ҲУДУД МАКРОИҚТИСОДИЙ КЎРСАТКИЧЛАРИНИ ПРОГНОЗ ҚИЛИШДА ARIMA МОДЕЛИ ВА СУНЪИЙ НЕЙРОН ТЎР (ANN) ВОСИТАЛАРИНИ ТАҚҚОСЛАШ Текст научной статьи по специальности «Науки о Земле и смежные экологические науки»

Oriental Renaissance: Innovative, educational, natural and social sciences Scientific Journal Impact Factor Advanced Sciences Index Factor

О

R

VOLUME 2 | ISSUE 3 ISSN 2181-1784 SJIF 2022: 5.947 ASI Factor = 1.7

ХУДУД МАКРОЩТИСОДИЙ КУРСАТКИЧЛАРИНИ ПРОГНОЗ ЦИЛИШДА ARIMA МОДЕЛИ ВА СУНЪИЙ НЕЙРОН ТУР (ANN) ВОСИТАЛАРИНИ ТАВДОСЛАШ

Намазов Гафур Шокулович,

Термиз давлат университети, таянч докторант

АННОТАЦИЯ

Ушбу мацолада Сурхондарё вилояти ялпи уудудий маусулот уажмини моделлаштириш ва прогнозлаш жараёни амалга оширилган. Шунингдек, ARIMA уамда ANN моделларини прогнозлаш самарадорлиги таццосланган. Натижада прогнозлаштиришда ARIMA буйича энг яхши модель ARIMA (1, 0, 1)(0, 1, 0)4, ANN буйича эса чициш нейрони модели MLP (4-7-1) эканлиги аницланган. Бундан ташцари, 2025 йилгача ялпи уудудий маусулот уажми прогноз цилинган.

Калит сузлар: ЯХМ уажми, ARIMA модели, ANN модели, Бокс-Женкинс усули, Акаике ахборот мезони, Шварц ахборот мезони, прогнозлаштириш.

В данной статье был проведен процесс моделирования и прогнозирования объёма валового регионального продукта Сурхандарьинской области. Также сравнена эффективность прогнозирования моделей ARIMA и ANN. В результате лучшей моделью по ARIMA в прогнозировании является ARIMA (1, 0, 1)(0, 1, 0)4, а по ANN оказалось модель выходного нейрона MLP (4-7-1). Кроме того, прогнозирован объем валового регионального продукта до 2025 года.

Ключевые слова: объем ВРП, модель ARIMA, модель ANN, метод Бокса-Дженкинса, информационный критерий Акаике, информационный критерий Шварца, прогнозирование.

In this article, the process of modeling and forecasting the volume of the gross regional product of the Surkhandarya region was carried out. The forecasting efficiency of the ARIMA and ANN models is also compared. As a result, the best ARIMA model in forecasting is ARIMA (1, 0, 1)(0, 1, 0)4, and according to ANN, the model of the output neuron MLP (4-7-1) turned out to be the best. In addition, the volume of the gross regional product is predicted until 2025.

Keywords: GRP volume, ARIMA model, ANN model, Box-Jenkins method, Akaike information criterion, Schwartz information criterion, forecasting.

АННОТАЦИЯ

ABSTRACT

Oriental Renaissance: Innovative, educational, natural and social sciences Scientific Journal Impact Factor Advanced Sciences Index Factor

О

R

VOLUME 2 | ISSUE 3 ISSN 2181-1784 SJIF 2022: 5.947 ASI Factor = 1.7

КИРИШ

Сунгги йилларда прогнозлаш давлатнинг ижтимоий-иктисодий ривожланиши ва келгусидаги стратегик максадларини режалаштириш хамда ахоли фаровонлигини таъминлашга каратилган йулларидан бирига айланди. Шунинг учун жахон бозори холатини прогноз килишда вактли каторлардан фойдаланиш прогнозлашнинг асосларидан биридир. Бирок, вактли каторлар оркасида ётган конуниятларнинг юкори узгарувчанлиги туфайли бундай прогнозлаш моделини ишлаб чикиш осон иш эмас. Сунгги бир неча ун йилликларда куплаб тадкикотчилар иктисодий-ижтимоий баркарор ривожланиш фаолиятини тахлил килиш ва прогноз килишнинг турли усулларини таклиф килишди ва ишлаб чикишди. Шулардан бири ARIMA модели куплаб янги моделлаштириш ёндашувларини бахолаш учун асосий восита сифатида ишлатилган (Gosasang V., Chan., W. and Kiattisin, S. 2011.)[2]. Бирок, ARIMA умумий бир узгарувчли модель булиб, у прогноз килинаётган вактли каторлар чизикли ва стационар булиши тахминига асосланган холда ишлаб чикилган хамда Сунъий нейрон турлари, прогноз килиш ва тизимни моделлаштиришда яхши маълум булган функция, якин йилларда вактли каторини тахлил килиш ва прогнозлашда узининг катта ролини курсатди (J. Yao and C.L. Tan, S. Yaser and A. Atiya)[3-4], 1996. Нейрон турни куллаш оркали прогноз килишда, иктисодий-ижтимоий ривожланиш жараёнларини прогнозини урганиш учун куплаб тадкикотлар олиб борилган булса-да, аммо Узбекистонда хозиргача олиб борилган жуда куплаб тадкикотларнинг хеч бирида худуд ЯХМ хажмини прогноз килиш учун ANN ва ARIMA моделини кулламаган. Хусусан, биз учта тадкикот саволини кутарамиз. Дастлаб, ушбу тадкикот ARIMA ва ANN курсаткичлардан фойдаланган холда ЯХМ хажмининг кейинги йиллардаги якин кийматини прогноз килиш учун моделларни ишлаб чикдик. Иккинчидан, биз ялпи худудий махсулот хажмининг прогноз килинган кийматлари натижалари ва тенденцияларини куриб чикдик ва таккосладик. Учинчидан, биз уртача мутлок фоизли хатолик (MAPE) моделларнинг ахамиятлигини бахолаш ва янги хулосаларни олиш учун худуд ЯХМ хажмини прогноз килишда ANN ва ARIMA ёндашуви натижа ва тенденцияларини солиштириш учун фойдаландик.

АДАБИЁТЛАР ТАХЛИЛИ

Бизга илгаридан маълумки, микдорий прогнозлаш моделларини аслида икки тоифага булиш мумкин: вактли каторларга асосланган моделлар ва

Oriental Renaissance: Innovative, educational, natural and social sciences Scientific Journal Impact Factor Advanced Sciences Index Factor

о

R

VOLUME 2 | ISSUE 3 ISSN 2181-1784 SJIF 2022: 5.947 ASI Factor = 1.7

сабабларга курилган усуллар. Вактли каторни тахлил килиш олдинги маълумотларини талаб килиб модель куринишини аниклашга харакат килинади ва келажакка экстраполяция килиш, бошкача килиб айтганда талаб килинган олдинги маълумотлар вакт утиши билан такрорланадиган тажрибани намойиш этадиган прогнозни таъминлашга имкон беради[8].

Ушбу тоифаларга содда усуллар, сиргалувчи уртача, тенденциянинг эгри чизисли тахлили, экспоненциал текислаш ва авторегрессияга интеграцияланган сиргалувчи уртача (ARIMA) моделлари киради.

Mitrea, C.A., Lee, C. K. M., WuZ. сиргалувчи уртача (MA) ва авторегрессияга интеграциялашган сиргалувчи уртача(ARIMA) модели каби турли хил прогнозлаш усулларини Нейрон турлари (NN) моделлари билан олдинга утадиган (NN) ва чизикли булмаган авторегрессив тармок сифатида солиштирди. Киришлар a nonlinear autoregressive exogenous model (NARX) экзоген киришларга эга булган чизикли булмаган авторегрессив моделдир. (NARX), натижалар шуни курсатдики, (NN) ёрдамида прогнозлаш яхширок прогнозли курсаткичларни таклиф килади [5].

Nowrouz Kohzadi, and Iebeling Kaastra(1996), 1950-1990 йиллардаги жонли корамол ва бугдой нархлари буйича ойлик маълумотлардан фойдаланган холда нейрон турларни ARIMA билан таккосладилар. Нейрон тур моделларида ARIMA моделига караганда анча паст уртача квадрат хатоликка эришдилар[6]. Бошка томондан, Натижалар шуни курсатадики, бу курсаткичларни олдинги маълумотлар чикишига асосланган анъанавий усулларга нисбатан куллаш бир нечта афзалликларга эга. Ушбу тадкикотда худуд ЯХМ хажмини прогнозлашда ARIMA ва ANN моделларини куллаб ва натижаларни таккослаб энг яхши моделни танлашга харакат килинган.

ТАДЦЩОТ МЕТОДОЛОГИЯСИ

(ARIMA)-Авторегрессив интеграциялашган уртача сирFалувчи модели: Кузатувлар ёрдамида олинган иктисодий вактли каторлар камдан-кам холатларни хисобга олмаганда одатда стационар булмайди. Бундай вактли каторларда вактга боглик булган тасодифий булмаган таркибий кисмлар мавжуд булади. Агар вактли каторнинг тасодифий колдиклари стационар каторни ташкил этса, у холда вактли катор стационар булмаган каторни ташкил этади. Бундай каторларни тавсифлашда интеграциялашган авторегрессия ва сиргалувчи уртача (Autoregressive Integrated Moving Average - ARIMA) модели кулланилади[10].

Oriental Renaissance: Innovative, educational, natural and social sciences Scientific Journal Impact Factor Advanced Sciences Index Factor

VOLUME 2 | ISSUE 3 ISSN 2181-1784 SJIF 2022: 5.947 ASI Factor = 1.7

АММЛ моделлари интеграциялашган вактли каторларни моделлаштиришга имкон беради. Агар вактли катор стационар булмаса ва унинг г?-тартибли фарклари стационар каторни ташкил этса, у холда ушбу вактли катор ¿¿-тартибли интеграциялашган хисобланади [11]. Бошкача килиб айтганда, агар вактли катор стационар булмаса, АММА модел тузиш учун унинг -тартибли (стационар булгунга кадар) фаркларига утилади.

АШМА модели одатда АШМА(р,^) каби ифодаланиб, р - авторегрессия тартибини, с1 - сиргалувчи уртача тартибини ва (I - фарклар тартибини билдиради. Модел куйидаги умумий куринишга эга:

бу ерда с, щ, Pi - модел параметрлари, Ad - d тартибли фарклар оператори (масалан, Д1^ = Yt - - биринчи тартибли фарклар)[16].

ANN (сунъий нейрон турлари) модели: Сунъий нейрон турлар - бу математик моделлар, шунингдек уларнинг биологик нейрон турлари - тирик организмнинг асаб хужайралари турлари ташкил этиш ва ишлаш тамойилига асосланган дастурий ёки аппарат таъминоти. Х,ар бир биологик нейрон махсус нерв толалари оркали кушни нейронлардан сигнал олади. Алохида сунъий нейронлар хам бир -бирига турли йуллар билан богланади. Бу бизга хар хил архитектурага, урганиш коидалари ва имкониятларига эга булган турли хил нейрон турларни яратишга имкон беради [7].

ANN ёндашувининг фалсафаси биологик асаб тизимидан илхомланган архитектурани ривожлантиришдир. Нейрон турларнинг асосий афзаллиги уларнинг чизикли булмаган моделлаштиришнинг мослашувчан кобилиятидир [14].

Биз олдинга йуналтирилган оркага таркаладиган нейрон туридан фойдаландик (бошкача килиб айтганда, (MLP)-Multilayer perceptron- Куп цатламли персептрон тури сифатида хам танилган) нейрон тур модели. Нейрон тур модели уч кисмдан иборат кириш катлам, яширин катлам, чикиш катлами 1-расмда келтирилган хамда хар бир кириш тегишли w-вазн билан улчанади. Кириш билан вазн йигиндиси ва биас f(x) фаоллаштириш функциясига киришни ташкил килади(1-расм).

Oriental Renaissance: Innovative, educational, natural and social sciences Scientific Journal Impact Factor Advanced Sciences Index Factor

VOLUME 2 | ISSUE 3 ISSN 2181-1784 SJIF 2022: 5.947 ASI Factor = 1.7

1-расм. Одатдаги оркага таркаладиган нейрон тури

MLP тармогида икки боскич куриб чикилади: ишга тушириш боскичи, бунда кириш намунаси укитилган турга такдим этилади ва натижага эришилгунга кадар нейронларнинг кетма-кет катламлари оркали укитилади. Тур вазнлари ёки параметрлари укитиш деб номланувчи ва хатоликни минималлаштириш учун керак. Шунинг учун MLP тармогини урганиш назорат килинади. Ушбу тадкикотда биз куйидаги уч катламли кайта алока турларидан фойдаланамиз:

Бу эрда F - чикиш катлами бирлигининг чикиш функцияси, /?0 -биас бирлиги (1 га тенг), G - яширин катлам бирликларининг чикиш функцияси], ук1 - к киришии яширин j билан боглайдиган уланиш учун вазнни билдиради, j3j -чикиш катлами бирлигидаги яширин катламлардан чикишлар вазни, X-кириш вектори. MLP турлари одатда статик оркага укитиш билан укитилган ва олдинга йуналтирилган катламли турлардир.

Масаланинг куйилиши: Маълумотларни кайта ишлаш "Statistica 10" статистик тахлил дастурий воситаси ёрдамида амалга оширилди. Одатда, ARIMA ва ANN моделлари ишлашини бахолаш учун статистик тест утказилади. Бу тест уртача мутлок фоизли хатолик (MAPE). Ушбу мезон Куйидаги ифода МАРЕни хисоблаш жараёнини курсатади.

МАРЕ =

п L~

Yt-Y,

100%

(3)

Бу ерда:

п - кузатувлар сони, кузатилган Yt -хакикий курсаткичлар, Ft -прогноз курсаткичлар

Oriental Renaissance: Innovative, VOLUME 2 | ISSUE 3

educational, natural and social sciences ISSN 2181-1784

Scientific Journal Impact Factor (J). SJIF 2022: 5.947

Advanced Sciences Index Factor ASI Factor = 1.7

ТАХЛИЛ ВА НАТИЖАЛАР

Бугунги кунда ЯХМ Сурхондарё вилояти иктисодиётининг энг мухим курсаткичлдаридан бири хисобланади. Статистик маълумотларга кура, 2021 йилда Сурхондарё вилояти буйича ЯХМ хажми жорий нархларда 30090,5 млрд. сумни ташкил этди ва 2020 йил билан таккослаганда 7,8 % га усди. ЯХМ дефлятор индекси 2020 йилдаги нархларга нисбатан 112,7 % ни ташкил килди.

1-жадвалда Сурхондарё вилояти буйича 2012 йил 3-чоракдан 2021 йил 4-чораккача оралигидаги ЯХМ хажми (Yt) (млрд. сум) берилган.

1-жадвал

Сурхондарё вилояти буйича 2012 йил 3-чоракдан 2021 йил 4-чораккача оралиFидаги ЯХМ хажми (млрд. сум)

2012 2013 2014 2015 2016 2017 2018 2019 2020 2021

1- chorak _ 649,3 3 832,2 1 1013, 91 1407, 35 1746, 2 2245, 1 3092, 1 4078 4390, 9

2- chorak - 1130, 37 1414, 82 1673, 36 2214, 73 2954, 9 3971, 8 7009, 2 7303, 3 9139, 6

3- chorak 944, 5 1561, 17 1894, 64 2237, 47 2743, 34 2784, 3 3426, 7 5940, 6 5741, 3 7904, 3

4- chorak 1316 ,68 1534, 49 1935, 3 2238, 71 2807, 12 6216, 8 7418, 3 6307, 4 6881, 0 8655, 7

1-жадвалдаги маълумотлар Сурхондарё вилояти Статистика бошкармасининг расмий сайтидан олинди [17]. Сайтдаги усиб борувчи якун билан эълон килинган кийматлардан хдр бир чорак кийматлари хдсоблаб олинди. Унинг динамикаси 2-расмда берилган.

ГЪмшЬ^й граф*« для Ya<M TaQiiHja ааниык2 1v"3öc

Oriental Renaissance: Innovative, educational, natural and social sciences Scientific Journal Impact Factor Advanced Sciences Index Factor

R

О

VOLUME 2 | ISSUE 3 ISSN 2181-1784 SJIF 2022: 5.947 ASI Factor = 1.7

2-расм. Сурхондарё вилояти ЯХ,М хажми 2012-2021 йилларда усиш

динамикаси

АРИМА модели

ARIMAда моделни идентификациялаш ACF ва PACF чизмалари ёрдамида моделни бахолашдан олдин катор учун p, d ва q кийматларини аниклаш амалга оширилади.

ACF PACF

3-расм. Вактлили каторнинг биринчи фарклари буйича автокорреляция ва хусусий автокорреляция функциялари

коррелограммаси

Юкоридаги расм (3-расм) да устунлар билан автокорреляция ва хусусий автокорреляция коэффициентлари ва горизонтал чизиклар билан 95% ишонч интервали чегаралари курсатилган. Ундан куриниб турибдики, автокорреляция функциясининг коэффициентлари синусоида куринишида аста-секин нолга якинлашмокда ва хусусий автокорреляция функцияси чизмасида биринчи ахамиятли коэффициентдан сунг бирдан ахамиятсиз лаг келган, яъни узилиш мавжуд. Бу ARIMA моделда p=1 ва q=1 тартибга далолат килади. Бундан ташкари вактли катор чизмаси(1-расм)дан куриниб турибдики, унда 4 чораклик мавсумийлик мавжуд. Демак, коррелограмма авторегрессия жараёни учун хос булиб, вактли каторда мавсумийлик мавжудлигини хисобга олиш зарур. Бундан ташкари вактли каторнинг биринчи тартибли фарклари стационар эканлиги унинг биринчи тартибли интеграциялашганлигини, яъни d=1 эканлигини билдиради.

Юкоридагиларни келиб чикиб куйидаги моделларни синовдан утказиш максадга мувофик:

ARIMA (1,0,1); ARIMA (1,0,1)(1,0,0)4; ARIMA (1,0,1)(0,1,0)4;

ARIMA (1,0,1)(2,0,0)4; ARIMA (1,0,1)(2,1,0)4; ARIMA (1,0,1)(3,0,0)4

Oriental Renaissance: Innovative, educational, natural and social sciences Scientific Journal Impact Factor Advanced Sciences Index Factor

VOLUME 2 | ISSUE 3 ISSN 2181-1784 SJIF 2022: 5.947 ASI Factor = 1.7

Модель параметрларини бахрлаш ва унинг адекватлигини текшириш.

Одатда бир неча моделларни бир-бирига таккослашда куйидаги ахборот мезонларидан фойдаланилади.

1. Akaik мезони (Akaike information criterion, AIC):

Shvars мезони (Swarz information criterion, SIC):

бу ерда k - бахоланадиган параметрлар сони.

AIC ва SIC ахборот мезонлари Boks ва Jenkins моделининг мослиги сифатини аниклашда фойдаланилади. AIC ва SIC киймати энг кичик булган модель танлаб олинади.

ARIMA(1,0,1 )(3,0,0)4 моделининг AIC ва SIC мезонлари (AIC=644,95 SIC=654,77) хамда детерминация коэффициенти R2=0.88 параметрлари ахамиятлидир. Шу хисобдан энг макбул модель шакли деб танланса буларди. Бирок, ARIMA(1,0,1)(0,1,0)4 моделининг детерминация коэффициенти R2=0.86, булсада AIC ва SIC мезонлари энг кичик (AIC=568,11 SIC=572,69) ни ташкил этмокда. хакикий кийматлардан четланишини тавсифловчи курсаткичлардан бири уртача мутлок фоизли хатолик (аппроксимация хатолиги коэффициенти) булиб, юкоридаги (3) формула оркали хисобланади.

Уртача мутлок фоизли хатолик 10% гача булса, модель юкори аникликка 10% дан 20% гача уртача 20% дан 100% гача ёмон хисобланади.

Бахолаш натижалари шуни курсатмокдаки, ARIMA(1,0,1)(3,0,0)4 модели буйича MAPE=14,22%, ARIMA(1,0,1)(0,1,0)4 модели буйича MAPE= 11,42%, Демак, энг кичик курсаткич ARIMA(1,0,1)(0,1,0)4 моделга тегишли (MAPE=11,42%) булиб, вактли катор учун энг макбул модель шаклидан далолат бермокда. Тахлил натижалари шуни курсатмокдаки, вактли катор учун ARIMA(1,0,1)(0,1,0)4 модель шакли адекват хисобланиб, прогнозлашда ушбу модель шаклидан фойдаланиш мумкинлигини билдиради.

Бу ерда: ЯХМ - Сурхондарё вилояти ялпи худудий махсулот хажми. ЯХМ хажмининг узгармас нархлардаги киймати(2012 йил нархларида) прогнозлаш. Прогноз натижалари 4-расмда келтирилган.

Oriental Renaissance: Innovative, educational, natural and social sciences Scientific Journal Impact Factor Advanced Sciences Index Factor

VOLUME 2 | ISSUE 3 ISSN 2181-1784 SJIF 2022: 5.947 ASI Factor = 1.7

4-расм. прогноз жадвали ва графиги

ANN модели

Тахлил учун дастлабки маълумотлардан фойдаланиб модель ишлаб чикишда нейрон турнинг вактли катор учун авторегрессия кисмидан фойдаланилди. Укитишни 80%, текширишни 20% воизда созлаганимизда MLP турининг яширин нейронлари минимал киймати 2 та деб, максимал киймати эса 8 та ва итерациялар сони 100 та деб олинган.

3-жадвал

Энг яхши 5та модель архитектураси жадвали

Архит Прои зводи тельн ость обуч. Конт р. произ Оши бка Кон трол ьная оши бка Алго ритм Функц ия Ф-я актив. Ф-я актив. выходн ых нейр.

ектура водит ельно сть. обуч ения обуч ения ошибк и скрытых нейр.

MLP 0,977 0,996 5248 3669 BFG Сум. Логистич Тождес

4-6-1 392 533 5,71 0,08 S 98 квадр. еская твенная

MLP 0,972 0,996 7868 4352 BFG Сум. Логистич Тождес

4-6-1 248 910 8,65 1,87 S 79 квадр. еская твенная

MLP 0,970 0,998 8566 6629 BFG Сум. Логистич Тождес

4-7-1 641 841 7,30 ,36 S 63 квадр. еская твенная

MLP 0,977 0,997 5356 1195 BFG Сум. Логистич Тождес

4-8-1 224 976 1,15 3,09 S 96 квадр. еская твенная

MLP 0,969 0,996 9198 2828 BFG Сум. Гипербо Тождес

4-2-1 353 621 6,82 8,50 S 54 квадр. лическая твенная

Яширин нейронлар учун фаоллаштириш функцияларини: айнан бир хил(тождественная), сигмоид(сигмоид) ва гиперболик (гиперболическая), чикиш нейронлари учун хам айнан бир хил(тождественная) вариант танланган.

1026

Oriental Renaissance: Innovative, educational, natural and social sciences Scientific Journal Impact Factor Advanced Sciences Index Factor

VOLUME 2 | ISSUE 3 ISSN 2181-1784 SJIF 2022: 5.947 ASI Factor = 1.7

Дастур мазкур моделдан укув жараёнида 50 та тармок натижасидан 5 та энг яхшисини танлаб беради (3 -жадвал).

Энг яхши моделни танлаш учун олинган маълумотларни тахлил килинганда, хар бир модель: ишлаш ва хато, тармок проэкцияси графиги, колдик таксимлаш гистограммаси, колдик таркалиш каби параметрлар буйича таккосланади [13].

5-расм. ANN(4-7-1) модели архитектураси нейрон тугунларининг бртланган вазн ва биас кийматлари

Масалан, 3-моделда укитиш унумдорлиги 0,970 ни, назорат хатолиги 6629,36 ни, яширин катлам фаоллаштириш функцияси сигмоид(сигмоид), чикиш катлам фаоллаштириш функцияси бир хил(тождественная), MLP архитектураси 4 та кириш, 7 та яширин нейрон ва 1 та чикиш катлами мавжуд[13]. ANN(4-7-1) модели архитектураси буйича хар бир кириш катламдан яширин катлам нейрон тугунига ва яширин катлам тугунидан чикиш катламига бугланган вазн ва биас кийматлари куйидаги расмда келтирилган(5-расм).

Яна шуни кушимча килиш мумкинки. MLP(4-7-1) модель математик куриниши, яширин катламдаги фаоллаштириш функцияси сигмоид (сигмасимон)

<S(z) =

1+е

(6)

z2 = 5(0.59095 ■ хг + 0.27349 ■ х2 - 3.69938 ■ х3 + 4.70886 ■ х4 + 1.04368)

Oriental Renaissance: Innovative, educational, natural and social sciences Scientific Journal Impact Factor Advanced Sciences Index Factor

VOLUME 2 | ISSUE 3 ISSN 2181-1784 SJIF 2022: 5.947 ASI Factor = 1.7

Чикиш катламдаги фаоллаштириш функцияси Тождественная (bir xil)

у = (-0.02633 ■z1 + 1.36195 -z2 - 0.08795 ■ z3 + 1.49269 ■ z4 + 0.15402 ■ zs

+ 0.49152 ■ z6 + 1.57267 ■ z7 - 1.48948) прогнозлашда ушбу модель шаклидан фойдаланиш мумкинлигини

модель колдикларининг таксимланиш 6-расмда 1 та тур колдикларининг

билдиради.

Кейинчалик эса, хар бир гистограммасини солиштирилади таксимланиш графиги курсатилган.

Моделнинг яхши таксимланиш курсаткичи - бу колдикларнинг нормал таксимланишининг тахминий куриниши. 6-расмдан куриниб турибдики, бу модель нормал таксимотга эга. Барча бешта турни солиштирганда, учинчи тармок юкори сифатга эга.

6-Расм. MLP 4-7-1 тури колдикларининг таксимланиш гистограммасива диаграммаси

6-расмда MLP 4-7-1 турининг колдиклари бир тугри чизик атрофида таркок холда таркалиши курсатилган. Хдмма нукталар тугри чизикка тушганда, улар яхши модель сифати хакида маълумот беради.

Барча параметрлар бойича MLP 4-7-1 модели кейинги прогноз килиш учун энг яхшиси дейиш мумкин. Мазкур модель учун детерминация коэффициенти R2=0,97ra, MAPE- 7,93% хатолик жуда макбул натижадир.

ARIMA ва ANN прогнозлаш курсаткичларини таккослаш:

Oriental Renaissance: Innovative, p VOLUME 2 | ISSUE 3

educational, natural and social sciences ISSN 2181-1784

Scientific Journal Impact Factor Q SJIF 2022: 5.947

Advanced Sciences Index Factor ASI Factor = 1.7

ARIMA ва ANN моделларини таккослаш хакикий курсаткич ва ушбу моделлар ёрдамида олинган прогнозлар уртасидаги хатоликларни хисоблаш оркали бахоланди. Купгина тадкикотларда ANN моделлари ARIMA моделларига караганда прогнозлашда яхширок натижа беришлиги хакида маълумотлар берилган ва ушбу маколада юкоридаги фикр уз тасдигини топди(4-жадвал).

4-жадвал:

Энг яхши ARIMA ва ANN модели уртасидаги таккослаш жадвали

№ Model turi MAPE

1 Arima (1, 0, 1)(0, 1, 0)4 11,42

2 ANN (4-7-1) 7,93

Шу билан бир каторда ARIMA ва ANN моделлари натижаларига назар соладиган булсак куйидагича куринишни куришимиз мумкин(5-жадвал).

5-жадвал

Arima ва ANN моделларининг жадвали

давр Факт ANN ARIM A давр Факт ANN ARIMA

2019 1-чорак 3092,10 0 3084,9 7 3005,71 2022 1-чорак - 5126,51 5888,57

2019 2-чорак 7009,20 0 5407,9 2 4734,77 2022 2-чорак - 10628,5 4 10637,2 7

2019 3-чорак 5940,60 0 5875,3 4 4464,74 2022 3-чорак - 9544,70 9401,97

2019 4-чорак 6307,40 0 6421,6 3 8628,38 2022 4-чорак - 10247,1 1 10153,3 7

2020 1-чорак 4078,00 0 4002,5 3 3999,06 2023 1-чорак - 6096,69 7386,24

2020 2-чорак 7303,30 0 8308,3 7 7915,64 2023 2-чорак - 12196,3 5 12134,9 4

2020 3-чорак 5741,30 0 5795,1 0 6760,37 2023 3-чорак - 10650,7 1 10899,6 4

2020 4-чорак 6881,00 0 7246,6 2 6990,82 2023 4-чорак - 11434,7 6 11651,0 4

2021 1- 4390,90 4379,0 4739,94 2024 1- - 6890,53 8883,91

Oriental Renaissance: Innovative, educational, natural and social sciences Scientific Journal Impact Factor Advanced Sciences Index Factor

VOLUME 2 | ISSUE 3 ISSN 2181-1784 SJIF 2022: 5.947 ASI Factor = 1.7

чорак 0 5 чорак

2021 2-чорак 9139,60 0 8499,0 8 7914,21 2024 2-чорак - 13080,8 0 13632,6 1

2021 3-чорак 7904,30 0 8006,7 8 6497,97 2024 3-чорак - 11087,5 6 12397,3 1

2021 4-чорак 8655,70 0 8475,7 9 7804,31 2024 4-чорак - 11832,2 1 13148,7 0

Юкоридаги жадвалдан куриниб турибдики, 2022-2024 йиллар давомида ЯХМ хажмида усиш тенденциясини куриш мумкин. Умуман, прогнозлаш натижаларига кура ANN(4-7-1) моделига кура прогноз натижаси 2024 йилга келиб ЯХМ хажми 42891,09 млрд. сумни, ARIMA(1, 0, 1)(0, 1, 0)4 моделига кура эса 48062,52 млрд. сумни ташкил этиши кутилмокда. Бу эса 2021 йилга нисбатан 2024 йил ANN моделда 1,43 фоизга, ARIMA модель 1,60 фоизга ошишини куриш мумкин.

ХУЛОСА ВА ТАКЛИФЛАР

Ушбу тадкикот ARIMA ва ANN моделларининг прогнозлаш самарадорлигини таккосланган. ANN буйича прогноз килиш учун энг мос модель MLP (4-7-1) чикиш нейрони, ARIMA буйича эса энг яхши модель ARIMA (1, 0, 1)(0, 1, 0)4 эканлиги аникланди. MLP(4-7-1) моделига кура, 2024 йилга келиб ЯХМ хажми 42891,09 млрд. сумни, ARIMA(1, 0, 1)(0, 1, 0)4 модели буйича эса 48062,52 млрд. сумни ташкил этиши кутилмокда. Яни вилоят ЯХМ хажми 2024 йил 2021 йилга нисбатан ANN моделда 1,43 фоизга, ARIMA моделда эса 1,60 га ошишини куриш мумкин. Бу уз навбатида 2022-2026 йилларга мулжалланган Янги Узбекистоннинг тараккиёт стратегиясининг 33-максадида белгиланган худудларни мутаносиб ривожлантириш оркали худудий иктисодиётни 1,4-1,6 бараварга ошириш вазифасига мос келади[15].

Шундай килиб, тадкикот ANN модели ЯХМ хажмини прогноз килиш учун купрок мос келади деган хулосага келди.

REFERENCES

1. Балдин К.В. Эконометрика: Учебное пособие / Балдин К.В., Быстров

2. Gosasang, V., Chan., W. and KIATTISIN, S. 2011. A Comparison of Traditional and Neural Networks Forecasting Techniques for Container Throughput at Bangkok Port. The Asian Journal of Shipping and Logistics, Vol. 27, N° 3, pp. 463-482.

Oriental Renaissance: Innovative, educational, natural and social sciences Scientific Journal Impact Factor Advanced Sciences Index Factor

о

R

VOLUME 2 | ISSUE 3 ISSN 2181-1784 SJIF 2022: 5.947 ASI Factor = 1.7

3. J. Yao and C.L. Tan, (2000) "A case study on using neural networks to perform technical forecasting of forex," Neurocomputing, vol.34, pp. 79-98,

4. S. Yaser and A. Atiya, (1996) "Introduction to Financial Forecasting", Applied Intelligence, vol. 6, pp 205-213.

5. Mitrea, C.A., Lee, C. K. M., WuZ. 2009. A Comparison between Neural Networks and Traditional Forecasting Methods: A Case Study". International Journal of Engineering Business Management, Vol. 1, No. 2, p 1924.

6. NowrouzKohzadi, Milton S. Boyd, BahmanKermanshahi, and IebelingKaastra(1996), "A comparison of Artificial neural network and time series models for forecasting commodity prices", Neurocomputing,pp. 10(2):169 181.

7. Боровиков В.П. Нейронные сети Statistica Neural Networks Методология и технологии современного анализа данных: "горячая линия -Телеком", 2008 г.

8. Елисеева И.И. Эконометрика: учебник / Под ред. Елисеевой И.И. - М. : Проспект, 2010. - 345с.

9. Григорьева Д.Р., Файзуллина А.Г. Анализ и прогнозирование экономического показателея объем продаж предприятия в системе Statistica (англ.яз) / Международный научный конгресс "Фундаментальные и прикладные научные исследования в странах Тихоокеанского и Атлантического бассейнов".- Токио: Tokyo University Press, 2014.- №2 -

10. Е.И.Кулинич. Эконометрия / Е. И. Кулинич. — М.: Финансы и статистика, 2010. — 304 с

11. О.А.Заяц (2009). Прогнозирование объемов производства молока на основе сезонной ARIMA-модели. - М.: Фундаментальные исследования, №6 - 61-66 с.

12. Namazov G.Sh. "Analysis of approaches for modeling and forecasting the socioeconomic development of the region". Journal of innovations in economy. 2021. Vol. 4, Issue 6. pp. 12-17 http://dx.doi.org/10.26739/2181-9491-2021-6-2

13. Хотамов ОД., Намазов Г.Ш. "Прогноз муаммоларини хал килишда нейрон тур моделларини куллаш" Иктисодиёт ва таълим журнали №5. 2020. - 4-12.

14. Отажанов У.А. Замонавий иктисодий масалаларни хал килишда сунъий интеллектни куллаш//"Узбекистонда инновацион менежмент стратегияларини амалга ошириш тажрибаси" мавзусидаги республика илмий-амалий конференцияси илмий макола ва тезислар туплами (2018 йил 9 октябрь). - Т.: ТДИУ, 2018.- 275-277 бб

С. 392.

С.284287.

Oriental Renaissance: Innovative, educational, natural and social sciences Scientific Journal Impact Factor Advanced Sciences Index Factor

o

R

VOLUME 2 | ISSUE 3 ISSN 2181-1784 SJIF 2022: 5.947 ASI Factor = 1.7

15. O'zbekiston Respublikasi Prezidentining 2022 yil 28 yanvardagi PF-60-sonli Farmoni bilan tasdiqlangan "2022-2026 yillarga mo'ljallangan Yangi O'zbekistonning taraqqiyot strategiyasi"

16. ru.wikipedia.org (2021) - CBoSogHaa энцнкпопеднa. - https://u.to/JkNiGw

17. www.surxonstat.uz (2021) - Surxondaryo viloyati Statistika boshqatmasi sayti ma'lumotlari.