Успехи современного естествознания. Классификация методов и моделей прогнозирования

МАТЕМАТИЧЕСКИЕ МЕТОДЫ ПРОГНОЗИРОВАНИЯ В УПРАВЛЕНИИ ПРЕДПРИЯТИЕМ

Ковальчук Светлана Петровна

студентка 4 курса, кафедра экономической кибернетики ВНАУ, г. Винница

Коляденко Светлана Васильевна

научный руководитель, докт.экон.наук, профессор ВНАУ, г. Винница

Введение. В условиях развития рыночных отношений для обеспечения эффективного хозяйствования предприятия, принятия управленческих решений необходимо проведение глубокого анализа экономических показателей его деятельности в динамике, что дает возможность с помощью методов прогнозирования по мере поступления новой информации выявить закономерности изменений во времени и определить обоснованные пути развития объекта управления.

Анализ последних исследований и публикаций. Вопрос прогнозирования исследовались в научных работах таких известных отечественных и зарубежных экономистов, как И. Ансофф, В. Геець, Г. Добров, М. Долишний, А. Илишев, М. Кизим, В. Кучерук, В. Лисичкин, А. Мельник, М. Мескон, З. Микитишин, И. Михасюк, Б. Панасюк, М. Портер, Г.Савицкая, Р. Сайфулин и другие. Тем не менее существует объективная необходимость дальнейшего исследования методических и прикладных основ прогнозирования деятельности предприятий с учетом особенностей становления рыночной экономики.

Целью исследования является систематизация математических методов экономического прогнозирования в управлении предприятием, определение их особенностей, заданий и принципов.

Основные результаты исследования. Прогноз (от греч. prognosis – предвидение) – это попытка определить состояние некоторого явления или процесса в будущем. Процесс формирования прогноза называют прогнозированием. Прогнозирование в управлении предприятием – это научное обоснование возможных количественных и качественных изменений его состояния, уровня развития в целом, отдельных направлений деятельности в будущем, а также альтернативных способов и сроков достижения ожидаемого состояния.

Процесс прогнозирования всегда основывается на определенных принципах:

целеустремленность – содержательное описание поставленных исследовательских задач;
системность – построение прогноза на основании системы методов и моделей, которые характеризуются определенной иерархией и последовательностью;
научная обоснованность – всесторонний учет требований объективных законов развития общества, использование мирового опыта;
многоуровневое описание – описание объекта как целостного явления и вместе с тем как элемента более сложной системы;
информационное единство – использование информации на одинаково равное обобщения и целостности признаков;
адекватность объективным закономерностям развития – выявление и оценка устойчивых взаимосвязей и тенденций развития объекта;
последовательное решение неопределенности – поэтапная процедура продвижения от выявления целей и сложившихся условий к определению возможных направлений развития;
альтернативность – выявление возможности развития объекта при условии разных траекторий, разнообразных взаимосвязей и структурных соотношений .

Прогнозирование выполняет три основных функции и имеет три стадии:

предвидение возможных тенденций изменений в будущем, выявление закономерностей, тенденций, факторов, обуславливающих эти изменения (исследовательская стадия);
выявление альтернативных вариантов влияния на развитие объекта в результате принятия тех или иных решений, оценка последствий реализации этих решений (стадия обоснования управленческих решений);
оценка результатов выполнения решений, непредвиденных изменений внешней среды, чтобы своевременно скоординировать решение (стадия наблюдения и коррекции) .

Эти три функции и три стадии взаимно переплетены, итеративно повторяются и являются составными элементами управленческой деятельности в любой сфере.

Качество прогнозов в значительной мере зависит от методов прогнозирования, которыми называют совокупность приемов и оценок, которые дают возможность на основании анализа прошлых (ретроспективных) внутренних и внешних связей, присущих объекту, а также их изменений с определенной вероятностью сделать вывод относительно будущего развития объекта .

По принципу информационного обоснования различают такие методы:

І. Фактографические методы, которые базируются на фактическом информационном материале об объекте прогнозирования и его прошлом развитии:

статистические методы: экстраполяции и интерполяции, корреляционно-регрессионный анализ, факторные модели;
аналогии: математические, исторические;
опережающие методы прогнозирования, которые основываются на определенных принципах специальной обработки научно-технической информации и реализуют в прогнозе ее свойство опережать развитие научно-технического прогресса (методы анализа динамики патентования, публикационные методы прогнозирования).

ІІ. Экспертные методы, которые базируются на субъективной информации, которую предоставляют специалисты-эксперты в процессе систематизированных процедур выявления и обобщение их мысли относительно будущего состояния дел. Для этих методов характерно предвидение будущего на основе как рациональных доказательств, так и интуитивных знаний. Они, как правило, имеют качественный характер. К этим методам принадлежат такие:

прямые: экспертного опрашивания; экспертного анализа, когда эксперт или коллектив экспертов сами ставят и решают вопросы, которые ведут к поставленной цели; с обратной связью; метод «комиссий», что может означать организацию «круглого стола» и других подобных мероприятий, в пределах которых происходит согласование мыслей экспертов; метод «мозговых атак», для которого характерны коллективная генерация идей и творческое решение проблем; метод Дельфи, что предусматривает проведение анкетных опрашиваний специалистов избранной области знаний.

ІІІ. Комбинированные методы со смешанной информационной основой, в которой как первичную используют фактографическую и экспертную информацию: балансовые модели; оптимизационные модели.

Одними из наиболее распространенных методов прогнозирования являются эконометрические методы – это комплекс экономических и математических научных дисциплин, которые изучают экономические процессы и системы. Эконометрическая модель представляет собой систему регрессионных (стохастических) уравнений и тождественностей. Коэффициенты уравнений определяются методами математической статистики на основе конкретной экономико-статистической информации, а наиболее распространенным методом количественной оценки коэффициентов есть метод наименьших квадратов с его модификациями. Эконометрические уравнения выражают зависимость исследуемых переменных от изменения других показателей, в том числе и от состояния этих переменных в прошлом. Тождественности же устанавливают взаимозависимость между переменными, отображающими структуру используемой статистики .

Математическую платформу эконометрических моделей составляют методы корреляционного и регрессионного анализа. Корреляционный анализ дает возможность отобрать наиболее существенные факторы и построить соответствующее уравнение регрессии .

Корреляционный анализ обеспечивает: измерение степени связи двух и больше переменных; выявление факторов, наиболее существенно влияющих на зависимую переменную; определение прежде неизвестных причинных связей (корреляция непосредственно не раскрывает причинных связей между явлениями, но определяет числовое значение этих связей и вероятность суждений относительно их существования). Основными средствами анализа есть парные, частные и множественные коэффициенты корреляции.

Регрессионный анализ разрешает решать такие задачи:

установление форм зависимости между одной эндогенной и одной или несколькими экзогенными переменными (положительная, отрицательная, линейная, нелинейная). Эндогенная переменная обычно обозначается Y , а экзогенная (экзогенные), которая еще иначе называется регрессором, – X ;
определение функции регрессии. Важно не только указать общую тенденцию изменения зависимой сменной, а и выяснить степень влияния на зависимую переменную главных факторов, если бы остальные (второстепенные, побочные) факторы не изменялись (находились на том самом среднему уровне) и были исключены случайные элементы;
оценивание неизвестных значений зависимой сменной.

Согласно цели прогнозирования определяется совокупность и структура переменных, которые входят в модель. На основе теоретического анализа взаимосвязей переменных формируется система уравнений, и оцениваются параметры уравнений регрессии. В результате рассмотрения разных вариантов структур уравнений в системе остаются те из них, которые имеют наилучшие качественные характеристики и не противоречат экономической теории. И последний этап построения модели содержит проверку ее способности воссоздавать динамику прошлого экономического развития, т.е. имитацию на модели базового периода, который разрешает оценить ее качество.

Объектами прогнозирования в управлении предприятием могут быть: спрос, производство продукции (выполнение услуг), объем продаж, потребность в материальных и трудовых ресурсах, затрат производства и реализации продукции, цены, доходы предприятия, его техническое развитие.

Субъектами прогнозирования являются планово-экономические отделы предприятия, маркетинговые и технические отделы.

Разработка планов-прогнозов (на перспективу, краткосрочные (год, квартал, месяц) и оперативные (сутки, декада)) происходит как в целому по предприятию, так и по его структурным подразделениям: цехам, участкам, службам. При прогнозировании показателей целесообразно использовать следующую систему методов: экспертные оценки, факторные модели, методы оптимизации, нормативный метод.

Выводы. Для принятия решения необходимо иметь достоверную и полную информацию, на основе которой формируется стратегия производства и сбыта продукции. В связи с этим повышается роль прогнозов, нужное расширение системы и совершенствование методов прогнозирования, применяемых на практике. Особое внимание должно уделяться прогнозированию спроса на продукцию, расходов производства, цен и прибыли. Для этого проводятся исследование внутреннего и мирового рынков, осуществляется анализ эластичности спроса.

Список литературы:

Лугинин О.Е. Эконометрия: учеб. пособие для студ. высших учеб. завед. – 2-е изд., перераб. и доп. – К. : Центр учебной литературы, 2008. – 278 с.
Орлов А.И. Эконометрика. – М.: Экзамен, 2002. – 576 с.
Присенко Г. В., Равикович Є. И. Прогнозирование социально-экономических процессов: учебн. пособ. – К.: КНЭУ, 2005. – 378 с.
Стеценко Т. О., Тищенко О. П. Управление региональнойэкономикой: учебн. пособ. ГВУЗ Киев. нац. экон. ун-т им. В. Гетьмана. – К. : КНЭУ, 2009. – 471 с.
Яковец Ю.В. Прогнозирование циклов и кризисов. – M.: МФК, 2000. – С. 42.

Спецкурсы и спецсеминары в весеннем семестре 2018/2019 уч.г.

25.03.2019 г. :14:35 – 16:10 с/к магистры «Анализ графов, сетей, функций сходства», Майсуразе А.И., 507 занятие не состоится 25 марта (понедельник), лектор болен ;
16:20 – 17:55 с/к бакалавры «Аналитический SQL», Майсурадзе А.И., 582 занятие не состоится 25 марта (понедельник), лектор болен.
27.02.2019 г. : Учебно-исследовательский семинар «Интеллектуальный анализ данных: новые задачи и методы» , руководители С.И.Гуров , А.И.Майсурадзе Спецсеминар проходит по средам в ауд. 704, начало в 18-05 . 04 марта (понедельник) на спецсеминаре состоится доклад И. С. Балашова (ВВО, 3 курс) "Исследование микробиома во время беременности методами теории графов" . Известно, что микроорганизмы, обитающие в различных локусах организма, взаимодействуют друг с другом и образуют сообщества, называемые микробиомом, а совокупность этих микроорганизмов называется микробиотой. Для ряда заболеваний показано, что микробиота является фактором риска развития определенных заболеваний. Данные о составе микробиоты можно представить в виде графа, а затем исследовать особенности этого графа в норме и при патологии. В работе будут представлены особенности предметной области и их влияние на выбор методов описания и анализа данных, представлены базовые модели, описывающие микробиом.

27.02.2019 г. : Логический анализ данных в распознавании , (Logical data analysis in recognition) лектор Е.В. Дюкова , проходит по понедельникам в ауд. 645, начало в 16-20. Первое занятие 25 февраля. В спецкурсе будут изложены общие принципы, лежащие в основе дискретных методов анализа информации в задачах распознавания, классификации и прогнозирования. Будут рассмотрены подходы к конструированию процедур распознавания на основе использования аппарата логических функций и методов построения покрытий булевых и целочисленных матриц. Будут изучены основные модели и рассмотрены вопросы, связанные с исследованием сложности их реализации и качества решения прикладных задач. Спецкурс для бакалавров 2-4 курсов. По спецкурсу издано учебное пособие.

27.02.2019 г. : Вероятностное тематическое моделирование (Probabilistic topic modelling), лектор профессор РАН, д.ф.-м.н. К.В. Воронцов , проходит по четвергам в ауд. 510, начало в 18-05. Первое занятие 14 февраля. Тематическое моделирование – это современная область исследований на стыке машинного обучения и компьютерной лингвистики. Тематическая модель определяет, какие темы содержатся в большой текстовой коллекции, и к каким темам относится каждый документ. Тематические модели позволяют искать тексты по смыслу, а не по ключевым словам, и создавать информационно-поисковые сервисы нового типа для систематизации знаний. В спецкурсе рассматриваются тематические модели для классификации, категоризации, сегментации, суммаризации текстов естественного языка, а также для рекомендательных систем, анализа банковских транзакционных данных и биомедицинских сигналов. Из математики нам понадобится теория вероятностей, методы оптимизации, матричные разложения. Для любителей программирования имеется возможность поучаствовать в проекте с открытым кодом BigARTM.org. Для особо увлечённых – дополнительные семинары по вечерам в офисе Яндекса. Заданиями по курсу будет решение задач из реальной жизни, у которых нет правильного ответа в конце учебника. Спецкурс для магистрантов, но студентам второго курса тоже всё будет понятно:) 18+ (для студентов, познавших теорвер).

27.02.2019 г. : Задачи и алгоритмы вычислительной геометрии (Computational Geometry: Problems and Algorithms), Л.М. Местецкий , проходит по пятницам в ауд. 607, начало в 18-05. Первое занятие 15 февраля. Эффективные алгоритмы работы с геометрической информацией являются непременным атрибутом всех современных систем машинного зрения, анализа и распознавания изображений, компьютерной графики и геоинформатики. Геометрические алгоритмы предоставляют хорошее поле для развития алгоритмического мышления, необходимого в прикладной математике. В первой части спецкурса будут рассмотрены классические темы вычислительной геометрии: геометрический поиск, выпуклые оболочки, пересечение и близость объектов, диаграммы Вороного, триангуляции Делоне. Вторая часть курса посвящена скелетам, обобщениям диаграмм Вороного для многоугольников и задачам медиального анализа формы изображений. Приглашаются бакалавры.

27.02.2019 г. : Методы машинного обучения и поиск закономерностей в данных (Machine learning and search of regularities in data) , лектор О.В. Сенько , проходит по четвергам в ауд. 507, начало в 18-05. Первое занятие 14 февраля. В курсе обсуждаются основные проблемы, возникающие при использовании методов обучения по прецедентам (машинного обучения). Даётся краткий обзор существующих методов распознавания и регрессионного анализа. Рассказывается о способах оценки точности на генеральной совокупности (обобщающей способности). Обсуждаются различные способы повышения обобщающей способности методов машинного обучения. Приглашаются бакалавры.

27.02.2019 г. : Анализ графов, сетей, функций сходства (Graphs, Network, Distance Function Analysis), А.И. Майсурадзе, проходит по понедельникам в ауд. 582, начало в 16-20. Первое занятие 18 февраля. Рассматриваются задачи и методы анализа систем, описание которых базируется на попарном или множественном взаимодействии объектов. Эти объекты могут быть однотипными или разнотипными. Когда важно само наличие или отсутствие взаимодействия, формализация проводится на языке теории графов. Расширении графового описания количественными характеристиками приводит к сетям. Если же считается, что каждый набор объектов может быть численно охарактеризован, говорят о расстояниях или сходствах. Представлена теоретическая основа для формализации задач и построения, реализации и анализа широкого спектра моделей и методов ИАД. Исследуются эвристические модели данных, описывающие исходную информацию об объектах распознавания на основе различных реализаций понятия сходства. Рассматриваются задачи, требующие решения при реализации указанных моделей. Изучаются специальные структуры данных и алгоритмы, позволяющие эффективно настраивать и использовать изучаемые модели. Идея сходства свойственна человеческому мышлению, это породило целый комплекс подходов для всех фундаментальных задач ИАД - так называемые метрические методы. Рассмотрены методы построения и вычисления функций сходства, согласование сходства на различных множествах объектов, синтез новых способов сравнения объектов на базе уже имеющихся. Рассмотрен комплекс приёмов, предназначенный для эффективного представления и обработки метрической информации вычислительными системами. Рассматриваются характеристики графов, активно используемые при их анализе. Изучаются алгоритмы на графах - как теоретически, так и с точки зрения эффективной реализации. Различные модели роста графов. Построение репрезентативных выборок на графах. Генерация графов с заданными характеристиками. Существенное внимание в курсе уделено многочисленным формализациям кластерного анализа. Показано, какие задачи решают распространённые методы. Проведена типологизация широкого спектра задач кластеризации для гомогенных и гетерогенных систем (бикластеризация, кокластеризация). Спецкурс для магистрантов.

27.02.2019 г. : Аналитический SQL (Analytical SQL), А.И. Майсурадзе, проходит по понедельникам в ауд. 507, начало в 14-35. Первое занятие 18 февраля. В наши дни автоматизация и оптимизация многих видов деятельности невозможна без сбора и последующего анализа больших объёмов информации. При этом со временем стало ясно, что некоторые модели данных особенно удобны для людей - такие модели стали универсальным языком общения с самыми разными технологиями. В этом смысле одним из самых широкоупотребительных языков оказался SQL, и сегодня самые разные технологии (совсем не только реляционные) позволяют его использовать. В курсе на практических примерах будут даваться знания и отрабатываться навыки, которые понадобятся практически любому аналитику при работе с источниками данных. Акцент делается именно на аналитической деятельности: аналитик пользуется системами сбора и хранения данных, но не собирается администрировать их. Занятия предполагают интерактивное выполнение заданий на реальных БД. Спецкурс для бакалавров.

Юрашев Виталий Викторович к. ф.-м. н., научный руководитель фирмы «Градиент»

Шелест Игорь Владимирович системный архитектор «Инфосистемы Джет»

Прогноз в бизнесе важен из-за возможного использования его для эффекта стабилизации. Разумные прогнозы побуждают людей действовать более рационально и предупреждают их «сверхреакцию» в сторону пессимизма или оптимизма. Хороший прогноз обеспечивает фирме принятие рациональных решений относительно производимых фирмой товаров или услуг. Отсутствие прогноза заставляет руководство фирмы предпринимать излишние меры предосторожности.

Методы прогноза обычно требуют больших затрат времени и денег. Однако бизнесмен нуждается в методах, которые не требуют сложных умозаключений в повседневной работе и могут быть представлены в виде программ. Необходимо найти методы прогнозирования без детального индивидуального анализа. К тому же желательно, чтобы знания ситуации на рынке, которыми обладают люди, постоянно работающие на нем, были использованы в подобных моделях.

Поскольку прогнозирование является трудной проблемой, то очевидно, что фирма должна иметь несколько серий прогнозов, отличных от простого описательного прогноза. Это поможет принимать более решительные действия, результатом которых является рост прибыли, повышение эффективности работы организации и роста ее престижа.

Исходные данные для составления прогноза с использованием временных рядов обычно представляют собой результаты выборочных наблюдений переменных - либо интенсивности (например, спрос на продукцию), либо состояния (например, цена). Решения, которые должны приниматься в данный момент, скажутся в дальнейшем по прошествии некоторого промежутка времени, величина которого может быть прогнозируемой.

Временные ряды представляют собой упорядоченные во времени данные. В соответствии с этим мы будем впредь обозначать период времени через t, а соответствующее ему значение данных через y(t). Отметим, что членами временного ряда являются либо суммы, либо числовая информация, полученная в определенный момент времени. Например, сумма недельных продаж в магазине, получаемая в конце каждой недели в течение года, образует временной ряд.

Тренд означает общее направление и динамику временного ряда. В этом определении ударение делается на понятии «общее направление», поскольку основную тенденцию необходимо отделить от краткосрочных колебаний, представляющих собой циклические и сезонные колебания. Примеры циклических колебаний: цены на промышленное сырье, курсы акций, объемы продаж в оптовой и розничной торговле и др. Сезонные колебания встречаются во временных рядах, описывающих продажи, производство, занятость и др. Важную роль в сезонных колебаниях играют погодные условия, мода, стиль и т. д. Особо отметим, что нерегулярные или случайные колебания временных рядов не подчиняются никакой закономерности и не существует теории, способной предсказать их поведение.

С точки зрения выработки правильного решения руководством фирмы, включение периодических (циклических и сезонных) колебаний в общую модель может повысить эффективность прогноза и позволит предсказать ожидаемые высокие и низкие значения прогнозируемых переменных. При этом нужно иметь в виду, что «деловые» или экономические циклы нельзя воспроизвести с точностью, позволяющей на практике делать выводы о будущих подъемах и спадах, исходя из анализа прошлого.

В работе представлены линейный, циклический и «экспоненциальный» тренды. Несколько слов об экспоненциальном тренде. Анализ жизненного цикла товаров, услуг, инноваций и размышления о процессах, происходящих вокруг, показали, что модель развития и гибели биологических систем является эффективным инструментом для изучения многих явлений в бизнесе. Причем как и в бизнесе, показатели функционирования биологической системы во времени не линейны на всех этапах ее развития. Были промоделированы упомянутые выше жизненные циклы, и было установлено, что их эластичность по времени является линейной функцией. Коэффициенты этой функции позволяют учитывать не только нелинейные механизмы жизненных циклов, но и прогнозировать их появление. В результате мы получили тренд,который назвали «экспоненциальным», поскольку в него входит временная экспонента.

Рассмотрим временной ряд y(1), y(2),...(y(i),...y(T). Требуется представить функцию, для которой задан этот ряд, тригонометрическим полиномом. Периодические компоненты полинома неизвестны. Достоинство такой модели состоит в том, что она обеспечивает стабильность прогноза за счет перебора частот. Коэффициенты вычисляются с использованием всего набора данных.

На практике подобная модель оказывается сложной для пользователя. Поэтому была разработана компьютерная программа. Проверка на соответствие предыстории проводится по методу наименьших квадратов (см.: Таха А. Исследование операций. М.: Вильямс, 2005). Во многих случаях изменения в изучаемом процессе можно предвидеть заранее и включить их в представленную модель прогноза. Ведь опытные руководители могут предсказать характер изменений. В программе заложено согласование трендов за счет оптимального выбора частот в представленном ряде. Для корректировки прогноза можно варьировать не только тренды, но и учитывать результаты субъективного прогноза.

Будем искать тренд в виде: Y(t) = C + Asin(wt) + Bcos(wt).

Поскольку значения этой функции в точках 1, 2, ... Т известны, то мы получаем систему из Т линейных уравнений относительно коэффициентов А, В, С, w - параметр.

Решаем эту систему методом наименьших квадратов (Т>3) и получаем значения коэффициентов А, В, С, зависящих от w. Необходимо выбрать значения w таким образом, чтобы значения тренда наилучшим образом приближались бы к значениям временного ряда. Оптимизация проводится методом последовательных приближений. Первоначальное значение w, которое является началом последовательных приближений, находится по формулам, представленным, например, в справочнике по математике авторов Г. Корн, Т. Корн, (М.: Наука, 1989. Гл. 20).

Вычитаем из фактических (т. е. заданных изначально в виде членов временного ряда) значений y(1), y(2),...y(i),....y(t) найденные теоретические значения y(t) в моменты времени t =1, 2,...,i,...Т. Для полученных данных (считая их фактическими, т. е. членами временного ряда) повторяем указанную выше процедуру.

Точность прогноза 1-3%, колеблется иногда до 5-10%. Все зависит от наличия шумов, которые могут существенно повлиять на прогноз. Если ретроспективный ряд большой, то программа хорошо выделяет регулярные составляющие процесса. При незначительном временном ряде ретроспективы (до 5-8 значений) нужно пользоваться экспоненциальным сглаживанием. В основе метода экспоненциального сглаживания лежит скользящая средняя. Но он устраняет недостаток метода скользящей средней, который состоит в том, что все данные, используемые для вычисления среднего, имеют одинаковый вес. В частности, метод экспоненциального сглаживания присваивает больший весовой коэффициент самому последнему наблюдению. Он, также как и метод, представленный в этой работе, особенно эффективен при прогнозе временных рядов с циклическими колебаниями без сильных случайных колебаний (см.: Таха А. Исследование операций).

Приведем пример расчета прогнозируемого объема продаж (табл. 1, 2).

Таблица 1. Исходные данные

Таблица 2. Расчет прогноза с использованием синусоидального тренда

Результаты расчета представлены в виде графиков на рисунке 1(теоретическая функция – черный штрих, исходные данные – черный цвет, тренд – серый цвет).

Рис. 1. Расчет прогнозируемого объема продаж по синусоидальному тренду

Приведем пример использования экспоненциального тренда для расчета прогноза сбыта.

В данном примере рассмотрено изменение объема продаж во время и после рекламной кампании (табл. 3, 4).

Таблица 3. Исходные данные

Таблица 4. Расчет прогноза с использованием экспоненциального тренда

Результаты расчета представлены в виде графиков на рисунке 2 (теоретическая функция - серый штрих, исходные данные - черный цвет, тренд - серый цвет).

Рис. 2. Расчет прогнозируемого объема продаж по экспоненциальному тренду

Разработанный нами программный продукт, адаптированный для работы в конкретных условиях, обладает универсальностью, надежностью и устойчивостью к изменению условий. Кроме того, и это существенно, можно увеличить число решаемых задач. Так, например, при прогнозировании объемов продаж можно решить проблему влияния каждого показателя (рекламы, выставок, интернета) на величину прибыли.

Одно из достоинств проекта - его дешевизна. Поэтому можно сравнить получаемые результаты с теми, которые были получены другими методами. Их различие даст повод руководству провести более глубокие исследования.

Программа проста в применении, достаточно ввести в программу необходимые данные из информационного поля. Единственная трудность может быть в получении анкетных данных. Трудности возникают при создании информационного поля, в котором предстоит работать.

Здесь все зависит от условий, в которых должны быть получены данные (в полевых или лабораторных). Возможности экспертов построить квазиинформационное поле упрощают работу на предварительном этапе исследования, однако при этом теряется «полевая» изюминка проекта.

Ценность проекта также в мобильности решения поставленных задач, быстрой реакции на изменения окружающей среды, легкой коррекции изменений и дополнений при работе над конкретной задачей.

* Данная работа не является научным трудом, не является выпускной квалификационной работой и представляет собой результат обработки, структурирования и форматирования собранной информации, предназначенной для использования в качестве источника материала при самостоятельной подготовки учебных работ.

Matlab- как средство математического моделирования

Рассказывать о программах математического моделирования и возможных областях их применения можно очень долго, но мы ограничимся лишь кратким обзором ведущих программ, укажем их общие черты и различия. В настоящее время практически все современные CAE-программы имеют встроенные функции символьных вычислений. Однако наиболее известными и приспособленными для математических символьных вычислений считаются Maple, MathCad, Mathematica и MatLab. Но, делая обзор основных программ символьной математики, мы укажем и на возможные альтернативы, идеологически схожие с тем или иным пакетом-лидером.

С помощью описываемого ПО можно сэкономить массу времени и избежать многих ошибок при вычислениях. Естественно, CAE системы не ограничиваются только этими возможностями, но в данном обзоре мы сделаем упор именно на них.

Отметим только, что спектр задач, решаемых подобными системами, очень широк:

Проведение математических исследований, требующих вычислений и аналитических выкладок;

Разработка и анализ алгоритмов;

Математическое моделирование и компьютерный эксперимент;

Анализ и обработка данных;

Визуализация, научная и инженерная графика;

Разработка графических и расчетных приложений.

При этом отметим, что поскольку CAE-системы содержат операторы для базовых вычислений, то почти все алгоритмы, отсутствующие в стандартных функциях, можно реализовать посредством написания собственной программы.

Процессор Pentium II или выше;

400-550 Мбайт дискового пространства;

Операционные системы: Windows 98/Me/ NT 4.0/2000/2003 Server/2003x64/XP/XP x64.

Компания Wolfram Reseach, Inc., разработавшая систему компьютерной математики Mathematica, по праву считается старейшим и наиболее солидным игроком в этой области. Пакет Mathematica (текущая версия 5.2) повсеместно применяется при расчетах в современных научных исследованиях и получил широкую известность в научной и образовательной среде. Можно даже сказать, что Mathematica обладает значительной функциональной избыточностью (там, в частности, есть даже возможность для синтеза звука).

Несмотря на свою направленность на серьезные математические вычисления, системы класса Mathematica просты в освоении и могут использоваться довольно широкой категорией пользователей — студентами и преподавателями вузов, инженерами, аспирантами, научными работниками и даже учащимся математических классов общеобразовательных и специальных школ. Все они найдут в подобной системе многочисленные полезные возможности для применения.

При этом широчайшие функции программы не перегружают ее интерфейс и не замедляют вычислений. Mathematica неизменно демонстрирует высокую скорость символьных преобразований и численных расчетов. Программа Mathematica из всех рассматриваемых систем наиболее полна и универсальна, однако у каждой программы есть как свои достоинства, так и недостатки. А главное — у них есть свои приверженцы, которых бесполезно убеждать в превосходстве другой системы. Но те, кто серьезно работает с системами компьютерной математики, должны пользоваться несколькими программами, ибо только это гарантирует высокий уровень надежности сложных вычислений.

Отметим, что в разработках различных версий системы Mathematica, наряду с головной фирмой Wolfram Research, Inc., принимали участие другие фирмы и сотни специалистов высокой квалификации, в том числе математики и программисты. Система Mathematica является одной из самых крупных программных систем и реализует наиболее эффективные алгоритмы вычислений. К их числу, например, относится механизм контекстов, исключающий появление в программах побочных эффектов.

Система Mathematica сегодня рассматривается как мировой лидер среди компьютерных систем символьной математики для ПК, обеспечивающих не только возможности выполнения сложных численных расчетов с выводом их результатов в самом изысканном графическом виде, но и проведение особо трудоемких аналитических преобразований и вычислений. Версии системы под Windows имеют современный пользовательский интерфейс и позволяют готовить документы в форме Notebooks (записных книжек). Они объединяют исходные данные, описания алгоритмов решения задач, программ и результатов решения в самой разнообразной форме (математические формулы, числа, векторы, матрицы, таблицы и графики).

Mathematica была задумана как система, максимально автоматизирующая труд научных работников и математиков-аналитиков, поэтому она заслуживает изучения даже в качестве типичного представителя элитных и высокоинтеллектуальных программных продуктов высшей степени сложности. Однако куда больший интерес она представляет как мощный и гибкий математический инструментарий, который может оказать неоценимую помощь большинству научных работников, преподавателей университетов и вузов, студентов, инженеров и даже школьников.

С самого начала большое внимание уделялось графике, в том числе динамической, и даже возможностям мультимедиа — воспроизведению динамической анимации и синтезу звуков. Набор функций графики и изменяющих их действие опций очень широк. Графика всегда была сильной стороной различных версий системы Mathematica и обеспечивала им лидерство среди систем компьютерной математики.

В результате Mathematica быстро заняла ведущие позиции на рынке символьных математических систем. Особенно привлекательны обширные графические возможности системы и реализация интерфейса типа Notebook. При этом система обеспечивала динамическую связь между ячейками документов в стиле электронных таблиц даже при решении символьных задач, что принципиально и выгодно отличало ее от других подобных систем.

Таким образом, Mathematica — это, с одной стороны, типичная система программирования на базе одного из самых мощных проблемноориентированных языков функционального программирования высокого уровня, предназначенная для решения различных задач (в том числе и математических), а с другой — интерактивная система для решения большинства математических задач в диалоговом режиме без традиционного программирования. Таким образом, Mathematica как система программирования имеет все возможности для разработки и создания практически любых управляющих структур, организации ввода-вывода, работы с системными функциями и обслуживания любых периферийных устройств, а с помощью пакетов расширения (Add-ons) появляется возможность подстраиваться под запросы любого пользователя, (хотя рядовому пользователю эти средства программирования могут и не понадобиться — он вполне обойдется встроенными математическими функциями системы, поражающими своим обилием и многообразием даже опытных математиков).

К недостаткам системы Mathematica следует отнести разве что весьма необычный язык программирования, обращение к которому, впрочем, облегчает подробная система помощи.

Минимальные требования к системе:

Процессор Pentium III 650 МГц;

400 Мбайт дискового пространства;

Операционные системы: Windows NT 4 (SP5)/98/ME/2000/2003 Server/XP Pro/XP Home.

Программа Maple (последняя версия 10.02) — своего рода патриарх в семействе систем символьной математики и до сих пор является одним из лидеров среди универсальных систем символьных вычислений. Она предоставляет пользователю удобную интеллектуальную среду для математических исследований любого уровня и пользуется особой популярностью в научной среде. Отметим, что символьный анализатор программы Maple является наиболее сильной частью этого ПО, поэтому именно он был позаимствован и включен в ряд других CAE-пакетов, таких как MathCad и MatLab, а также в состав пакетов для подготовки научных публикаций Scientific WorkPlace и Math Office for Word.

Пакет Maple — совместная разработка Университета Ватерлоо (шт. Онтарио, Канада) и Высшей технической школы (ETHZ, Цюрих, Швейцария). Для его продажи была создана специальная компания — Waterloo Maple, Inc., которая, к сожалению, больше прославилась математической проработкой своего проекта, чем уровнем его коммерческой реализации. В результате система Maple ранее была доступна преимущественно узкому кругу профессионалов. Сейчас эта компания работает совместно с более преуспевающей в коммерции и в проработке пользовательского интерфейса математических систем фирмой MathSoft, Inc. — создательницей весьма популярных и массовых систем для численных расчетов MathCad, ставших международным стандартом для технических вычислений.

Maple предоставляет удобную среду для компьютерных экспериментов, в ходе которых пробуются различные подходы к задаче, анализируются частные решения, а при необходимости программирования отбираются требующие особой скорости фрагменты. Пакет позволяет создавать интегрированные среды с участием других систем и универсальных языков программирования высокого уровня. Когда расчеты произведены и требуется оформить результаты, то можно использовать средства этого пакета для визуализации данных и подготовки иллюстраций для публикации. Для завершения работы остается подготовить печатный материал (отчет, статью, книгу) прямо в среде Maple, а затем можно приступать к очередному исследованию. Работа проходит интерактивно — пользователь вводит команды и тут же видит на экране результат их выполнения. При этом пакет Maple совсем не похож на традиционную среду программирования, где требуется жесткая формализация всех переменных и действий с ними. Здесь же автоматически обеспечивается выбор подходящих типов переменных и проверяется корректность выполнения операций, так что в общем случае не требуется описания переменных и строгой формализации записи.

Пакет Maple состоит из ядра (процедур, написанных на языке С и хорошо оптимизированных), библиотеки, написанной на Maple-языке, и развитого внешнего интерфейса. Ядро выполняет большинство базовых операций, а библиотека содержит множество команд — процедур, выполняемых в режиме интерпретации.

Интерфейс Maple основан на концепции рабочего поля (worksheet) или документа, содержащего строки ввода-вывода и текст, а также графику.

Работа с пакетом происходит в режиме интерпретатора. В строке ввода пользователь задает команду, нажимает клавишу Enter и получает результат — строку (или строки) вывода либо сообщение об ошибочно введенной команде. Тут же выдается приглашение вводить новую команду и т.д.

Вычисления в Maple

Систему Maple можно использовать и на самом элементарном уровне ее возможностей — как очень мощный калькулятор для вычислений по заданным формулам, но главным ее достоинством является способность выполнять арифметические действия в символьном виде, то есть так, как это делает человек. При работе с дробями и корнями программа не приводит их в процессе вычислений к десятичному виду, а производит необходимые сокращения и преобразования в столбик, что позволяет избежать ошибок при округлении. Для работы с десятичными эквивалентами в системе Maple имеется специальная команда, аппроксимирующая значение выражения в формате чисел с плавающей запятой.

Система Maple предлагает различные способы представления, сокращения и преобразования выражений, например такие операции, как упрощение и разложение на множители алгебраических выражений и приведение их к различному виду. Таким образом, Maple можно использовать для решения уравнений и систем.

Maple также имеет множество мощных инструментальных средств для вычисления выражений с одной или несколькими переменными. Программу можно использовать для решения задач дифференциального и интегрального исчисления, вычисления пределов, разложений в ряды, суммирования рядов, умножения, интегральных преобразований (таких как преобразование Лапласа, Z-преобразование, преобразование Меллина или Фурье), а также для исследования непрерывных или кусочно-непрерывных функций.

Maple может вычислять пределы функций, как конечные, так и стремящиеся к бесконечности, а также распознает неопределенности в пределах. В этой системе можно решать множество обычных дифференциальных уравнений (ODE), а также дифференциальные уравнения в частных производных (PDE), в том числе задачи с начальными условиями (IVP) и задачи с граничными условиями (BVP).

Одним из наиболее часто используемых в системе Maple пакетов программ является пакет линейной алгебры, содержащий мощный набор команд для работы с векторами и матрицами. Maple может находить собственные значения и собственные векторы операторов, вычислять криволинейные координаты, находить матричные нормы и вычислять множество различных типов разложения матриц.

Программирование

Система Maple использует процедурный язык 4-го поколения (4GL). Этот язык специально предназначен для быстрой разработки математических подпрограмм и пользовательских приложений. Синтаксис данного языка аналогичен синтаксису универсальных языков высокого уровня: C, Fortran, Basic и Pascal.

Maple может генерировать код, совместимый с такими языками программирования, как Fortran или C, и с языком набора текста LaTeX, который пользуется большой популярностью в научном мире и применяется для оформления публикаций. Одно из преимуществ этого свойства — способность обеспечивать доступ к специализированным числовым программам, максимально ускоряющим решение сложных задач. Например, используя систему Maple, можно разработать определенную математическую модель, а затем с ее помощью сгенерировать код на языке C, соответствующий этой модели. Язык 4GL, специально оптимизированный для разработки математических приложений, позволяет сократить процесс разработки, а настроить пользовательский интерфейс помогают элементы Maplets или документы Maple со встроенными графическими компонентами.

Одновременно в среде Maple можно подготовить и документацию к приложению, так как средства пакета позволяют создавать технические документы профессионального вида, содержащие текст, интерактивные математические вычисления, графики, рисунки и даже звук. Вы также можете создавать интерактивные документы и презентации, добавляя кнопки, бегунки и другие компоненты, и, наконец, публиковать документы в Интернете и развертывать интерактивные вычисления в Сети, используя сервер MapleNet.

Интернет-совместимость

Maple является первым универсальным математическим пакетом, который предлагает полную поддержку стандарта MathML 2.0, управляющего как внешним видом, так и смыслом математики в Интернете. Эта эксклюзивная функция делает текущую версию MathML основным средством Интернет-математики, а также устанавливает новый уровень совместимости многопользовательской среды. TCP/IP-протокол обеспечивает динамический доступ к информации из других Интернет-ресурсов, например к данным для финансового анализа в реальном времени или к данным о погоде.

Перспективы развития

Последние версии Maple, помимо дополнительных алгоритмов и методов решения математических задач, получили более удобный графический интерфейс, продвинутые инструменты визуализации и построения графиков, а также дополнительные средства программирования (в том числе по совместимости с универсальными языками программирования). Начиная с девятой версии в пакет был добавлен импорт документов из программы Mathematica, а в справочную систему были введены определения математических и инженерных понятий и расширена навигация по страницам справки. Кроме того, было повышено полиграфическое качество формул, особенно при форматировании больших и сложных выражений, а также значительно сокращен размер MW-файлов для хранения рабочих документов Maple.

Таким образом, Maple — это, пожалуй, наиболее удачно сбалансированная система и бесспорный лидер по возможностям символьных вычислений для математики. При этом оригинальный символьный движок сочетается здесь с легко запоминающимся структурным языком программирования, так что Maple может быть использована как для небольших задач, так и для серьезных проектов.

К недостаткам системы Maple можно отнести лишь ее некоторую «задумчивость», причем не всегда обоснованную, а также очень высокую стоимость этой программы (в зависимости от версии и набора библиотек цена ее доходит до нескольких десятков тысяч долл., правда студентам и научным работникам предлагаются дешевые версии — за несколько сотен долл.).

Пакет Maple широко распространен в университетах ведущих научных держав, в исследовательских центрах и компаниях. Программа постоянно развивается, вбирая в себя новые разделы математики, приобретая новые функции и обеспечивая лучшую среду для исследовательской работы. Одно из основных направлений развития этой системы — повышение мощности и достоверности аналитических (символьных) вычислений. Это направление представлено в Maple наиболее широко. Уже сегодня Maple может выполнять сложнейшие аналитические вычисления, которые нередко не по силам даже опытным математикам.

Минимальные требования к системе:

Процессор Pentium III, 4, Xeon, Pentium M; AMD Athlon, Athlon XP, Athlon MP;

400 Мбайт дискового пространства (только для самой системы MatLab и ее Help);

Операционная система Microsoft Windows 2000 (SP3)/XP.

Система MatLab относится к среднему уровню продуктов, предназначенных для символьной математики, но рассчитана на широкое применение в сфере CAE (то есть сильна и в других областях). MatLab — одна из старейших, тщательно проработанных и проверенных временем систем автоматизации математических расчетов, построенная на расширенном представлении и применении матричных операций. Это нашло отражение и в самом названии системы — MATrix LABoratory, то есть матричная лаборатория. Однако синтаксис языка программирования системы продуман настолько тщательно, что данная ориентация почти не ощущается теми пользователями, которых не интересуют непосредственно матричные вычисления.

Несмотря на то что изначально MatLab предназначалась исключительно для вычислений, в процессе эволюции (а сейчас выпущена уже версия 7), в дополнение к прекрасным вычислительным средствам, у фирмы Waterloo Maple по лицензии для MatLab было приобретено ядро символьных преобразований, а также появились библиотеки, которые обеспечивают в MatLab уникальные для математических пакетов функции. Например, широко известная библиотека Simulink, реализуя принцип визуального программирования, позволяет построить логическую схему сложной системы управления из одних только стандартных блоков, не написав при этом ни строчки кода. После конструирования такой схемы можно детально проанализировать ее работу.

В системе MatLab также существуют широкие возможности для программирования. Ее библиотека C Math (компилятор MatLab) является объектной и содержит свыше 300 процедур обработки данных на языке C. Внутри пакета можно использовать как процедуры самой MatLab, так и стандартные процедуры языка C, что делает этот инструмент мощнейшим подспорьем при разработке приложений (используя компилятор C Math, можно встраивать любые процедуры MatLab в готовые приложения).

Библиотека C Math позволяет пользоваться следующими категориями функций:

Операции с матрицами;.

Сравнение матриц;

Решение линейных уравнений;

Разложение операторов и поиск собственных значений;

Нахождение обратной матрицы;

Поиск определителя;

Вычисление матричного экспоненциала;

Элементарная математика;

Функции beta, gamma, erf и эллиптические функции;

Основы статистики и анализа данных;

Поиск корней полиномов;

Фильтрация, свертка;

Быстрое преобразование Фурье (FFT);

Интерполяция;

Операции со строками;

Операции ввода-вывода файлов и т.д.

При этом все библиотеки MatLab отличаются высокой скоростью численных вычислений. Однако матрицы широко применяются не только в таких математических расчетах, как решение задач линейной алгебры и математического моделирования, обсчета статических и динамических систем и объектов. Они являются основой автоматического составления и решения уравнений состояния динамических объектов и систем. Именно универсальность аппарата матричного исчисления значительно повышает интерес к системе MatLab, вобравшей в себя лучшие достижения в области быстрого решения матричных задач. Поэтому MatLab давно уже вышла за рамки специализированной матричной системы, превратившись в одну из наиболее мощных универсальных интегрированных систем компьютерной математики.

Для визуализации моделирования система MatLab имеет библиотеку Image Processing Toolbox, которая обеспечивает широкий спектр функций, поддерживающих визуализацию проводимых вычислений непосредственно из среды MatLab, увеличение и анализ, а также возможность построения алгоритмов обработки изображений. Усовершенствованные методы графической библиотеки в соединении с языком программирования MatLab обеспечивают открытую расширяемую систему, которая может быть использована для создания специальных приложений, пригодных для обработки графики.

Таким образом, программу MatLab можно использовать для восстановления испорченных изображений, шаблонного распознавания объектов на изображениях или же для разработки каких-либо собственных оригинальных алгоритмов обработки изображений. Библиотека Image Processing Tollbox упрощает разработку высокоточных алгоритмов, поскольку каждая из функций, включенных в эту библиотеку, оптимизирована для максимального быстродействия, эффективности и достоверности вычислений. Кроме того, библиотека обеспечивает разработчика многочисленным инструментарием для создания собственных решений и для реализаций сложных приложений обработки графики. А при анализе изображений использование мгновенного доступа к мощным средствам визуализации помогает моментально увидеть эффекты увеличения, восстановления и фильтрации.

Среди других библиотек системы MatLab можно также отметить System Identification Toolbox — набор инструментов для создания математических моделей динамических систем, основанных на наблюдаемых входных/выходных данных. Особенностью этого инструментария является наличие гибкого пользовательского интерфейса, позволяющего организовать данные и модели. Библиотека System Identification Toolbox поддерживает как параметрические, так и непараметрические методы. Интерфейс системы облегчает предварительную обработку данных, работу с итеративным процессом создания моделей для получения оценок и выделения наиболее значимых данных. Быстрое выполнение с минимальными усилиями таких операций, как открытие/сохранение данных, выделение области возможных значений данных, удаление погрешностей, предотвращение ухода данных от характерного для них уровня.

Наборы данных и идентифицируемые модели организуются графически, что позволяет легко вызвать результаты предыдущих анализов в течение процесса идентификации системы и выбрать следующие возможные шаги процесса. Основной пользовательский интерфейс организует данные для показа уже полученного результата. Это облегчает быстрое сравнение по оценкам моделей, позволяет выделять графическими средствами наиболее значимые модели и исследовать их показатели.

А что касается математических вычислений, то MatLab предоставляет доступ к огромному количеству подпрограмм, содержащихся в библиотеке NAG Foundation Library компании Numerical Algorithms Group Ltd (инструментарий имеет сотни функций из различных областей математики, и многие из этих программ были разработаны широко известными в мире специалистами). Это уникальная коллекция реализаций современных численных методов компьютерной математики, созданных за последние три десятка лет. Таким образом, MatLab вобрала и опыт, и правила, и методы математических вычислений, накопленные за тысячи лет развития математики. Одну только прилагаемую к системе обширную документацию вполне можно рассматривать как фундаментальный многотомный электронный справочник по математическому обеспечению.

Из недостатков системы MatLab можно отметить невысокую интегрированность среды (очень много окон, с которыми лучше работать на двух мониторах), не очень внятную справочную систему (а между тем объем фирменной документации достигает почти 5 тыс. страниц, что делает ее трудно обозримой) и специфический редактор кода MatLab-программ. Сегодня система MatLab широко используется в технике, науке и образовании, но все-таки она больше подходит для анализа данных и организации вычислений, нежели для чисто математических выкладок.

Поэтому для проведения аналитических преобразований в MatLab используется ядро символьных преобразований Maple, а из Maple для численных расчетов можно обращаться к MatLab. Ведь недаром символьная математика Maple вошла составной частью в целый ряд современных пакетов, а численный анализ от MatLab и наборы инструментов (Toolboxes) уникальны. Тем не менее математические пакеты Maple и MatLab — это интеллектуальные лидеры в своих классах, это образцы, определяющие развитие компьютерной математики.

ВВЕДЕНИЕ

В переводе с греческого слово «прогноз» означает предвидение, предсказание о развитии чего-либо, основанное на определенных фактических данных. В общем виде под прогнозом следует понимать научно обоснованное суждение о возможных состояниях объекта в будущем, об альтернативных путях и сроках его осуществления.

Цель прогнозирования состоит в создании научных предпосылок, включающих научный анализ тенденций развития экономики; вариантное предвидение предстоящего развития общественного воспроизводства, учитывающее как сложившиеся тенденции, так и намеченные цели; оценку возможных последствий принимаемых решений; обоснование направлений социально-экономического и научно-технического развития для принятия управляющих решений.

Прогнозы природных ресурсов характеризуют вовлечение последних в хозяйственный оборот и охватывают все виды общественного воспроизводства и природную среду: топливо и минеральные ресурсы, ресурсы Мирового океана, некоторые виды энергии, растительный и животный мир, а также охрану окружающей среды.

МАТЕМАТИЧЕСКИЕ МЕТОДЫ ПРОГНОЗИРОВАНИЯ

Математические методы прогнозирования имеют высокую достоверность получаемой информации. При прогнозировании наибольшее распространение получили методы математической экстраполяции, экономико-статистического и экономико-математического моделирования.

Методы математической экстраполяции позволяют количественно охарактеризовать прогнозируемые процессы. Он основан на изучении сложившихся в прошлом закономерностей развития изучаемого явления и распространения их на будущее. Метод исходит из того, что в экономической жизни действует принцип инерции, т.е. наблюдаемые закономерности достаточно устойчивы в течение некоторого периода времени.

Экстраполяция в прогнозировании осуществляется с помощью выравнивания статистических рядов вне их связи с другими рядами экономической динамики, влияние которых учитывается в усредненном виде лишь на основе опыта прошлого.

Предпосылка о сохранении неизменности условий предшествующего периода при экстраполяции ограничивает возможности применения этого метода сравнительно непродолжительными периодами, в течение которых не происходит существенных качественных изменений. Наиболее достоверны результаты прогнозирования при соотношении продолжительности предшествующего периода (ретроспекции) и периода упреждения (проспекции).

Для применения данного метода необходимо иметь продолжительный ряд показателей за прошедшей период. Данная информация изучается и обрабатывается. Фактический временной ряд выравнивается путем графоаналитического или статистического подбора аппроксимирующей функции. Далее разрабатывают гипотезы изменения объекта в прогнозный период (период упреждения) и формализуют их в виде количественных показателей (тенденций). При этом значения показателей можно прогнозировать не только на конец прогнозного срока, но и на промежуточных этапах.

Методы и приемы математической статистики, теории вероятности дают возможность использовать широкий круг функций для прогнозирования необходимого показателя во времени.

Данные методы имеют недостатки, так как не может быть дан достоверный прогноз на длительный срок, если имеются скачкообразные изменения данных; нет возможности определить качественные характеристики прогнозируемых объектов.

Методы математической экстраполяции применяются при прогнозировании отводов земель для несельскохозяйственных нужд, установления урожайности сельскохозяйственных культур и т.д.

Наиболее часто применяются при прогнозировании экономико-статистические модели. На основе их рассчитывают урожайность сельскохозяйственных культур, продуктивность животных, выход продукции с сельскохозяйственных земель, прогнозные нормативы (облесенность территории, сельскохозяйственная освоенность земель и др.). Данный метод позволяет научно обосновать показатели и нормативы, используемые при планировании.

Экономико-статистической моделью называют функцию, связывающую результативный и факторные показатели, выраженную в аналитическом, графическом, табличном или ином виде, построенную на основе массовых данных и обладающую статистической достоверностью. Такие функции называют производственными, так как они описывают зависимость результатов производства от имеющихся факторов.

Процесс разработки экономико-статистической модели (моделирование) состоит из следующих стадий:

1. Экономический анализ производства. Определение зависимой переменной (результативный показатель) и выявление факторов, влияющих на неё (факторный показатель).
2. Сбор статистических данных и их обработка.
3. Установление математической формы связи (вид уравнения) между результативными и факториальными показателями.
4. Определение числовых параметров экономико-статистической модели.
5. Оценка степени соответствия экономико-статистической модели изучаемому процессу.
6. Экономическая интерпретация модели.

Экономический анализ производства заключается в определении цели, задачи и выборе результативного показателя, который отражает эффективность прогнозного решения. При анализе интенсивности использования земель в сельскохозяйственных организациях в качестве результативного показателя могут быть использованы стоимость валовой продукции в расчёте на 100 га сельхозземель (пахотных земель), урожайность культур, продуктивность земель и др.

В качестве факторных показателей используют балл плодородия почв, сельскохозяйственную освоенность и распаханность, энерговооруженность, трудообеспеченность и т. д.

При выборе независимых факторов руководствуются определенными правилами:

1. Точность производственных функций выше при большем числе эмпирических данных (при крупных выборках).
2. Факторы-аргументы должны оказывать наиболее существенное влияние на изучаемый процесс, количественно измеряться и представляться лишь одним признаком.
3. Количество отобранных факторов не должно быть большим, так как это усложняет модель и повышает трудоёмкость её использования.
4. Включаемые в модель факторы не должны находиться между собой в состоянии функциональной связи (автокорреляция), так как они характеризуют одну и ту же сторону изучаемого явления и дублируют друг друга. При использовании их в экономико-статистической модели изучаемые зависимости и результаты расчётов могут быть искажены.

Сбор статистических данных и их обработку производят после определения зависимой переменной (результативного показателя) и факторов-аргументов. При сборе информации используют экспериментальный и статистический методы. Первый предполагает изучение данных, получаемых в результате проведения опытов, условия которых можно контролировать. Но в землеустройстве процесс экспериментирования затруднён, а при решении отдельных вопросов вообще невозможен.

Второй метод основан на использовании статистических данных (сплошных или выборочных). Например, если при анализе размеров землепользования используются данные по всем сельскохозяйственным предприятиям области, то статистическая информация является сплошной, а изучаемая совокупность - генеральной.

Однако размер генеральных совокупностей бывает слишком большим - несколько сотен единиц и более. Поэтому для сокращения расчётов и экономии времени число наблюдений сокращают, получая выборочные данные (формируя выборочную совокупность) различными методами, позволяющими сохранить достоверность вычислений и распространить результаты исследований на генеральную совокупность.

Во всех случаях выборка должна быть однородной; исключать аномальные объекты и данные (сильно отличающиеся от всех остальных); включать только факторы, которые измеряются однозначно некоторым числом или системой чисел.

Определение математической формы связи переменных производят, логически анализируя процесс. Анализ позволяет установить вид уравнения (линейное, нелинейное), форму связи (парная или множественная) и т. д.

Определение параметров модели включает расчёт числовых характеристик математической зависимости (уравнения). Например, если для установления зависимости урожайности сельскохозяйственных культур (у) от балла плодородия ночв (х) выбрана линейная зависимость вида, то данная стадия моделирования заключается в получении численных значений коэффициентов и.

Для определения параметров уравнения могут применяться различные методы, но практика показывает, что самые точные результаты даёт метод наименьших квадратов. Оценка степени соответствия экономико-статистической модели изучаемому процессу осуществляется с использованием специальных коэффициентов (корреляции, детерминации, существенности и др.). Данные коэффициенты показывают соответствие математического выражения изучаемому процессу, можно ли использовать полученную модель для проведения последующих расчётов и принятия землеустроительных решений, насколько точно определяется результативный показатель и с какой вероятностью можно доверять ему.

Экономическое применение модель находит при научном обосновании нормативов, экономическом обосновании показателей в прогнозных разработках. математический экстраполяция сельскохозяйственный

Наиболее распространённым видом экономическо-статистических моделей являются производственные функции.

Производственная функция - это математически выраженная зависимость результатов производства от производственных факторов.

С помощью производственных функций при прогнозировании анализируют состояние и использование земель; подготавливают исходную информацию для экономико-математических задач по оптимизации различных решений; устанавливают уровень результативного признака на перспективу при планировании и прогнозировании использования земель в схемах и проектах землеустройства; определяют экономические оптимумы, коэффициенты эластичности, эффективности и взаимозаменяемости факторов. Для выражения зависимостей при прогнозировании наиболее часто употребляется линейная зависимость, поскольку она проста в применении. Реже применяются степенные, гиперболические, полиномиальные и другие.

Экономико-математическое моделирование предполагает создание модели, которая изучает экономический объект и представляет его описание с помощью знаков и символов (математических уравнений и неравенств, матриц, формул и др.).

Решение любой экономико-математической задачи при планировании и прогнозировании в землеустройстве связано с большим количеством информации. Для моделирования необходимо получить исходную информацию, ее обработать, проанализировать и оценить. Собранная информация должна быть полной, достоверной, своевременной, оперативной, представляться в удобной форме для дальнейшего использования. При этом затраты на сбор, обработку, передачу, хранение информации. При планировании и прогнозировании в землеустройстве используют следующие виды и источники информации: геоинформационные данные, статистические и отчетные данные по объекту планирования, плановая информация, нормативная информация.

Основой экономико-математической модели является матрица - специальная таблица, содержащая смысловые или кодовые обозначения функции цели; переменных и ограничений; их числовое выражение в виде коэффициентов или ограничений;

Целевая функция это аналитическая форма выражения критерия оптимальности. При моделировании в зависимости от уровня объекта (процесса) выделяют глобальный, отраслевой, локальный и частные критерии оптимальности;

Размер матрицы определяется перечнем переменных величин. В качестве переменных величин используют площади земель; показатели производственной деятельности сельскохозяйственной отрасли (по растениеводству, животноводству в целом; по сельскохозяйственным культурам; по видам скота).

Нахождение при прогнозировании оптимальных решений зависит от правильного определения состава ограничений. Ограничения формулируют в виде системы неравенств и уравнений, выражающей возможности производства и баланс ресурсов.

Ограничения могут быть основными, которые накладываются на все или большинство переменных (площади земель, рабочих участков, дозы внесения удобрений и т. д.), дополнительными - накладываются на отдельные переменные или небольшие группы (объёмы производства отдельных видов продукции, потребление некоторыми группами животных некоторых видов кормов и т. д.) и вспомогательными (не имеют самостоятельного экономического значения, используются для правильной формулировки экономических требований и математической записи).

Используют различные виды экономико-математических моделей: корреляционные модели и производственные функции, балансовые модели, модели оптимизации. При разработке схемы землеустройства административного района решаются следующие основные экономико-математические задачи: распределение земель административного района по категориям; оптимизация мероприятий по освоению и интенсификации использования земель; оптимизация размещения, специализации и уровня концентрации сельскохозяйственного производства в административном районе; установление оптимальных размеров сельскохозяйственных организаций; перераспределения земель между сельскохозяйственными организациями и др. Данные задачи часто состоят из блоков, каждый из которых имеет свой критерий оптимальности.

Например: в основу модели по оптимизации размещения, специализации и уровня концентрации сельскохозяйственного производства в административном районе положены две модели: по определению оптимального сочетания отраслей сельскохозяйственного производства и по установлению оптимального размера землепользований сельскохозяйственных организаций.

Данная задача состоит из блоков, в качестве которых выступают сельскохозяйственные организации.

В качестве переменных используют неизвестные: посевные площади сельскохозяйственных культур; виды и подвиды земель; трансформируемые земли; виды внутрихозяйственных ресурсов и другие переменные, которые учитывают особенности района.

Выделяют следующие группы ограничений:

1. Условия использование земель (по площадям, по качественным условиям) и возможность их трансформации.
2. Соотношение площадей земель.
3. Агробиологические и зоотехнические условия ведения сельскохозяйственного производства.
4. Ограничения по производству и использованию кормов.
5. Рекомендуемый размер землепользований сельскохозяйственных организаций в зависимости от специализации.
6. Ресурсные ограничения (по объему продаж продукции, по затратам труда, по денежным затратам на тех. средства, мин. удобрения, семена и др.).
7. Ограничения, учитывающие особенности расселения, а также использование трудовых и механизированных ресурсов.
8. Общерайонные условия и пропорции (баланс распределения материально-технических фондов по району, численность занятых в сельском хозяйстве и всего населения по району и др.).

В качестве критерия оптимальности при решении данной задачи используют, как правило, минимум приведенных затрат на фиксированный объем производства продукции.

В результате решения задачи устанавливают: состав и соотношение земель по отдельным землепользованиям и в целом по району; площади земель, подлежащие улучшению, освоению и трансформации; посевные площади сельскохозяйственных культур; структуру стада животных, производства и потребления кормов; межхозяйственное и внутрихозяйственное размещение отраслей в районе; специализацию и объем производства продукции в сельскохозяйственных организаций и их объединениях; балансы средств в целом по району и в разрезе сельхозорганизаций; распределение единовременных средств между сельхозорганизациями.