11. Прогноз розвитку аграрного сектору економіки з використанням штучних нейронних мереж

https://doi.org/10.31073/agrovisnyk201906-11
Кернасюк Ю. В.
Сторінки: 75-81.

Короткий огляд
Мета. Обґрунтувати теоретичний і методичний підходи системного прогнозування сільськогосподарського виробництва на основі застосування штучних нейронних мереж (ШНМ), який враховує кількісні і якісні фактори впливу на розвиток аграрного сектору економіки. Методи. Економіко­статистичний, розрахунково­конструктивний, монографічний, порівняльний, кореляційний аналіз, ШНМ. Результати. Розглянуто теоретичні і методичні аспекти використання методу штучних нейронних мереж у задачах прогнозування розвитку аграрного сектору економіки для досягнення більшої об’єктивності та точності. Здійснено системний аналіз основних виробничих і економічних показників розвитку аграрного сектору України за 2000­2017 рр. Визначено кількісні та якісні фактори впливу на розвиток аграрного сектору економіки. Створено модель прогнозування розвитку аграрного сектору економіки України на основі ШНМ архітектурного типу багатошаровий перцептрон, яка забезпечує мінімальні відхилення одержаних результатів від дійсних значень цих показників. Висновки. Результати досліджень підтверджують можливість практичного використання розробленої на основі системного аналізу моделі ШНМ для адаптивного прогнозування розвитку аграрного сектору економіки України на середньо­ і довгострокову перспективу. Запропонована модель враховує фактори зміни посівних площ, поголів’я тварин, урожайності сільськогосподарських культур, продуктивності тварин та ресурсного забезпечення аграрного виробництва. Розроблено методичний підхід практичного використання ШНМ для адаптивного прогнозування розвитку аграрного сектору економіки України при обґрунтуванні різних стратегій та оцінки їх впливу на економічний, соціальний і екологічний стани галузі.


Ключові слова: розвиток аграрного сектору економіки, прогноз, штучні нейронні мережі, модель.



Бібліографія
  1. Матвійчук А.В. Аналіз та прогнозування розвитку фінансово-економічних систем із використанням теорії нечіткої логіки: монографія. Київ: Центр навчальної літератури, 2005. 206 с.
  2. Парасюк І.В. Нейромережеве прогнозування макроекономічних показників регіону. Вісник Львівського університету. 2009. Вип. 42. С. 76–84.
  3. Хайкин С. ­Нейронные сети: полный курс; пер. с англ. Н.Н. Куссуль, А.Ю. Шелестова. Москва: Издательский дом «Вильямс», 2006. 1104 с.
  4. Recent advances in artificial neural networks: design and applications. Edited by Lakhmi C. Jain, Anna Maria Fanelli. Boca Raton, London, New York: CRC Press, 2017. 372 р.
  5. James M. Keller, Derong Liu, David B. Fogel. Fun­damentals of Computational Intelligence: Neural Networks, Fuzzy Systems, and Evolutionary Com­putation. New Jersey: Wiley-IEEE Press, 2016. 378 р.
  6. Пугачов М.І., Грибинюк О.М., Мельник А.О. Прогноз динаміки внутрішнього валового продукту України за допомогою нейронних мереж. Економіка АПК. 2015. № 4. С. 82–87.
  7. Raju Prasad Paswan, Shahin Ara Begum. Regression and Neural Networks Models for Pre­dic­tion of Crop Production. International Journal of Scientific & Engineering Research. September 2013. V. 4, № 9. Р. 98–108. URL: https://www.ijser.org/researchpaper%5CRegression-and-Neural-Networks-Models-for-Prediction-of-Crop-Production.pdf
  8. Васильєва Н.К. Моделювання розвитку аграрних підприємств регіонального кластера сільського господарства. Агросвіт. 2012. № 8. С. 11–14.
  9. Грицюк П.М. Прогнозування часових рядів методом нейронних мереж. Вісник Національного університету водного господарства та природокористування. 2005. Вип. 4 (32). С. 240–247.
  10. Соловйов А.І. Прогнозування та нейромережеве моделювання в управлінні аграрними виробничими структурами. Науковий вісник Ужгородського національного університету. Серія: Міжнародні економічні відносини та світове господарство. 2016. Вип. 8. Ч. 2. С. 87–90.