδιορισμό του διαστήματος εμπιστοσύνης των τιμών των παραμέτρων. Η εκτίμηση του διαστήματος αντικατοπτρίζει αρκετά καλά την ακρίβεια της πρόβλεψης.

επίσης στον καθορισμό της τροχιάς ανάπτυξης μετά το άλμα.

Σύμφωνα με το νόμο της εξελικτικής και σπασμωδικής ανάπτυξης της τεχνολογίας, η πρόβλεψη των αλμάτων είναι αδιαχώριστη από την πρόβλεψη της εξελικτικής εξέλιξης πριν και μετά το άλμα. Συστημική προσέγγισηη πρόβλεψη του τεχνικού επιπέδου των μηχανών με βάση τη σύγκριση των κύκλων ανάπτυξης και των αναγκών σας επιτρέπει να προσδιορίσετε όχι μόνο την επίτευξη μιας συγκεκριμένης παραμέτρου, αλλά και να υπολογίσετε το χρόνο εμφάνισης μιας νέας γενιάς τεχνολογίας, την περίοδο πιθανής ύπαρξής της . Το σχήμα 1 δείχνει τις χαρακτηριστικές σχέσεις και την εναλλαγή γενεών τεχνολογίας. Εδώ σημειώνονται οι ενότητες που αντιστοιχούν στα στάδια. κύκλος ζωήςγενιές τεχνολογίας: 1 - πολλά υποσχόμενη. 2 - προοδευτική? 3 - νέο? 4 - εκσυγχρονισμένο? 5 - ξεπερασμένο.

Με τη βοήθεια της συνάρτησης συσχέτισης τυχαίων διαδικασιών εμφάνισης πληροφοριών σχετικά με το αντικείμενο που περιέχονται σε υλικά διπλωμάτων ευρεσιτεχνίας και εμφάνισης τεχνολογίας με νέες τιμές δεικτών τεχνικού επιπέδου, είναι δυνατός ο προσδιορισμός του χρόνου t της αρχής της ανάπτυξης μιας νέας γενιάς τεχνολογίας, η οποία για κάθε συγκεκριμένο δείγμα αποτελείται από τον χρόνο που αφιερώνεται στην έρευνα, την ανάπτυξη, τις εργασίες ανάπτυξης και τον χρόνο για να κυριαρχήσει στην παραγωγή.

Αλλαγή γενεών

Η αλλαγή των γενεών της τεχνολογίας γίνεται σύμφωνα με τον αντικειμενικό νόμο της προοδευτικής εξέλιξης της τεχνολογίας με την παρουσία του απαραίτητου επιστημονικού και τεχνικού επιπέδου και κοινωνικοοικονομικής σκοπιμότητας. Έτσι, μια τεράστια σημαντική ανακάλυψη στην ανάπτυξη της τεχνολογίας, συμπεριλαμβανομένης της πλήρωσης και της συσκευασίας, συνέβη μετά την εμφάνιση των σύγχρονων μικροεπεξεργαστών, συγκρίσιμων ως προς τις δυνατότητές τους με τον ανθρώπινο εγκέφαλο. Αυτό επέτρεψε στους ειδικούς στα τέλη του 20ου αιώνα να κάνουν μια πρόβλεψη για την ανάπτυξη της τεχνολογίας, σύμφωνα με την οποία, σύμφωνα με τον βαθμό αυτοματοποίησης, θα δημιουργηθούν μόνο έξι γενιές μηχανών στον κόσμο.

Τα προγραμματιζόμενα αυτόματα μηχανήματα τέταρτης γενιάς έχουν ήδη βρει ευρεία εφαρμογή στην τεχνολογία, συμπεριλαμβανομένης της πλήρωσης και της συσκευασίας. Ακολουθεί η δημιουργία αυτόματων μηχανών αυτόματης εκμάθησης και ρύθμισης πέμπτης γενιάς, μεμονωμένα στοιχεία των οποίων εμφανίζονται ήδη σε αυτόματες μηχανές τέταρτης γενιάς. Έχουν ήδη δημιουργηθεί αρκετά αυτόματα μηχανήματα με ταμπέλες της πέμπτης γενιάς. Για παράδειγμα, αυτοκίνητα με αυτόματο συντονισμόσχετικά με τους τρόπους πλήρωσης υγρών διαφορετικού ιξώδους, τη συσκευασία τεμαχίων διαφορετικών μεγεθών, την αυτοδιάγνωση κ.λπ. Οι αυτόματες μηχανές έκτης γενιάς είναι μηχανές τεχνητής νοημοσύνης που, όσον αφορά τα τεχνικά χαρακτηριστικά, μπορούν να διαφέρουν σημαντικά από τις μηχανές των προηγούμενων γενεών . Προφανώς, τα έξυπνα και πολυλειτουργικά μηχανήματα θα προσαρμοστούν στις επερχόμενες αλλαγές εν ριπή οφθαλμού. Πολύπλοκες γραμμές υψηλής ταχύτητας, που μέχρι πρόσφατα πληρούσαν τις προδιαγραφές, αντικαθίστανται από πιο αργές, που παρέχουν μεγαλύτερη ευελιξία. Η πτωτική τάση στο μέγεθος των κομμάτων θα μειώσει τον χρόνο για αλλαγές σχεδόν στο μηδέν. Θα πρέπει να αναπτυχθούν τέτοια συστήματα παραγωγής για τα οποία οι αλλαγές στην επιχειρηματική διαδικασία είναι ο κανόνας. Χρειαζόμαστε συστήματα βασισμένα στις αρχές της τεχνητής νοημοσύνης που εξαπλώνεται σε ένα αυτοοργανωμένο δίκτυο. Επομένως, η τεχνητή νοημοσύνη πρέπει να υπάρχει στον εξοπλισμό συσκευασίας και ο ίδιος ο εξοπλισμός πρέπει να είναι πολυλειτουργικός.

Ορισμός τεχνικού επιπέδου

Η πρόβλεψη σχετίζεται άμεσα με τον προσδιορισμό του τεχνικού επιπέδου της τεχνολογίας συσκευασίας. Οι στατιστικές προγνωστικές μελέτες καθιστούν δυνατό τον καθορισμό του επιτευχθέντος παγκόσμιου τεχνικού επιπέδου και τον προσδιορισμό των παραμέτρων ενός πολλά υποσχόμενου βασικού δείγματος. Σύμφωνα με το νόμο της συσχέτισης των παραμέτρων, κάθε αντικείμενο της τεχνολογίας χαρακτηρίζεται από ένα σύνολο παραμέτρων που εξαρτώνται από την κύρια παράμετρο. Μια τέτοια βασική παράμετρος για τις περισσότερες από τις υπάρχουσες μηχανές πλήρωσης και συσκευασίας είναι η απόδοσή τους. Σε μηχανές πέμπτης και έκτης γενιάς, άλλοι δείκτες μπορεί να είναι η κύρια παράμετρος, για παράδειγμα, ευελιξία και πολυλειτουργικότητα, ταχύτητα μετάβασης κ.λπ.

Από γενιά σε γενιά, η τεχνολογία γίνεται πιο περίπλοκη λόγω της λειτουργίας ενός αντικειμενικού νόμου αυξανόμενης πολυπλοκότητας τεχνικών αντικειμένων. Η δυσκολία στον προσδιορισμό του επιστημονικού και τεχνικού επιπέδου της τεχνολογίας συσκευασίας έγκειται στην επιλογή ενός πολλά υποσχόμενου δείγματος για τη σύγκριση δεικτών. Ο ανταγωνισμός μεταξύ των κατασκευαστών εξοπλισμού συσκευασίας και, ως εκ τούτου, οι συνεχείς βελτιώσεις στα υπάρχοντα μοντέλα, η χρήση σερβομηχανισμών και ελεγχόμενων από μικροεπεξεργαστή διανομέων, συνέβαλαν στην εμφάνιση μιας γενιάς αυτόματων μηχανών γενικής χρήσης και πολλαπλών λειτουργιών που χρησιμοποιούν τα δομικά στοιχεία μηχανών προηγούμενων γενιές. Ως αποτέλεσμα, κατέστη σχεδόν αδύνατο να επιλέξουμε τον προσδιορισμό επιτεύχθηκε επίπεδοορισμένα αντικείμενα της τεχνολογίας συσκευασίας αντίστοιχη αναλογική για να συγκρίνουν τις επιδόσεις.

Υπάρχουν διάφορες προσεγγίσεις για την επίλυση αυτού του προβλήματος. Έτσι, προτείνεται η αξιολόγηση του τεχνικού επιπέδου των μηχανών συσκευασίας με κολάρο με τη βοήθεια ενός οπτικού και πολύ σημαντικού δείκτη - της θεωρητικής παραγωγικότητας του τμήματος συσκευασίας τους, με βάση το γεγονός ότι η ανάπτυξή του με τον καλύτερο τρόποαντανακλά την ανάπτυξη αυτού του τύπου εξοπλισμού. Ταυτόχρονα, συνιστάται η ταξινόμηση οποιουδήποτε εξοπλισμού πλήρωσης και συσκευασίας κατά παραγωγικότητα, διαιρώντας, ειδικότερα, τον εξοπλισμό κολάρου σε πέντε κατηγορίες, και σύγκριση μηχανών της ίδιας κατηγορίας μεταξύ τους.

Ωστόσο, η διαίρεση σε κατηγορίες φαίνεται να είναι μάλλον αυθαίρετη και δεν εξαλείφει τις δυσκολίες που αναφέρθηκαν παραπάνω που προκύπτουν κατά την επιλογή αναλόγων για σύγκριση. Επιπλέον, στο εγγύς μέλλον, οι μηχανές πλήρωσης και συσκευασίας της τέταρτης και έκτης γενιάς για διάφορους σκοπούς μπορεί να αποδειχθούν στην ίδια κατηγορία επιδόσεων για διαφορετικούς σκοπούς, οι οποίοι είναι λιγότερο σωστό να συγκριθούν από αυτοκίνητα διαφορετικού ωφέλιμου φορτίου.

Ο καθηγητής V. Panishev συνιστά, προκειμένου να αξιολογηθεί το παγκόσμιο επίπεδο της τεχνολογίας συσκευασίας, να συμπεριληφθούν στον συγκριτικό πίνακα όσο το δυνατόν περισσότερα πραγματικά υπάρχοντα και λειτουργικά κομμάτια εξοπλισμού και να ταξινομηθούν γενικοί, ταξινομικοί και βιομηχανικοί δείκτες συγκρίνοντας τον καθένα από αυτούς με τους υπάρχοντες δείκτες του τεχνικού επιπέδου των προϊόντων σύμφωνα με τα τεχνικά χαρακτηριστικά των μηχανών, προδιαγραφές και άλλα έγγραφα («Δοχείο και συσκευασία», αρ. 3/1995).

Προτείνουμε την αξιολόγηση του τεχνικού επιπέδου των υφιστάμενων μηχανών πλήρωσης και συσκευασίας, για τις οποίες είναι αδύνατο να επιλεγεί ένα κατάλληλο ανάλογο, για να χρησιμοποιηθεί ο νόμος της συσχέτισης παραμέτρων. Ως παράδειγμα, δόθηκαν επιμέρους δείκτες μηχανών πλήρωσης και συσκευασίας κάθετου κολάρου που παρουσιάστηκαν από εγχώριους και ξένους κατασκευαστές και βασίστηκαν σε αυτά τα δεδομένα οι στατιστικές εξαρτήσεις αυτών των δεικτών από την παραγωγικότητα (PG, No. 1-2/2004).

Η προσέγγιση αυτών των στατιστικών δεδομένων με ευθείες γραμμές χρησιμοποιώντας τη μέθοδο των ελαχίστων τετραγώνων (Εικόνα 2) δείχνει έναν πολύ υψηλό βαθμό συσχέτισης μεταξύ των εξεταζόμενων παραμέτρων και της απόδοσης της μηχανής και, παρά την κατά προσέγγιση φύση ορισμένων δεδομένων, μια καλή πυκνότητα σημείων στην προσέγγιση ίσιες γραμμές. Σε αυτό το παράδειγμα, δεν είχε τεθεί το καθήκον του προσδιορισμού του τεχνικού επιπέδου συγκεκριμένων αντικειμένων. Για να λυθεί ένα τέτοιο πρόβλημα, απαιτούνται πολύ πιο εκλεπτυσμένα αρχικά δεδομένα.

Οι κατασκευασμένες εξαρτήσεις επιβεβαιώνουν τη θεμελιώδη δυνατότητα αξιολόγησης του παγκόσμιου τεχνικού επιπέδου ενός συγκεκριμένου αντικειμένου σύμφωνα με μεμονωμένους δείκτες που αντικατοπτρίζουν αυτό το επίπεδο. Το τεχνικό επίπεδο σύμφωνα με τον εκτιμώμενο δείκτη μπορεί να αντιστοιχεί στο μέσο εγχώριο ή παγκόσμιο επίπεδο εάν αυτός ο δείκτης συμπίπτει με τους δείκτες στην αντίστοιχη κατά προσέγγιση ευθεία γραμμή. Σε αυτά τα γραφήματα, που κατασκευάστηκαν σύμφωνα με δεδομένα πριν από 3-4 χρόνια, υπάρχει μια αξιοσημείωτη διαφορά στο επίπεδο των επιμέρους δεικτών των εγχώριων και ξένων αυτοκινήτων. Παρόμοιοι δείκτες νέων κατακόρυφων μηχανών πλήρωσης και συσκευασίας γιακά με βάση τα υλικά διεθνών εκθέσεων το 2004 φαίνονται στον Πίνακα 1.

Εάν οι αντίστοιχες εξαρτήσεις συσχέτισης συμπληρωθούν με νέα δεδομένα, γίνεται εμφανής η τάση σύγκλισης επιμέρους δεικτών του τεχνικού επιπέδου εγχώριων και ξένων μηχανών.

Στο Σχήμα 3, σημειώνονται οι δείκτες του Πίνακα 1 και παρουσιάζονται οι κατά προσέγγιση άμεσες εξαρτήσεις της εγκατεστημένης ισχύος και της μάζας των μηχανών από την παραγωγικότητα για ξένες αυτόματες μηχανές που κατασκευάστηκαν νωρίτερα στο Σχήμα 2 (ευθείες γραμμές 2).

Οι εξαρτήσεις που φαίνονται στο Σχήμα 3 επιβεβαιώνουν την παρουσία συσχέτισης και υποδεικνύουν μια αρκετά αισθητή σύγκλιση των εξεταζόμενων παραμέτρων των εγχώριων και ξένων μηχανών πλήρωσης και συσκευασίας των τελευταίων μοντέλων, γεγονός που αναμφίβολα υποδηλώνει μια ορισμένη τάση για αύξηση του τεχνικού επιπέδου της εγχώριας εξοπλισμός πλήρωσης και συσκευασίας.