Применение теории нечетких множеств в инвестиционном планировании
Аннотация. Чтобы обеспечить устойчивое развитие предприятия, необходимо правильно анализировать развитие предприятия, основывать планы и управленческие решения на эффективной диагностике и прогнозировании текущей и будущей экономической ситуации на предприятии. В статье представлено исследование по применению методов прогнозирования нечетких временных рядов. Новый подход применяется к прогнозированию чистой прибыли предприятия с использованием нечеткой методики.
Для апробации методологии были использованы статистические данные об уровне чистого дохода организации с 2006 по 2022 год по методу Стивенсона и Поттер, предлагается использовать в качестве универсума дискурса, в процессе применения метода для всех определенных нечетких множеств, интервалы изменения такого показателя, как темп роста. Тот же фон, что и в модели Стивенсона и Портера, используется в этой статье для прогнозирования уровней временных рядов с использованием темпов роста фактических данных в качестве универсума дискурса. Предполагается, что результаты прогнозирования, полученные с помощью этого подхода, обладают большей степенью точности, чем другие модели нечетких временных рядов. Предлагаются некоторые модификации этого метода для получения более высокой точности и точечного прогноза на один шаг вперед.
Ключевые слова: нечетные множества, неопределенность, теория множеств, функция принадлежности, дефаззифицированные показатели, временные ряды.
Содержание не найдено
Список использованной литературы
1. Abd-Elaal A.K., Hefny H.A., Abd-Elwahab A.H., An improved fuzzy time series model for forecasting. IJCSIS 8, 140-147 (2010)
2. Chen S.M., Forecasting enrollments based on fuzzy time series,. Fuzzy Sets and Syst. 81, 311-319 (1996).
3. Economakos E., Application of fuzzy concepts to power demand forecasting. IEEE Trans. Syst. Man Cybern. 9, 651-657 (1979)
4. Hendry D.F., Clements M.P., Economic forecasting: some lessons from recent research. Economic Modelling 20(2), 301-329 (2001)
5. Huarng K., Effective lengths of intervals to improve forecasting in fuzzy time series. Fuzzy Sets and Syst. 12, 387-394 (2001)
6. Guiffrida A.L., Nagi R., Fuzzy set theory applications, in production management research: a literature survey. J. Intell. Manuf. 9, 39-56 (1998)
7. Laktionova A.A., Risk management in investment projects, 137 p. (Donetsk National University, Donetsk, 2001).
8. Li S.T., Chen Y.P., Natural partitioning based forecasting model for fuzzy time series, in Proc. Of the IEEE International Conference on Fuzzy Systems, vol. 3 (Budapest, Hungary, 2004), p. 1355
9. Lysiuk A.P., Shapoval S.S., Svinarev Y.N., Risk assessment models in real investment efficiency evaluation, 96 p. (TES, Odessa, 2004).
10. Olaniyi A.S., Okunade O.A., A fuzzy time-series approach to enrolment forecasting. Afr J. of Comp & ICT 4, 41-46 (2011)
11. Risk analysis of investmen
Функция принадлежностиμa(x) количественно определяет степень принадлежности элементов x к фундаментальному набору x. Сопоставление элемента со значением 0 означает, что элемент не включен в данный набор, 1 описывает полностью включенный элемент. Значения строго между 0 и 1 характеризуют нечеткие члены.
В нашем исследовании мы использовали модель Стивенсона и Портера с некоторыми изменениями, внесенными для повышения уровня точности и получения оценки точки прогноза на один шаг вперед. Мы использовали тот же фон, что и в модели Стивенсона и Портера для прогнозирования временных рядов с использованием процентного изменения фактических данных в качестве универсума дискурса (UoD).
Прогнозирование чистого дохода с использованием нечетких временных рядов.
Рассмотрим