УДК 338.5:338.439

B.C. Чубань, наук, співроб.

Черкаський інститут агропромислового виробництва НААНУ

Моделювання процесу ціноутворення на продукцію сільського господарства за допомогою нечіткої логіки та нейронних мереж

У даній роботі запропонований і обґрунтований методичний підхід до проведення комплексного аналізу цін на продукцію сільського господарства з використанням інструменту нечіткої логіки і нейронних мереж, що дає можливість більш ефективно здійснювати прогнозування за вхідними факторами посівних площ культур; обсягу їх виробництва; врожайності; укладених угод на біржах України по сільськогосподарській продукції; обсягів експорту та імпорту сільськогосподарських культур, ціна, біржова ціна, економіко-математичні моделі, нечітка логіка

Постановка проблеми. Останніми роками все більше українських підприємств (як приватних, так і державних) в цілях підвищення ефективності управління економічними процесами намагаються організувати свою діяльність на основі сучасних наукових досліджень. Впроваджується бізнес-планування, фінансовий і інвестиційний аналіз, сучасні програмні продукти, засновані на останніх наукових розробках. Одночасно зростає попит на ринкові дослідження (як на мікроекономічному, так і макроекономічному рівні), на фінансову і загальноекономічну інформацію [5].

Сьогодні одним з найбільш перспективних напрямів наукових досліджень в галузі аналізу, прогнозування і моделювання економічних явищ і процесів є нечітка логіка (fuzzy logic). Нечітко-множинні моделі, часто представлені у вигляді програмного забезпечення для персональних комп'ютерів, дозволяють керівникам підприємств ухвалювати економічно вигідні рішення. Хоча вперше згадка про новий метод математичного моделювання з'явилася біля півстоліття назад, дана галузь наукових досліджень до цих пір залишається мало вивченою в Україні та Росії [ 1 ].

Постановка завдання. Метою дослідження є наукове обґрунтування теоретичних положень і розробка практичних рекомендацій щодо моделювання процесу ціноутворення на продукцію сільського господарства. Для досягнення поставленої мети необхідно вирішити такі завдання:

розробити моделі виявлення залежностей цін і обсягів продажу сільськогосподарської продукції від групи найбільш впливових факторів;

обґрунтувати методичні основи моделювання процесу ціноутворення з використанням нечіткої логіки та нейронних мереж.

Аналіз останніх джерел досліджень і публікацій. У світовій практиці розвинутих країн інструменту нечіткої логіки приділяється значна увага. Новітня теорія моделювання з використанням нечіткої логіки відобразилась у працях таких вчених як: Н. Васильєва, Л. Заде, Б. Коско, В. Круглов, А. Масалович, Е. Мамдані, А. Недосекин. Але методичні основи моделювання процесу ціноутворення з використанням нечіткої логіки та нейронних мереж потребує розвитку з позиції її адаптації до відповідного економічного середовища. Тому вважаємо за необхідне сформувати своє бачення даної проблеми.

Результати дослідження. Процес функціонування українського біржового ринку характеризується багатофакторністю, мінливістю і має складну структуру, тобто утворює складну систему з багатьма вхідними факторами і вихідними характеристиками.

В якості вхідних факторів можуть виступати фінансово-економічні показники функціонування економіки, а також соціальних, політичних та кризових явищ. Вихідною характеристикою в нашому випадку є середня ціна (її індекс) на зернові та зернобобові культури (або інші товари).

Нечіткий логічний висновок у базі нечітких правил виконується за наступним алгоритмом: фазифікація, логічний висновок, композиція, дефазифікація (повернення до чіткості).

На даному етапі відбувається фазифікація - побудова нечітких множин для тер мів. Одне із можливих значень терм-множини лінгвістичної змінної - змінна, значенням якої є повний вираз з градацією: мала, середня, висока. Кожний такий терм із терм-множини має свою функцію належності, що дозволяє визначити ступінь належності будь-якого значення нечіткої підмножини даному тер му лінгвістичних оцінок вхідних параметрів [4]. Ця залежність відображає складний нелінійний процес функціонування біржового ринку, тому класичні статистичні, інтегро-диференціальні методи є непридатними для розв'язання даної проблеми. В даний час набувають актуальності методи штучного інтелекту, такі як нечітка логіка, нейронні мережі, генетичні алгоритми та інші, що дозволяють розв'язувати складні нелінійні задачі з малою інформаційною визначеністю [1].

Нечітка логіка дозволяє представити вхідну інформацію в адекватному до реальності вигляді, коли дані про функціонування деякої складної системи є неповними, інформаційно невизначеними, неточними з різних об'єктивних і суб'єктивних причин. Отже в якості вхідних факторів візьмемо показники табл. 1.

Розглянуті вище етапи нечіткого висновку можуть бути реалізовані по-різному, оскільки включають окремі параметри, які повинні бути фіксовані або специфіковані. Тим самим вибір конкретних варіантів параметрів кожного з етапів визначає деякий алгоритм, який в повному об'ємі реалізує нечіткий висновок в системах нечітких правил. На даний час запропоновано декілька алгоритмів нечіткого висновку. Ті з них, які отримали найбільше, розглядаються нижче [3].

Основними етапами алгоритму нечіткого логічного висновку Мамдані, Сугено, Цукамото, Ларсена є:

а) формування бази правил системи нечіткого висновку, що є формальним представленням емпіричних знань експерта;

б) фазифікация вхідних параметрів - процес знаходження функції належності нечітких множин на основі початкових даних;

в) агрегація, метою якої є визначення ступеня істинності кожного з підвисновків по кожному з правил систем нечіткого висновку;

г) активізація підумов в нечітких правилах, за якої нечіткі підмножини, призначені для кожної вихідної змінної, об'єднуються разом, щоб сформувати одну нечітку підмножину для кожної змінної;

д) дефазифікація - процедура перетворення нечіткої множини в чітке число [1]. Функціональна схема процесу нечіткого висновку в спрощеному вигляді показана на рис. 1 Г51.

Існує дві проблеми, пов'язані з використанням апарату нечіткої логіки: помилки експертів при формуванні нечіткої бази правил; невідповідність параметрів функцій належності дійсності.

Для вирішення вказаних вище проблем використовують нечіткі контролери, що базуються на застосуванні апарату нейронних мереж. Нечіткі нейронні мережі дозволяють в процесі навчання настроювати оптимальні значення параметрів функцій належності і виявляють складні закономірності у