V Международная студенческая научная конференция Студенческий научный форум - 2013

Проблема обоснованного выбора метода прогнозирования урожайности является актуальной как при планировании и организации сельскохозяйственного производства, так и в плане адекватности разрабатываемых прогнозов. Научное обоснование выбора наиболее подходящего метода прогнозирования обеспечивает повышение эффективности управленческих решений.

Для обеспечения представительности результатов прогнозирования требуется формировать статистические временные ряды (ВР) и учитывать характерные особенности объекта прогнозирования.

Известны различные классификации методов математического прогнозирования, учитывающие различные их методологические аспекты. Совокупность основных методов прогнозирования можно представить следующими классами:

- методы математического моделирования и прогнозной экстраполяции;

- экономико-математические методы;

- нечетко-множественное моделирование;

- методы экспертных оценок;

- методы нейросетевого моделирования.

Методы математического моделирования и прогнозной экстраполяции основаны на моделировании ретроспективных закономерностей ВР и выявлении трендовых тенденций развития исследуемого экономических процессов на основе аппарата математической статистики с последующей экстраполяцией.

В процессе экстраполяции ВР моделируется изменение изучаемых показателей во времени в виде некоторой аналитически заданной функции, вид которой выбирается из теоретических предположений.

Качество таких моделей оценивается посредством различных статистических критериев (Фишера, Стъюдента), а также ряда абсолютных и/или относительных показателей (величина индивидуальной и средней ошибки).

Недостатками данного класса методов является то, что при разработке средне- и срочных прогнозов, может приводить к недостаточно достоверным результатам, что может быть связано с качественным изменениям прогнозируемого процесса.

Методы экономико-математического моделирования (одно- или многофакторные) основаны на аналитическом аппарате классического математического моделирования, адаптируемом с учетом имеющегося статистического материала.

Построение моделей такого класса сводится к получению аналитических выражений, характеризующих влияние существенных факторов на

Преимуществом экономико-математических моделей является возможность моделирования взаимосвязей экономических факторов в явном виде, что облегчает интерпретацию их взаимовлияния и процедуру принятия управленческих решений на основе получаемых прогнозов.

Нечетко-множественное моделирование основано на понятиях нечеткой логики и инструментальных средствах ее реализации.

Преимуществом данного класса методов является возможность учета неполной и нестрогой информации на основе предварительно построенной базы правил. Недостатком таких методов является зависимость от программного обеспечения и необходимость специального обучения экспертов.

Методы экспертных оценок предусматривают одно- и многоэтапный опрос экспертов и обработку полученных результатов с помощью аппарата математической статистики.

Достоинством таких методов является малые ограничения по специальной подготовке экспертов и простота реализации. Недостатком метода является ориентация на краткосрочное прогнозирование, а также существенная зависимость от подбора экспертной группы..

Следует отметить, что на практике ни один из рассмотренных методов не является универсальным и, как правило, должен использоваться в сечетании с другими методами.

В последнее десятилетия наблюдается повышенный интерес к моделям на основе искусственных нейронных сетей (ИНС), которые применяются в в экономике, медицине, технике и других областях, где требуется решать задачи распознавания образов, прогнозирования, классификации. Методы ИНС могут использоваться независимо или же в сочетании с другими методам экономико-статистического анализа. Недостатком таких методов является сложность конфигурирования и «обучения» ИНС (например методом обратного распространения ошибок) с учетом особенностей конкретной предметной области.

Р азнообразие методов и приемов экономического прогнозирования обусловлены ограниченностью известного прогностического аппарата, что решается комбинированием различны методов решения прогнозных задач для получения более надежных результатов.

Проведенный анализ различных классов методов прогнозирования позволил сделать вывод, что, поскольку отсутствует универсальный метод прогнозирования для всех видов экономических процессов, то необходио создание методики комбинированного прогнозирования с использование различных методов, а не ограничиваться одним из них, например ИНС, для получения достоверных прогнозов и принятия оптимальных управленческих решений.

Литература

1. Афанасьев В.Н., Юзбашев М.М. Анализ временных рядов и прогнозирование. - М.: Финансы и статистика, 2005. – 228 с.

2. Борисевич В.И., Кандаурова Г.А., Кандауров Н.Н. и др. Прогнозирование и планирование экономики. – Мн.: Интерпрессервис; Экоперспектива,

1. 2001. – 380с.

2. Нейронные сети. STATISTICA Neural Networks. – М.: Телеком, 2001 – 182 с.

3. Рогачев А.Ф. Алгоритмическое моделирование урожайности зерновых культур с использованием лингвистических переменных / А.Ф. Рогачев, А.Г. Гагарин, Н.В. Тюрякова // Известия Нижневолжского агропромышленного университетского комплекса», Волгоград, ВГСХА, 2009. №1, с.136-143.

4. Солдатова О.П., Семенов В.В. Применение нейронных сетей для решения задач прогнозирования// Электронный научный журнал «исследовано в России» [Электронный ресурс] Режим доступа http://zhurnal.gpi.ru/articles/2006/136.pdf

5. Суменков М.С. Прогнозирование динамики экономических параметров предприятия на основе нейронных сетей / М.С. Суменков, С.М. Суменков, Н.Ю. Новикова. - Экономические науки. 2012. № 2. С. 90-94.

6. Хайкин, С. Нейронные сети: полный курс, 2-е изд., испр. : Пер. с англ. – М. : ООО «И.Д. Вильямс», 2006. – 1104 с.

7. Хореева Н.К. Выбор метода прогнозирования для принятия управленческих решений // Теория и практика современной науки: материалы VII Международной научно-практической конференции, Москва, 3–4 октября 2012 г. В 2 т.: т. I / Науч.-инф. издат. центр «Институт стратегических исследований». – Москва : Изд-во «Спецкнига», 2012. – 304 с. 130-135.

8. Шитиков В.К., Розенберг Г.С., Зинченко Т.Д. Нейросетевое моделирование: многослойный персептрон [Электронный ресурс] Режим доступа http://www.ievbran.ru/kiril/Library/Book1/content394/content394.htm

Код для цитирования: Скопировать