ЗАСТОСУВАННЯ НЕЙРОМЕРЕЖЕВОГО МОДЕЛЮВАННЯ ДЛЯ ПРОГНОЗУВАННЯ ОБСЯГІВ РЕАЛІЗАЦІЇ ПІДПРИЄМСТВА
Анотація
Стаття присвячена дослідженню проблеми застосування нейромережевого моделювання для підвищення якості прогнозування обсягів реалізації продукції підприємства. Застосування моделі штучної нейронної мережі – одного із засобів штучного інтелекту – для прогнозування обсягів реалізації підприємства зумовлені, з одного боку, незадовільними результатами застосування традиційних кількісних методів прогнозування, а, з іншого боку, завданнями реалізації в сфері економіки Концепції розвитку штучного інтелекту в Україні. З метою аналізу результатів застосування нейромережевого моделювання для прогнозування обсягів реалізації продукції підприємства запропоновано методику аналізу, яка базується на порівняльному аналізі якості прогнозних моделей чотирьох класів (груп): І – регресійні, ІІ – авторегресійні, ІІІ – нелінійні трендові (які розглядалися на різних періодах ретроспекції) та ІV – нейромережеві. Нейромережеві моделі розглядалися трьох видів: 1) нейромережа введення–виведення (net), 2) нейромережа на основі моделі NAR (нелінійна авторегресія), 3) нейромережа виду NARX – нелінійна авторегресія з зовнішнім(екзогенним) входом. Апробація методики проведена на даних підприємства ТОВ «Sportmaster» – підприємства, яке займається торгівлею по всій Україні. Критерієм оцінки якості моделі обрано середню абсолютну відсоткову похибку (MAPE). Апробація методики аналізу результатів застосування нейромережевого моделювання для прогнозування обсягів реалізації продукції підприємства виявила, що кращими моделями для прогнозування та аналізу виявилися нейромережі NAR та NARX (група IV), та з дещо гіршою оцінкою авторегресійна модель (група ІІ), побудована за довгим періодом ретроспекції (276 значень). Таким чином, виявлено, що використання нейромережевих моделей дає змогу отримати більш точний прогноз обсягів реалізації для торговельного підприємства, що підтверджує доцільність їх використання. Запропоновано удосконалення моделі формування збутової політики підприємства за рахунок використання нейромережевого моделювання для прогнозування обсягів продажів, яка створює умови для підвищення ефективності та конкурентоспроможності підприємства. Результати дослідження можуть бути покладеними в основу удосконалення існуючих на сьогодні інформаційних систем управління підприємствами.
Посилання
(2020, December 2). Uriadovyi kurier. Kyiv : Kabinet Ministriv Ukrainy. [in Ukrainian]
2. Iashkin, D.S. (2019). Vyznachennia lohistychnykh ryzykiv u sezonnykh prohnozakh obsiahiv realizatsii pidpryiemstv mashynobuduvann [Determination of logistical risks in seasonal forecasts of sales volumes of machine-building enterprises]. Marketynh i tsyfrovi tekhnolohii. Vol. 3(2). P. 97–118. [in Ukrainian]
3. Nuzhna, O.A., & Tluchkevych, N.V. (2020). Analitychne doslidzhennia obsiahiv realizatsii produktsii silskohospodarskykh pidpryiemstv Volynskoi oblasti z rozpodilom yikh za rozmiramy [Analytical research of sales volumes of agricultural enterprises of Volyn region with their distribution by size]. Ekonomichnyi forum. Vol. 1. P. 115–120. [in Ukrainian]
4. Rudyka, V.I., & Shpirna, D.S. (2019). Formuvannia systemy finansovoho planuvannia i prohnozuvannia na pidpryiemstvi [Formation of a system of financial planning and forecasting at the enterprise]. Infrastruktura rynku. Vol. 33. P. 307–316. [in Ukrainian]
5. Tomchuk, O.F., & Levchuk, M.S. (2019). Kryterii otsiniuvannia i prohnozuvannia finansovoho stanu ta rezultativ diialnosti pidpryiemstva [Criteria for assessing and forecasting the financial condition and performance of the enterprise]. Molodyi vchenyi. Vol. 9(2). P. 480–486. [in Ukrainian]
6. Antypina, O.V., Nedilko, A.A., & Ckorin, Yu.I. (2020). Porivnialnyi analiz suchasnykh metodiv prohnozuvannia ekonomichnykh pokaznykiv torhivelnoho pidpryiemstva [Comparative analysis of modern methods of forecasting economic indicators of a commercial enterprise]. Systemy obrobky informatsii. Vol. 1. P. 26–31. [in Ukrainian]
7. Sakun, A.Zh., & Pantiuk, I.P. (2017). Systemnyi pidkhid do orhanizatsii ta upravlinnia vyrobnycho-zbutovoiu diialnistiu pidpryiemstv promyslovosti [System approach to the organization and management of production and marketing activities of industrial enterprises]. Visnyk Berdianskoho universytetu menedzhmentu i biznesu. Vol. 2(38). P. 55–59. [in Ukrainian]
8. Heiets, V.M., Klebanova, T.S., Cherniak, O.I., Ivanov, V.V., Dubrovina, N.A., & Stavytskyi, A.V. (2005). Modeli i metody sotsialno-ekonomichnoho prohnozuvannia [Models and methods of socio-economic forecasting]. Kharkiv : VD «INZhEK». [in Ukrainian]
9. Matviichuk, A.V. (2011). Shtuchnyi intelekt v ekonomitsi: neironni merezhi, nechitka lohika [Artificial intelligence in economics: neural networks, fuzzy logic]. Kyiv : KNEU. [in Ukrainian]
10. Synytsina, Yu.P., Kaut, O.V., & Bushuiev K.M. (2019). Vykorystannia neironnykh merezh u prohnozuvanni makroekonomichnykh pokaznykiv pidpryiemstva [The use of neural networks in forecasting macroeconomic indicators of the enterprise]. Prychornomorski ekonomichni studii. Vol. 41. P. 126–130. [in Ukrainian]
11. Ivanov, S., & Ivanov, M. (2021). Marketing forecasting based on Big Data Information. SHS Web of Conferences. Vol. 107, 05002. https://doi.org/10.1051/shsconf/202110705002
12. Ivanov, S., Maksyshko, N., & Ivanov, M. (2021). Neural network forecasting using big data. CEUR Workshop Proceedings. URL: http://ceur-ws.org/Vol-2853/short6.pdf (accessed February 16, 2022).
13. Sait kompanii «Sportmaster» [Sportmaster website]. URL: https://www.sportmaster.ua/ [in Ukrainian]
