CC BY
80
УДК 338.27
Зуева Виктория Николаевна
Zueva Victoria Nikolayevna
кандидат технических наук, доцент кафедры внутризаводского электрооборудования и автоматики Армавирского механико-технологического института
PhD in Technical Sciences, Assistant Professor, Intra-Factory Electric and Automatic Equipment Department, Armavir Institute of Mechanics and Technologies
ПРОГНОЗИРОВАНИЕ ЦЕН НА СЕЛЬСКОХОЗЯЙСТВЕННЫЕ КУЛЬТУРЫ
FORECASTING THE PRICE OF CROPS
Аннотация:
Summary:
В статье рассматриваются методы прогнозирования и особенности построения нейросетевой модели прогнозирования цен на сельскохозяйственные культуры.
The article discusses the features of crops prices forecasting. The author overviews the forecasting methods and specifics of building of the neural network model of prices forecasting.
Ключевые слова:
цены, модели прогнозирования, нейросетевое прогнозирование, нейронные сети.
Keywords:
rates, forecasting models, neural network forecasting, neural networks.
Рентабельность агропромышленных предприятий во многом зависит от закупочных цен на сельскохозяйственные культуры, регулируемых государством. При формировании закупочных цен необходимо учитывать затраты на производство сельскохозяйственных культур и влияние политических, экономических и социальных факторов. Прогнозирование закупочных цен на сельскохозяйственные культуры является важной задачей стратегического управления агропромышленным комплексом.
Цена сельскохозяйственной культуры в большинстве случаев поддается прогнозированию. Например, некоторые виды культур продаются в соответствии с ярко выраженной сезонной составляющей или имеют постоянный спрос. При необходимости можно учитывать дополнительные факторы, такие как конъюнктура рынка, погодные условия и т. д. Комплексный учет всех факторов значительно повышает качество прогноза.
Обычно для решения задач прогнозирования используются статистические методы прогнозирования. Это наиболее доступные и изученные типы моделей прогнозирования. Модели квадратичной регрессии используются в случаях, когда количество переменных модели не более 5. Модель линейной регрессии показывает хорошие результаты прогноза в случае «гладкого» временного ряда; если же в ряду наблюдается большая частота изменения знака и высокая амплитуда, то данная модель непригодна для прогнозирования [1; 2].
В последнее время для решения задач прогнозирования наибольший интерес представляет использование нейронных сетей. Нейронные сети довольно сложны для неподготовленных пользователей, и задача прогноза трудна в подборе входных факторов. Но если правильно проводить предобработку входного потока и определять обучающую выборку, то метод довольно универсален и хорошо отслеживает общие тенденции [3; 4].
Прогнозирование цен на сельскохозяйственные культуры строится на истории цен, урожая и расхода в текущем году, данных за прошлые годы и знаний эксперта. При выборе модели прогнозирования необходимо учитывать следующие особенности:
- данные по сельскохозяйственным культурам могут иметь пробел в истории;
- данные могут быть приблизительными;
- интервал дат обычно две недели;
- урожай, то есть приход, собирается раз в год;
- уровень импорта минимален;
- погодные условия.
В результате комплексных исследований были выявлены вторичные факторы, оказывающие влияние на цены сельскохозяйственных культур, которые необходимо учитывать. Эти показатели представлены в таблице 1 [5].
Таблица 1 - Вторичные параметры, используемые для прогнозирования
Независимые переменные Значимость
1 Концентрация ++++
2 Состояние склада (хранилища) ++++
3 Экономия от масштаба ++
4 Дифференциация продукта +++
5 Рост +++
6 Диверсификация ++
7 Географическое размещение +
8 Риск ++++
9 Экспорт +++
10 Импорт +++
11 Концентрация покупателей +
12 Погодные условия ++++
13 Стратегические группировки +
Как видно из таблицы 1, перечисленные параметры имеют различную значимость. Значения этих параметров имеют разную природу и добываются из различных источников. В результате содержательного анализа перечисленных параметров выявлено, что некоторые из них невозможно включить в модель из-за нереальности получения данных, а отдельные не оказывают сильного влияния на динамику модели, и поэтому их можно без существенной потери точности исключить из модели. Кроме того, некоторые факторы затруднительно точно описать в виде математического представления.
Общая схема влияния друг на друга первичных и вторичных показателей представлена на рисунке 1:
Рисунок 1 - Схема взаимодействия факторов
Рассмотрим нейросетевую модель прогнозирования цен на сельскохозяйственные культуры. При построении нейросетевой прогнозирующей системы важно определение трех параметров:
- период прогнозирования пп,
- горизонт прогнозирования гп,
- интервал прогнозирования Ип.
Период прогнозирования - это основная единица времени, на которую делается прогноз. Горизонт прогнозирования - это число периодов в будущем, которые покрывает прогноз: то есть
может понадобиться прогноз на 10 дней вперед, с данными на каждый день. В этом случае Пп = сутки, а Ги - 10 суток. Интервал прогнозирования - частота, с которой делается новый прогноз. Имеются следующие входные факторы:
- временные ряды продажных цен на сельхозпродукцию р (X);
- временные ряды внутренних (закупочных) цен на сельхозпродукцию Р^ (X);
- временные ряды остатков Ог (X);
- временные ряды расхода Е{ (X) ;
- временные ряды прихода Д (X) ;
- матрица корреляции цен М ^;
- временной ряд спроса 3 (X) ■
При этом остаток на момент времени X считается как:
О(г) = О(г -1) - Е (X) + Л(г) ■
История продаж дает для обучения нейронной сети примерно 60 % необходимой информации. Входным является вектор р (X) = {р (X), Р(X), О (0, Е (X), Л (X), 3 (X)}, на выходе
одно значение р (X +1), то есть цена - следующий квант времени.
Нейросетевая модель прогнозирования состоит из следующих этапов:
1 - Выбор Пп , Гп, Ип ■
2 - Выбор значащих входов.
3 - Проведение кросскорреляционного анализа выбранных входов и отсеивание сильно коррелирующих.
4 - Сглаживание входов, в том числе заполнение пробелов в истории, которое происходит по следующей формуле:
Т N
£ £ Ц
Ц = ["= н
(N-1)^
где Ц1 - вероятная цена культуры X, о которой нет да нных на неделе п; N - количество учетных недель;
Т - количество учетных культур, которые схожи по характеристикам с заданной; [ - коэффициент сглаживания, вводимый экспертом.
Сглаживание происходит по методу скользящей средней с периодом 3 по формуле:
1 N
р+1 = "л7 £ Л -'+1
N 1=1
где N - число предшествующих периодов, входящих в скользящее среднее; АI - фактическое значение в момент времени ]; Е] - сглаженное значение в момент времени ]■
5 - Структурный синтез нейронной сети, определяющий тип сети и метод обучения.
6 - Параметрический синтез нейронной сети с помощью блока генетического поиска модели на основе генетического алгоритма [6]. На конечном шаге эволюции выбираются Ъ лучших нейросе-тей и итоговый прогноз на квант времени X +1 считается как среднее комитета нейросетей:
Z
£ Прогноз 1 Прогноз = —-—-.
7 - Прогнозирование на данных в точке актуальности. Проверка ошибки прогноза. Таким образом, нейросетевая модель прогнозирования учитывает большое количество входных, влияющих факторов, получая при этом прогноз высокой точности. Многослойные нейронные сети способны к нелинейной аппроксимации функций многих переменных, что объясняет целесообразность выбора нейросетевой модели для такой важной прикладной задачи, как прогнозирование цен на сельскохозяйственные культуры.
Ссылки:
1. Зуева В.Н. Математическое обеспечение информационной системы учета и прогнозирования продовольственных ресурсов региона : дис. ... канд. техн. наук. Краснодар, 2006.
2. Владимирова Л.П. Прогнозирование и планирование в условиях рынка. М., 2005.
3. Зуева В.Н. Указ. соч.
4. Владимирова Л.П. Указ. соч.
5. Зуева В.Н. Указ. соч.
6. Там же.
