Применение метода нейронных сетей в прогнозировании цен на сельскохозяйственную продукцию

NovaInfo 45, с.48-53, скачать PDF
Опубликовано
Раздел: Экономические науки
Просмотров за месяц: 4
CC BY-NC

Аннотация

В данной статье была рассмотрена возможность применения метода нейронных сетей для прогнозирования цен на продукцию агропромышленного комплекса. Исследованы первичные и вторичные факторы, влияющие на эффективность и качественную составляющую прогноза. Определены базовые параметры использования модели нейронных сетей, а также выделены этапы нейросетевого прогнозирования.

Ключевые слова

СЕЛЬСКОХОЗЯЙСТВЕННАЯ ПРОДУКЦИЯ, ПРОГНОЗИРОВАНИЕ ЦЕН, НЕЙРОННЫЕ СЕТИ

Текст научной работы

Показатели рентабельности предприятий агропромышленного сектора зависят от закупочных цен на сельхозкультуры, которые устанавливаются на государственном уровне. При этом правительством учитываются как издержки, связанные с производством сельскохозяйственных культур, так и влияние социальных, политических и экономических факторов [1]. В связи с этим одной из приоритетных задач стратегического управления всем агропромышленным комплексом является прогнозирование закупочных цен.

При составлении прогнозов цен на сельскохозяйственные культуры важно учесть следующие данные, являющиеся в данном методе основными и т.н. первичными факторами:

  1. Во-первых, характеристики уровня урожайности предыдущих лет;
  2. Во-вторых, историю устанавливаемых цен продукцию годами ранее;
  3. В-третьих, урожайность в текущем году и сумму всех издержек;
  4. В-четвертых, профессионализм и квалификацию эксперта-оценщика.

В целом цены сельскохозяйственной продукции вполне поддаются прогнозированию. Так, отдельные разновидности культур либо имеют постоянный спрос, либо реализуются сезонно, причем сезонность вполне предсказуема [2]. Для большей точности можно дополнительно учитывать такие факторы, как погодные условия, конъюнктура рынка, урожайность и пр. Естественно, комплексный подход и учет максимального количества факторов существенно влияет на точность прогнозов.

Чаще всего при прогнозировании закупочных цен используются статистические методы, которые можно по праву назвать наиболее изученными и доступными разновидностями моделей прогнозирования. Но все большую актуальность при решении задач прогнозирования приобретает использование нейронных сетей [3]. Однако нейронные сети довольно непросто использовать неопытным пользователям, да и подбор входных факторов достаточно сложен. Однако если правильно организовать предварительную обработку входного потока и определить обучающую выборку, метод очень корректно работает и неплохо отслеживает общие тенденции.

Необходимо учитывать некоторые особенности прогнозирования цен на сельскохозяйственную продукцию:

  1. В результате прогнозирования, информация может быть приблизительной;
  2. Сведения о сельскохозяйственных культурах могут быть непоследовательными, а также иметь пробелы из-за отсутствия отчетности об урожайности;
  3. Средний интервал между датами обычно составляет около 14 дней;
  4. Климатические и погодные условия;
  5. Текущий уровень импортируемой продукции.

В процессе комплексных исследований были выявлены не только основные, но и вторичные факторы, влияющие на прогнозирование цен. Эти факторы и их значимость, выраженная в баллах (от 1 до 5), где «1» — абсолютно незначительный фактор», «5» — максимально значимый фактор для прогнозирования уровня цен, представлены в таблице 1.

Таблица 1. Вторичные факторы прогнозирования уровня цен

Вторичные факторы

Значимость для прогнозирования

Диверсификация

1

Дифференциация продукта

2

Погодные условия

3

Складские условия

4

Уровень экспорта

4

Уровень импорта

5

Наличие рисков

5

Концентрация покупателей

5

Очевидно, что значимость перечисленных параметров различна. После содержательного анализа этих факторов было установлено, что некоторые из них не особенно влияют на динамику модели, другие же не стоит включать в прогнозную модель из-за невозможности получения данных, поэтому такие критерии можно без потери информации исключить из модели. Также ряд факторов сложно точно описать в качестве математических величин.

Общую схему влияния первичных и вторичных факторов на прогноз цен можно изобразить в виде, представленном на рисунке 1.

«Схема взаимодействия первичных и вторичных факторов»
Рисунок 1. Схема взаимодействия первичных и вторичных факторов

Рассмотрим модель нейронных сетей, используемую при прогнозировании цен на сельхозкультуры. При построении модели прогнозирования на основе нейросетевого метода необходимо определение трех базовых параметров:

  1. Интервал прогнозирования (Иn) — частота с которой выполняется новый прогноз;
  2. Период прогнозирования (Пn) — основная временная единица, на которую составляется прогноз;
  3. Частота прогнозирования (Чn) — число периодов в будущем, для которых составляется прогноз.

Также при составлении прогнозных цен обязательно учитываются следующие входные данные:

  • Временные ряды закупочных цен — Pz (t);
  • Временные ряды продажных цен — Pi (t);
  • Временные ряды прихода — Ai (t);
  • Временные ряды расхода — Ei (t);
  • Временные ряды остатков — Oi (t);
  • Временной ряд спроса — St (t);
  • Матрица корреляции цен Mij (t).

Остаток на момент времени t рассчитывается по следующей формуле:

O(t)=O(t-1)-E(t)+A(t) (1)

Около 60% информации для метода нейронной сети можно получить из истории продаж. При этом входным фактором является вектор Fi(t), с включаемыми в него данными о временных рядах продажных и закупочных цен, расходов, приходов, спроса и остатков. На выходе, в конечном итоге, получается одно единственное значение Pi(t+1), иными словами, цена — это следующий квант времени.

При работе с нейросетевой моделью прогнозирования выделяют следующие этапы:

  1. Сначала выбирают частоту (Чn), интервал (Иn) и период прогнозирования (Пn);
  2. Подбираются входные факторы;
  3. Проводится кросс-корреляционный анализ отобранных входных факторов, а также их отсеивание в том случае, если они слишком выражено коррелируют;
  4. Приведение исходных данных в подходящий для аналитики и прогнозирования вид, в том числе заполнение имеющихся пробелов в истории при помощи сглаживания.

P\frac{t}{g}=\beta\cdot({\sum_{i=1}^{T}\sum_{j=1}^{N}\cdot P_{ij})}/{(N-1)\cdot T} (2)

где Pg — возможная цена сельскохозяйственной культуры t, данные о которой на неделе n неизвестны и являются предположительными, Т — количество сельхозкультур, имеющих характеристики, схожие с заданной, N — количество недель, учитываемых при прогнозировании, β — коэффициент сглаживания, который указывается экспертом.

Для расчета сглаживания применяется метод скользящей средней с периодом, равным 3. Вычисление производится по формуле:

F_{t+1}=\frac{1}{N}\sum_{i=1}^{N}A_{t-i+1} (3)

где N — число периодов, входящих в скользящее среднее и являющихся предшествующими, F — сглаженное значение в заданный момент времени (t), А — фактическое значение в заданный момент времени (t).

5. Проводится структурный синтез нейронной сети, который определяет ее тип и метод обучения;

6. Осуществляется параметрический синтез нейронной сети, определяемый с использованием блока генетического подбора модели на базе генетического алгоритма.

На последнем этапе эволюции (L) отбирается Z — число наиболее оптимальных сетей, после чего итоговый прогноз на временной квант t+1 высчитывается как среднее комитета нейросетей по такой формуле:

L = (\sum_{i=1}^{Z}L_{i})/Z (4)

7. Завершающий этап заключается в прогнозировании на основе имеющихся данных в точке актуальности и проверке прогноза на наличие ошибок.

Таким образом, нейросетевая модель прогнозирования позволяет учесть большое количество входных факторов, получая при этом прогнозные данные высокой точности. Более того, многослойные нейронные сети позволяют выполнить нелинейную аппроксимацию функций с множеством переменных, благодаря чему целесообразность применения метода нейронных сетей при прогнозировании цен на сельскохозяйственные культуры очевидна.

Читайте также

Список литературы

  1. Байдаков А. Н., Назаренко А. В., Сергиенко Е. Г. О построении прогнозных сценариев развития зернового производства // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета. – 2013. – № 94. – С. 784-794.
  2. Горенкова Ю. С., Андриянова К. А., Нечипоренко Л. В. Управленческие аспекты прогнозирования // Эволюция современной науки: сб. ст. международной научно-практической конференции. – Уфа: АЭТЕРНА. – 2016. – С. 123-125.
  3. Дусаева Е. М. Цены на продукцию аграрного сектора // Известия Оренбургского государственного аграрного университета. – 2004. – Т. 1. – № 1-1. – С. 55-58.
  4. Заводчиков Н. Д., Спешилова Н. В., Таспаев С. С. Использование нейросетевых технологий в прогнозировании эффективности производства зерна // Известия Оренбургского государственного аграрного университета. – 2015. – № 1 (51). – С. 216-219.
  5. Зуева В. Н. Прогнозирование цен на сельскохозяйственные культуры // Теория и практика общественного развития. – 2015. – № 11. – С. 76-79.
  6. Морякова А. В. Эволюция методологии и практики прогнозных исследований в России и за рубежом // Вестник Поволжского государственного университета сервиса. Серия: Экономика. – 2013. – № 1 (27). – С. 52-56.
  7. Таспаев С. С. Планирование и прогнозирование деятельности предприятий АПК на основе моделирования в современных условиях // Известия Оренбургского государственного аграрного университета. – 2013. – № 6 (44). – С. 176-179.

Цитировать

Нечипоренко, Л.В. Применение метода нейронных сетей в прогнозировании цен на сельскохозяйственную продукцию / Л.В. Нечипоренко, С.Е. Толкачева, А.А. Удалов. — Текст : электронный // NovaInfo, 2016. — № 45. — С. 48-53. — URL: https://novainfo.ru/article/5700 (дата обращения: 26.06.2022).

Поделиться