CC BY
1
адекватного сотрудника, которому не мешают различные настроения: он всегда деловит, компетентен, а главное, способен в указанный срок выполнить самое сложное задание, включая и работу с деловой документацией [3, с.81].
Использованные источники:
1. Игебаева Ф.А. Деловая документация в управленческой деятельности // Мировая наука и современное общество: актуальные вопросы экономики, социологии и права. Материалы международной научно-практической конференции. - 12 декабря 2014. в 2-х частях, Ч.1. Саратов. Изд-во ЦПМ «Академия бизнеса», 2014. - С.124 - 125.
2. Кузнецов И. Н. Деловое общение. Деловой этикет. Учебное пособие — М.: Юнити-Дана, 2008., 432 стр.
3. Игебаева Ф.А. Служебная переписка как составная часть деловой коммуникации.// Информационная среда и ее особенности на современном этапе развития мировой цивилизации. Материалы Международной научно-практической конференции. - в 2-х частях. - ч 1. - Саратов, Изд-во ЦПМ «Академия бизнеса», 2012. - С.79 - 81.
Габсалямова Ю.В. студент 3 курса факультет Экономический Мазаева Т.И., к. с-х. н.
доцент
кафедра «Страхование и финансово-экономический анализ» Волгоградский государственный аграрный университет
Россия, г. Волгоград
АДАПТИВНОЕ ПРОГНОЗИРОВАНИЕ УРОЖАЙНОСТИ ЗЕРНОВЫХ КУЛЬТУР НА ПРИМЕРЕ ВОЛГОГРАДСКОЙ ОБЛАСТИ
Аннотация: в данной статье рассматривается современный инструментальный метод, как один из методов прогнозирования зерновых культур на примере Волгоградской области.
Ключевые слова: временной ряд, адаптивное прогнозирование, краткосрочное, долгосрочное прогнозирование.
Gabsalyamova YV Student
3 course, FacultyofEconomics Russia, Volgograd
Mazaeva TI, Candidate of Agricultural Sciences, Associate Professor Associate Professor of "Insurance and financial and economic analysis"
Volgograd State Agricultural University
Russia, Volgograd ADAPTIVE FORECASTING OF PRODUCTIVITY OF GRAIN CROPS THE EXAMPLE OF VOLGOGRAD REGION Abstract: This article examines the modern instrumental method, as a
method of predicting crops as an example of the Volgograd region.
Keywords: time series, adaptive prediction, the short-term, long-term forecasting.
Многообразие проблем, возникающих при обеспечении жизнедеятельности предприятия и являющихся предметом прогнозирования, приводит к появлению большого количества разнообразных прогнозов, разрабатываемых на основе определенных методов прогнозирования.
Поскольку современная экономическая наука располагает большим количеством разнообразных методов прогнозирования, каждый специалист по планированию должен овладеть навыками прикладного прогнозирования, а руководитель, ответственный за принятие стратегических решений, должен к тому же уметь сделать правильный выбор метода прогнозирования.
Выделяются следующие признаки при классификации прогнозов (таблица 1).
Таблица 1- Виды прогнозов
Признаки классификации прогнозов Виды прогнозов
Временной охват (горизонт прогнозирования) Краткосрочные; среднесрочные; долгосрочные
Типы прогнозирования Поисковые; нормативные основанные на творческом видении
Степень вероятности будущих событий Вариантные; инвариантные
Способ представления результатов прогноза Точечные, интервальные
Группа статистических методов включает методы, основанные на построении и анализе динамических рядов характеристики объекта прогнозирования. Среди них наибольшее распространение получили экстраполяция, интерполяция, метод аналогий, параметрический метод и др.
Использование для прогнозирования урожайности таких современных инструментальных методов, как фрактальный анализ, визуализация фазовых портретов, клеточных автоматов требует специального программного обеспечения и не всегда приводит к удовлетворительным численным значениям получаемых прогнозов.
Адаптивные методы прогнозирования широко применяются в исследованиях благодаря относительно доступным алгоритмам и легкости реализации на ПЭВМ.
При краткосрочном прогнозировании, а также при прогнозировании в ситуации изменения внешних условий, когда наиболее важными являются последние реализации исследуемого процесса, наиболее эффективными оказываются адаптивные методы, учитывающие неравноценность уровней временного ряда.
На основании предложенным английским ученым Брауном, используем экспоненциальные средние в прогнозировании для вычисления
поправок коэффициентов сглаживающего полинома. В нашей работе для
V, = а + Ь1
прогноза использован линейный тренд:
Согласно теореме Брауна-Майера параметры линейного тренда связаны с экспоненциальными средними первого Qi1 и второго Qi2 порядков:
Qi1 = aср + Ьср ; Qi2 = aср Ьср
а
Соответственно:
aср = 2 - Qi2 ; ЬСР = (ф 1 - ф 2)
1-й
Начальные условия задаются в виде следующих формул:
1 = а - — Ь
2 = а - ^Ь ;
а а
Таблица 2 - Урожайность озимых зерновых по линейной
Годы Отклон Урожайность Квадратичное Произведени Выравненная
ение озимых культур отклонение е варианты урожайность
1 2 3 4 5 6
1 у 12 у1 у1 =33,40 - 0,831
2003 1 35,0 1 35,0 32,57
2004 2 30,6 4 61,2 31,74
1 2 3 4 5 6
2005 3 30,3 9 90,9 30,91
2006 4 24,9 16 99,6 30,08
2007 5 28,3 25 141,5 29,25
2008 6 33,8 36 202,8 28,42
2009 7 40,5 49 283,5 27,59
2010 8 15,1 64 120,8 26,76
2011 9 25,0 81 225,0 25,93
2012 10 24,9 100 249 25,10
2013 11 14,9 121 163,9 24,27
2014 12 32,7 144 392,4 23,44
В качестве объекта моделирования рассмотрим временной ряд урожайности зерновых культур среднестатистического хозяйства Волгоградской области за период 2000-2013 гг. (таблица 2).
Использовав аналитическое выравнивание в виде линейной зависимости, уравнение тренда составило: у1 =33,40 - 0,831;
2
где: 1 =1, 2,...,12. Параметр сглаживания: а = а = 0,154 = 0,2 . Следовательно, = 4 ; = 0,25
<х 1—<х
Начальные условия для экспоненциального сглаживания для данного
ряда:
1—а
ф0 1 = а - Ь; ф0 1 = 33,40 - 4* (-0,83) = 36,72
Q0 2 = а - ^^ b = 33,40 - 2*4* (- 0,83) = 40,04
Экспоненциальные средние Q1 1 и Q1 2 :
Q1 1 = oyt + (1 - a)Qt-1 ;
yt = 33,40 - 0,83*12 = 23,44 и Qt-1 1 = Q0 1
Qt 1 = 0,2*23,44+ (1-0,2)*36,72 =4,688+29,376 = 34,064
Qt 2 = a*Qt 1 + (1 - a)Qt-1 2 где Qt-1 2 = Q0 2
Qt 2 = 0,2 *34,064+ (1-0,2)*40,04 = 6,8128+32,032 = 38,8448
Тогда скорректированные параметры линейного тренда составят:
аср = 2 Qt 1 - Qt 2 = 2*34,064 - 38,8448 = 29,283
Ьср = (Qt 1 - Qt 2) = 0,25(34,064 - 38,8448) = 1,195
Прогноз проводим по модели: yt = аср + Ьср*1 где: 1- период упреждения.
В данном случае прогноз на 2015, 2016гг. составит: при 1 = 1, при 1 = 2 ур = 29,555- 1,195*1 = 28,36; ур = 29,555- 1,195*2 = 27,165. При поступлении фактического значения показателя оценивается ошибка прогнозного значения и учитывается определенной процедурой корректировки модели.
Адаптивные методы позволяют учесть различную информационную ценность уровней ряда, что используется при краткосрочном прогнозировании, характерном для сельскохозяйственного производства с ярко выраженной цикличностью.
Процедура адаптации итеративно осуществляется для каждой новой точки исследуемого ВР, обеспечивая моделирование тенденции развития в каждый момент времени.
Реакцию модели на изменение динамики характеризует параметр адаптации а, обеспечивающий адекватное отображение тенденции при одновременной фильтрации случайных отклонений, что характерно для ВР урожайности в засушливой зоне Нижнего Поволжья.
Использованные источники:
1. Статистическое обозрение. Сельское хозяйство, охота и лесоводство в Волгоградской области. Волгоград 2014г.
2. Мазаева Т.И. Аграрный сектор экономики Волгоградской области в контексте продовольственной безопасности: тенденции развития // Экономика и предпринимательство. 2013. № 3 (32). С. 160-163.
3. Мазаева Т.И. Продовольственная безопасность - национальный приоритет / Т.И. Мазаева, О.А. Донскова // Экономика сельского хозяйства России. 2011. №7. С 34 - 40.
4. Мазаева Т.И. Роль производства зерна в продовольственной безопасности (на примере Волгоградской области) // Экономика и предпринимательство. 2014. № 3 (32). С. 166-169.
5. Мазаева Т.И. Экономико-статистическое моделирование производства сельскохозяйственной продукции при обеспечении продовольственной безопасности/ Т.И. Мазаева, А.Ф. Рогачев // Экономика и предпринимательство. 2014. № 4 ч.1.
6. Смотрова Е.Е. Прогноз развития мясного подкомплекса Волгоградского региона в контексте продовольственной безопасности // Экономический анализ: теория и практика 2014, № С.51- 55.
Гаврилов А. А. студент 2го курса ПГУТИ Россия, г. Самара БЕСПИЛОТНЫЕ ТРАНСПОРТНЫЕ СРЕДСТВА
Аннотация: Статья посвящена вопросу беспилотных автомобилей.
Ключевые слова: беспилотные автомобили, Ford, BMW, Google, CES, беспилотные транспортные средства.
В последнее время всё больше и больше авто-производителей работают не только в сторону безопасности дорожного движения, но и в сторону искусственного интеллекта. Эта гонка обхватила весь мир, и теперь даже в России есть испытательные образцы, которые ездят по нашим дорогам.
В 2012 году Google представил автомобили с искусственным интеллектом.
Автомобили постоянно сканируют всё своё окружение с помощью датчиков и камер, постоянно анализируя дорожную ситуацию. Следуя проложенному маршруту, они распознают дорожные знаки, светофоры, разметку, пешеходов, и другие автомобили. Автомобили самостоятельно могут: перестраиваются из ряда в ряд, выезжать на автострады и съезжать с них, не мешая другим участникам дорожного движения. Система соблюдает скоростной режим и, экономит топливо, не поднимая без надобности обороты двигателя. По идее такие автомобили будут намного безопаснее, чем автомобили с человеком за рулем, так как, человеку свойственно ошибаться и нарушать правила дорожного движения.
Кроме езды по правилам машину можно обучить езде и в различных гоночных условиях. К примеру, дрифту, который в нашей стране выходит на новый уровень. В 2014 году на выставке CES, BMW представила систему для дрифта под названием Ultimate Drifting Machine. Новинка была показана на гоночной трассе на BMW 6 серии. Главной изюминкой такого автопилота стала возможность вводить транспортное средство в занос и удерживать определенный угол заноса. Во время демонстрации автомобиль стремился к вылету с трассы, но система не давала ему сделать это, точно работая всеми органами управления, и сохраняя при этом плавный дрифт и держа угол как в начале поворота, точно так же как это делают настоящие пилоты. Продемонстрированное скольжение оказалось очень впечатляющим, и напоминало уровень профессиональных гонщиков Formula Drift(чемпионат по дрифту).
В начале января 2016 года авто концерн Ford объявил о создании датчика, который поможет выиграть противостояние автогигантов,
