Создать PDF Рекомендовать Распечатать

Адаптивное прогнозирование урожайности зерновых культур

  • Автор (авторы):
    А. Рогачев
  • Дата публикации:
    17.09.05
  • ВУЗ ИЛИ ОРГАНИЗАЦИЯ:
    Россия, Волгоградская государственная сельскохозяйственная академия

Адаптивное прогнозирование урожайности зерновых культур  
 

Аннотация: Адаптивные методы позволяют учесть различную информационную ценность уровней ряда, что используется при краткосрочном прогнозировании, характерном для сельскохозяйственного производства с ярко выраженной цикличностью. Процедура адаптации итеративно осуществляется для каждой новой точки исследуемого ВР, обеспечивая моделирование тенденции развития в каждый момент времени.

Abstract: Adaptive methods allow to consider various information value of levels of a number that is used at short-term forecasting, characteristic for an agricultural production with strongly pronounced recurrence. Adaptation procedure it is iterative it is carried out for each new point investigated ВР, providing modelling of the tendency of development during each moment of time.

Ключевые слова: прогнозирование, урожайность, эконометрика

Keywords: forecasting, productivity, econometric

 

Прогнозирование урожайности зерновых культур, в частности в условиях Нижнего Поволжья, характеризующегося острозасушливым климатом, является достаточно сложной эконометрической проблемой, поскольку определяющее влияние на формирование урожая оказывают эндогенные природно-климатические факторы, трудно поддающиеся моделированию. Использование для прогнозирования урожайности таких современных инструментальных методов, как фрактальный анализ [1], визуализация фазовых портретов [2], клеточных автоматов [3] требует специального программного обеспечения и не всегда приводит к удовлетворительным численным значениям получаемых прогнозов.

Адаптивные методы прогнозирования широко применяются в эконометрических исследованиях благодаря относительно доступным алгоритмам и легкости реализации на ПЭВМ. При этом основными проблемами их применения являются выбор подходящего для изучаемой предметной области метода, а также подбор численных значений соответствующих инструментальных параметров.

В качестве объекта моделирования в настоящей работе описан ВР урожайности зерновых культур по Волгоградской области за период 1976-2003 гг. (по данным областного комитета по статистике), характеризующийся существенной изменчивостью с величиной коэффициента вариации более 30%.

Выбор адаптивных методов обосновывался возможностью построения самокорректирующихся моделей, способных учитывать результаты прогноза, сделанного на предыдущем шаге [4]. При поступлении фактического значения показателя оценивается ошибка прогнозного значения и учитывается определенной процедурой корректировки модели. Адаптивные методы позволяют учесть различную информационную ценность уровней ряда, что используется при краткосрочном прогнозировании, характерном для сельскохозяйственного производства с ярко выраженной цикличностью. Процедура адаптации итеративно осуществляется для каждой новой точки исследуемого ВР, обеспечивая моделирование тенденции развития в каждый момент времени.

Реакцию модели на изменение динамики характеризует параметр адаптации α, обеспечивающий адекватное отображение тенденции при одновременной фильтрации случайных отклонений, что характерно для ВР урожайности в засушливой зоне Нижнего Поволжья.

Экспоненциальное сглаживание, являющееся разновидностью адаптивного подхода, основывалось на рекуррентной формуле

St = αyt +(1 - α ) St -1 ,

где St - значение моделируемого показателя в момент t ; α - параметр сглаживания, 0 < α < 1.

С уменьшением величины αдисперсия экспоненциальной средней сокращается, что увеличивает ее отличие от дисперсии исходного ВР, что обеспечивает фильтрующие свойства, частично поглощающие колебания последнего. Однако при этом снижается вес более свежих наблюдений, актуализирующий моделируемую тенденцию. Поиск компромиссного значения параметра сглаживания α определяет задачу параметрической оптимизации модели. При этом известные рекомендации выбора α в пределах 0,1-0,3 не всегда являются оптимальными.

Поиск компромиссного значения αосуществлялся методом перебора на сетке значений в интервале от 0 до 1 по критериям минимума как средней относительной погрешности, так и максимальной индивидуальной относительной погрешности.

В качестве начального значения S0 принималось обычное среднее по 5 точкам. Результаты расчета в среде Excel представлены на рисунке.

Следует отметить, что для этого метода средняя относительная погрешность составила 13,5%, что можно считать приемлемым. Однако максимальная относительная погрешность в 1984 и 1998 гг. значительно превысила 50%, что является недопустимым. Поэтому было решено использовать полиномиальные адаптивные модели, позволяющие снизить систематические ошибки.

В качестве модели упомянутого класса была выбрана двухпараметрическая модель Ч. Хольта вида

ýτ â ( t ) = â 1, t + â 2, t ·T,

где, â 1, t и â 2, t - текущие оценки коэффициентов; T – время упреждения прогноза.

Рекуррентные выражения для пересчета текущих оценок коэффициентов принимались следующие:

â 1, t = α1 у t + (1-α1 ) (â 1, t -1 + â 2, t -1)

â 2, t = α2 (â 1, tâ 1, t -1 ) + (1-α2 ) â 2, t -1

3_002

Рис. Экспоненциальное сглаживание ВР урожайности зерновых

Модель Р. Брауна является частным случаем модели (2) с учетом (3) с единственным параметром ? , играющим роль коэффициента дисконтирования наблюдений. В то же время наличие в (3) двух параметров α1 и α 2 на наш взгляд расширяет возможность настройки модели на конкретный ВР.

Использование трехпараметрической модели Дж.Бокса и Г.Дженкинса по мнению [4] не дает ощутимых преимуществ в точности.

Результаты расчетов также приведены на представленной диаграмме. Путем перебора возможных комбинаций α1 и α2 с шагом 0,1 были определены оптимальные значения этих параметров по критерию минимизации средней относительной погрешности, которая составила 11,7% при α1 = 0,7 и α2 = 0,3.

При некотором снижении средней относительной погрешности следует отметить существенное снижением наибольшей индивидуальной относительной погрешности до 30% (1996г.), что почти в два раза лучше, чем в описанном методе экспоненциального сглаживания.

Таким образом, для предварительной оценки краткосрочного прогноза урожайности в условиях засушливого климата может быть рекомендована двухпараметрическая модель Ч.Хольта (2), которая по критерию наибольшей индивидуальной относительной погрешности предпочтительнее, чем модель экспоненциального сглаживания. Однако полученная точность модели (2) всё же является недостаточной для окончательной численной оценки прогноза урожайности сельскохозяйственных культур, в частности зерновых в засушливых природно-климатических условиях Нижнего Поволжья. Это предполагает применение и исследование более сложных моделей, например адаптации с помощью трэкинг-сигнала, адаптивного учета сезонных колебаний, а также с учетом авторегрессии и проинтегрированного скользящего среднего [4]. Рассмотренный подход дает удовлетворительные результаты при прогнозировании урожайности на достаточно больших территориальных образований в пределах сельскохозяйственных районов, областей, краев и Федеральных округов.

Для уровня отдельных хозяйств (отделений, полей) урожайность посевов возделываемых сельскохозяйственных культур существенно дифференцирована в зависимости от сортов, норм высева, почвенно-климатических условий и таких гидрометеорологических условий, как суммы положительных температур от посева до прекращения вегетации и гидротермического коэффициента Г.Т.Селянинова, более приемлемым является подход на основе детерминированного описания взаимодействия перечисленных факторов.

Литература

  1. Петерс Э. Хаос и порядок на рынках капитала: Новый аналитический взгляд на циклы, цены и изменчивость рынка. – М.: МИР, 2000. – 333 с.
  2. Винтизенко И.Г. Детерминированное прогнозирование в экономических системах / Труды III междунар. конф. «Новые технологии в управлении, бизнесе и праве». – Невинномысск: Изд-во ИУБП. – С.30-37.
  3. Перепелица В.А., Попова Е.В. Математическое моделирование экономических и социальных рисков. – Ростов н/Д.: Изд-во Рост. ун-та. – 2001. – 126 с.
  4. Дуброва Т. А. Статистические методы прогнозирования. – М.: ЮНИТИ-ДАНА, 2003. – 206 с.

  vakperechen

ОБНОВЛЕННЫЙ СПИСОК ВАК 2016 г.
ОТ 19.04.2016  >> ПРОСМОТРЕТЬ
tass
 
ПО ВОПРОСАМ ПУБЛИКАЦИИ СТАТЕЙ И СОТРУДНИЧЕСТВА ОБРАЩАЙТЕСЬ:
skype SKYPE: vak-uecs
e-mail
MAIL: info@uecs.ru
phone
+7 (928) 340 99 00
 

АРХИВ НОМЕРОВ

(01) УЭкС, 1/2005
(02) УЭкС, 2/2005
(03) УЭкС, 3/2005
(04) УЭкС, 4/2005
(05) УЭкС, 1/2006
(06) УЭкС, 2/2006
(07) УЭкС, 3/2006
(08) УЭкС, 4/2006
(09) УЭкС, 1/2007
(10) УЭкС, 2/2007
(11) УЭкС, 3/2007
(12) УЭкС, 4/2007
(13) УЭкС, 1/2008
(14) УЭкС, 2/2008
(15) УЭкС, 3/2008
(16) УЭкС, 4/2008
(17) УЭкС, 1/2009
(18) УЭкС, 2/2009
(19) УЭкС, 3/2009
(20) УЭкС, 4/2009
(21) УЭкС, 1/2010
(22) УЭкС, 2/2010
(23) УЭкС, 3/2010
(24) УЭкС, 4/2010
(25) УЭкС, 1/2011
(26) УЭкС, 2/2011
(27) УЭкС, 3/2011
(28) УЭкС, 4/2011
(29) УЭкС, 5/2011
(30) УЭкС, 6/2011
(31) УЭкС, 7/2011
(32) УЭкС, 8/2011
(33) УЭкС, 9/2011
(34) УЭкС, 10/2011
(35) УЭкС, 11/2011
(36) УЭкС, 12/2011
(37) УЭкС, 1/2012
(38) УЭкС, 2/2012
(39) УЭкС, 3/2012
(40) УЭкС, 4/2012
(41) УЭкС, 5/2012
(42) УЭкС, 6/2012
(43) УЭкС, 7/2012
(44) УЭкС, 8/2012
(45) УЭкС, 9/2012
(46) УЭкС, 10/2012
(47) УЭкС, 11/2012
(48) УЭкС, 12/2012
(49) УЭкС, 1/2013
(50) УЭкС, 2/2013
(51) УЭкС, 3/2013
(52) УЭкС, 4/2013
(53) УЭкС, 5/2013
(54) УЭкС, 6/2013
(55) УЭкС, 7/2013
(56) УЭкС, 8/2013
(57) УЭкС, 9/2013
(58) УЭкС, 10/2013
(59) УЭкС, 11/2013
(60) УЭкС, 12/2013
(61) УЭкС, 1/2014
(62) УЭкС, 2/2014
(63) УЭкС, 3/2014
(64) УЭкС, 4/2014
(65) УЭкС, 5/2014
(66) УЭкС, 6/2014
(67) УЭкС, 7/2014
(68) УЭкС, 8/2014
(69) УЭкС, 9/2014
(70) УЭкС, 10/2014
(71) УЭкС, 11/2014
(72) УЭкС, 12/2014
(73) УЭкС, 1/2015
(74) УЭкС, 2/2015
(75) УЭкС, 3/2015
(76) УЭкС, 4/2015
(77) УЭкС, 5/2015
(78) УЭкС, 6/2015
(79) УЭкС, 7/2015
(80) УЭкС, 8/2015
(81) УЭкС, 9/2015
(82) УЭкС, 10/2015
(83) УЭкС, 11/2015
(84) УЭкС, 11(2)/2015
(85) УЭкС,3/2016
(86) УЭкС, 4/2016
(87) УЭкС, 5/2016
(88) УЭкС, 6/2016
(89) УЭкС, 7/2016
(90) УЭкС, 8/2016
(91) УЭкС, 9/2016
(92) УЭкС, 10/2016
(93) УЭкС, 11/2016
(94) УЭкС, 12/2016
(95) УЭкС, 1/2017

№ регистрации СМИ: ЭЛ №ФС77-35217 от 06.02.2009 г.   ISSN: 1999-4516