Matematikai módszerek értékesítési volumenek előrejelzésére 2016.02.24. Az előrejelzés közgazdasági-matematikai és statisztikai módszerei

A matematikai előrejelzési módszerek különféle függvények, idősorok és analitikai függőségek alapján fejleszthetők. A devizapiacok matematikai modellezéséhez és előrejelzéséhez mind az árdinamika, mind annak származékai (indikátorértékek, jelentős szintek stb.), mind a piaci adatok szolgálhatnak bemeneti információként. makrogazdasági mutatók. A pénzügyi idősorok előrejelzésére szolgáló matematikai modellekben az árdinamikát használják bemenetként. Az idősoros információs modellekkel – amelyek az eredeti objektumok leírása diagramok, grafikonok, képletek, rajzok stb. segítségével – azonban más a munka. Az információmodellezés egyik legfontosabb típusa a matematikai, amikor a leírásokat a matematika nyelvén fogalmazzák meg. Ennek megfelelően az ilyen modellek tanulmányozása matematikai módszerekkel történik.

Matematikailag az árfolyam előrejelzésének problémája a többdimenziós függvények közelítésének problémájára, és ebből következően a többdimenziós leképezés megalkotásának problémájára redukálható. A kimeneti változók típusától függően a függvények közelítése történhet: osztályozás vagy regresszió. Ezért be előrejelző modellekárfolyamok, két nagy részfeladat különböztethető meg: 1. matematikai modell felépítése; A probléma megoldását megvalósító szakértői hálózatok 2. képzése. A témakör tanulmányozása eredményeként matematikai előrejelzési modellt kell kidolgozni, amely tartalmazza a bemeneti változókat; formálási módszer bemeneti funkciókés a szakértői rendszer képzésének módja.

Analitikai függőségek

Fontolja meg a funkciókat előrejelző modellek elemző függőségeken alapul.

Ez a modell az árfolyamképzési mechanizmus elemzésén alapul. A képlet típusa ebben az esetben az árfolyam alakulását befolyásoló kölcsönható tényezők természetétől és típusától függ. A modell hipotézisén alapul vásárlóerő-paritás. Továbbá a reálgazdasági rendszerek figyelembevétele során újabb tényezők kerülnek be, és az általánosított modell választja ki az árfolyam alakulását befolyásoló fő tényezőket.

A rövid lejáratú devizaügyletek hatékonyságának növelése az egyik fontos feladat azon bankok és más befektetők tevékenységében, akik jelentős mennyiségben adnak el és vásárolnak különböző devizákat, és igyekeznek mozgást adni a rendelkezésre álló szabad tartalékoknak a piaci ingadozásokból eredő veszteségek elkerülése érdekében. árfolyamokat és további nyereséget kap. És valutaműveletek nagy sebességgel valósulnak meg az interneten keresztül, mivel nagyon fontos, hogy a versenytársak előtti ajánlattal lépjenek be a devizapiacra. Mindez szerves részét képezi a devizatartalékok optimális szerkezetének kialakításának folyamatos folyamatának.

A devizaügyletek eredményessége nagymértékben függ az árfolyam-ingadozásokra vonatkozó előrejelzések megbízhatóságától. Éppen ezért a kamatláb rövid távú előrejelzése nagy gyakorlati jelentőséggel bír a bankok és más befektetők működése szempontjából. A statisztikai módszerek e célból történő alkalmazásának lehetőségének kérdése pedig relevánsnak és természetesnek tűnik. Probléma rövid időszak Az árfolyamok statisztikai modellekkel történő előrejelzése abból indul ki, hogy a devizaügyletek sikeres lebonyolításához egy napra előrejelzést kell készíteni. Mint például a "Pi" című filmben, Max Cohen matematikus évek óta próbálja megtalálni és megfejteni azt az univerzális digitális kódot, amely szerint minden változás sebessége változik. Ahogy közeledik a megoldáshoz, a Max körüli világ sötét rémálommá változik: a Wall Street nagyhatalmú elemzői üldözik, hogy felfedezzék az univerzális univerzum kódját. Az őrület határán Maxnek döntenie kell a rend és a káosz között, és el kell döntenie, hogy képes-e megbirkózni azzal a hatalmas erővel, amelyet ragyogó elméje felébresztett. De ez fantázia. Valójában nem a kemény munka, hanem a gondolatmenet határozza meg a befektetési bevételt, és csak megfelelő matematikai modellezés szolgálhat egy ötlet eredményességének értékelésére.

Adaptív előrejelzési módszerek

Nehéz egyértelmű határvonalat húzni az adaptív előrejelzési módszerek és a nem adaptív módszerek között. Még a közönséges regressziós görbék extrapolációs módszerével történő előrejelzés is tartalmaz némi adaptációs elemet, amikor minden új tényadat beérkezésekor újraszámítják és finomítják a regressziós görbék paramétereit. Kellően hosszú idő elteltével még a görbe típusa is megváltoztatható. Itt azonban nagyon kicsi az alkalmazkodás mértéke; sőt idővel a megfigyelési pontok számának növekedésével és ennek megfelelően a minta minden új pontjának arányának csökkenésével együtt csökken.

Az adaptációs folyamat sorrendje a következő. Legyen a modell valamilyen kezdeti állapotban, és előrejelzés készül rá. Egy időegység (szimulációs lépés) lejártakor elemezzük, hogy a modell által kapott eredmény milyen messze van a sorozat tényleges értékétől. Előrejelzési hiba visszacsatoláson keresztül bejut a rendszerbe, és a modell logikájának megfelelően használja az egyik állapotból a másikba való átmenethez, hogy jobban harmonizálja viselkedését a sorozat dinamikájával. A modellnek kompenzáló változtatásokkal kell reagálnia a sorozat változásaira. Ezután előrejelzés készül a következő időpontra vonatkozóan, és az egész folyamat megismétlődik. Így az adaptáció interaktívan történik a sorozat minden új aktuális pontjának fogadásával. Azonban milyen szabályok legyenek a rendszer egyik állapotból a másikba való átmenetéhez, mi az alkalmazkodási mechanizmus logikája?

Lényegében ezt a kérdést minden kutató intuitív módon oldja meg. Az adaptációs mechanizmus logikáját a priori megadjuk, majd empirikusan teszteljük. A modell felépítésénél óhatatlanul felruházzuk veleszületett tulajdonságokkal, ugyanakkor a nagyobb rugalmasság érdekében ügyelnünk kell a feltételes reflexek bizonyos tehetetlenséggel szerzett vagy elveszett mechanizmusaira. Ezek összessége alkotja az alkalmazkodási mechanizmus logikáját. Az egyes modellek egyszerűsége és a korlátozott kezdeti információ miatt, amelyet gyakran egyetlen sorozat képvisel, nem várható el, hogy egyetlen adaptív modell alkalmas legyen bármilyen sorozat, viselkedési eltérés előrejelzésére. Adaptív modellek elég rugalmasak, de sokoldalúságukra nem lehet számítani. Ezért a konkrét modellek felépítése és magyarázata során figyelembe kell venni a valós folyamat legvalószínűbb fejlődési mintázatait, és a sorozat dinamikus tulajdonságait összefüggésbe kell hozni a modell képességeivel. A modellbe be kell helyezni azokat az adaptív tulajdonságokat, amelyek elegendőek ahhoz, hogy a modell adott pontossággal követhesse a valós folyamatot.

Sikerben azonban nem lehet reménykedni modell önadaptáció, általánosabb ahhoz képest, amely e folyamat tükrözéséhez szükséges, mert a paraméterek számának növekedése túlzottan érzékenysé teszi a rendszert, felhalmozódásához és a belőle nyert előrejelzések romlásához vezet. Az adaptív modell felépítésénél tehát választani kell egy általános és egy konkrét modell között, és ezek előnyeit és hátrányait mérlegelve előnyben kell részesíteni azt, amelyiktől a legkisebb előrejelzési hiba várható. Ezért szükség van bizonyos speciális modellek készletére, amelyek szerkezete és funkcionális tulajdonságai változatosak. A lehetséges alternatívák összehasonlításához szükség van egy modell hasznossági kritériumra. Míg egy ilyen kritérium általában ellentmondásos, rövid távú előrejelzés esetén az elfogadott kritérium általában az előrejelzési hiba átlagos négyzete. A modell minőségét a hibák autokorrelációjának jelenléte is megítéli. Fejlettebb rendszerekben a próba és hiba folyamata mind időben egymás utáni, mind párhuzamos (versenyző) modellmódosítások elemzése eredményeként valósul meg.

Rövid távú árfolyam-előrejelzés

Az árfolyamok dinamikájára vonatkozó információk kaotikus mozgás benyomását keltik: a csökkenő és emelkedő árfolyamok valamilyen véletlenszerű sorrendben váltják fel egymást. Még akkor is, ha hosszú távon van is egy trend, például a növekedés, a diagramon jól látható, hogy ez a trend összetett mozgásokon keresztül tör utat magának. árfolyam idősor. A sorozat iránya állandóan változik szabálytalan és gyakran ismeretlen erők hatására. A vizsgált objektum teljes mértékben ki van téve a világpiaci elemeknek, az árfolyam jövőbeni mozgásáról nincs pontos információ. Jóslatot kell készítenie. Ugyanakkor teljesen nyilvánvaló, hogy még a növekedési ütem jelét is megjósolják nagyon nehéz. Ezt általában olyan szakértők teszik meg, akik elemzik az aktuális piaci viszonyokat, és igyekeznek azonosítani azokat a tényezőket is, amelyek rendszeresen társulnak az árfolyam mozgásához (fundamentális elemzés). A formális modellek felépítése során egy sor jelentős tényezőt is igyekeznek azonosítani, és ezek alapján valamilyen mutatót felépíteni, de sem a szakértők, sem a formális módszerek eddig nem adtak jó stabil eredményt. Úgy gondoljuk, hogy ez elsősorban azzal magyarázható, hogy ha valóban létezik olyan tényezők köre, amelyek stabilan befolyásolják az árfolyamot, akkor azok hatását megbízhatóan elrejti egy egymásra épülő véletlenszerű komponens és kontroll akciók.

Ennek eredményeként ezeket a tényezőket és hatásukat nehéz elkülöníteni. Ezért a rövid távú kamat-előrejelzést tulajdonképpen egy elszigetelt idősor következetes mozgásának előrejelzésének feladatának kell tekinteni, aminek oka elsősorban a kis- és nagy pénzügyi szereplők masszív devizapiaci magatartása. , amelyek a pénzügyi tranzakciók nagy részét a valutával bonyolítják le. Ez a megközelítés annak tudható be Természetesen a valutajáték egyetlen résztvevője teljesen önkényesen megváltoztathatja stratégiáját. Márpedig feltételezhető, hogy a résztvevők teljes tömegének a keresleti-kínálati arányon keresztüli, az árfolyamot befolyásoló magatartása a jelenlegi időszakban bizonyos domináns logikával rendelkezik, amely a nagy számok törvényén keresztül tárul fel. Például, ha az árfolyam esik, megvehetik, további felértékelődésre számítva a jövőben. És a valuta iránti ilyen hatalmas kereslet valóban az árfolyam növekedéséhez vezet. Vagy fordítva, ha a valuta esése után megesik a benne vetett bizalom és további leértékelődése várható, akkor a tömeges kínálat érvényesül és az árfolyam még lejjebb esik. Megjegyzendő, hogy egy ilyen leegyszerűsített megközelítés mellett az idősorok dinamikája a devizapiaci szereplők tömeges viselkedésének kronologikus feljegyzéseként olvasható le. Ez lehetővé teszi, hogy a modell felépítésénél magából a sorozatból induljunk ki, további információk bevonása nélkül, és hogy a piaci szereplők tömeges magatartására vonatkozó összes érvet csak kvalitatív értelmezésre használjuk fel. Ha a sorozat dinamikájában legalább olyan rövid távú mintázatokat lehetne találni, amelyek 50%-nál nagyobb valószínűséggel realizálódnak, akkor ez okot adna a sikerre. Ekkor lehetőség nyílna statisztikai módszerek alkalmazásával az arányok előrejelzésére, az idősorok egymást követő eseményeinek többé-kevésbé stabil kapcsolatainak rögzítésére.

Ebben az esetben a következő feladat áll elő. Először ismerje meg bármely olyan statisztikai módszer alkalmazhatóságát az árfolyamok rövid távú előrejelzésére, amelyek célja ismétlődő események vagy viszonylag stabil összefüggésekkel jellemezhető helyzetek leírása. Másodszor, ha a statisztikai módszerek alkalmazhatók a probléma megoldására, akkor állítsa be a legígéretesebb osztályukat, jelezze jellemzők ezeket a módszereket, fordítson különös figyelmet a legegyszerűbbekre. Harmadszor, hogy példákkal mutassuk be a gyakorlati eredményeket. Megjegyzendő, hogy mindig is nagy figyelmet fordítottak az árfolyamok előrejelzésének kérdéseire. A kapcsolódó témájú publikációk közül kiemeljük például K. Granger és O. Morgenstern munkásságát (Granger Clive W.J., Morgenstern Oscar. Predictability of Stock market price. Massachusetts, 1970), amely a részvényárfolyamok dinamikáját vizsgálja. és kiterjedt bibliográfiát ad. Ez a monográfia valójában arra a következtetésre jut, hogy ha van ilyen sorozat, akkor a legvalószínűbb, hogy a szomszédos sebességnövekmények között létezik. Felmerül azonban a kérdés, hogy az árfolyamok teljesen véletlenszerű ingadozásait próbáljuk-e megjósolni. A válasz erre a kérdésre egy speciális tanulmányban található.

Modern előrejelzés

Az előrejelzés szerepének új szemlélete a döntéshozatali folyamat nélkülözhetetlen elemévé vált. Az előrejelzés szerepének erősödésének logikus következménye az előrejelzési becslések érvényességére és megbízhatóságára vonatkozó követelmények növekedése volt. A modern prognosztizálási apparátus ezen új követelményeknek való megfelelési szintje azonban továbbra is rendkívül alacsony. Akár adaptív modellek használata is, amelyek segítségével általában el lehet érni szükséges szint Az előrejelzett folyamatok leírásának megfelelősége csak részben oldja meg a megbízhatóság növelésének problémáját. A modern gazdaság olyan összetett dinamikájú folyamatokat generál, hogy mintázatainak azonosítása a modern előrejelzés apparátusával gyakran megoldhatatlan feladatnak bizonyul. Ennek az apparátusnak a továbbfejlesztéséhez mindenekelőtt új ötletekre és új megközelítésekre van szükség, amelyek alapján megvalósíthatóak a hatások hatására kialakult dinamika tükrözésének mechanizmusai és módjai, amelyeknek a lehetősége a jövőben történeti időszak adatai között nem található. Van egy egyértelmű ellentmondás, amelynek leküzdése hozzájárul egy új szemlélet kialakulásához előrejelzés mint proaktív reflexió valószínűségi környezetben objektív trendek és szubjektív elvárások alapján épített pálya formájában alkotott elképzeléseket a vizsgált folyamatról.

A gazdasági előrejelzés keretein belül az adaptív szemlélet kialakítása három irányban történik. Az első főként erre összpontosít szövődmények adaptív prediktív modellek. A második irány mögött meghúzódó gondolat az javulás előrejelzési modellek adaptív mechanizmusa. A harmadik irányban a megközelítés megvalósul megosztás adaptív elvek és egyéb előrejelzési módszerek, különösen a szimulációs modellezés. V.V. munkái Davnis.

A piac fejlődését meghatározza, de ennek az ellenkezője is igaz - az alapvető tényezőket a piac határozza meg, azaz a piaci szereplők magatartása, megítéléseik és elvárásaik. Ugyanakkor a piaci helyzet alakulásának helyes értékelésének képessége a piaci szereplők uralkodó várakozásainak előrejelzésének képességétől függ, nem pedig a való világ változásainak előrejelzésétől. Ezért az előrejelzés matematikai apparátusának fejlesztésére vonatkozó elképzelések nem veszik kellőképpen figyelembe a gazdasági rendszerek tevékenységének tulajdonságait, ami még nagy interpolációs pontosság mellett is csökkenti az előrejelzési becslések plauzibilitási szintjét. Ugyanakkor a csak szubjektív információkon alapuló előrejelzések a minőségi jellemzők előrejelzésére koncentrálnak, ezért felhasználásuk csak speciális esetekben lehetséges. Ez előtérbe helyezi az extrapoláció és a szubjektív becslések kombinációján alapuló előrejelzések összeállításának problémáját. Ezen a területen végeztek vizsgálatokat, azonban ezek eredményeinek elemzése kimutatta bennük a kreatív jelleg túlsúlyát, ami tulajdonképpen kb. belépő szint kombinált előrejelzések készítésének problémájának fejlesztése.

Irodalom

1. Szobolev V.V. Valuta kereskedés a pénzügyi piacokon / Yuzh.-Ros. állapot tech. un-t (NPI). - Novocherkassk, 2009. - 442 p.
2. Lukashin Yu. P. Az idősorok rövid távú előrejelzésének adaptív módszerei: Proc. juttatás. - M.: Pénzügy és statisztika, 2003. - 416 p.
3. Davnis V.V., Tinyakova V.I. Adaptív modellek: Elemzés és előrejelzés a gazdasági rendszerekben. - Voronyezs: Voronyezsi Kiadó. állapot un-ta, 2006.– 380 p.
4. Mishkin F. Pénz közgazdasági elmélete, banki és pénzügyi piacok: oktatóanyag egyetemeknek / Per. angolról. D.V. Vinogradov, szerk. NEKEM. Dorosenko. – M.: Aspect Press, 1999. – 820 p.
5. Lukasin Yu.P. A valutaárfolyamok rövid távú előrejelzésének lehetőségéről egyszerű statisztikai modellek segítségével // A Moszkvai Állami Egyetem közleménye. -1990. — Ser. 6. Gazdaság. -1. sz.-S. 75-84.
6. Szobolev V.V. Finanszírozók / South-Ros. állapot tech. un-t (NPI).–Novocherkassk, 2009.–315 p.
7. Soros J. A pénzügyek alkímiája: Angolból fordítva. – M.: „Infra-M”, 1996. – 416 p.

Fortrader Suite 11, Second Floor, Sound & Vision House, Francis Rachel Str. Victoria Victoria, Mahe, Seychelles +7 10 248 2640568 1

A cikk konkrét példákon keresztül tárgyalja az idő előrejelzésének különböző matematikai módszereit, beleértve az egyszerű extrapolációt, a növekedési rátákon alapuló módszereket és a matematikai modellezést. Megmutatjuk, hogy a módszer kiválasztása az előrejelzési alaptól függ - az előző időszak információitól.

előrejelzés

biostatisztika

1. Afanasjev V.N., Juzbasev M.M. Idősorelemzés és előrejelzés: Tankönyv. - M.: Pénzügy és statisztika, 2001. - 228 p.

2. Petri A., Sabin K. Vizuális statisztika az orvostudományban. - M.: GEOTAR-MED, 2003. - 144 p.

3. Sadovnikova N.A., Shmoylova R.A. Idősorelemzés és előrejelzés: Tankönyv. – M.: Szerk. Központ EAOI, 2001. - 67 p.

Általában előrejelzés alatt azt a folyamatot értjük, amelynek során a múltból származó néhány adat alapján megjósoljuk a jövőt, pl. az érdeklődés jelenségének időbeni fejlődését tanulmányozzák. Ekkor a megjósolt értéket az y=f(t) idő függvényének tekintjük. Az orvostudományban azonban másfajta prognózisokat is figyelembe vesznek: előrejelzik a diagnózist, egy új vizsgálat diagnosztikus értékét, az egyik tényező változását egy másik hatására stb.

A cikk célja az volt, hogy bemutasson különféle előrejelzési módszereket és megközelítéseiket helyes használat az orvostudományban.

A kutatás anyagai és módszerei

A cikkben a következő előrejelzési módszereket tárgyaljuk: egyszerű extrapolációs módszerek, mozgóátlag módszer, exponenciális simítási módszer, átlagos abszolút növekedés módszere, átlagos növekedési ütem módszere, matematikai modelleken alapuló előrejelzési módszerek.

Kutatási eredmények és megbeszélés

Mint már említettük, az előrejelzés néhány múltbeli információn alapul (előrejelzési alap). Az előrejelzési módszer választása előtt célszerű legalább minőségileg felmérni a vizsgált mennyiség korábbi időpillanatainak dinamikáját. A bemutatott grafikonok (1. ábra) azt mutatják, hogy ez eltérő lehet.

Rizs. 1. Példák a vizsgált mennyiség dinamikájára

Az első esetben (A diagram) a relatív stabilitás figyelhető meg, az átlagérték körüli enyhe ingadozásokkal. A második esetben (B grafikon) a dinamika lineárisan növekvő, a harmadik esetben (C grafikon) az időtől való függés nemlineáris, exponenciális. A negyedik eset (D diagram) olyan összetett ingadozások példája, amelyeknek több összetevője van.

A legelterjedtebb rövid távú (1-3 időszakos) előrejelzési módszer az extrapoláció, amely a korábbi minták jövőre való kiterjesztését jelenti. Az extrapoláció használata az előrejelzésben a következő feltételezéseken alapul:

A vizsgált jelenség egészének fejlődését sima görbe írja le;

A jelenség fejlődésének általános tendenciája a múltban és a jelenben a jövőben nem fog jelentős változáson menni.

Az egyszerű extrapolációs módszerek közül az első módszer a sorozatátlag módszer. Ennél a módszernél a vizsgált mennyiség előrejelzett szintjét egyenlőnek vesszük e mennyiség sorozatának múltbeli szintjeinek átlagértékével. Ezt a módszert akkor alkalmazzuk, ha az átlagos szint nem hajlamos változni, vagy ez a változás jelentéktelen (nincs egyértelmű trend, 1. ábra, A grafikon)

ahol yprog a vizsgált érték előrejelzett szintje; yi - az i-edik szint értéke; n - előrejelzési alap.

Bizonyos értelemben a megfigyeléssel lefedett idősor szegmense egy mintához hasonlítható, ami azt jelenti, hogy az eredményül kapott előrejelzés szelektív lesz, amelyre megadható egy konfidenciaintervallum.

ahol az idősor szórása; tα -Student teszt egy adott szignifikanciaszintre és a szabadságfokok számára (n-1).

Példa. táblázatban. Az 1. ábra az y(t) idősor adatait mutatja. Számítsa ki y előrejelzett értékét t =13 időpontban az átlagsoros módszerrel.

Asztal 1

Idősor adatok 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

Az eredeti és a simított sorozat a ábrán látható. 2, számítás y - táblázatban. 2.

Rizs. 2. Kezdeti és simított sorozat

2. táblázat

Az előrejelzés konfidencia intervalluma a t időpontban =13

A mozgóátlag módszer egy rövid távú előrejelzési módszer, amely a vizsgált érték szintjeinek simítására (szűrésre) épül. Elsősorban m intervallumú lineáris élsimító szűrőket használnak, pl.

.

Megbízhatósági intervallum

ahol az idősor szórása; tα - Student-féle teszt egy adott szignifikanciaszintre és a szabadságfokok számára (n-1).

Példa. táblázatban. A 3. ábra az y(t) idősor adatait mutatja. Számítsa ki a t =13 időpontban becsült y értéket mozgóátlag módszerrel m=3 simítási intervallum mellett.

Az eredeti és a simított sorozat a ábrán látható. 3, számítás y - táblázatban. négy.

3. táblázat

Idősor adatok y(t)

Rizs. 3. Kezdeti és simított sorozat

4. táblázat

Prediktív érték y

Az exponenciális simítási módszer egy olyan módszer, amelyben az előző szintek bizonyos súllyal vett értékeit használják fel az egyes szintek szintezésének folyamatában. Ahogy távolodik egy bizonyos szinttől, ennek a megfigyelésnek a súlya csökken. A szint simított értékét t időpontban a képlet határozza meg

ahol St az aktuális simított érték; yt - az eredeti sorozat aktuális értéke; St - 1 - előző simított érték; α - simítási paraméter.

S0 értéke egyenlő a sorozat első néhány értékének számtani átlagával.

Az α kiszámításához a következő képletet javasoljuk

Nincs konszenzus az α kiválasztásában, a modell optimalizálásának ez a problémája még nem megoldott. Egyes szakirodalom a 0,1 ≤ α ≤ 0,3 beállítást javasolja.

Az előrejelzés kiszámítása a következőképpen történik

.

Megbízhatósági intervallum

5. táblázat

Idősor adatok 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)

Az eredeti és a simított sorozat a ábrán látható. 4, y számítás - táblázatban. 6.

Rizs. 4. Kezdő és simított sorozat

6. táblázat

y előrejelzési érték t =11 időpontban

A következő előrejelzési módszer az átlagos abszolút növekedés módszere, a vizsgált mennyiség előrejelzett szintje ennek a mennyiségnek a múltban bekövetkezett átlagos abszolút növekedésének megfelelően változik. Ezt a módszert akkor alkalmazzuk, ha a dinamika általános trendje lineáris (az 1. ábra B grafikonján látható esetre).

ahol ; y0 - az extrapoláció alapszintje az eredeti sorozat utolsó néhány értékének átlagaként van kiválasztva; - átlagos abszolút növekedés a sorozat szintjén; l az előrejelzési intervallumok száma.

A sorozat utolsó értékeinek átlagértéke, maximum három, alapszintnek számít.

7. táblázat

Idősor adatok y(t)

				Előrejelzés = 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

Az eredeti és a simított sorozat a ábrán látható. 5.

Rizs. 5. Kezdeti és simított sorozat

Átlagos növekedési ütem módszere

A vizsgált mennyiség előrejelzett szintje ennek a mennyiségnek a múltbeli átlagos növekedési ütemének megfelelően változik. Ezt a módszert akkor alkalmazzuk, ha a dinamika általános trendjét exponenciális vagy exponenciális görbe jellemzi (1B. ábra).

hol van az átlagos növekedési ütem a múltban; l az előrejelzési intervallumok száma.

A prediktív becslés attól függ, hogy az y0 alapszint milyen irányban tér el a fő trendtől (trend), ezért ajánlatos az y0-t a sorozat utolsó néhány értékének átlagaként kiszámítani.

8. táblázat

Idősor adatok 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

Az eredeti és a simított sorozat a ábrán látható. 6.

Rizs. 6. Kezdő és simított sorozat

A mai napig a leggyakoribb előrejelzési módszer a trend analitikus kifejezésének (egyenletének) megtalálása. Az extrapolált jelenség trendje az idősorok fő trendje, bizonyos mértékig véletlenszerű hatásoktól mentes.

Az előrejelzés kialakítása abból áll, hogy meghatározzuk az y=f(t) extrapoláló függvény típusát, amely a vizsgált érték időfüggőségét fejezi ki a kezdeti megfigyelt adatok alapján. Az első lépés az optimális függvénytípus kiválasztása, amely a legjobban leírja a trendet. A leggyakrabban használt függőségek a következők:

Lineáris ;

parabolikus ;

Exponenciális függvény ;

A lineáris függvény együtthatóinak megtalálásának és az arra épülő előrejelzésnek a problémáit a „regressziós elemzés” statisztikai rész tárgyalja. Ha a trendet leíró görbe alakja nem lineáris, akkor az y=f(t) függvény becslésének feladata bonyolultabbá válik, és ebben az esetben biostatisztikusokat kell bevonni az elemzésbe és számítógépes programokat kell használni a statisztikai adatokhoz. adatfeldolgozás.

A legtöbb valós esetben az idősor egy összetett görbe, amely a trend, a szezonális, ciklikus és véletlenszerű összetevők összegeként vagy szorzataként ábrázolható.

A tendencia a folyamat zökkenőmentes változása az idő múlásával, és hosszú távú tényezők hatásának köszönhető. A szezonális hatás olyan tényezők jelenlétéhez kapcsolódik, amelyek előre meghatározott periodikussággal hatnak (például évszakok, holdciklusok). A ciklikus komponens a relatív emelkedés és esés hosszú periódusait írja le, és változó időtartamú és amplitúdójú ciklusokból áll (például egyes járványok hosszú ciklikus jellegűek). A sorozat véletlenszerű összetevője számos véletlenszerű tényező hatását tükrözi, és változatos szerkezetű lehet.

Következtetés

Az egyszerű extrapoláció, a mozgóátlagok módszere, az exponenciális simítás módszerei a legegyszerűbbek, egyben a legközelítőbbek - ez látható a megadott példák széles konfidencia intervallumaiból. Erős szintingadozások esetén nagy előrejelzési hiba figyelhető meg. Meg kell jegyezni, hogy tilos ezeket a módszereket használni, ha a kezdeti idősorban egyértelműen emelkedő (vagy csökkenő) trend van. Mindazonáltal a rövid távú előrejelzéseknél ezek használata indokolt.

Az idősorok összes komponensének elemzése és az ezek alapján történő előrejelzés nem triviális feladat, az „idősorelemzés” statisztikai rovatban foglalkozik, és speciális képzést igényel.

Bibliográfiai link

Koichubekov B.K., Sorokina M.A., Mkhitaryan K.E. AZ ELŐREJELZÉS MATEMATIKAI MÓDSZEREI AZ ORVOSTAN // A modern természettudomány sikerei. - 2014. - 4. szám - P. 29-36;
URL: http://natural-sciences.ru/ru/article/view?id=33316 (hozzáférés dátuma: 2019.03.30.). Felhívjuk figyelmüket a Természettudományi Akadémia kiadója által kiadott folyóiratokra.

közzétett http://www.allbest.ru/

Terv

Bevezetés

1. A közgazdasági és matematikai előrejelzés módszereinek lényege és osztályozása

1.1 A gazdasági és matematikai előrejelzés alapvető módszerei

1.2 A szcenárió szakértői előrejelzés technológiájának főbb gondolatai

2. Információs technológiák alkalmazása a gazdasági és matematikai előrejelzésben

Következtetés

Felhasznált irodalom jegyzéke

Bevezetés

Hazánk 1980-as évek végére formálódó gazdasági rendszerét a termelés viszonylag magas anyag- és tőkeintenzitása, a tudományos és technológiai fejlődés alacsony üteme, valamint a gazdaság jelentős egyensúlytalansága jellemezte. Az alacsony munkatermelékenységgel, a műszaki és technológiai elmaradottsággal, a környezet leromlásával, az ipari termelés alacsony szintjével és a szerkezeti egyensúlytalanságokkal kapcsolatos problémákat gazdasági reformokkal kellett megoldani.

A több éves gazdasági reformok során csak néhány taktikai feladatot oldottak meg, különösen a lakosság pénzkereslete és a fogyasztási cikkek kínálata közötti arány javítását. De ezt nem az utóbbiak kibocsátásának növelésével, hanem a lakosság nagy részének reáljövedelmének csökkentésével érték el.

A jelenlegi társadalmi-gazdasági helyzet Orosz Föderáció akut strukturális válság jellemzi, amely az életszínvonal meredek csökkenéséhez vezetett. Ez a válság többek között az ipari és fogyasztási cikkek kibocsátásának csökkenésében, illetve számos esetben az ipari vállalkozások termelési és gazdasági tevékenységének megszűnésében nyilvánul meg. A jelenlegi helyzet eredményeként - a szociális szükségletekre fordított kiadások csökkentése. A válsághelyzet másik fontos aspektusa, hogy a hazai termelők számára nemcsak a nemzetközi, hanem a hazai regionális piacok is elvesztek.

A hazai termelés visszaesése természetesen előre meghatározza az ipari cikkek, és különösen a fogyasztási cikkek széles körű importjának szükségességét, különös tekintettel az olyan fontos cikkekre, mint az élelmiszer. Az import bővüléséhez viszont az export ösztönzése szükséges a devizavásárláshoz. De azóta nemzetközi piacokon a hazai termékeknek jelenleg nincs piaca (különböző okok miatt - rossz minőség, versenyképesség hiánya stb.), akkor nyersanyagok exportra kerülnek - olaj, gáz, érc, fa, ami rendkívül negatív hatással van a Általános állapot az ország gazdasága.

A felmerült problémákat akkor sem lehet megoldani, ha az inflációs folyamat üteme lassul. Ráadásul az ipari termelés számos ágában a kis részesedésű beruházások a gazdasági folyamatok világos, valós tervezésének és előrejelzésének hiányában abszolút eredménytelenek.

A közgazdasági kutatások és előrejelzések jelenlegi eredményessége nagymértékben függ attól, hogy mennyire és pontosan tükrözik a gazdasági folyamatok jellemzőit. Ugyanakkor a kutatások megbízhatóságára és megbízhatóságára leginkább azok a mutatók hatnak, amelyek a gazdasági folyamatok összetettségének, gyorsaságának, bizonytalanságának növekedését és a lehetséges alternatívák számát jellemzik.

Vezetői döntések előkészítése és meghozatala jelenlegi szakaszában a gazdasági folyamatok nagymértékű dinamikus változásaiért, azok meredeken megnövekedett összetettségéért, határozatlanságáért és nemlinearitásáért felelős. Ugyanakkor a gazdasági folyamatok fejlődésének prediktív lehetőségeinek kidolgozásakor figyelembe kell venni azok további fejlődésének összetettségét, következetességét, többtényezős és többváltozós jellegét.

A munka célja az előrejelzés közgazdasági és matematikai módszereinek lényegének, osztályozásának, eszközeinek tanulmányozása.

1) a gazdasági és matematikai előrejelzési módszerek lényegének és osztályozásának tanulmányozása

2) mérlegelje az információs technológia felhasználását a gazdasági és matematikai előrejelzésben

1. A módszerek lényege és osztályozásagazdasági és matematikaielőrejelzés

1.1 A gazdasági és matematikai előrejelzés alapvető módszerei

Tekintsük röviden a társadalmi-gazdasági területen alkalmazott különféle előrejelzési módszereket (előrejelzés, extrapoláció). Az előrejelzéshez van nagy szám kiadványok. Az ökonometria részeként létezik egy „Az előrejelzés matematikai módszerei” tudományos és oktatási tudományág. Célja a társadalmi-gazdasági jelenségek és folyamatok ökonometriai (különösen statisztikai, szakértői, kombinált) előrejelzésének korszerű matematikai módszereinek kidolgozása, tanulmányozása és alkalmazása, és a módszereket olyan szintre kell kidolgozni, amely lehetővé teszi azok alkalmazását. közgazdász, mérnök és menedzser gyakorlati tevékenysége.

Ennek a tudományágnak a fő céljai közé tartozik a modern matematikai és statisztikai előrejelzési módszerek kifejlesztése, tanulmányozása és alkalmazása (beleértve a nem paraméteres legkisebb négyzetek módszereit az előrejelzési pontosság becslésével, az adaptív módszereket, az autoregresszív módszereket stb.), a szakértői elmélet és gyakorlat fejlesztése. előrejelzési módszerek, ideértve a nem numerikus adatok statisztikáin alapuló szakértői értékelések elemzésére szolgáló módszereket, kockázati feltételek melletti előrejelzési módszereket, valamint a gazdasági-matematikai és ökonometriai (statisztikai és szakértői) modelleket együttesen alkalmazó kombinált előrejelzési módszereket. Az előrejelzési módszerek elméleti alapját a matematikai tudományágak (elsősorban a valószínűségszámítás és a matematikai statisztika, a diszkrét matematika, az operációkutatás), valamint a gazdaságelmélet, a gazdaságstatisztika, a menedzsment, a szociológia, a politikatudomány és más társadalom-gazdaságtudományok képezik.

A tudományos menedzsment megalapítója, Henri Fayol kora óta általánosan elfogadott tény, hogy az előrejelzés és a tervezés a vezetői munka alapja. Az ökonometriai előrejelzés lényege a jövőbeli fejlődés leírása és elemzése, ellentétben a tervezéssel, amelyben a jövő mozgását direktíven állítják be. Például az előrejelző következtetése lehet, hogy egy óra alatt legfeljebb 5 km-t gyalogolhatunk A ponttól, és a tervező jelzése szerint egy óra múlva a B pontban kell lennünk. Nyilvánvaló, hogy ha az A és a B legfeljebb 5 km, akkor a terv valós (megvalósítható), ha pedig több mint 10 km, akkor az adott feltételek mellett nem valósítható meg. El kell hagyni az irreális tervet, vagy át kell váltani más feltételekre a megvalósításhoz, például nem gyalog, hanem autóval kell mozogni. A vizsgált példa bemutatja az előrejelzési módszerek lehetőségeit és korlátait. Ezek a módszerek ugyanis a helyzet alakulásának bizonyos stabilitása mellett sikeresen alkalmazhatók, és hirtelen változásokkal kudarcot vallanak.

Az előrejelzési módszerek egyik alkalmazása a változtatások szükségességének azonosítása „abszurdig redukálva”. Például, ha a Föld népessége 50 évente megduplázódik, akkor nem nehéz kiszámolni, hány év múlva lesz 10 000 ember négyzetméterenként a Föld felszínén. Egy ilyen előrejelzésből az következik, hogy a népességnövekedés mintáinak változniuk kell.

Az előrejelzés során feltárt nemkívánatos trendek számbavétele lehetővé teszi a szükséges intézkedések megtételét azok megelőzésére, és ezáltal az előrejelzés megvalósításának akadályozására.

Vannak önbeteljesítő jóslatok is. Például, ha egy esti televíziós műsor egy bank küszöbön álló csődjét jósolja, reggelente ennek a banknak a betétesei kívánják megkapni a pénzüket, tömeg gyűlik össze a bank bejáratánál, és a banki műveleteket le kell állítani. Az újságírók a következő szavakkal írják le ezt a helyzetet: "A bank szétrobbant." Ehhez általában elég, ha a betétesek egy "tökéletes" (banki) pillanatban a források jelentős részét (mondjuk 30%-át) ki akarják venni a betétszámlákról.

Az előrejelzés a modellezés egy sajátos típusa, amely a tudás és az ellenőrzés alapja.

Az előrejelzés szerepe egy ország, iparág, régió, vállalkozás irányításában nyilvánvaló. Figyelembe kell venni a STEP-tényezőket (társadalmi, technológiai, gazdasági, politikai), a versenykörnyezet és a tudományos-technológiai haladás tényezőit, valamint előre jelezni a vállalkozások és a társadalom egészének költségeit és bevételeit (a 2011. évi CXVII. termékek életciklusa – időben és 11 szakaszban az ISO 9004 nemzetközi szabvány szerint). Az ökonometriai előrejelzés matematikai módszereinek megvalósításának és gyakorlati alkalmazásának problémái elsősorban azzal függnek össze, hogy hazánkban nem áll rendelkezésre kellően kiterjedt ilyen jellegű vizsgálati tapasztalat, hiszen évtizedek óta a tervezést élvezik az előrejelzéssel szemben.

Statisztikai előrejelzési módszerek. Az előrejelzéshez használt függőségek helyreállításának legegyszerűbb módszerei egy adott idősoron alapulnak, pl. az időtengely véges számú pontjában meghatározott függvény. Ebben az esetben az idősort gyakran valószínűségi modell keretein belül veszik figyelembe, az időn kívül más tényezőket (független változókat) is bevezetnek, például a pénzkínálat mennyiségét (M2 aggregált). Az idősor lehet többdimenziós, pl. a válaszok (függő változók) száma egynél több is lehet. A főbb megoldandó feladatok az interpoláció és az extrapoláció. A legkisebb négyzetek módszerét a legegyszerűbb esetben (egy tényező lineáris függvénye) K. Gauss dolgozta ki több mint két évszázaddal ezelőtt, 1794-1795-ben. A változók előzetes transzformációja hasznos lehet.

Az inflációs index és a fogyasztói kosár költségének előrejelzésében a Magas Statisztikai Technológiai és Ökonometriai Intézetben gyűltek össze tapasztalatok. Ugyanakkor hasznosnak bizonyult egy változó - az aktuális inflációs index - átalakítása (logaritmusa). Jellemző, hogy stabil körülmények között az előrejelzés pontossága meglehetősen kielégítőnek bizonyult - 10-15%. Az 1996 őszére jósolt jelentős árszínvonal-emelkedés azonban nem valósult meg. Az a helyzet, hogy az ország vezetése átállt arra a stratégiára, hogy a fogyasztói árak növekedését a bérek és nyugdíjak masszív nemfizetésével fékezze meg. Megváltoztak a körülmények – a statisztikai előrejelzés pedig használhatatlannak bizonyult. A moszkvai vezetés döntéseinek hatása abban is megmutatkozott, hogy 1995 novemberében (a parlamenti választások előtt) Moszkvában átlagosan 9,5%-kal csökkentek az árak, bár általában a novembert a többi országhoz képest gyorsabb drágulás jellemzi. december és január kivételével.

A leggyakrabban használt módszer a legkisebb négyzetek módszere, több tényezővel. A legkisebb modulok módszerét és az egyéb extrapolációs módszereket kevésbé használják, bár statisztikai tulajdonságaik gyakran jobbak. Nagy szerep szerepet játszik a hagyomány és az ökonometriai előrejelzési módszerek általános alacsony szintű ismerete.

Az előrejelzés pontosságának értékelése a minősített előrejelzési eljárás elengedhetetlen része. Ilyenkor általában valószínűségi-statisztikai függőségi helyreállítási modelleket használnak, például a maximum likelihood módszerrel építik fel a legjobb előrejelzést. Paraméteres (általában a normál hibák modelljén alapuló) és nem paraméteres becsléseket dolgoztak ki az előrejelzés pontosságára és a rá vonatkozó megbízhatósági határokra (a valószínűségszámítás központi határtétele alapján). Így két idősor átfedési (találkozási) pontjának konfidenciabecslési módszereit javasoltuk és tanulmányoztuk, és ezek alkalmazását saját termékeink és a versenytársak világpiacon bemutatott termékei műszaki színvonalának dinamikájának felmérésére.

Olyan heurisztikus technikákat is alkalmaznak, amelyek nem alapulnak semmilyen elméleten: a mozgóátlagok módszere, az exponenciális simítás módszere.

Az adaptív előrejelzési módszerek lehetővé teszik az előrejelzések gyors korrigálását, amikor új pontok jelennek meg. A modellparaméterek becslésére szolgáló adaptív módszerekről és a nem paraméteres becslés adaptív módszereiről beszélünk. Vegyük észre, hogy a számítógépek számítási teljesítményének fejlődésével a számítási mennyiség csökkentésének problémája elveszti jelentőségét.

A többváltozós regresszió, beleértve a nem paraméteres eloszlássűrűség-becslések használatát, jelenleg a fő ökonometriai előrejelzési eszköz. Hangsúlyozzuk, hogy nem szükséges a mérési hibák és a regressziós egyenestől (felülettől) való eltérések normalitásáról szóló irreális feltételezés alkalmazása. A normalitás feltevés elhagyásához azonban más matematikai apparátusra kell támaszkodni, amely a valószínűségszámítás többdimenziós centrális határérték-tételén és a linearizálás ökonometriai technológiáján alapul. Lehetővé teszi a paraméterek pont- és intervallumbecslésének végrehajtását, a 0-tól való eltérés jelentőségének ellenőrzését egy nem-paraméteres megfogalmazásban, valamint megbízhatósági korlátok felépítését az előrejelzéshez.

Nagyon fontos a modell megfelelőségének ellenőrzése, valamint a faktorok kiválasztásának problémája. A tény az, hogy a választ befolyásoló tényezők a priori listája általában nagyon kiterjedt, kívánatos csökkenteni, és a modern ökonometriai kutatások nagy területét szentelik a "informatív jellemzők készletének" kiválasztásának módszereinek. Ezt a problémát azonban még nem sikerült véglegesen megoldani. Szokatlan hatások jelennek meg. Így megállapítást nyert, hogy a polinom fokára általánosan használt becslések geometriai eloszlásúak. Ígéretesek a nem paraméteres módszerek a valószínűségi sűrűség becslésére és ezek alkalmazása egy tetszőleges forma regressziós függésének helyreállítására. Az ezen a területen a legáltalánosabb állításokat nem numerikus adatstatisztikai megközelítésekkel kapjuk.

A modern statisztikai előrejelzési módszerek közé tartoznak az autoregresszív modellek, a Box-Jenkins-modell, a parametrikus és nem-paraméteres megközelítéseken alapuló ökonometriai egyenletrendszerek is.

Az aszimptotikus eredmények véges (ún. "kis") mintaméretekre történő alkalmazásának lehetőségének megállapításához a számítógépes statisztikai technológiák hasznosak. Lehetővé teszik különféle szimulációs modellek készítését is. Vegye figyelembe az adatterjesztési módszerek (bootstrap módszerek) hasznosságát. A számítógép-intenzív előrejelző rendszerek egyetlen előrejelző munkaállomáson belül kombinálják a különböző előrejelzési módszereket.

A nem numerikus adatokon alapuló előrejelzés, különösen a minőségi jellemzők előrejelzése a nem numerikus adatok statisztikai eredményein alapul. Az előrejelzés szempontjából nagyon ígéretesek az intervallumadatokon alapuló regressziós elemzések, beleértve különösen a jegyzet és a racionális mintanagyság meghatározását és kiszámítását, valamint a fuzzy adatok regressziós elemzését. A regresszióanalízis általános megfogalmazása a nem numerikus adatok statisztikájának keretein belül és egyedi esetei - varianciaanalízis és diszkriminancia analízis (tanárral végzett mintafelismerés), amely a formálisan eltérő módszerek egységes megközelítését adja, hasznos a szoftveres implementációban. korszerű statisztikai előrejelzési módszerek.

Szakértői előrejelzési módszerek. A szakértői előrejelzési módszerek alkalmazásának szükségessége és általános ismerete a döntéshozatalban a vezetés különböző szintjein - ország, iparág, régió, vállalkozás szintjén. Megfigyeljük a szakértelem nagy gyakorlati jelentőségét a beruházási és innovatív projektek összehasonlításában és kiválasztásában, a projektmenedzsmentben és a környezetvédelmi felülvizsgálatokban. A döntéshozók (DM) és a szakértők (szakértők) szerepe a döntéshozatali eljárásokban, a döntési kritériumok és a szakértői értékelések helye a döntéshozatali eljárásokban az előzőekben tárgyalt. Az előrejelzésben elterjedt speciális szakértői eljárásokra példaként a Delphi módszert és a szcenárió módszert emeljük ki. Ezek alapján speciális döntés-előkészítési és döntéshozatali eljárásokat alakítanak ki szakértői értékelési módszerekkel, például kutatási finanszírozás elosztási eljárásaival (pontszámok vagy páros összehasonlítások alapján), megvalósíthatósági tanulmányokkal, íróasztali marketingkutatással (szemben a „terepi” szelektív módszerekkel). kutatás ), a beruházási projektek értékelése, összehasonlítása és kiválasztása.

Az előrejelzés feladatai kapcsán idézzük fel a szakértői vizsgálat tervezésének és megszervezésének néhány szempontját. Munkacsoportot és szakértői bizottságot kell létrehozni. Nagyon fontos szakaszok a szakértői tanulmány céljainak kialakítása (információgyűjtés a döntéshozó számára és/vagy határozattervezet készítése a döntéshozó számára stb.), valamint a szakértői bizottság összetételének kialakítása (módszerei). listák (nyilvántartások), "hógolyó", önértékelés, kölcsönös értékelés) a probléma előzetes megoldásával a szakértők előzetes preferenciáival. Szakértői vizsgálat lebonyolításának különböző lehetőségei, eltérőek a fordulók száma (egy, több, nem rögzített), a szakértők bevonásának sorrendje (egyidejűleg, egymás után), a vélemények figyelembevételének módja (súlyozással, súlyozás nélkül), a a szakértők közötti kommunikáció megszervezése (kommunikáció nélkül, távollétében, személyes megkötések („brainstorming”) vagy korlátozások nélkül) lehetővé teszi egy adott szakértői tanulmány sajátosságainak figyelembevételét. Számítógépes támogatás a szakértők és a munkacsoport tevékenységéhez, gazdasági kérdések a szakértői értékelés elvégzése elengedhetetlen a szakértői értékelés sikeres lefolytatásához.

A szakértői értékelések különféle matematikai formákban szerezhetők be. A leggyakrabban használt mennyiségi vagy kvalitatív (sorrendi, nominális) előjelek, bináris relációk (rangsorok, partíciók, tűréshatárok), intervallumok, fuzzy halmazok, páros összehasonlítások eredményei, szövegek stb. A (reprezentatív) méréselmélet alapfogalmai: alaptípusok skálák, elfogadható átalakítások, megfelelő következtetések stb. - fontosak a szakértői értékelés szempontjából. A fő mérési skáláknak megfelelő átlagértékeket kell használni. A mérések reprezentatív elmélete a különböző minősítési típusok vonatkozásában lehetővé teszi azok prognosztikai helyzetben való megfelelőségének meghatározását, az előrejelzési célokra leghasznosabbak javaslatát.

Például a politikusok befolyásuk szerinti értékelésének elemzése, amelyet az egyik ismert országos lap közölt, azt mutatta, hogy az alkalmazott matematikai apparátus elégtelensége miatt csak az első 10 helynek lehet valamilyen kapcsolata a valósággal. (más adatelemzési módszerre váltva nem változnak). , azaz nem függenek a Munkacsoport tagjainak szubjektivitásától), a többi „információs zaj”, a prediktív elemzés során ezekre támaszkodni csak hibákhoz vezet. Ami ennek az újságnak a minősítésének kezdeti részét illeti, az is megkérdőjelezhető, de mélyebb okokból, például a szakértői bizottság összetételével kapcsolatosan.

A prediktív szakértői értékelések feldolgozásának fő eljárásai a következetesség-ellenőrzés, a klaszterelemzés és a csoportvélemény megállapítása.

A szakértői vélemények rangsorokkal kifejezett konzisztenciájának ellenőrzése a Kendall és Spearman rangkorrelációs együttható, valamint a Kendall és Babington Smith rangkonkordancia együttható segítségével történik. A páros összehasonlítások paraméteres modelljeit - Thurstone, Bradley-Terry-Lews - és a Lucians-elmélet nem-paraméteres modelljeit (Luciansról) használják.

Konzisztencia hiányában a szakértői vélemények hasonló csoportokra bontása a legközelebbi szomszéd módszerével vagy más klaszteranalízis módszerrel történik (automatikus osztályozás, tanár nélküli mintafelismerés). A Lucianok osztályozása valószínűségi-statisztikai modell alapján történik.

A szakértői bizottság végső véleményének kialakítására különféle módszereket alkalmaznak. Az átlagos besorolás módszere az egyszerűségével tűnik ki. A számítógépes modellezés lehetővé tette a kemenyi medián számos tulajdonságának megállapítását, amelyet gyakran javasolnak egy szakértői bizottság végső (általánosított, átlagos) véleményeként használni. A nagy számok törvényének értelmezése nem numerikus adatokra a szakértői felméréselmélet szempontjából a következő: a végső vélemény stabil, i.e. a szakértői bizottság összetételének változásával keveset változik, a szakértői létszám növekedésével pedig megközelíti az "igazit". Ugyanakkor az elfogadott megközelítésnek megfelelően feltételezzük, hogy a szakértők válaszai hibás mérési eredményeknek tekinthetők, mindegyik független, azonos eloszlású véletlenszerű elem, egy adott érték elfogadásának valószínűsége csökken a távolság függvényében. egy bizonyos központ - "igazság", és a szakértők teljes száma elegendő nagy.

Az előrejelzési módszerek alkalmazásának problémái kockázati körülmények között. Számos példa van társadalmi, technológiai, gazdasági, politikai, környezeti és egyéb kockázatokkal kapcsolatos helyzetekre. Általában ilyen helyzetekben van szükség előrejelzésre. ismert különböző fajták a döntéshozatal elméletében használt kritériumok a bizonytalanság (kockázat) körülményei között. A különböző szempontok alapján meghozott döntések következetlensége miatt nyilvánvaló a szakértői értékelések alkalmazásának szükségessége.

Konkrét előrejelzési feladatokban szükséges a kockázatok osztályozása, konkrét kockázat értékelésének feladat meghatározása, kockázati strukturálás elvégzése, így különösen okfák (egyéb terminológia, hibafák) és következményfák (eseményfák) építése. A központi feladat csoportos és általánosított mutatók, például versenyképességi és minőségi mutatók felépítése. Figyelembe kell venni a kockázatokat a meghozott döntések gazdasági következményeinek, a fogyasztók magatartásának és a versenykörnyezetnek, Oroszország külső gazdasági feltételeinek és makrogazdasági fejlődésének, a környezet ökológiai állapotának, a technológiák biztonságának és a fogyasztók környezeti kockázatának előrejelzésekor. ipari és egyéb létesítmények. A forgatókönyv módszere elengedhetetlen a balesetek műszaki, gazdasági és társadalmi következményeinek elemzéséhez.

Az előrejelzési módszerek alkalmazása kockázatokkal járó helyzetekben bizonyos sajátosságokat mutat. A veszteségfüggvény és becslési módszereinek szerepe közgazdasági szempontból is nagy. Bizonyos területeken valószínűségi biztonsági elemzést alkalmaznak (a nukleáris energia) és egyéb speciális módszerek.

Modern számítástechnikai előrejelzés. Ígéretesek az ökonometriai adatbázisokat, szimulációs adatbázisokat (ideértve a Monte Carlo-módszeren alapulókat, azaz a statisztikai tesztek módszerét is) alkalmazó interaktív előrejelzési módszerek, valamint a szakértői, statisztikai és modellező blokkokat ötvöző gazdasági és matematikai dinamikus modellek. Figyeljünk a szakértői értékelés módszerei és a szakértői rendszerek közötti hasonlóságokra és különbségekre. Azt mondhatjuk, hogy a szakértői rendszer úgy modellezi a szakértő viselkedését, hogy tudását speciális technológia segítségével formalizálja. De az "élő szakértő" megérzése nem ültethető be a számítógépbe, és amikor a szakértő véleményét formalizálják (sőt, kihallgatása során), egyes elképzeléseinek finomításával együtt mások eldurvulnak. Vagyis a szakértői értékelések alkalmazásakor közvetlenül a magasan kvalifikált szakemberek tapasztalataihoz, megérzéseihez fordulnak, szakértői rendszerek használatakor pedig számítástechnikai és következtetési számítástechnikai algoritmusokkal foglalkoznak, amelyek elkészítésében egykoron szakértők vettek részt. adatforrás és standard következtetések.

Figyeljünk a kibocsátás és a termelési tényezők kapcsolatát statisztikailag leíró termelési függvények előrejelzésben való alkalmazásának lehetőségére, a tudományos és technológiai fejlődés figyelembevételének különféle módjaira, különösen trendelemzés alapján és szakértő segítségével. növekedési pontok azonosítása. A szakirodalomban mindenféle gazdasági előrejelzésre található példa. A mai napig számítógépes rendszereket és szoftvereszközöket fejlesztettek ki a kombinált előrejelzési módszerekhez.

gazdasági matematikai előrejelzés információs

1. 2 A szcenárió szakértői előrejelzés technológiájának főbb gondolatai

Mint már említettük, a társadalmi-gazdasági előrejelzés, mint általában minden előrejelzés, csak bizonyos stabil feltételek mellett lehet sikeres. A hatóságok, egyének döntései, egyéb események azonban megváltoztatják a feltételeket, az események a korábban várttól eltérő módon alakulnak. Objektíven vannak választási pontok (furkációk), amelyek után az előrejelzők által figyelembe vett fejlődés több lehetséges út valamelyikén haladhat (ezeket az utakat szokás forgatókönyveknek nevezni). A választást meg lehet tenni különböző szinteken- egy konkrét személy (más munkahelyre vált vagy marad), menedzser (egyik vagy másik márkájú termék előállítása), versenytársak (együttműködés vagy küzdelem), hatalmi struktúrák (egyik vagy másik adórendszer választása), az ország lakossága (választás az elnök), "a nemzetközi közösség" (szankciókat bevezetni vagy sem Oroszország ellen).

Vegyünk egy példát. Nyilvánvaló, hogy az 1996-os elnökválasztás első fordulója után a társadalmi-gazdasági események további alakulásáról csak forgatókönyvekben lehetett beszélni: ha B.N. Jelcin, akkor ez és ez megtörténik, ha G. A. nyer. Zjuganov, akkor az események így és úgy fognak menni.

Például a munka a bruttó dinamikájának előrejelzésére irányult hazai termék(GDP) 9 évre (1999-2007). Megvalósítása során egyértelmű volt, hogy ez idő alatt különböző politikai eseményekre, különösen legalább két ciklus parlamenti és elnökválasztásra kerül sor (a jelenlegi politikai struktúra megőrzése mellett), amelyek eredményeit nem lehetett egyértelműen megjósolni. . Ezért a GDP-dinamika előrejelzése minden forgatókönyvre külön-külön csak egy bizonyos tartományból készíthető, lefedve Oroszország társadalmi-gazdasági dinamikájának lehetséges útjait.

A forgatókönyv-módszerre nem csak a társadalmi-gazdasági téren van szükség. Például vegyészmérnöki projektek kockázatelemzésének módszertani, szoftveres és információs támogatásának kidolgozásakor részletes katalógust kell összeállítani a mérgező vegyi anyagok szivárgásával kapcsolatos baleseti forgatókönyvekről. Ezen forgatókönyvek mindegyike a saját típusú balesetet írja le, saját egyéni eredetével, fejlődésével, műszaki, gazdasági és társadalmi következményeivel, valamint figyelmeztető képességeivel.

A forgatókönyv-módszer tehát az előrejelzési feladat bontásának (részekre bontásának) módszere, amely az események (forgatókönyvek) alakulására olyan egyedi opciók halmazának kiválasztását biztosítja, amelyek együttesen lefedik az összes lehetséges fejlesztési lehetőséget. Ugyanakkor minden egyes forgatókönyvnek lehetővé kell tennie kellően pontos előrejelzést, és láthatónak kell lennie a forgatókönyvek teljes számának.

Az ilyen bomlás lehetősége nem nyilvánvaló. A forgatókönyv-módszer alkalmazásakor a vizsgálat két szakaszát kell elvégezni:

Átfogó, de kezelhető forgatókönyvkészlet felépítése;

Előrejelzés az egyes forgatókönyveken belül, hogy választ kapjunk a kutatót érdeklő kérdésekre.

Ezen szakaszok mindegyike csak részben formalizált. Az érvelés jelentős része a társadalmi-gazdasági és humán tudományokban megszokott módon minőségi szinten történik. Ennek egyik oka, hogy a túlzott formalizálás és matematizálás iránti vágy a bizonyosság mesterséges bevezetéséhez vezet ott, ahol az lényegében nem létezik, vagy egy nehézkes matematikai apparátus alkalmazásához. Így a verbális szintű érvelést a legtöbb döntési helyzetben bizonyíték alapúnak tekintik, míg a használt szavak jelentésének tisztázására tett kísérlet, például a fuzzy halmazelmélet segítségével, igen nehézkes matematikai modellekhez és számításokhoz vezet.

A forgatókönyvek kimerítő, de jól látható halmazának felépítéséhez először is elemezni kell a vizsgált gazdasági szereplő és környezete társadalmi-gazdasági fejlődésének dinamikáját. A jövő gyökerei a jelenben és a múltban vannak, és gyakran a nagyon távoli múltban. A csak véletlenszerűnek vagy kicsinek nem tekinthető hibákkal ismert makro- és mikroökonómiai jellemzők mellett figyelembe kell venni a hazai tömegtudat állapotát, dinamikáját, a politikai, ezen belül a külpolitikai realitásokat, hiszen az általában figyelembe vett időben intervallumban (legfeljebb 10 év), a gazdaság gyakran követi a politikát, nem pedig fordítva.

Így például 1985 elejére a Szovjetunió gazdasága meglehetősen stabil állapotban volt, átlagosan 3-5%-os éves növekedéssel. Ha az ország vezetése mások kezében lenne, akkor a fejlődés ugyanabban a körülmények között folytatódna, és az ezredforduló végére a Szovjetunió GDP-je 50%-kal nőtt volna, és megközelítőleg 150%-át tette volna ki. az 1985-ös szint.15 év kb 2-szeresére esett, i.e. 1985-höz képest mintegy 50%-ot tett ki, vagyis 3-szor kevesebbet, mint a pusztán gazdasági okokból elvárható lenne, ha az 1985-ös állapotok stabilak lennének.

A forgatókönyvkészletnek láthatónak kell lennie. Ki kell zárnunk különféle valószínűtlen eseményeket - idegenek érkezését, egy aszteroida lezuhanását, korábban ismeretlen betegségek tömeges járványait stb.

Önmagában egy forgatókönyv-készlet létrehozása a fent leírt módszertan szerint végzett szakértői tanulmány tárgya. Ezenkívül a szakértők felmérhetik egy adott forgatókönyv megvalósításának valószínűségét. Nyilvánvaló, hogy ezek a becslések nem megbízhatóak.

A forgatókönyv-előrejelzések egyszerűsített megközelítését gyakran használják. Nevezetesen három forgatókönyvet fogalmaznak meg - optimista, valószínű és pesszimista. Ugyanakkor az egyes forgatókönyvek esetében a termelést és a gazdasági helyzetet leíró paraméterek értékeit (angolul - case) meglehetősen önkényesen választják meg. Ennek a megközelítésnek a célja a szórási intervallumok kiszámítása a kutatót (és a kutatás megrendelőjét) érdeklő idősorok jellemzőihez és „folyosóihoz”. Például egy beruházási projekt pénzügyi áramlását (angolul - cash flow) és nettó jelenértékét (angolul - nettó jelenérték vagy NPV) jósolják meg.

Nyilvánvaló, hogy egy ilyen egyszerűsített megközelítés nem adhatja meg a jellemző maximális vagy minimális értékét, csak képet ad a szórás mennyiségi mértékének sorrendjéről. Fejlődése azonban a döntéselméletben Bayes-féle megfogalmazáshoz vezet. Például, ha egy forgatókönyvet egy véges dimenziós euklideszi tér eleme ír le, akkor a kezdeti paraméterek halmazán lévő bármely valószínűségi eloszlás a kutatót érdeklő jellemzők eloszlásává alakul. A számításokat a statisztikai tesztek módszerének modern információs technológiájával lehet elvégezni. A paraméterkészlet adott eloszlásának megfelelően ki kell választani egy adott paramétervektort egy pszeudo-véletlenszám-generátor segítségével, és ki kell számítani a végső jellemzőket. Az eredmény egy empirikus eloszlás a végső jellemzők halmazán, amely lehet különböző utak elemezni, becslést találni a matematikai elvárásokra, szórásra stb. Továbbra is tisztázatlan, hogyan állítsuk be az eloszlást a paraméterek halmazán. Ehhez természetesen szakértőket is igénybe lehet venni.

Az egyes forgatókönyveken belüli előrejelzés a kutatót érdeklő kérdések megválaszolása érdekében szintén a fent leírt előrejelzési módszertan szerint történik. Stabil körülmények között az idősorok előrejelzésére statisztikai módszerek alkalmazhatók. Ezt azonban általában szakértők bevonásával történő elemzés előzi meg, és gyakran elegendő a verbális szintű előrejelzés (a kutató és a döntéshozó számára érdekes következtetések levonásához), és nem igényel mennyiségi pontosítást.

Az előrejelzési eredmények felhasználásának kérdése nem az ökonometriához, hanem egy kapcsolódó tudományhoz - döntéselmélethez kapcsolódik. Mint ismeretes, a helyzetelemzésen alapuló döntések meghozatalakor, beleértve a prediktív vizsgálatok eredményeit is, többféle szempont alapján lehet kiindulni. Tehát összpontosíthat arra, hogy a helyzet a legrosszabb, vagy a legjobb, vagy átlagos (bármilyen értelemben) alakuljon. Megpróbálhat olyan tevékenységeket felvázolni, amelyek bármilyen forgatókönyv esetén a minimálisan elfogadható hasznos eredményeket biztosítják, stb.

Tehát a forgatókönyv-módszerrel végzett szakértői értékelés modern módszertanának koncepcióját vizsgáljuk. Használták például Oroszország társadalmi-gazdasági fejlődésének előrejelzésére.

2. Információs technológiák alkalmazása a közgazdaságtanban és a matematikábanról rőljóslat

A modern IT megjelenése előtt nem volt széles lehetőség a hatékony gazdasági és matematikai modellek közvetlen alkalmazására a gazdasági tevékenység folyamatában. Ráadásul a meglévő előrejelzési modellek elemzési célú alkalmazása nem támasztott ilyen magas követelményeket az információs támogatásukkal szemben.

Az előrejelzési technológiák alapjai

Egy prediktív rendszer nulláról való felépítése során számos szervezeti és módszertani kérdést meg kell oldani. Az elsők közé tartozik:

A felhasználók képzése az előrejelzési eredmények elemzésének és értelmezésének módszereiről;

A prediktív információk mozgási irányainak meghatározása a vállalkozáson belül, annak divíziói és az egyes alkalmazottak szintjén, valamint az üzleti partnerekkel és hatóságokkal való kommunikáció struktúrája;

Az előrejelzési eljárások időzítésének és gyakoriságának meghatározása;

Az előrejelzés és a hosszú távú tervezés összekapcsolásának elveinek kidolgozása, valamint a vállalkozásfejlesztési terv összeállítása során elért eredmények opcióinak kiválasztásának eljárása.

Az előrejelzési alrendszer felépítésének módszertani problémái a következők:

Belső szerkezetének és működési mechanizmusának fejlesztése;

Információs támogatás szervezése;

Szoftverfejlesztés.

Az elsõ probléma a legnehezebb, hiszen ennek megoldásához elõrejelzési modellek halmazát kell felépíteni, melynek hatóköre egymással összefüggõ mutatók rendszere. Az előrejelzési módszerek rendszerezésének és értékelésének problémája itt az egyik központi kérdésként jelenik meg, hiszen egy konkrét módszer kiválasztásához ezek lefolytatása szükséges. összehasonlító elemzés. Az előrejelzési módszerek osztályozásának egy változata, figyelembe véve az egyes csoportok alapjául szolgáló tudásrendszer sajátosságait, az alábbiakban foglalható össze: szakértői értékelések módszerei; a logikai modellezés módszerei; matematikai módszerek.

Minden csoport egy bizonyos feladatkör megoldására alkalmas. Ezért a gyakorlat a következő követelményeket támasztja az alkalmazott módszerekkel szemben: egy adott előrejelzési objektumra kell összpontosítani, kvantitatív megfelelőségi mérőszámon kell alapulniuk, és megkülönböztethetők a becslések pontossága és az előrejelzési horizont.

A prediktív rendszer létrehozásának folyamatában felmerülő fő feladatok a következőkre oszlanak:

Kiszámítható folyamatok és mutatók rendszerének kiépítése;

Berendezés fejlesztése előrejelzett folyamatok és mutatók gazdasági és matematikai elemzéséhez;

A szakértői értékelések módszerének konkretizálása, a vizsgálathoz szükséges indikátorok kiválasztása és egyes előrejelzett folyamatok, indikátorok szakértői értékelése;

Indikátorok és folyamatok előrejelzése a konfidencia intervallumok és a pontosság feltüntetésével;

A kapott eredmények értelmezésére, elemzésére szolgáló módszerek kidolgozása.

Külön figyelmet érdemel az előrejelző rendszer információs és matematikai támogatásával kapcsolatos munka. A szoftver létrehozásának folyamata a következő lépésekkel ábrázolható:

Módszertan kidolgozása az előrejelzés tárgyának szerkezeti azonosítására;

Módszerek fejlesztése az előrejelző objektum parametrikus azonosítására;

Trendek előrejelzésére szolgáló módszerek kidolgozása;

A folyamatok harmonikus összetevőinek előrejelzésére szolgáló módszerek kidolgozása;

A folyamatok véletlenszerű összetevőinek jellemzőinek értékelésére szolgáló módszerek kidolgozása;

Összekapcsolt rendszert alkotó mutatók előrejelzésére komplex modellek készítése.

Egy előrejelző rendszer létrehozása integrált megközelítést igényel az információs támogatás problémájának megoldásában, amelyet általában az előrejelzések készítéséhez használt kezdeti adatok, valamint az összegyűjtést, felhalmozást, tárolást biztosító módszerek, módszerek és eszközök összességeként értünk. , adatok keresése és továbbítása az előrejelző rendszer működése során.és interakciója más vállalatirányítási rendszerekkel.

A rendszer információs támogatása általában a következőket tartalmazza:

Információs alap (adatbázis);

Az információs alap kialakulásának forrásai, áramlásai és az adatfelvétel módjai;

Az információs alapot alkotó adatok felhalmozásának, tárolásának, frissítésének és visszakeresésének módszerei;

A rendszerben történő adatforgalom módszerei, elvei és szabályai;

Az adatok megbízhatóságának biztosítására szolgáló módszerek gyűjtésük és feldolgozásuk minden szakaszában;

Információelemzési és -szintézis módszerei;

Módszerek a gazdasági adatok egyértelmű formalizált leírására.

Így az előrejelzési folyamat megvalósításához a következő fő összetevőkre van szükség:

Belső információforrások, amelyek irányítási és számviteli rendszereken alapulnak;

Külső információforrások;

Speciális szoftver, amely előrejelzési algoritmusokat és az eredmények elemzését valósítja meg.

Tekintettel az előrejelzési probléma megoldásának fontosságára a piaci szereplők számára, célszerű a javasolt módszerek és algoritmusok, valamint általában a technológiák minőségét speciálisan kiválasztott (teszt) kezdeti adatok felhasználásával ellenőrizni. Hasonló verifikációs módszert régóta alkalmaznak a nemlineáris optimalizálásra tervezett matematikai eszközök megfelelőségének felmérésére, például Rosenbrock és Powell függvények segítségével.

Az előrejelzési technológia minőségének és teljesítményének megerősítése (vagy ellenőrzése) általában úgy történik, hogy összehasonlítják az előzetesen ismert modelladatokat azok előrejelzett értékeivel, és értékelik az előrejelzés pontosságának statisztikai jellemzőit. Tekintsük ezt a trükköt egy olyan helyzetben, ahol a folyamatmodellek a Tt trend, a szezonális (harmonikus) és a véletlen komponensek additív halmazai.

Jelenleg a szoftvereszközök széles skálája terjedt el, amelyek bizonyos fokig biztosítják az információk gyűjtését és elemző feldolgozását. Néhány közülük, mint például az MS Excel, beépített statisztikai funkciókkal és programozási eszközökkel van felszerelve. Mások, különösen az olcsó számviteli és vezetői számviteli programok nem rendelkeznek ilyen képességekkel, vagy az elemzési képességek nem kellően, néha hibásan vannak bennük implementálva. Ez azonban sajnos néhány erősebb és többfunkciós vállalatirányítási rendszer velejárója. Ezt a helyzetet láthatóan az általuk választott előrejelző algoritmusok tulajdonságainak fejlesztőinek felületes elemzése és kritikátlan alkalmazása magyarázza. Például a rendelkezésre álló forrásokból ítélve a nulla rendű exponenciális simítást gyakran használják a prediktív algoritmusok alapjaként. Ez a megközelítés azonban csak akkor érvényes, ha a vizsgált folyamatban nincs tendencia. Valójában a gazdasági folyamatok nem stacionáriusak, és az előrejelzés bonyolultabb modellek használatát foglalja magában, mint az állandó trendű modellek.

Érdekes nyomon követni a hazai automatizált bankrendszerek fejlődési útját a vizsgált téma szempontjából. Az első bankrendszerek merev technológián alapultak, folyamatosan változtatásokat vagy további szoftvereket igényeltek. Ez arra késztette a pénzügyi szoftverek fejlesztőit, hogy a nyitottság, a skálázhatóság és a rugalmasság elvét követve ipari DBMS-t használjanak. Önmagukban azonban ezek a DBMS-ek alkalmatlannak bizonyultak magas szintű analitikai problémák megoldására, beleértve az előrejelzés problémáját is. Ehhez további adattárolási és üzemelemző feldolgozási technológiák alkalmazására volt szükség, amelyek biztosították a pénzügyi és hitelintézeti döntéstámogató rendszerek működését, előrejelzések készítését. Ugyanezt a megközelítést alkalmazzák komplex vállalatirányítási rendszerekben is.

Az informatikai alapú előrejelzési módszerek modern alkalmazott alkalmazásának másik iránya a marketingfeladatok széles körének megoldása. Egy példa a SAS Churn Management Solution for Telecommunications szoftver. A távközlési szolgáltatók számára készült, és fejlesztői szerint lehetővé teszi prediktív modellek felépítését, és azok felhasználását bizonyos kategóriájú ügyfelek kiáramlásának valószínűségének felmérésére. Ennek a szoftvernek az alapja a Scalable Performance Data Server elosztott adatbázis-kiszolgáló, adattárházak és adatpiacok építésére és adminisztrálására szolgáló eszközök, Enterprise Miner adatbányászati ​​eszközök, SAS / MDDB Server döntéstámogató rendszer, valamint segédeszközök.

Az újszerű CRM-rendszerek, valamint az automatizált banki rendszerek versenyképességének biztosítása érdekében az OLAP technológiát használó jelentési funkciókat is beépítették, és bizonyos mértékig lehetővé teszik a marketing, az értékesítés és az értékesítés eredményeinek előrejelzését. Vevőszolgálat.

Elég sok olyan speciális szoftvertermék létezik, amely számszerű adatok statisztikai feldolgozását biztosítja, beleértve az előrejelzés egyes elemeit is. Ezek a termékek közé tartozik az SPSS, Statistica stb. Ezeknek az eszközöknek vannak előnyei és hátrányai is, amelyek jelentősen korlátozzák gyakorlati alkalmazásukat. Itt meg kell jegyezni, hogy külön komoly tanulmányozást és megbeszélést igényel a speciális matematikai és statisztikai szoftvereszközök alkalmasságának felmérése az előrejelzési problémák megoldására speciális képzettséggel nem rendelkező hétköznapi felhasználók számára.

A kis- és középvállalkozások fogyasztóinak előrejelzési problémáinak megoldása azonban hatékony és költséges információs rendszerek és technológiák segítségével gyakorlatilag lehetetlen, elsősorban anyagi okok miatt. Ezért nagyon ígéretes irány a meglévő és elterjedt olcsó számviteli és vezetői számviteli rendszerek elemzési képességeinek fejlesztése. A speciális üzleti folyamatokon alapuló kiegészítő jelentések, amelyek egy adott felhasználó számára szükséges analitikai információkat tartalmaznak, magas "hatékonyság - költség" arányt mutatnak.

Egyes szoftverfejlesztők analitikai eszközök egész sorát hoznak létre. Például a Parus Corporation Parus-Analytics és Triumph-Analytics megoldásokat kínál a kis- és középvállalkozások széles köre számára. Az előrejelzési információk analitikus feldolgozásának összetettebb feladatai a Parus rendszerbe integrálódnak, úgynevezett helyzetközpont formájában. Dmitrij Sudarev, a forgalmi megoldások fejlesztéséért felelős menedzser szerint olyan szoftvertermékek kifejlesztése és bevezetése mellett döntöttek, amelyek lehetővé teszik a tények egyszerű számbavételétől az információelemzés felé való elmozdulást. Ezzel párhuzamosan tervezték az átállást a könyvelők és középvezetők munkájának automatizálásáról a felső vezetés információfeldolgozására. Figyelembe véve a fogyasztók lehetséges körét, a Parus-Analytics és a Triumph-Analytics nem támaszt különösebb követelményeket a szoftver- és hardverkörnyezetre vonatkozóan, azonban a Triumph-Analytics megoldás MS SQL Server bázison valósul meg, amely nagyobb teljesítményt biztosít számára. lehetőségeket a vizsgált folyamatok előrejelzésére, különös tekintettel az előrejelzések harmonikus összetevőire.

Az előrejelzés értéke sokszorosára nő, ha közvetlenül a vállalkozás irányításában használják fel. Ezért fontos irány a prediktív rendszerek integrálása olyan rendszerekkel, mint a Kasatka, MS Project Expert stb. Például az SBI Kasatka szoftvere automatizált munkahely a marketing osztály vezetője és szakemberei, és a menedzsment, marketing és stratégiai tervezés komplexumainak fejlesztésére szolgál. Ez a cél előre meghatározza a hosszú távú trendek azonosításának és a tervezés során történő figyelembevételének szükségességét. Az előrejelzési horizontot a szervezet releváns céljai alapján határozzák meg.

Következtetés

Így a mai napig meglehetősen sok kutatást végeztek, és lenyűgöző gyakorlati megoldások születtek az előrejelzés problémájára a tudomány, a technológia, a közgazdaságtan, a demográfia és más területeken. Az erre a problémára való figyelem többek között a léptéknek köszönhető modern gazdaság, a termelési igényeket, a társadalom fejlődésének dinamikáját, a tervezés javításának szükségességét a vezetés minden szintjén, valamint a felhalmozott tapasztalatokat. Az előrejelzés az egyik döntő elem hatékony szervezés Az egyes gazdálkodó egységek és gazdasági közösségek menedzsmentje, mivel a meghozott döntések minőségét nagymértékben meghatározza azok következményeinek előrejelzésének minősége. Ezért a ma meghozott döntéseknek a vizsgált jelenségek és események jövőbeni lehetséges alakulására vonatkozó megbízható becsléseken kell alapulniuk.

Az előrejelzés sok szakértő általi javulása a megfelelő információs technológiák fejlesztésében látszik. Alkalmazásuk szükségességét számos ok indokolja, többek között: az információs mennyiség növekedése; az eredmények kiszámítására és értelmezésére szolgáló algoritmusok összetettsége; magas követelmények az előrejelzések minőségével szemben; az előrejelzési eredmények felhasználásának szükségessége a tervezési és ellenőrzési problémák megoldására.

Időről időre megjelennek információk az adott vállalat által elért pozitív eredményekről. Számos publikáció megjegyzi, hogy a piaci helyzet tendenciáinak, az áruk vagy szolgáltatások iránti kereslet, valamint más gazdasági folyamatok és jellemzők sikeres értékelése lehetővé teszi a nyereség jelentős növekedését és más gazdasági mutatók javítását. A siker mechanizmusa első ránézésre egyszerű és világos: feltételezve, hogy mi fog történni a jövőben, a pozitív trendek felhasználásával, a negatív folyamatok, jelenségek kompenzálásával időben hatékony intézkedések születhetnek.

A pontosságot, a megbízhatóságot és a hatékonyságot, valamint az előrejelzési minőség egyéb összetevőit azonban számos tényező biztosítja, amelyek közül ki kell emelni: a valóságnak megfelelő gazdasági és matematikai modelleken alapuló szoftverek, n ​​a lefedettség teljessége és a megbízhatóság az előrejelző algoritmusok működésére vonatkozó kezdeti információforrások; A belső és külső információk feldolgozásának hatékonysága; az előrejelzési becslések kritikus elemzésének képessége; a szükséges változtatások időszerűségét a módszertani és Információs támogatás előrejelzés.

A speciális szoftverek gondosan kiválasztott modelleken, módszereken és technikákon alapulnak. Megvalósításuk rendkívül fontos a jó minőségű előrejelzések készítéséhez az aktuális és stratégiai tervezési problémák megoldása során. A jelenlegi helyzet elemzése azt mutatja, hogy a gazdasági folyamatok előrejelzését biztosító informatika bevezetésének nehézségei nemcsak technikai vagy módszertani, hanem szervezeti és pszichológiai jellegűek is. Az eredmények fogyasztói esetenként nem értik az alkalmazott modellek alapelveit, azok formalizálását és az objektíven létező korlátokat. Ez általában bizalmatlanságot szül az elért eredményekkel szemben. Az implementációs problémák másik csoportja azzal a ténnyel kapcsolatos, hogy a prediktív modellek gyakran zártak, autonómok, ezért fejlesztési és kölcsönös adaptálási célú általánosításuk nehézkes. Ezért a kompromisszumos megoldás a fő elemzési feladatok kiosztásával szakaszos megközelítéssé válhat.

Gyakorlatilag azonban nincsenek kész replikált vagy vállalati megoldások, amelyek rendszerszinten, magas minőségben és megfizethető áron biztosítanak előrejelzést a kis- és középvállalkozások számára. Az automatizált vállalatirányítási rendszerek jelenleg elsősorban a számviteli és ellenőrzési alapfeladatokra korlátozódnak.

Felhasznált irodalom jegyzéke

1. Ayvazyan S.A. Az ökonometria alapjai. M.: UNITI, 2011. - 432p.

2. Arzhenovszkij S.V., Fedosova O.N. Ökonometria. Rostov-on-Don: RGEU, 2012. - 202p.

3. Borodich S.A. Ökonometria. Mn.: Új ismeretek, 2015. - 408s.

4. Vladimirova L.P. Előrejelzés és tervezés piaci körülmények között. M.: Dashkov i K., 2013. - 308s.

5. Dougherty K. Bevezetés az ökonometriába. / Angolból fordítva. - M.: Infra-M, 2011. - 402 p.

6. Ezhemanskaya S.N. Ökonometria. Rostov-on-Don: Főnix, 2013. - 160 p.

7. Kremer N.Sh., Putko B.A. Ökonometria. M.: UNITI, 2015. - 311s.

8. Magnus Ya.R., Katyshev P.K., Peresetsky A.A. Ökonometria: bevezető tanfolyam. M.: Delo, 2011. - 400-as évek.

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

10. Orlov A.I. Ökonometria. M.: Vizsga, 2014. - 576s.

11. Tikhomirov N.P., Dorokhina E.Yu. Ökonometria. M.: Vizsga, 2013. - 512s.

12. Ökonometria. / Szerk. I.I. Eliseeva. - M.: Pénzügy és statisztika, 2012. - 344 p.

Az Allbest.ru oldalon található

Speciális kurzusok és speciális szemináriumok a 2018/2019-es tanév tavaszi szemeszterében

2019.03.25:14:35 - 16:10 s/c masters "Grafikonok, hálózatok, hasonlósági függvények elemzése", Maisurase A.I., 507 lecke nem kerül megrendezésre Március 25. (hétfő), az előadó beteg;
16:20 - 17:55 s/c agglegények "Analitikai SQL", Maysuradze A.I., 582 óra nem kerül megrendezésre Március 25. (hétfő), az előadó beteg.
2019.02.27: Oktatási és kutatási szeminárium "Adatbányászat: Új feladatok és módszerek", vezetők S.I. Gurov, A.I. Maisuradze szerdánként az aud. 704, kezdés 18-05. március 04 (hétfő) I. S. Balashov a különleges szemináriumon fog beszámolni (VVO, 3. évf.) "A terhesség alatti mikrobiom vizsgálata gráfelméleti módszerekkel". Ismeretes, hogy a test különböző helyein élő mikroorganizmusok kölcsönhatásba lépnek egymással, és mikrobiomnak nevezett közösségeket alkotnak, és ezeknek a mikroorganizmusoknak az összességét mikrobiotának nevezzük. Számos betegség esetében kimutatták, hogy a mikrobiota kockázati tényező bizonyos betegségek kialakulásában. A mikrobióta összetételére vonatkozó adatokat grafikon formájában lehet bemutatni, majd fel lehet fedezni ennek a grafikonnak a jellemzőit normál és patológiás körülmények között. A cikk bemutatja a témakör jellemzőit és azok hatását az adatok leírására és elemzésére szolgáló módszerek kiválasztására, valamint bemutatja a mikrobiomot leíró alapvető modelleket.

• 2019.02.27: Logikai adatelemzés a felismerésben, (Logikai adatelemzés a felismerésben) előadó E.V. Dyukova, hétfőnként kerül sor a szobában. 645, 16-20 órai kezdettel. Az első ülés február 25. A tanfolyam bemutatja Általános elvek, amelyek az információelemzés diszkrét módszerei a felismerés, osztályozás és előrejelzés problémáiban. A logikai függvények apparátusán, valamint a logikai és egész mátrixok lefedésének megalkotására szolgáló módszereken alapuló felismerési eljárások tervezésének megközelítéseit vizsgáljuk meg. Tanulmányozni fogják a főbb modelleket, és megvizsgálják a megvalósításuk összetettségének és az alkalmazott problémák megoldásának minőségének vizsgálatával kapcsolatos kérdéseket. Speciális tanfolyam 2-4 szakos bacheloroknak. A speciális tanfolyamhoz tankönyv is megjelent.

• 2019.02.27: Valószínűségi tematikus modellezés(valószínűségi témamodellezés), oktató, az Orosz Tudományos Akadémia professzora, Ph.D. K.V. Voroncov, csütörtökönként zajlik a szobában. 510, 18-05 órai kezdettel. Az első ülés február 14. A témamodellezés egy modern kutatási terület a gépi tanulás és a számítógépes nyelvészet metszéspontjában. A témamodell meghatározza, hogy egy nagy szöveggyűjtemény mely témákat tartalmazza, és az egyes dokumentumok mely témákhoz tartoznak. A témamodellek lehetővé teszik a szövegek jelentés szerinti keresését, nem pedig kulcsszavakat, valamint új típusú információ-visszakereső szolgáltatásokat hozzon létre az ismeretek rendszerezésére. A speciális kurzus témamodellekkel foglalkozik természetes nyelvű szövegek osztályozására, kategorizálására, szegmentálására, összegzésére, valamint ajánlórendszerekre, banki tranzakciós adatok és orvosbiológiai jelek elemzésére. A matematikából valószínűségszámításra, optimalizálási módszerekre, mátrixbővítésekre van szükségünk. A programozás szerelmesei számára lehetőség nyílik a BigARTM.org nyílt forráskódú projektben való részvételre. A különösen lelkesek számára esténként további szemináriumokat tartanak a Yandex irodájában. A kurzus feladatai a feladatmegoldásból lesznek való élet akiknek nincs meg a helyes válaszuk az oktatóanyag végén. Speciális tanfolyam egyetemistáknak, de a másodévesek is mindent értenek :) 18+ (az elméletet ismerő diákoknak).

• 2019.02.27: A számítási geometria problémái és algoritmusai(Computational Geometry: Problems and Algorithms), L.M. Mestetsky, péntekenként játszódik a teremben. 607, 18-05. Az első ülés február 15. A geometriai információkkal való munkavégzés hatékony algoritmusai a gépi látás, a képelemzés és -felismerés, a számítógépes grafika és a geoinformatika minden modern rendszerének nélkülözhetetlen tulajdonságai. A geometriai algoritmusok jó terepet biztosítanak az algoritmikus gondolkodás fejlesztéséhez, amely az alkalmazott matematikában szükséges. A speciális kurzus első részében a számítási geometria klasszikus témái kerülnek szóba: geometriai keresés, konvex testek, objektumok metszéspontja és közelsége, Voronoi diagramok, Delaunay-háromszögelések. A kurzus második része a csontvázakkal, a Voronoi-diagramok poligonokra vonatkozó általánosításaival és a mediális képalak-elemzés problémáival foglalkozik. Agglegényeket hívnak meg.

• 2019.02.27: Gépi tanulás és törvényszerűségek keresése az adatokban, előadó O.V. Senko, csütörtökönként kerül sor a nézőtéren. 507, 18-05 órai kezdettel. Az első ülés február 14. A kurzus a precedens alapú tanulási módszerek (gépi tanulás) alkalmazásakor felmerülő főbb problémákat tárgyalja. Adott rövid áttekintés meglévő felismerési és regressziós elemzési módszereket. Az általános populáció pontosságának (általánosító képesség) értékelésének módszereiről szól. A gépi tanulási módszerek általánosító képességének növelésének különféle módjait tárgyalják. Agglegényeket hívnak meg.

• 2019.02.27: Gráfok, hálózatok, hasonlósági függvények elemzése(Grafikonok, hálózat, távolságfüggvényelemzés), A.I. Maisuradze, hétfőnként kerül megrendezésre a szobában. 582, kezdete 16-20. Az első ülés február 18. A rendszerelemzés problémáit és módszereit vizsgáljuk, amelyek leírása az objektumok páros vagy többszörös interakcióján alapul. Ezek az objektumok lehetnek azonos típusúak vagy különböző típusúak. Amikor az interakció megléte vagy hiánya fontos, a formalizálást a gráfelmélet nyelvén hajtják végre. A gráfleírás mennyiségi jellemzőkkel való bővítése hálózatokhoz vezet. Ha úgy gondoljuk, hogy az objektumok mindegyike numerikusan jellemezhető, akkor távolságokról vagy hasonlóságokról beszélünk. Bemutatjuk a feladatok formalizálásának elméleti alapjait, valamint az IAD modelljei és módszerei széles körének felépítését, megvalósítását és elemzését. Olyan heurisztikus adatmodelleket vizsgálunk, amelyek a felismerési objektumok kezdeti információit írják le a hasonlóság fogalmának különféle megvalósításai alapján. Figyelembe veszik azokat a problémákat, amelyeket e modellek megvalósítása során meg kell oldani. Olyan speciális adatstruktúrákat és algoritmusokat tanulmányozunk, amelyek lehetővé teszik a vizsgált modellek hatékony konfigurálását és használatát. A hasonlóság gondolata benne rejlik az emberi gondolkodásban, ez az IAD minden alapvető feladatához megközelítések egész sorát – az úgynevezett metrikus módszereket – eredményezte. Megfontoljuk a hasonlósági függvények létrehozásának és kiszámításának, az objektumok különböző halmazain a hasonlóság egyeztetésének, valamint az objektumok meglévők alapján történő összehasonlításának új módszereinek szintetizálását. A metrikus információk számítógépes rendszerek általi hatékony megjelenítésére és feldolgozására tervezett technikák egy sorát veszik figyelembe. Figyelembe veszik az elemzésükben aktívan használt gráfok jellemzőit. A gráfok algoritmusait tanulmányozzuk - mind elméletileg, mind a hatékony megvalósítás szempontjából. Különféle grafikonnövekedési modellek. Reprezentatív minták felépítése grafikonokon. Adott jellemzőkkel rendelkező grafikonok generálása. A kurzusban a klaszteranalízis számos formalizálása kap jelentős figyelmet. Megmutatja, hogy milyen problémákat oldanak meg általános módszerekkel. A homogén és heterogén rendszerek klaszterezési problémáinak széles skálájának tipológiáját (biklaszterezés, koklaszterezés) végezték el. Speciális képzés egyetemisták számára.

• 2019.02.27: Analitikus SQL(Analitikus SQL), A.I. Maisuradze, hétfőnként kerül megrendezésre a szobában. 507, 14:35-kor kezdődően. Az első ülés február 18. Manapság számos tevékenység automatizálása és optimalizálása lehetetlen nagy mennyiségű információ összegyűjtése és utólagos elemzése nélkül. Ugyanakkor az idő múlásával világossá vált, hogy egyes adatmodellek különösen kényelmesek az emberek számára - az ilyen modellek a különféle technológiák egyetemes kommunikációs nyelvévé váltak. Ebben az értelemben az SQL az egyik legszélesebb körben használt nyelvnek bizonyult, és ma már számos technológia (nem csak relációs) teszi lehetővé használatát. A kurzus gyakorlati példákat ad azokról az ismeretekről és készségekről, amelyekre szinte minden elemzőnek szüksége lesz, amikor adatforrásokkal dolgozik. A hangsúly az elemző tevékenységeken van: az elemző adatgyűjtő és -tároló rendszereket használ, de nem adminisztrálni. Az osztályok valós adatbázisokon való interaktív feladatok végrehajtását foglalják magukban. Speciális tanfolyam agglegényeknek.

A technikai szintű mutatók előrejelzésére többféle módszer létezik, amelyek között megkülönböztethetünk heurisztikus és matematikai előrejelzést. Ezekben a módszerekben gyakori a jövőbeli helyzettel kapcsolatos bizonytalanság jelenléte.

A heurisztikus módszerek a technológiai terület szakértőinek véleményén alapulnak, és általában folyamatok és objektumok fejlődésének előrejelzésére szolgálnak, amikor a formalizálás pillanatnyilag nem lehetséges.

A matematikai módszerek az előrejelzési objektumok matematikai leírásának típusától és az ismeretlen paraméterek meghatározására szolgáló módszerektől függően feltételesen fel vannak osztva differenciálegyenletekkel leírt folyamatok modellezési módszereire, valamint extrapolációs vagy statisztikai módszerekre. A második csoportba azok a módszerek tartoznak, amelyek statisztikai adatok alapján határozzák meg egy objektum előrejelzett paramétereit. A statisztikai előrejelzés matematikai apparátusaként a maximum likelihood módszert használják leggyakrabban, és különösen ennek variációja a legkisebb négyzetek módszere. A legkisebb négyzetek módszerével megszerkesztett matematikai függőségek lehetnek lineárisak, másodfokúak vagy polinomok.

A heurisztikus és matematikai prediktív kutatás utolsó szakasza a logikai elemzés, amely magában foglalja az előrejelzett objektum fejlődési tendenciáinak tanulmányozását, a hasonló objektumok előrejelzésének eredményeinek elemzését és a kapott eredmények értékelését.

heurisztikuselőrejelzés

A heurisztikus előrejelzés az egyik legrégebbi és legelterjedtebb nem csak a technológiában, hanem az országban is Mindennapi élet mód. Előnye, hogy elkerülhető a durva hibák, különösen az előre jelzett jellemző hirtelen változásai terén, feltéve, hogy a vizsgálatba ezen a területen magasan képzett szakembereket vonnak be. Ez a módszer azonban szubjektív és időigényes.

A heurisztikus előrejelzés fő eredménye az új fejlesztési területek és azok lehetőségeinek azonosítása. Ugyanakkor szem előtt kell tartani, hogy az új felfogása és a meghatározás ígéretes irányok pszichológiai szempontok zavarhatják. Ez mindenekelőtt a szűk profilú szakemberek szakmai korlátai, akik „semmiről mindent tudnak”, vagy éppen ellenkezőleg, széles profilúak - „semmit mindenről”. Akadályozhatja a jól ismert jelenségekre való összpontosítást, a társadalmi gondolkodás uralkodó irányzatának befolyását, a negatív következtetések felfogásának nehézségeit, a rossz eltúlzásra való hajlamát stb. Nem véletlen, hogy számos felfedezés várt ránk. korukból a kortársak nem fogadták el.

A heurisztikus előrejelzés gyakorlati alkalmazásának fő állomásai a szakértők kiválasztása, a felmérések megszervezése és az eredmények feldolgozása. A heurisztikus előrejelzés egy szakértői csoport véleményének átlagos értékelésén alapul. Ezért egy ilyen tanulmány fő feltételének a szakértők kiválasztása tekinthető, akiknek kompetenciája meghatározza az eredmény minőségét. Gyakorlatilag nincsenek módszerek a szakértők kompetenciájának felmérésére. Ezért a szakértők általában saját és kollégáik hozzáértését értékelik.

Az elektronikus számítástechnika fejlődésével és fejlesztésével a heurisztikus módszerek szerepe érezhetően csökken.

Matematikai előrejelzés

A matematikai előrejelzés az előrejelzett objektum rendelkezésre álló jellemzőinek felhasználásából, ezen adatok feldolgozásából áll matematikai módszerek, megkapják az időtől és más ismert független változóktól való matematikai függőségüket, és kiszámítják az objektum jellemzőinek egy adott időpontban talált függését más független változók adott értékeihez.

A matematikai előrejelzés módszerét az objektivitás és a matematikai modell helyes megválasztásával kapott eredmények nagy pontossága jellemzi. A matematikai előrejelzés fő szakaszai a következők:

1) kiindulási adatok (statisztika) gyűjtése és elkészítése;

2) az előrejelzett objektum matematikai modelljének kiválasztása és indoklása;

3) statisztikai adatok feldolgozása a modell ismeretlen paramétereinek meghatározására;

4) számítások elvégzése és a kapott eredmények elemzése.

Az előrejelzett paraméter becslése lehet pont vagy intervallum, azaz a paraméterértékek konfidenciaintervallumának meghatározásából áll. Az intervallumbecslés elég jól tükrözi az előrejelzés pontosságát.

az ugrás utáni fejlődési pálya meghatározásához is.

A technológia evolúciós és görcsös fejlődésének törvényével összhangban az ugrások előrejelzése elválaszthatatlan az evolúciós fejlődés előrejelzésétől az ugrás előtt és után. Rendszerszemléletű A gépek műszaki színvonalának előrejelzése a fejlesztési ciklusok és igények összehasonlítása alapján lehetővé teszi nemcsak egy adott paraméter elérésének meghatározását, hanem a technológia új generációjának megjelenésének időpontjának, lehetséges fennállásának időszakának kiszámítását is. . Az 1. ábra a technológia generációinak jellemző kapcsolatait és váltakozását mutatja be. A szakaszoknak megfelelő szakaszok itt vannak jelölve. életciklus technológia generációi: 1 - ígéretes; 2 - progresszív; 3 - új; 4 - korszerűsített; 5 - elavult.

A szabadalmi anyagokban található objektumról szóló információk megjelenésének véletlenszerű folyamatainak korrelációs függvénye és a technológia megjelenése a műszaki szint mutatóinak új értékeivel meghatározható a kezdet t időpontja. egy új generációs technológia kifejlesztéséről, amely minden egyes minta esetében a kutatásra, fejlesztésre, fejlesztésre fordított időből és a gyártás elsajátítására fordított időből áll.

Nemzedékváltás

A technológia generációváltása a technológia progresszív evolúciójának objektív törvénye szerint történik, a szükséges tudományos-technikai szint és társadalmi-gazdasági célszerűség megléte mellett. Így óriási áttörés történt a technológia fejlődésében, beleértve a töltést és csomagolást is, miután megjelentek a modern mikroprocesszorok, amelyek képességeikben az emberi agyhoz hasonlíthatók. Ez lehetővé tette a 20. század végén a szakemberek számára, hogy előrejelzést készítsenek a technológia fejlődéséről, amely szerint az automatizáltság foka szerint mindössze hat generációnyi gépet hoznak létre a világon.

A negyedik generációs programozható automaták már széles körben alkalmazhatók a technológiában, beleértve a töltést és csomagolást is. A sorban következik az ötödik generációs öntanuló és önbeállító automaták megalkotása, amelyek egyes elemei már a negyedik generációs automatákban is megjelennek. Már több ötödik generációs jelzésű automata is készült. Például olyan autók, amelyekkel automatikus hangolás a különböző viszkozitású folyadékok töltési módjairól, különböző méretű darabáruk csomagolásáról, öndiagnosztikáról stb. A hatodik generációs automaták mesterséges intelligencia gépek, amelyek műszaki jellemzőit tekintve jelentősen eltérhetnek a korábbi generációk gépeitől . Úgy tűnik, az intelligens és többfunkciós gépek egy szempillantás alatt alkalmazkodnak a közelgő változásokhoz. A nagysebességű összetett vonalakat, amelyek a közelmúltig megfeleltek a szabványoknak, lassabbak váltják fel, amelyek nagyobb manőverezhetőséget biztosítanak. A pártok méretének csökkenő tendenciája szinte nullára csökkenti a változás idejét. Olyan termelési rendszereket kell kidolgozni, amelyeknél az üzleti folyamat megváltoztatása a norma. Olyan rendszerekre van szükségünk, amelyek a mesterséges intelligencia elvein alapulnak, és amely egy önszerveződő hálózatban terjed. Így a mesterséges intelligenciának jelen kell lennie a csomagolóberendezésekben, és magának a berendezésnek multifunkcionálisnak kell lennie.

A műszaki szint meghatározása

Az előrejelzés közvetlenül kapcsolódik a csomagolástechnika műszaki színvonalának meghatározásához. A statisztikai prediktív vizsgálatok lehetővé teszik az elért világtechnikai színvonal megállapítását és egy ígéretes alapminta paramétereinek meghatározását. A paraméterek korrelációjának törvénye szerint a technológia bármely tárgyát olyan paraméterek halmaza jellemzi, amelyek a fő paramétertől korrelációfüggőek. A legtöbb meglévő töltő- és csomagológép ilyen fő paramétere a termelékenység. Az ötödik és hatodik generációs gépekben más mutatók lehetnek a fő paraméterek, például a sokoldalúság és a multifunkcionalitás, az átállási sebesség stb.

Nemzedékről nemzedékre a technológia bonyolultabbá válik a technikai objektumok növekvő összetettségének objektív törvényének működése miatt. A csomagolástechnika tudományos és műszaki színvonalának meghatározásának nehézsége a mutatók összehasonlítására szolgáló, ígéretes minta kiválasztásában rejlik. A csomagolóberendezések gyártói közötti verseny, és ennek eredményeként a meglévő modellek folyamatos fejlesztése, a szervohajtások és a mikroprocesszor-vezérelt adagolók használata hozzájárult az univerzális és többfunkciós automaták generációjának kialakulásához, amelyek a gépek szerkezeti elemeit használják fel. előző generációk. Ennek eredményeként szinte lehetetlenné vált a meghatározás kiválasztása elért szintet A csomagolástechnika egyes tárgyai analógnak felelnek meg a teljesítmény összehasonlításához.

Különféle megközelítések léteznek a probléma megoldására. Ezért javasolt a nyakörves csomagológépek műszaki színvonalának értékelése egy világos és nagyon jelentős mutató segítségével - a csomagolórészük elméleti termelékenysége, annak növekedése alapján. a legjobb módon tükrözi az ilyen típusú berendezések fejlődését. Ugyanakkor ajánlatos minden töltő- és csomagolóberendezést termelékenység szerint osztályozni, különösen a galléros berendezéseket öt osztályba osztani, és az azonos osztályba tartozó gépeket összehasonlítani egymással.

Az osztályok felosztása azonban meglehetősen önkényesnek tűnik, és nem szünteti meg a fent említett nehézségeket, amelyek az összehasonlítás analógjainak kiválasztásakor merülnek fel. Emellett a közeljövőben kiderülhet, hogy a negyedik és hatodik generációs különféle célú töltő- és csomagológépek különböző célokra ugyanabba a teljesítményosztályba tartoznak, amelyeket kevésbé helyes összehasonlítani, mint a különböző teherbírású autókat.

V. Panishev professzor a csomagolástechnika világszintjének felmérése érdekében azt javasolja, hogy az összehasonlító táblázatba minél több ténylegesen létező és működő berendezést vegyen fel, és az általános, osztályozási és iparági mutatókat rangsorolja úgy, hogy ezeket összehasonlítja a a termékek műszaki színvonalának meglévő mutatói a gépek műszaki jellemzői szerint, specifikációk és egyéb dokumentumok ("Tartály és csomagolás", 3/1995. sz.).

Javasoljuk a ténylegesen meglévő töltő- és csomagológépek műszaki színvonalának felmérését, amelyekhez nem lehet megfelelő analógot választani, a paraméterkorreláció törvényének felhasználásával. Példaként megadtam a vertikális galléros töltő- és csomagológépek hazai és külföldi gyártók által bemutatott egyedi mutatóit, és ezek alapján szerkesztettem meg ezeknek a mutatóknak a termelékenységtől való statisztikai függőségét (PG, 1-2/2004).

Ezeknek a statisztikai adatoknak a legkisebb négyzetek módszerével történő egyenesekkel történő közelítése (2. ábra) nagyon magas fokú korrelációt mutat a figyelembe vett paraméterek és a gép teljesítménye között, és néhány adat közelítő jellege ellenére jó pontsűrűséget mutat a közelítésen. egyenes vonalak. Ebben a példában nem volt beállítva az adott objektumok műszaki szintjének meghatározásának feladata. Egy ilyen probléma megoldásához sokkal finomabb kezdeti adatokra van szükség.

A konstruált függőségek megerősítik azt az alapvető lehetőséget, hogy egy adott objektum világtechnikai színvonalát az ezt a szintet tükröző egyedi mutatók alapján értékeljük. A becsült mutató szerinti technikai szint megfelelhet az átlagos hazai vagy világszintnek, ha ez a mutató egybeesik a megfelelő közelítő egyenes mutatóival. Ezeken a 3-4 évvel ezelőtti adatok alapján készült grafikonokon észrevehető különbség van a hazai és külföldi autók egyedi mutatóinak szintjében. Az új függőleges galléros töltő- és csomagológépek hasonló mutatóit a nemzetközi kiállítások anyagai alapján 2004-ben az 1. táblázat tartalmazza.

Ha a megfelelő korrelációs függőségeket új adatokkal egészítjük ki, akkor nyilvánvalóvá válik a hazai és külföldi gépek műszaki színvonalának egyes mutatóinak konvergenciája.

A 3. ábrán az 1. táblázat mutatói vannak jelölve, és bemutatjuk a gépek beépített teljesítményének és tömegének közelítő közvetlen függőségét a 2. ábrán korábban épített külföldi automaták termelékenységétől (2. egyenesek).

A 3. ábrán bemutatott függőségek megerősítik az összefüggés meglétét, és a legújabb modellek hazai és külföldi töltő- és csomagológépeinek figyelembe vett paramétereinek meglehetősen észrevehető konvergenciáját jelzik, ami kétségtelenül a hazai műszaki színvonal növekedése felé mutat bizonyos tendenciát. töltő és csomagoló berendezések.