Прогнозирование конкурентоспособности продукции по совокупности показателей качества на основе нейросетевого моделирования

На основе формализации задачи пространственной экстраполяции в нейросетевом логическом базисе предложен подход к созданию нейросетевых моделей прогнозирования конкурентоспособности продукции различного целевого назначения. Разработана нейросетевая модель экспертной системы для сравнительной оценки и...

Ausführliche Beschreibung

Gespeichert in:

Bibliographische Detailangaben
Datum:	2012
Hauptverfasser:	Федин, С.С., Зубрецкая, Н.А., Гончаров, А.С.
Format:	Artikel
Sprache:	Russian
Veröffentlicht:	Навчально-науковий комплекс "Інститут прикладного системного аналізу" НТУУ "КПІ" МОН та НАН України 2012
Schriftenreihe:	Системні дослідження та інформаційні технології
Schlagworte:	Математичні методи, моделі, проблеми і технології дослідження складних систем
Online Zugang:	http://dspace.nbuv.gov.ua/handle/123456789/50179
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!
Назва журналу:	Digital Library of Periodicals of National Academy of Sciences of Ukraine
Zitieren:	Прогнозирование конкурентоспособности продукции по совокупности показателей качества на основе нейросетевого моделирования / С.С. Федин, Н.А. Зубрецкая, А.С. Гончаров // Систем. дослідж. та інформ. технології. — 2012. — № 3. — С. 74-84. — Бібліогр.: 11 назв. — рос.

Institution

Digital Library of Periodicals of National Academy of Sciences of Ukraine

id	irk-123456789-50179
record_format	dspace
spelling	irk-123456789-501792013-10-07T03:05:37Z Прогнозирование конкурентоспособности продукции по совокупности показателей качества на основе нейросетевого моделирования Федин, С.С. Зубрецкая, Н.А. Гончаров, А.С. Математичні методи, моделі, проблеми і технології дослідження складних систем На основе формализации задачи пространственной экстраполяции в нейросетевом логическом базисе предложен подход к созданию нейросетевых моделей прогнозирования конкурентоспособности продукции различного целевого назначения. Разработана нейросетевая модель экспертной системы для сравнительной оценки и прогнозирования конкурентоспособности продукции по совокупности единичных показателей качества и цене. Практическая реализация модели осуществлена на примере холодильников бытового назначения. На основі формалізації задачі просторової екстраполяції в нейромережевому логічному базисі запропоновано підхід до створення нейромережних моделей прогнозування конкурентоспроможності продукції різноманітного цільового призначення. Розроблено нейромережеву модель експертної системи для порівняльної оцінки та прогнозування конкурентоспроможності продукції за сукупністю одиничних показників якості та ціни. Практичну реалізацію моделі здійснено на прикладі холодильників побутового призначення. On the basis of formalization the problem of spatial extrapolation in neural network logical basis the approach to creation neural network models of forecasting of different purpose products competitiveness is offered. The neural network model of expert system for assessment and forecasting of competitiveness of the products by the totality of single indicators of quality and price is developed. The practical implementation of model is carried out on the example of the household refrigerators. 2012 Article Прогнозирование конкурентоспособности продукции по совокупности показателей качества на основе нейросетевого моделирования / С.С. Федин, Н.А. Зубрецкая, А.С. Гончаров // Систем. дослідж. та інформ. технології. — 2012. — № 3. — С. 74-84. — Бібліогр.: 11 назв. — рос. 1681–6048 http://dspace.nbuv.gov.ua/handle/123456789/50179 339.137.24:004.032.26 ru Системні дослідження та інформаційні технології Навчально-науковий комплекс "Інститут прикладного системного аналізу" НТУУ "КПІ" МОН та НАН України
institution	Digital Library of Periodicals of National Academy of Sciences of Ukraine
collection	DSpace DC
language	Russian
topic	Математичні методи, моделі, проблеми і технології дослідження складних систем Математичні методи, моделі, проблеми і технології дослідження складних систем
spellingShingle	Математичні методи, моделі, проблеми і технології дослідження складних систем Математичні методи, моделі, проблеми і технології дослідження складних систем Федин, С.С. Зубрецкая, Н.А. Гончаров, А.С. Прогнозирование конкурентоспособности продукции по совокупности показателей качества на основе нейросетевого моделирования Системні дослідження та інформаційні технології
description	На основе формализации задачи пространственной экстраполяции в нейросетевом логическом базисе предложен подход к созданию нейросетевых моделей прогнозирования конкурентоспособности продукции различного целевого назначения. Разработана нейросетевая модель экспертной системы для сравнительной оценки и прогнозирования конкурентоспособности продукции по совокупности единичных показателей качества и цене. Практическая реализация модели осуществлена на примере холодильников бытового назначения.
format	Article
author	Федин, С.С. Зубрецкая, Н.А. Гончаров, А.С.
author_facet	Федин, С.С. Зубрецкая, Н.А. Гончаров, А.С.
author_sort	Федин, С.С.
title	Прогнозирование конкурентоспособности продукции по совокупности показателей качества на основе нейросетевого моделирования
title_short	Прогнозирование конкурентоспособности продукции по совокупности показателей качества на основе нейросетевого моделирования
title_full	Прогнозирование конкурентоспособности продукции по совокупности показателей качества на основе нейросетевого моделирования
title_fullStr	Прогнозирование конкурентоспособности продукции по совокупности показателей качества на основе нейросетевого моделирования
title_full_unstemmed	Прогнозирование конкурентоспособности продукции по совокупности показателей качества на основе нейросетевого моделирования
title_sort	прогнозирование конкурентоспособности продукции по совокупности показателей качества на основе нейросетевого моделирования
publisher	Навчально-науковий комплекс "Інститут прикладного системного аналізу" НТУУ "КПІ" МОН та НАН України
publishDate	2012
topic_facet	Математичні методи, моделі, проблеми і технології дослідження складних систем
url	http://dspace.nbuv.gov.ua/handle/123456789/50179
citation_txt	Прогнозирование конкурентоспособности продукции по совокупности показателей качества на основе нейросетевого моделирования / С.С. Федин, Н.А. Зубрецкая, А.С. Гончаров // Систем. дослідж. та інформ. технології. — 2012. — № 3. — С. 74-84. — Бібліогр.: 11 назв. — рос.
series	Системні дослідження та інформаційні технології
work_keys_str_mv	AT fedinss prognozirovaniekonkurentosposobnostiprodukciiposovokupnostipokazatelejkačestvanaosnovenejrosetevogomodelirovaniâ AT zubreckaâna prognozirovaniekonkurentosposobnostiprodukciiposovokupnostipokazatelejkačestvanaosnovenejrosetevogomodelirovaniâ AT gončarovas prognozirovaniekonkurentosposobnostiprodukciiposovokupnostipokazatelejkačestvanaosnovenejrosetevogomodelirovaniâ
first_indexed	2025-07-04T11:44:36Z
last_indexed	2025-07-04T11:44:36Z
_version_	1836716632482775040
fulltext	© С.С. Федин, Н.А. Зубрецкая, А.С. Гончаров, 2012 74 ISSN 1681–6048 System Research & Information Technologies, 2012, № 3 УДК 339.137.24:004.032.26 ПРОГНОЗИРОВАНИЕ КОНКУРЕНТОСПОСОБНОСТИ ПРОДУКЦИИ ПО СОВОКУПНОСТИ ПОКАЗАТЕЛЕЙ КАЧЕСТВА НА ОСНОВЕ НЕЙРОСЕТЕВОГО МОДЕЛИРОВАНИЯ С.С. ФЕДИН, Н.А. ЗУБРЕЦКАЯ, А.С. ГОНЧАРОВ На основе формализации задачи пространственной экстраполяции в нейросе- тевом логическом базисе предложен подход к созданию нейросетевых моделей прогнозирования конкурентоспособности продукции различного целевого назначения. Разработана нейросетевая модель экспертной системы для срав- нительной оценки и прогнози-рования конкурентоспособности продукции по совокупности единичных показателей качества и цене. Практическая реализа- ция модели осуществлена на примере холодильников бытового назначения. ВВЕДЕНИЕ Конкурентоспособность продукции оценивается по совокупности качест- венных и стоимостных показателей, которые с точки зрения потребителя являются существенными и обеспечивают удовлетворение конкретных потребностей [1]. Для прогнозирования конкурентоспособности продукции в большинстве случаев используют экспертные методы и параметрические критерии выбора альтернатив (цена, объем продаж, прибыль и т.д.) [2, 3]. Следует отметить, что применение классических экспертных методов характеризуется субъективностью получаемых оценок и не позволяет полностью разрешить проблему прогнозирования конкурентоспособности при значимом разбросе цен изделий-конкурентов. При этом качество изде- лий характеризуется совокупностью идентичных по составу единичных по- казателей, значения которых представлены в разных шкалах измерений. Для определенного сегмента рынка, т.е. группы потребителей однотип- ных товаров [4], указанная проблема может быть формализована в виде за- дачи пространственной экстраполяции (прогнозирования) конкурентоспо- собности продукции по совокупности ее единичных показателей качества и цены. Такой подход основан на применении параметрических критериев выбора альтернатив, при этом конкурентоспособность представляется ото- бражением взвешенной матрицы показателей качества продукции на вектор цены. Метод пространственной экстраполяции позволяет получать оценки значений векторного поля прогнозируемой цены по отдельным наблюде- ниям показателей качества продукции [5]. Решение задачи пространственной экстраполяции можно осуществить с использованием модели нейросетевой экспертной системы [6, 7], содер- жащей информацию о зависимости между входами (значениями показате- лей качества) и выходом (ценой продукции) в виде матрицы весовых коэф- фициентов. Прогнозирование конкурентоспособности продукции по совокупности показателей … Системні дослідження та інформаційні технології, 2012, № 3 75 Цель работы — разработка модели нейросетевой экспертной системы, предназначенной для прогнозирования конкурентоспособности продукции по цене и совокупности единичных показателей качества. ОБЪЕКТ, ПРЕДМЕТ И МЕТОДЫ ИССЛЕДОВАНИЯ Объект исследования — прогнозирование конкурентоспособности продукции. Предметом исследования является модель нейросетевой экспертной сис- темы, предназначенная для прогнозирования конкурентоспособности на ос- нове зависимости между совокупностью показателей качества и ценой хо- лодильников бытового назначения. При проведении исследования использованы методы пространственной экстраполяции, статистического анализа и нейросетевой обработки данных. СОДЕРЖАТЕЛЬНАЯ И МАТЕМАТИЧЕСКАЯ ПОСТАНОВКА ЗАДАЧИ Рассмотрим задачу пространственной экстраполяции конкурентоспособ- ности продукции по цене на примере холодильников бытового назначения фирм W и G (полное наименование фирм, условно названных W и G, не при- водится по этическим соображениям). Пусть имеется конечное множество альтернатив — точек в пространстве ситуаций, в которых определены неко- торые решения (в общем виде — численные векторы). Тогда задача экстра- поляции заключается в том, чтобы оценить значение вектора решения для альтернативы, которая не содержится в указанном множестве. При этом ре- шение необходимо получить, используя относительное положение такой точки-альтернативы среди точек, в которых решение известно. Содержательную постановку задачи прогнозирования конкурентоспо- собности продукции, сформулируем следующим образом: какова была бы цена холодильников фирмы G, если бы при идентичных по составу показа- телях качества, значения которых представлены в разных измерительных шкалах, холодильники со значениями показателей качества фирмы G изго- тавливались бы фирмой ?W Формализацию задачи прогнозирования конкурентоспособности про- дукции по цене Y в зависимости от совокупности показателей качества ,jX mj ,...,1= можно представить следующим образом. Пусть имеется множество объектов niIi ,...,1, = : { }ni IIII ,...,, 21= . Каждый объект iI характеризуется множеством независимых входных переменных ,jX значения которых известны и на основании которых опре- деляется значение зависимой выходной переменной (отклика) Y: { }YXXXI mi ,,...,, 21= . Значения каждой входной переменной jX имеют свой физический смысл, свою размерность и могут быть представлены в различных шкалах С.С. Федин, Н.А. Зубрецкая, А.С. Гончаров ISSN 1681–6048 System Research & Information Technologies, 2012, № 3 76 измерения: номинальной — N, порядковой — P, интервальной — I и отно- сительной — R. Если }{ ,,, RIPN jX — множество единичных показателей качества некото- рого объекта ,W то }{ N jX , }{ P jX , }{ I jX , }{ R jX — подмножества векторов значений номинальных, порядковых, интервальных и относительных неза- висимых входных переменных, определяющих зависимую переменную :WY },{ ,,, W RIPN jW YXI = . Представим характеристики объекта Iw в виде отображения W RIPN j YX ⇒,,, , которое можно использовать для получения прогнозной оценки GY объекта-конкурента G, при условии, что для объектов W и G подмножества }{ N jX и }{ P jX содержат идентичные категории, а коэффи- циенты вариации подмножеств }{ I jX , }{ R jX имеют один и тот же порядок. Для независимых входных переменных, представленных в разных из- мерительных шкалах, отображения вида YX RIPN j ⇒,,, можно получить на основе нейросетевого моделирования. При этом, если выходная переменная Y представлена вектором значений на множестве действительных чисел, то имеет место решение задачи пространственной экстраполяции в нейросете- вом логическом базисе [8]. РАЗРАБОТКА МОДЕЛИ НЕЙРОСЕТЕВОЙ ЭКСПЕРТНОЙ СИСТЕМЫ Априорное изучение информации, выбор факторов и формирование исходной выборки Для разработки модели нейросетевой экспертной системы сформирована выборка исходных данных о технических характеристиках (единичных по- казателях качества) холодильников фирм-производителей W и .G Показа- тели качества, принятые в качестве независимых входных переменных ней- росетевой модели, приведены в табл. 1. Т а б л и ц а 1 . Показатели качества холодильников Обозначения Технические характеристики Единицы измерения X1 Класс энергопотребления А+, А, В X2 Мощность замораживания кг/сут X3 Уровень шума дБ X4 Общий объем л X5 Объем холодильной камеры л X6 Объем морозильной камеры л X7 Наличие системы No Frost «+», «–» X8 Наличие быстрой заморозки «+», «–» X9 Наличие отделения глубокого охлаждения «+», «–» Исходная выборка (табл. 2) содержит данные о значениях показателей качества 91 XX − и соответствующей им средней цене WY каждой из моде- Прогнозирование конкурентоспособности продукции по совокупности показателей … Системні дослідження та інформаційні технології, 2012, № 3 77 лей холодильников фирмы W (использовались данные о средних ценах по Украине на 01.12.2011 г. в у.е.). Т а б л и ц а 2 . Выборка исходных данных о показателях качества 91 XX − и цене WY холодильников фирмы W Модель холодильника X1 X2 X3 X4 X5 X6 X7 X8 X9 YW W1 A+ 10 42 302 211 91 – + – 564 W2 A+ 4,5 42 350 243 107 + + – 665 W3 A 4,5 42 323 226 97 + – – 538 W4 A 4,5 42 320 223 97 + + – 566 W5 A 4,5 39 347 228 119 – – – 470 W6 A+ 4,5 39 304 212 92 – + + 501 W7 A 4,5 42 349 252 97 + + + 637 W8 A+ 4,5 38 371 255 116 – + – 529 W9 A 7,5 44 432 325 107 + + + 796 W10 A 10 42 302 211 91 – + – 556 W11 A+ 10 42 302 211 91 – + – 567 W12 B 6 37 281 200 81 – + – 543 W13 A+ 4,5 39 311 195 116 – – – 452 W14 A 12 42 326 226 100 + + – 597 W15 A 9 38 264 198 66 + + – 890 W16 A 3 40 289 227 62 + + – 525 W17 A 4 39 319 231 88 – – – 442 W18 A 9 37 263 198 65 – + + 764 W19 A 6,3 43 425 305 120 + + + 894 W20 A+ 12 42 350 243 107 + + – 607 W21 A 10 44 425 305 120 + + + 770 W22 A+ 2 36 207 189 18 + – – 521 W23 A 6 37 273 201 72 – + – 590 W24 B 9 37 281 200 81 – + – 699 W25 A+ 4 39 318 230 88 – – – 442 Предварительный анализ данных, отсеивание и кодирование факторов В результате предварительного анализа выбранных независимых входных переменных установлено, что показатель 4X коррелирован с 5X и 6X , так как является суммой их значений. Это подтверждается корреляционной матрицей, полученной в демо-версии системы STATISTICA 6.0 для показа- телей 4X , 5X , 6X (табл. 3). Т а б л и ц а 3 . Матрица парных коэффициентов корреляции показа- телей 654 ,, XXX Показатель 4X 5X 6X X4 1,00 0,93 0,85 X5 0,93 1,00 0,60 X6 0,85 0,60 1,00 С.С. Федин, Н.А. Зубрецкая, А.С. Гончаров ISSN 1681–6048 System Research & Information Technologies, 2012, № 3 78 Кроме того, наличие показателя 9X наблюдается только в 6 из 25 фак- тов (табл. 2), что позволяет исключить его из дальнейшего анализа. Поэтому в качестве входов нейросетевой модели были оставлены семь факторов 1X – 3X , 85 XX − , обозначенных 71 XX − . При этом фактор 1X — класс энер- гопотребления — определялся в соответствии с ДСТУ 4238–2003 на основе индекса энергетической эффективности и представлен в виде порядковой величины с использованием кодирования (табл. 4) [9]. Т а б л и ц а 4 . Кодирование фактора 1X Класс энергопотребления Индекс энергетической эффективности, % Кодированное значение A++ I < 30 1 A+ 30 ≤ I ≤ 42 2 A 42 ≤ I ≤ 55 3 B 55 ≤ I ≤ 75 4 Факторы: 2X — мощность замораживания; 3X — уровень шума; 4X — объем холодильной камеры; 5X — объем морозильной камеры величины, представленные в шкале отношений; 6X — система No Frost; 7X — быст- рая заморозка — номинальные величины, которые при «+» или «–» кодиро- вались как 1 или 0 соответственно. Выходная переменная (отклик) WY — цена холодильников фирмы, W — представлена величинами в шкале отно- шений. Формирование обучающей, тестовой и контрольной выборок Для разработки модели нейросетевой экспертной системы сформирована выборка из факторов 71 XX − (табл. 5). Первые 20 фактов этой выборки предназначены для обучения и тестирования модели, а факты с 21-го по 25-й составляют контрольную выборку, необходимую для оценки качества прогноза. Т а б л и ц а 5 . Выборка для обучения, тестирования и контроля модели нейросетевой экспертной системы Модель холодильника X1 X2 X3 X4 X5 X6 X7 WY 1 2 3 4 5 6 7 8 9 W1 2 10 42 211 91 0 1 564 W2 2 4,5 42 243 107 1 1 665 W3 3 4,5 42 226 97 1 0 538 W4 3 4,5 42 223 97 1 1 566 W5 3 4,5 39 228 119 0 0 470 W6 2 4,5 39 212 92 0 1 501 W7 3 4,5 42 252 97 1 1 637 W8 2 4,5 38 255 116 0 1 529 W9 3 7,5 44 325 107 1 1 796 Прогнозирование конкурентоспособности продукции по совокупности показателей … Системні дослідження та інформаційні технології, 2012, № 3 79 Окончание табл. 5 1 2 3 4 5 6 7 8 9 W10 3 10 42 211 91 0 1 556 W11 2 10 42 211 91 0 1 567 W12 4 6 37 200 81 0 1 543 W13 2 4,5 39 195 116 0 0 452 W14 3 12 42 226 100 1 1 597 W15 3 9 38 198 66 1 1 890 W16 3 3 40 227 62 1 1 525 W17 3 4 39 231 88 0 0 442 W18 3 9 37 198 65 0 1 764 W19 3 6,3 43 305 120 1 1 894 W20 2 12 42 243 107 1 1 607 W21 3 10 44 305 120 1 1 770 W22 2 2 36 189 18 1 0 521 W23 3 6 37 201 72 0 1 590 W24 4 9 37 200 81 0 1 699 W25 2 4 39 230 88 0 0 442 Формирование прогнозной выборки Выборка для прогноза конкурентоспособности холодильников фирмы G по цене (табл. 6) содержит 20 фактов и имеет такую же структуру, что и обу- чающая выборка (табл. 5). Т а б л и ц а 6 . Выборка для прогноза конкурентоспособности холодильни- ков фирмы G Модель холодильника X1 X2 X3 X4 X5 X6 X7 YG 1 2 3 4 5 6 7 8 9 G1 3 5 39 205 103 0 1 584 G2 3 4 41 230 75 1 1 672 G3 2 9 40 251 64 1 1 1261 G4 2 3 42 202 62 0 1 799 G5 3 7,5 42 200 62 1 1 972 G6 2 7,5 42 200 62 1 1 912 G7 3 2 41 255 39 0 1 584 G8 3 4 40 230 92 0 1 524 G9 2 5 41 203 70 0 1 820 G10 3 9 41 221 61 0 1 749 G11 3 4,5 39 205 75 1 1 784 G12 3 4 40 278 86 0 1 720 G13 4 3 43 214 48 0 1 398 G14 3 5 40 204 70 0 0 479 G15 3 4 40 230 86 0 0 645 G16 3 4 40 278 86 0 1 680 7 2 4 40 230 82 0 1 555 С.С. Федин, Н.А. Зубрецкая, А.С. Гончаров ISSN 1681–6048 System Research & Information Technologies, 2012, № 3 80 Окончание табл. 6 1 2 3 4 5 6 7 8 9 G18 3 5 40 223 61 0 0 466 G19 2 10 40 245 86 0 1 987 G20 2 5 40 223 61 0 1 657 Статистический анализ данных Статистический анализ данных обучающей (табл. 5, факты 1–20) и прогноз- ной выборок (табл. 6) показывает, что для холодильников фирм W и G фак- торы 1X , 6X и 7X характеризуются одинаковым количеством категорий и кодированных значений, а коэффициенты вариации факторов 52 XX − , имеют один и тот же порядок (табл. 7). Т а б л и ц а 7 . Оценка коэффициентов вариации факторов 52 XX − Коэффициенты вариации факторов, % Фирма X2 X3 X4 X5 W 43,0 5,2 14,6 18,1 G 41,9 2,6 10,8 21,9 Использование t-теста для независимых выборок для уровня значи- мости 1,0=p в демо-версии системы STATISTICA 6.0 позволило устано- вить значимое различие между средними значениями цены 15,605=WY и 40,712=GY с учетом вариации ,33,133=Wσ .60,208=Gσ Это подтвер- ждается специальным статистическим графиком «ящики с усами» (рисунок). Отсутствие на диаграмме пересекающихся областей стандартных ошибок указывает на значимое различие цен на холодильники. При этом выполняется условие равенства единичных показателей качества изде- лий-конкурентов фирм W и G. Таким образом, для прогнозирования конку- рентоспособности по цене холодильников фирмы G можно реализовать W G Рисунок. Диаграмма «ящики с усами» в демо-версии системы STATISTICA 6.0 Прогнозирование конкурентоспособности продукции по совокупности показателей … Системні дослідження та інформаційні технології, 2012, № 3 81 отображение вида W RPN j YX ⇒,, с использованием модели нейросетевой экспертной системы, созданной на основе показателей качества 71 XX − холодильников фирмы W и обучающего показателя .WY Создание модели нейронной сети Модель двухслойной нейронной сети с архитектурой 7:10:1 построена с ис- пользованием лицензионной версии системы BrainMaker Professional 3.52. Точность обучения и тестирования модели задавалась в процентном отно- шении от диапазона обучающего показателя WY , допуски обучения и тести- рования выбраны 02,0=TOL и 10,0test =TOL . При тестировании модели факт тестовой выборки относился к катего- рии «Good» — т.е. находится «в допуске» при условии: )( minmax YYTOLPO −±∈ , где O (Output), P (Pattern) — соответственно прогнозируемое и обучающее значение выбранного для тестирования факта, )( minmax YY − — диапазон обучающего показателя — цены. Оценка качества модели нейросетевой экспертной системы Оценку качества обобщения данных с использованием разработанной ней- росетевой модели осуществляли на основе коэффициента детерминации D и S-оценки по зависимостям (1) и (2): ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎣ ⎡ ⎟ ⎟ ⎠ ⎞ ⎜ ⎜ ⎝ ⎛ − ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎣ ⎡ ⎟ ⎟ ⎠ ⎞ ⎜ ⎜ ⎝ ⎛ − ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎣ ⎡ − = ∑∑∑∑ ∑ ∑ ∑ ==== = = = 2 11 2 2 11 2 2 1 1 1 )( N i N i N i N i N i N i N i OONPPN OPOPN D , (1) ]1,0[, ∈= ∆ SS Pσ σ , (2) где P, О — соответственно обучающее и прогнозируемое значение выход- ной переменной нейросетевой модели; 5=N — объем тестовой и контроль- ной выборок; ∆σ — стандартное отклонение ошибки прогноза, полученной по контрольной выборке; )( OP −=∆ — ошибка прогноза; Pσ — стандарт- ное отклонение выходной переменной контрольной выборки. Известно, что 2RD = , где R — коэффициент множественной корре- ляции — критерий статистической надежности нейросетевой модели [10]. Полученные в соответствии с (1) значения 84,0test =D и 93,0control =D для тестовой и контрольной выборки на 84 % и 93 % объясняют долю вариации отклонений зависимой переменной WY от ее среднего значения, обуслов- ленную вариацией всех независимых переменных (табл. 8, 9). С.С. Федин, Н.А. Зубрецкая, А.С. Гончаров ISSN 1681–6048 System Research & Information Technologies, 2012, № 3 82 Т а б л и ц а 8 . Оценка качества модели нейросетевой экспертной системы по коэффициенту детерминации D для тестовой выборки 5=N № тестового факта в обучаю- щей выборке Обучающее (действительное) значение WY Прогнозируемое значение WОY Соответствие допуску тестирования 10,0test =TOL 3 538 565 + 7 637 622 + 11 567 557 + 15 890 668 - 19 894 753 - 84,0test =D 3fact =Good Т а б л и ц а 9 . Оценка качества модели нейросетевой экспертной системы по коэффициенту детерминации D для контрольной выборки 5=N № факта в исходной выборке № факта в контрольной выборке Обучающее (действительное) значение YW Прогнозируемое значение YWO 21 1 770 819 22 2 521 457 23 3 590 642 24 4 699 708 25 5 442 458 93,0control =D Разработанная нейросетевая модель обладает «очень высокими» обобщающими способностями при тестировании и контроле, что под- тверждается выполнением условия testcontrol DD > и оценками коэффициен- та множественной корреляции 92,0testtest == DR и == controlcontrol DR 96,0= в соответствии со шкалой Чеддока [11] (табл. 10). Т а б л и ц а 1 0 . Взаимосвязь между количественной и качественной оцен- ками коэффициента множественной корреляции в соответствии со шкалой Чеддока Количественная мера статистической связи Качественная мера статистической связи 0,1–0,3 Слабая 0,3–0,5 Умеренная 0,5–0,7 Заметная 0,7–0,9 Высокая 0,9–0,99 Очень высокая Полученное в соответствии с зависимостью (2) значение критерия 35,0=S для контрольной выборки 5=N соответствует условию 5,0<S и характеризует высокую достоверность результата прогнозирования (табл. 11). Прогнозирование конкурентоспособности продукции по совокупности показателей … Системні дослідження та інформаційні технології, 2012, № 3 83 Т а б л и ц а 1 1 . Оценка качества прогнозирования для контрольной выборки 5=N Стандартное отклонение ∆σ Стандартное отклонение Pσ 46,8 132,2 S-оценка: 35,02,132/8,46 = РЕЗУЛЬТАТ НЕЙРОСЕТЕВОГО ПРОГНОЗИРОВАНИЯ На основе нейросетевого прогнозирования установлено, что холодильники фирмы G в большинстве случаев неконкурентоспособны по цене по сравне- нию с аналогичными холодильниками фирмы W, так как их действительная цена YG значительно больше прогнозной цены YGO при идентичных по составу показателях качества (табл. 12). Т а б л и ц а 1 2 . Результат прогнозирования цены холодильников фирмы G с использованием модели нейросетевой экспертной системы Действительная цена холодильников YG, у.е. Прогнозная цена холодильников YGO, у.е. Абсолютное отклонение YG от YGO, у.е. Относительное отклонение YG от YGO,% 100 )( G GOG Y YY − 584 478 106 18,2 672 570 102 15,2 1261 744 517 41,0 799 467 332 41,6 972 479 493 50,7 912 484 428 46,9 584 454 130 22,3 524 493 31 5,9 820 488 332 40,5 749 692 57 7,6 784 585 199 25,4 720 588 132 18,3 398 444 –46 –11,6 479 444 35 7,3 645 446 199 30,9 680 588 92 13,5 555 504 51 9,2 466 443 23 4,9 987 776 211 21,4 657 561 96 14,6 Средние значения 712,4 536,4 176,0 21,2 ВЫВОДЫ На основе метода пространственной экстраполяции и формализации задачи прогнозирования конкурентоспособности продукции разработана модель С.С. Федин, Н.А. Зубрецкая, А.С. Гончаров ISSN 1681–6048 System Research & Information Technologies, 2012, № 3 84 нейросетевой экспертной системы для прогнозирования и сравнительной оценки конкурентоспособности холодильников бытового назначения в зави- симости от цены и совокупности единичных показателей качества. С использованием разработанной модели нейросетевой экспертной системы установлено завышение цены холодильников бытового назначения фирмы G примерно на 21 % по сравнению с холодильниками фирмы W, аналогичными по техническим характеристикам. ЛИТЕРАТУРА 1. Гаркавенко С.С. Маркетинг. — К.: Лібра, 1996. — 384 с. 2. Долинская М.Г. Маркетинг и конкурентоспособность промышленной продук- ции. — М.: Изд-во стандартов, 1991. — 256 с. 3. Минько Э.В., Кричевский М.Л. Качество и конкурентоспособность. — СПб.: Питер. 2004 — 268 с. 4. Котлер Ф. Основи маркетинга: пер. с англ. — М.: Прогресс, 1990. — 736 с. 5. Растригин Л.А., Пономарев Ю.П. Экстраполяционные методы проектирования и управления. — М.: Машиностроение, 1986. — 120 с. 6. Бублик Н.Д., Секерин А.Б., Попенов С.В. Новейшие компьютерные технологии прогнозирования финансовых показателей и рисков. — Уфа: Изд-во Все- рос. заочного финансово-єконом. ин-та, 1998. — 62 с. 7. Федін С.С., Секерін А.Б., Зенкін Н.А. Оцінка та прогнозування конкуренто- спроможності продукції методом зворотнього розповсюдження // Легка промисловість. — 2001. — №1. — С. 62–63. 8. Минаев Ю.Н., Филимонова О.Ю., Бенамеур Лиес. Методы и алгоритмы реше- ния задач идентификации и прогнозирования в нейросетевом логическом базисе. — М.: Горячая линия–Телеком, 2003. — 205 с. 9. Енергозбереження. Енергетичне маркування електрообладнання побутової призначеності. Визначання енергетичної ефективності холодильних при- ладів: ДСТУ 4238:2003 — [Чинний від 2004-04-01]. — К.: Держспожив- стандарт України, 2004. — 14 с. — (Національний стандарт України). 10. Петрунин Ю.Ю. Информационные технологии анализа данных. Data analy- sis. — 2-е изд. — М.: КДУ, 2010. — 292 с. 11. Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика: Основы моделирования и первичная обработка данных. — М.: Финансы и статисти- ка, 1983. — 471 с. Поступила 10.02.2012

Прогнозирование конкурентоспособности продукции по совокупности показателей качества на основе нейросетевого моделирования

Institution

Ähnliche Einträge