CC BY
86
Методы автоматизации прогнозирования развития производственной среды города
Аннотация: Предлагаемая технология прогнозирования развития производственной среды города включает использование средств автоматизации, что позволяет управленцам эффективно использовать инструменты прогнозирования в повседневной работе.
Abstract: The offered technology of forecasting of development of the industrial environment of a city includes use of means of automation that allows managers to use effectively forecasting tools in daily work.
Ключевые слова: прогнозирование производства, прогнозное моделирование, модели развития производственной среды города.
Keywords: manufacture forecasting, look-ahead modeling, models of development of the industrial environment of a city.
Белобородова Наталья Андреевна кандидат экономических наук, доцент Институт управления, информации и бизнеса, г. Ухта
Введение. Прогнозирование развития производственной среды города основано на построении комплекса аналитических (прогнозных, прогнозирующих) моделей, которые реализованы с использованием методов искусственных нейронных сетей и генетического алгоритма [1,2,3,4].
Актуальность задачи автоматизации построения моделей прогнозирования развития производственной среды города обусловлена сложностью расчетных операций, что значительно снижает их эффективность. Только в автоматизированном режиме прогнозирующие модели станут инструментом проведения аналитических работ в системе управления городом.
Описание средств автоматизации построения моделей прогнозирования.
Методы автоматизации прогнозирования развития производственной среды города реализованы в программе-препроцессоре PrePro 1.0, подробное
описание дано в [1].
Исходные данные импортируются из файлов формата Excel. В качестве исходных данных используются официальные данные Федеральной службы государственной статистики и ее территориальных органов, рисунок 1.
Рисунок 1. Импорт данных из файла формата MS Excel
Здесь X1,X2, ...X16 ? входные переменные, характеризующие
производство в отдельных отраслях хозяйства муниципального образования (МО) на территории города. Y1, Y2,Y3 и т.д. ? ключевые показатели развития города, характеризующие динамику доходов бюджета, доходы населения, безработицы и т.д.
В PrePro 1.0 осуществляются следующие функции по обеспечению доступа к данным:
1. “создать” проект, функция “создать” новый проект (новый вариант прогнозной модели), задать имя проекта. Функция создания проекта для нового варианта модели организует логическую единицу, где записываются исходные данные, осуществляется хранение промежуточных данных и результатов расчетов;
2. “импорт”, функция импорта данных из MS Excel осуществляется на основе механизма OLE доступа к данным;
3. “сохранить как”, функция сохранения проекта, обеспечивает сохранение данных проекта; для сохранения проекта необходимо задать маршрут доступа к файлу проекта и наименование файлу проекта (файл проекта имеет расширение .gal).
В PrePro 1.0 осуществляются функции обработки данных в ходе построения прогнозных моделей.
В качестве методов обработки данных использовался метод квантования, бинаризации данных, предложенный в [1,2,3,4,7,8] и генетический алгоритм [1,5,6].
Данные пересчитываются в диапазон [0,1], выполняются следующие вычислительные операции:
• исчисление прироста показателя Y за анализируемый период;
• определение пороговых значений показателя Y;
• преобразование абсолютных значений показателя Y к бинарному виду (квантование показателей, бинаризация) на основе расчетных пороговых значений;
• преобразование абсолютных значений каждого показателя Хі к бинарному виду (квантование, бинаризация) на основе рассчитанных пороговых значений;
• определение количества ошибок на классифицированной последовательности путем сравнения значений каждого Хі с данными Y за анализируемый период;
• определение предварительного списка факторов, определяющих рост производства, рост доходности бюджета МО (города), сокращение безработицы, рост доходов населения и т.д. путем выявления тех показателей, которые имеют наименьшее количество ошибок на классифицированной последовательности данных Y за анализируемый период. Расчетные операции по разработке моделей представлены на рисунках 2 ? 3.
Рисунок
квантования,
2. Процедуры расчета нахождения пороговых
прироста показателей Y и ХІ, значений, формирования
классифицированной последовательности данных
Рисунок 3. Выбор значимых факторов, определяющих рост производства, формирование моделей развития территории (У ? рост доходов бюджета, рост доходов населения, сокращение безработицы, др.)
Расчет оптимальных вариантов развития производственной сферы ? оптимальных с точки зрения повышения доходности местного бюджета, сокращения безработицы, снижения уровня бедности населения и др. показателей развития, осуществляется на основе операций генетического алгоритма [1,5,6], рисунки 4 ? 7. При этом учитывается принцип зависимости ключевых показателей развития МО (города) и качества жизни населения от роста производства.
Выполняется режим генерации начальной популяции, расчет функции пригодности (приспособленности), рисунок 4.
—1 1119Ш11111ІШ111111111Ш11111141111111111111Ш111VI4Ш1111 Яв?*
і П1111011ІЮТ111ЮВПОМНЫ ПЮИЙЙПйоСл11 здал ї&ід0зи»п грд яплмтт
і и и 11 оиавіамн ііл и кн і или іїші япслспсшигхп отної і і шею ЗЬТТаййЛКбІй?
1 | 111ЇІОТії1ЮІНЧПОП И РИИОТ 11КВДІ111(Г> 10! №! 1И0Ч И *1101111 РИО 2ЄН7І£гВВЗЙИ7
і її титлі 11й1 11ОТ абодадап ил иододослопіндодвдіойстот і і дэтс ЯШЫЭДШЬв
11111ШШП1 лїі¥іїмпґл 11 НІСШІ ііпГлі'і'.пі.пніпііі; 1 ИГгІаш їй» ^ьгш вдягаю?
11101 НІ! 101І11ШИ І1 «ті ІООИІКШИСІЮЮ0000011ОМІКЧ СІЛОЇ1 се ЛКЕДНБЗЗЭЕв
іптотії вол пт от ішіт'т ііііііі її птотіпитішті піл іоі іго готеотэтет*
1
, і +
Рисунок 4. Режим генерации начальной популяции и расчета функции пригодности особей популяции
Далее выполняется режим отбора особей в родительский пул (по значению функции пригодности), скрещивание и мутация особей, рисунок 5.
Рисунок 5. Режим отбора особей в родительский пул, скрещивание и мутация особей
Результативная информация, вариант прогнозной модели сохраняется в файле с расширением .gal, (<наименование>^а1), рисунок 6.___________
Г
-
..Li пі, ■■■
итііпішо*ші«івн1 и m мп чип апаші і нспіч 11111ft ft I 111 № її'
тп пял m m н п шгагпп | ч
1111 1!ДО11!Ш£ЩНйй£ 7rrtiinn*iHh№ni*1ia 1ПЛПІІШ1ІІИЇІ1ІИ I
J ’ =
Піч jl
,Ьш ' &ЧЛМШ- !■
. Vfi ВД+
к * hWtorf+HW
ш пт ' La»r-v
Шт
' ПЭпП-
шпппишстш^пгпт іпішнгиіястдеііі^і* 111 п лч і ян кг отчі п і чп пі нірііііншіїцш ii.vr-J іпї14а|таіі1шійїіі1!віїіда
II1ЛЫЧПЛГП ІШ1ГПІТ І' Ч lliirfMStijnl і‘ І:ТпІ іІСМт-Н
і%
«І-**--**
5"~
т
13
п»іпр<гтііріутті
шт шяшяш
РгщШгтА •■ft if!* А
Рисунок 6. Режим сохранения популяций (прогнозных вариантов развития)
Визуализация данных из файлов, хранилищ популяций, (визуализация вариантов прогноза) дает возможность просмотреть характеристики каждой популяции, выбрать наилучший вариант модели, таким образом определить оптимальный вариант развития МО (города) ? рисунок 7.
Рисунок 7. Визуализация характеристик популяции, выбор оптимального варианта развития МО (прогнозного варианта)
Применение РгеРго 1.0 для расчета прогнозной оценки влияния роста производства на территории города на доходы населения показало следующие результаты. Данное исследование выполнено на примере города Ухты, Республики Коми, использовались данные соцально-экономического развития города за 2005-2007гг.
Модель оценки роста производства на доходы населения
В результате выполнения процедур обработки данных выявляются те показатели Хі, которые определяют рост Y (т.е. определяют значение “1”); формируется совокупность факторов производства, определяющих рост доходов населения на территории МО (показатель средней заработной платы работающего населения). Согласно расчетам совокупность показателей, определяющих рост доходов населения в анализируемом периоде, представлена переменными Х3, Х4, Х7, Х14, это: производство дизельного топлива, первичной переработки нефти, производство стеновых материалов, производство молока в сельском хозяйстве.
Расчеты по полученной модели с использованием генетического алгоритма дали следующие результаты.
Оптимальный вариант развития экономики муниципального образования ГО “Ухта” с точки зрения роста доходов населения определяется объемом производства в следующих отраслях экономики: производство дизельного топлива Х3 = 104.87 тыс. тонн ежемесячно; первичная переработка нефти Х4 = 62.14 тыс. тонн ежемесячно;
производство стеновых материалов для строительства Х7 = 2.51млн. усл. кирпича ежемесячно;
производство молока в сельском хозяйстве Х14 = 4953.55 тонн ежемесячно;
При этом прогнозируемое значение роста доходов населения (средняя заработная плата работающего населения) составит 346.93 руб. ежемесячно.
Согласно статистическим данным, максимальное значение роста средней заработной платы в анализируемом периоде составил 347 руб. в месяц, относительная погрешность расчетов составляет 0.06%.
Заключение. Таким образом, предлагаемая технология прогнозного моделирования с использованием средств автоматизации РгеРго 1.0, позволяет определить оптимальные варианты роста производства в МО с точки зрения роста доходной части бюджета МО, сокращения безработицы, роста доходов населения и др. показателей развития МО, показателей качества жизни населения и т.д. Способствует повышению объективности прогнозов социально-экономического развития МО, обоснованности решений в выборе приоритетов развития.
Библиографический список:
1. Белобородова, Н.А. Модели, методы и алгоритмы прогнозирования динамики развития муниципального образования с использованием информационных технологий (на примере города Ухты, Республика Коми) [Текст] / Н.А. Белобородова - Ухта: Институт управления, информации и бизнеса, 2010. - 318 с. - ^ВК 978 - 5 - 9641 - 0025 - 6.
2. Белобородова Н.А. Модели прогнозирования развития экономики муниципального образования “Город Ухта” с использованием нейронных сетей: Материалы научно-технической
конференции, 16-18 апреля 2001 г. [Текст] / УГТУ. Ухта, 2002. - С. 176180
3. Белобородова Н.А. Методика и модели прогнозирования развития экономики муниципального образования “Город Ухта”[Текст] / УГТУ. Ухта, 2002. - 50 с.
4. Белобородова Н.А. Модели прогнозирования роста производства с использованием нейронных сетей [Текст] //Известия вузов. Сер. Нефть и газ. 2002. № 4. С. 110-117.
5. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы, нечеткие системы / Пер. с польск. - И.Д. Рудинского. - М.: Горячая линия - Телеком, 2004. - 452 с.
6. Емельянов В.В., Курейчик В.М., Курейчик В.В. Теория и практика эволюционного моделирования. - М.: Физматлит, 2003. - 432 с.
7. Щетинин В.Г., Костюнин А.В. Принятие решений на нейронных сетях оптимальной сложности //Автоматизация и современные технологии. 1998. № 4. С. 38-43.
8. Щетинин В.Г. Анализ факторов экономического роста региона [Текст] // Вопросы статистики. 1996. № 3. С. 40-46.
