Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "prognozowania" wg kryterium: Temat

  Lista filtrów

Dostawca treści

Podbaza

Wyrównaj
Wyświetlanie 1-15 z 36
Tytuł:
Kryteria wyboru dynamicznych modeli czynnikowych dla celów prognostycznych
Selection Criteria for Forecasting Dynamic Factor Models
Autorzy:
Acedański, Jan
Powiązania:
https://bibliotekanauki.pl/articles/589725.pdf
Data publikacji:
2013
Wydawca:
Uniwersytet Ekonomiczny w Katowicach
Tematy:
Metody prognozowania
Modele autoregresji
Modele ekonometryczne
Prognozowanie makroekonomiczne
Macroeconomic forecasting, Forecasting methods, Autoregression models, Econometric models
Opis:
The paper compares three groups of methods used for best dynamic factor model selection for forecasting: modified information criteria, methods exclusively based on ex post forecasts analysis and mixed algorithms. It searches for the approach that delivers best out-of-sample forecasts according to mean square error measure. The analysis utilizes both Monte Carlo generated samples as well as real time series used for forecasting consumer inflation in Poland. Results show that best forecasts are obtained from the modified information criteria proposed by Groen and Kapetanios, whereas the methods that employ ex post forecasts from rolling windows usually give the worst predictions.
Źródło:
Studia Ekonomiczne; 2013, 124; 193-216
2083-8611
Pojawia się w:
Studia Ekonomiczne
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Diagnostyka i prognozowanie stanu węzła łożyskowego układu biegowego pojazdu szynowego
Diagnostics and prediction of bearing node condition of the rail vehicle running system
Autorzy:
Antkowiak, Tomasz
Powiązania:
https://bibliotekanauki.pl/articles/34656094.pdf
Data publikacji:
2012
Wydawca:
Sieć Badawcza Łukasiewicz - Poznański Instytut Technologiczny
Tematy:
klasyfikacja badań diagnostycznych
metody prognozowania stanu maszyn
węzeł maźniczy
układ biegowy
węzeł łożyska
pojazd szynowy
Opis:
W artykule przedstawiono klasyfikację badań diagnostycznych oraz opisano podstawowe metody prognozowania stanu maszyn. Przedstawiono charakterystykę węzła maźnicznego układu biegowego z wyszczególnieniem elementów składowych. Zaprezentowano kryteria m.in. temperaturowe, fizyko-chemiczne oraz eksploatacyjne łożysk oraz maźnic pojazdów trakcyjnych. Artykuł został opracowany w ramach projektu badawczo-rozwojowego Nr 10 00 4806 pt. "Mikroprocesorowy system diagnostyczny głównych systemów trakcyjnego pojazdu szynowego uwzględniający ocenę bieżącą i prognozowanie stanów", finansowanego z budżetu Ministerstwa Nauki i Szkolnictwa Wyższego.
The classification of diagnostic tests is presented in this article and the basic methods of prediction of the devices conditions are also described. The characteristics of axlebox node of the running system with detailing the components is presented The criteria including temperature, physico-chemical and performance of bearings and axleboxes of traction vehicles are also presented. This article was developed within the research and development project No. 10 00 4806 entitled. "Microprocessor diagnostic system of the main systems of traction rail vehicle taking into account the current assessment and prediction of conditions" financed from the budget of the Ministry of Science and Higher Education.
Źródło:
Rail Vehicles/Pojazdy Szynowe; 2012, 2; 53-63
0138-0370
2719-9630
Pojawia się w:
Rail Vehicles/Pojazdy Szynowe
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Flood forecasting and disaster risk management – a case study of Danube river
Prognozowanie powodzi i zarządzanie ryzykiem katastrofy studium przypadku rzeki Dunaj
Autorzy:
Balatonyi, Laszlo
Zwęgliński, Tomasz
Powiązania:
https://bibliotekanauki.pl/articles/1955738.pdf
Data publikacji:
2021
Wydawca:
Szkoła Główna Służby Pożarniczej
Tematy:
Danube river basin
Danube
Hydrological Information System
flood forecasting
ice forecasting systems
forecasting systems
macro-regional strategy
environmental risks
priority area
Dorzecze Dunaju
Dunaj
system informacji hydrologicznej
prognozowanie powodzi
systemy prognozowania zamarzania
systemy prognozowania
strategia makroregionalna
zagrożenia dla środowiska
obszar priorytetowy
Opis:
The Danube and its tributaries have been crossing mountains and plains in their almost unchanged riverbeds for thousands of years, regardless of national and administrative boundaries. Nevertheless, even decades ago, several countries provided access to only limited data and information concerning the water level and flood protection status of their rivers. In recent years, information was exchanged mainly on the basis of bilateral agreements and on successful activities of basin-wide organizations, but for others, information could only be obtained by browsing the Internet, which is sometimes rather complicated and definitely time-consuming. The EU Strategy for the Danube Region Environmental Risks Priority Area initiated a project aimed at developing the Danube Hydrological Information System, which was supported by the International Commission for the Protection of the Danube River. A comprehensive overview of the complex national flood and ice forecasting systems, identification of the shortcomings of the existing forecasting practices as well as an improvement of the exchange and availability of hydrological and meteorological data between the involved countries constituted crucial fields of interests for the project. Hence the main aim of the article is to present and discuss key data and functionalities of the system. The key findings show that all authorized meteorological and hydrological data of the Danube River are stored in a central database and made available online to all licensed hydrological and flood protection institutions for further processing in virtually real time. At this moment 12 countries of the Danube have joined forces to work out the proposals that are essential for the future, for safer Danube.
Dunaj i jego dopływy przecinają góry i równiny w swoich prawie niezmienionych korytach od tysięcy lat, nie zważając na granice państwowe i administracyjne. Mimo to jeszcze kilkadziesiąt lat temu kilka krajów udostępniało jedynie ograniczone dane i informacje na temat poziomu wód i stanu ochrony przeciwpowodziowej swoich rzek. W ostatnich latach informacje przekazywane były głównie na podstawie umów dwustronnych i pomyślnie realizowanych działań organizacji działających w całym dorzeczu, ale dla innych informacje można było uzyskać jedynie poprzez przeglądanie Internetu, czasem w dość skomplikowany sposób i z pewnością wymagający czasu. Strategia UE dla Obszaru Priorytetowego Ryzyko Środowiskowe Regionu Dunaju zainicjowała projekt mający na celu rozwój Systemu Informacji Hydrologicznej Dunaju, który był wspierany przez Międzynarodową Komisję Ochrony Rzeki Dunaj. Kompleksowy przegląd złożonych krajowych systemów prognozowania powodzi i oblodzenia, identyfikacja braków w istniejących praktykach prognozowania, jak również poprawa wymiany i dostępności danych hydrologicznych i meteorologicznych pomiędzy krajami uczestniczącymi w projekcie stanowiły kluczowe obszary zainteresowania projektu. Dlatego też głównym celem artykułu jest przedstawienie i omówienie kluczowych danych i funkcjonalności systemu. Z najważniejszych ustaleń wynika, że wszystkie autoryzowane dane meteorologiczne i hydrologiczne dotyczące rzeki Dunaj są przechowywane w centralnej bazie danych i udostępniane online wszystkim licencjonowanym instytucjom hydrologicznym i ochrony przeciwpowodziowej do dalszego przetwarzania w czasie praktycznie rzeczywistym. W tej chwili 12 krajów naddunajskich połączyło siły, aby wypracować propozycje, które są niezbędne dla przyszłości, dla bezpieczniejszego Dunaju.
Źródło:
Zeszyty Naukowe SGSP / Szkoła Główna Służby Pożarniczej; 2021, 1, 80; 109-124
0239-5223
Pojawia się w:
Zeszyty Naukowe SGSP / Szkoła Główna Służby Pożarniczej
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Wykorzystanie sztucznych sieci neuronowych do prognozowania wyników meczów piłkarskich
Using artificial neural networks to predict the results of football matches
Autorzy:
BARTMAN, Jacek
BAJDA, Konrad
Powiązania:
https://bibliotekanauki.pl/articles/456764.pdf
Data publikacji:
2014
Wydawca:
Uniwersytet Rzeszowski
Tematy:
Sztuczne Sieci Neuronowe
prognozowania
Artificial Neural Networks
prediction
Opis:
W pracy zaprezentowano koncepcję wykorzystania Sztucznych Sieci Neuronowych do prognozowania wyników meczów. Przedstawiono architekturę sieci oraz skuteczność realizowanych przez nią prognoz. Uzyskane wyniki zestawiono z wynikami otrzymanymi przy wykorzystaniu innych metod.
The paper presents the concept of using Artificial Neural Networks to predict the results of football matches. Autors presents the architecture of the network and the effectiveness of the implementation by the forecasts. The results were compared with results obtained using other methods
Źródło:
Edukacja-Technika-Informatyka; 2014, 5, 2; 425-431
2080-9069
Pojawia się w:
Edukacja-Technika-Informatyka
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
DLACZEGO PROGNOZY EKONOMICZNE SĄ NIETRAFNE?
Autorzy:
Beata, Bazeli,
Powiązania:
https://bibliotekanauki.pl/articles/898128.pdf
Data publikacji:
2018-12-11
Wydawca:
Kujawsko-Pomorska Szkoła Wyższa w Bydgoszczy
Tematy:
prognozowanie
prognoza
metody prognozowania
trafność prognozy
Opis:
Przewidywanie przyszłości jest niezbędnym elementem w przygotowaniu ludzkiego działania, a jedną z form przewidywania przyszłości jest prognozowanie. Metodologia prognozowania zjawisk ekonomicznych jest bardzo bogata i nadzwyczaj trudna warsztatowo i dlatego istnieje wiele metod prognozowania. W artykule omówione zostały warunki, w których można wyznaczyć mniej lub bardziej trafne prognozy przyszłego stanu. Celem opracowania jest wskazanie głównych przyczyn zawodności prognoz przy jednoczesnym podkreśleniu konieczności ich opracowywania. Możliwość dowiedzenia się, co nas czeka w przyszłości, jest bardzo kusząca. Gdyby kryło się w niej jakieś niebezpieczeństwo, można by spróbować mu zapobiec albo przynajmniej przygotować się na nie. Jeśliby zaś przyszłość okazała się pomyślna, oczekiwałoby się jej w spokoju. W każdym przypadku, umiejętność przewidywania zmniejsza niepewność i ryzyko związane z przyszłością. Dotyczy to również zjawisk gospodarczych. Niepewność towarzyszy każdej działalności gospodarczej, zarówno w skali mikroekonomicznej, jak i makroekonomicznej. W literaturze często wyróżnia się niepewność behawioralną i niepewność egzogeniczną1. Pierwszy rodzaj związany jest z zachowaniem się uczestników życia gospodarczego, drugi natomiast dotyczy tzw. „stanu natury”. Można powiedzieć, że w przypadku niepewności behawioralnej prawdopodobieństwo pojawienia się danego zdarzenia jest zależne od indywidualnego zachowania się jednostki i nie jest niezmienne w czasie. Poprzez wymianę informacji, umowy handlowe itp. można zredukować rozmiary tego rodzaju niepewności. W przypadku niepewności egzogenicznej na prawdopodobieństwo pojawienia się zdarzenia nie ma wpływu decyzja jednostki. Należy podkreślić, że pojęcia przewidywanie przeszłości nie powinno się rozumieć identycznie jak pojęcia prognozowanie. Są ze sobą powiązane jednak nie są tożsame. Prognozowanie jest jedną z form przewidywania przyszłości. Jest to przewidywanie przyszłych faktów, zjawisk czy zdarzeń na podstawie uzasadnionych przesłanek ustalonych w toku badań naukowych. Jeśli jest ono wykonywane za pomocą metod naukowych i jeśli dotyczy ono zdarzeń związanych z gospodarowaniem, nazywa się je, na ogół, prognozowaniem gospodarczym. Definicja prognozowania jednoznacznie wskazuje, że jest to działanie mające na celu przewidywanie przyszłości z wykorzystaniem dorobku nauki. Wynikiem tego działania jest prognoza2 . Użytkownicy prognozy (zwłaszcza gospodarczej) wymagają, aby przedstawione im prognozy były uzasadnione, a najlepiej uzasadnione naukowo. Zainteresowanie przyszłością w działalności ludzkiej występowało zawsze i ma ono charakter powszechny. Stopień tego zainteresowania bardzo wzrósł w ostatnim okresie. Główną tego przyczyną jest fakt, iż przewidywanie przyszłości jest niezbędnym elementem w przygotowaniu ludzkiego działania. Nie można gospodarować racjonalnie bez konstrukcji prognozy. Jest ona niezbędna zarówno rządowi, politykowi gospodarczemu, samorządowi lokalnemu, producentowi, menedżerom, jak i zwykłemu człowiekowi, który musi w konkretnych warunkach podjąć decyzję wyboru jednej ze stojących do dyspozycji możliwości. Ich znaczenie wzrasta szczególnie w sytuacjach wymagających częstego podejmowania decyzji, które najczęściej dotyczą dalszej lub bliższej przyszłości. Główną trudnością, która się wówczas pojawia, to całkowity brak danych na temat przyszłych stanów różnych procesów i zjawisk w momencie ustalania decyzji. A zatem nie istnieje możliwość ustalenia jednoznacznej miary korzyści płynących z podejmowanych decyzji. Prognozy mogą być zatem konstruowane w celu dostarczania tych dodatkowych informacji zmniejszających lukę informacyjną, a tym samym mogą przyczynić się do zmniejszania ryzyka związanego z podejmowanymi decyzjami i ułatwianie ich podjęcia. W celu zachowania racjonalności podejmowanych decyzji makroekonomicznych należy podejmować próby konstrukcji prognoz, np. określenia poziomów liczbowych takich wielkości jak: inflacja, stopa procentowa, stopa bezrobocia, PKB, płaca, cena itp. Prawidłowy proces prognozowania tych wielkości wymaga uwzględniania szeregu czynników wpływających na nie, czyli m. in.: liczbę ludności, skłonność do konsumpcji, oszczędzania, poziom tych wielkości, wrażliwość indywidualnych konsumentów i podmiotów gospodarczych. Na otoczenie makroekonomiczne składają się zatem: prognozy demograficzne, ekonomiczne, naturalne, technologiczne, polityczno-prawne i społeczno-kulturowe. Zarządzanie gospodarką narodową łączy się z konstrukcją prognoz zarówno wielkości przyszłych dochodów państwa, jak i wydatków. Ze sporządzanych prognoz wynika również konieczność podejmowania określonych działań celem uniknięcia występowania niekorzystnych sytuacji, czy też zmniejszenia ich skutków, ale również celem przyśpieszenia przebiegu pożądanego procesu. Prognozy te są również podstawą sporządzania planów gospodarczych dotyczących polityki państwa: fiskalnej, monetarnej, czy też odnośnie działań na rynku pracy itp. A zatem decyzje oparte na zupełnie nietrafnych prognozach mogą okazać się katastrofalne w skutkach. W gospodarce rynkowej decyzje dotyczące rodzaju i wielkości działalności, wyboru rynków zaopatrzenia i zbytu, cen sprzedaży, technologii itp. podejmuje samodzielny podmiot gospodarczy-przedsiębiorstwo. Prowadzenie działalności gospodarczej w ramach systemu ekonomicznego wymaga opanowania trudnej sztuki podejmowania trafnych decyzji. Decyzje te są określane na podstawie antycypowanych, przyszłych sytuacji, a ich skutki ujawniają się po pewnym czasie od ich wdrożenia. W procesie podejmowania decyzji przyszłość jest więc brana pod uwagę ze względu zarówno na warunki, w jakich będzie realizowana. Potrzeba prognozowania występuje w każdym przedsiębiorstwie, bez względu na to, czy zajmuje się działalnością wytwórczą, usługową czy handlową. Prognozy są zatem częścią systemu wspomagania decyzji menedżerskich i są stosowane w zdecydowanej większości przedsiębiorstw. Współczesne, szybko zmieniające się i konkurencyjne warunki funkcjonowania przedsiębiorstw w gospodarce rynkowej powodują, że decydującego znaczenia w ich efektywnym zarządzaniu nabiera informacja zorientowana na przyszłość. Jedną z najważniejszych umiejętności współczesnego menedżera powinna być zdolność do wykorzystania dostępnych mu danych do sporządzania prognoz i przewidywania przyszłego kierunku rozwoju zjawisk ekonomicznych. Im menedżerowie bardziej precyzyjnie zrozumieją czego należy oczekiwać w przyszłości, tym bardziej będą wykorzystywać pojawiające się szanse i tym skuteczniej unikać zagrożeń. Nowoczesny proces zarządzania i podejmowania decyzji wymaga opracowania obiektywnych rozwiązań, które uzyskiwane są na podstawie wiarygodnych informacji i reprezentatywnych danych. Złożoność problemów zarządzania oraz szybki rozwój produkcji, dystrybucji i transportu implikuje konieczność coraz szerszego stosowania naukowych metod pozwalających na racjonalizację i optymalizację gospodarowania w wielu obszarach działalności. Bez stosowania metod naukowych rozwój nowoczesnego i efektywnego zarządzania jest obecnie niemożliwy. Za pomocą metod prognozowania można uzyskiwać zbiory informacji prognostycznych, dzięki którym współczesny człowiek ma możliwość wyeliminowania niekorzystnych, a czasami wręcz szkodliwych, przedsięwzięć w różnych obszarach swojej działalności. Aby podejmować racjonalne decyzje i stymulować rozwój interesujących nas zjawisk gospodarczych trzeba posiadać umiejętność przewidywania procesów rozwojowych tych zjawisk. Zagadnienia prognostyczne stosowane są zarówno w problemach poznawczych, jak i decyzyjnych. Należy wyraźnie podkreślić, że w podejmowaniu decyzji ważnym okazuje się, poza świadomością korzyści płynących z prognozowania, znajomość jego ograniczeń. Termin „prognoza” wywodzi się od greckiego prognosis i oznacza przewidywanie na podstawie określonych danych. W greckim źródłosłowie pojęcia „pro- -gnoza” można wyróżnić dwa człony: przedrostek pro oraz gnosis. Przedrostek wskazuje na wstępną, przygotowawczą fazę, a określenie gnosis oznacza wiedzę o czymś, co jeszcze nie nastąpiło. Prognozę należy zatem odróżnić od wróżby, przypuszczenia, wizji, przepowiedni, itp. Na gruncie prognozowania sformułowano różnorodne definicje prognozy. Oto dwa kontrastujące ze sobą ujęcia: Z. Czerwiński uważa, że: „Przez prognozę rozumiemy sąd o zajściu określonego zdarzenia w czasie określonym z dokładnością co do momentu (punktu) lub okresu (przedziału) czasu, należącego do przyszłości”3 . Z. Hellwig podaje zaś taką definicję: „Prognozą statystyczną nazywać będziemy każdy sąd, którego prawdziwość jest zdarzeniem losowym, przy czym prawdopodobieństwo tego zdarzenia jest znane i wystarczająco duże dla celów praktycznych”4 . Powyższe definicje są jednymi z wielu definicji. Jest to uwarunkowane różnorodnością sytuacji prognostycznych, celów i metod badań. Zdaniem M. Cieślak5 , prognoza to sąd charakteryzujący się następującymi właściwościami: ■ jest sformułowany z wykorzystaniem dorobku nauki,
■ odnosi się do określonej przyszłości, jest weryfikowany empirycznie, tzn. jest sformułowany precyzyjnie i możliwy do sprawdzenia,

■ jest niepewny, ale akceptowany.
Prognoza służy wspomaganiu procesów decyzyjnych. W związku z tym wyróżnia się trzy podstawowe funkcje prognoz6 : 1. preparacyjną,
2. aktywizującą,

3. informacyjną.
Preparacyjna funkcja prognoz wynika z tego, że jest ona działaniem, które przygotowuje inne działania podejmowane przez decydenta (pojedynczego człowieka, grupę osób, podmiot gospodarczy lub instytucję). Decydent opierając się na sformułowanej przez prognostę prognozie jest w stanie postępować racjonalnie wtedy, kiedy będzie miał do niej zaufanie. Aktywizująca funkcja prognoz polega na pobudzaniu do podejmowania działań sprzyjających realizacji prognozy zapowiadającej korzystne zdarzenia oraz przeciwstawiającej się jej spełnieniu, jeśli przewidywane zdarzenia są oceniane negatywnie (np. prognoza spadku sprzedaży w firmie, czy wzrostu udziału produktów nie odpowiadających normom jakościowym). Informacyjna funkcja prognoz związana jest z oswajaniem społeczeństwa z nadchodzącymi zmianami i zmniejszaniem lęku przed przyszłością. Taką rolę odgrywały w przeszłości proroctwa przepowiadające, np. pomór bydła czy suszę. Ogłoszenie niektórych prognoz może wywołać opanowane reakcje na zmiany, a nawet pełną ich akceptację. Oprócz wymienionych trzech podstawowych, wyróżnia się również funkcje pomocnicze prognoz, a mianowicie7 : ■ funkcję argumentacyjną – prognoza dostarcza decydentom argumentów ułatwiających podejmowanie takich, a nie innych decyzji;
■ funkcję doradczą – prognoza przygotowuje odpowiednie informacje odnoszące się do zjawisk będących przedmiotem procesu decyzyjnego;

■ funkcję mediacyjną – prognoza jest pomocna przy określaniu cen transakcyjnych (np. w procesie kupna-sprzedaży działki budowlanej).
Szeroka tematyka prognozowania oraz formy sporządzanych prognoz wymagają ich usystematyzowania (klasyfikacji). Przy klasyfikacji prognoz wykorzystuje się różne kryteria. Najczęstszą przesłanką klasyfikacji prognoz jest horyzont czasowy, tj. okres, na który zostały one zbudowane. Ze względu na to kryterium wyróżnia się prognozy: krótkookresowe, średniookresowe i długookresowe. Z horyzontem czasowym wiąże się również podział na prognozy operacyjne i strategiczne. Ze względu na charakter czy strukturę prognoz dzielimy je na: prognozy proste i złożone. Ze względu na charakter lub strukturę prognoz, dzieli się je również na ilościowe oraz jakościowe. Kryterium charakteru lub struktury prognoz pozwala na ich podział na jednorazowe i powtarzalne. Prognozy dzielimy również na kompleksowe i sekwencyjne, na samosprawdzające się i destruktywne, na realistyczne i badawcze (w tym ostrzegawcze), prognozy zmiennych sterowalnych i nie sterowalnych itd.8 Prognozy dotyczące zjawisk ekonomiczno-społecznych są zwykle budowane przy wykorzystaniu opinii ekspertów lub modeli, które najlepiej – według określonego kryterium – opisują analizowane zagadnienie. Prognoza jest efektem prognozowania, które jest metodą przewidywania przyszłości. Prognozowanie jest mniej lub bardziej trafne w zależności od wybranej metodologii, przyjętych założeń, celu badania, ilości zmiennych, okresu na podstawie którego prognozujemy oraz okresu na jaki tworzymy prognozę. Dlatego istnieje wiele metod prognozowania. W literaturze przedmiotu brak jest jednoznacznego podziału metod prognozowania9 . Wynika to z faktu, że istnienie wielu złożonych metod prognostycznych i kryteriów ich klasyfikacji utrudnia jednoznaczne zakwalifikowanie poszczególnych metod do określonej grupy. Jedną z najczęściej stosowanych klasyfikacji metod jest ich podział na ilościowe i jakościowe. Metody jakościowe są oparte na sądach, opiniach czy oczekiwaniach. Istotne jest to, że nie jest budowany w tym przypadku model formalny (o charakterze statystyczno-ekonometrycznym). Stanowią one niejako zaprzeczenie podejścia ilościowego do prognozowania. Inną z klasyfikacji metod prognozowania, do której w literaturze jest dużo odwołań, jest podział zaproponowany przez A. Zeliasia10 na metody statystyczno-matematyczne i niematematyczne. W praktyce jest to zbieżne z podziałem na metody ilościowe i jakościowe. Takie klasyfikacje mogą sugerować, że do prognozowania wykorzystuje się jedną z metod, a tak naprawdę nigdy tak nie jest. Przewidywaniem zajmują się praktycznie zawsze eksperci, którzy wykorzystują swoją wiedzę, doświadczenie i intuicję. Mogą oni wykorzystywać m.in. modele matematyczne, statystyczne lub ekonometryczne. W praktyce, w zależności od tego, czy w konkretnym przypadku przeważa modelowanie matematyczne, statystyczne lub ekonometryczne, czy też wiedza, doświadczenie i intuicja eksperta (ekspertów), mówi się o przewidywaniu metodami matematycznymi (ilościowymi) (tj. na podstawie modeli matematycznych, statystycznych lub ekonometrycznych), bądź niematematycznymi, jakościowymi (ekspertologicznymi, heurystycznymi). Metody te w dużej mierze nakładają się na siebie. Powszechnie wiadomo, że eksperci w dużej mierze korzystają z modeli matematycznych, statystycznych lub ekonometrycznych. Z drugiej strony, wiedza, doświadczenie i intuicja ekspertów są niezbędne do wyboru: celu, przedmiotu i okresu badania, zmiennych objaśniających oraz modelu (matematycznego, statystycznego albo ekonometrycznego) przewidywania. Dlatego w praktyce zwykle stosuje się określoną mieszankę metod. Podział na przewidywanie heurystyczne oraz na podstawie modeli matematycznych, statystycznych i ekonometrycznych jest jednak bardzo wygodny, zwłaszcza z dydaktycznego punktu widzenia Metodologia prognozowania zjawisk ekonomicznych jest bardzo bogata i nadzwyczaj trudna warsztatowo. Obserwuje się wiele różnych podejść do tych samych problemów i często w wyniku zastosowania różnych metod otrzymuje się różne prognozy. Każdy prognostyk posługuje się pewną metodą, która także zależy od horyzontu prognozy, dostępności danych, łatwości użycia, łatwości interpretacji wyników oraz od kosztu tworzenia prognozy. Sama przez się narzuca się więc myśl, że trafność prognozy zależy od jakości metody prognozowania i podejścia prognostyka. Istnienie wielu złożonych metod prognostycznych i różny stopień „umiejętności” prognostyka wyklucza otrzymanie takich samych prognoz analizowanego zjawiska. Pomimo dość zaawansowanej metodologii prognozowania, nazbyt często nie udaje się przewidzieć tego, co czeka nas w bliższej lub dalszej przyszłości. Po pierwsze nie istnieją niezawodne metody prognozowania, po drugie zależą od wiedzy, doświadczenia i intuicji prognostyka. Sam fakt występowania różnych definicji i klasyfikacji prognoz, jak również istnienie wielu metod ich wyznaczania świadczy o niemożności wyznaczania jednakowo prawdopodobnych i trafnych prognoz. Wynikiem prognozowania jest prognoza, która w zależności od różnych czynników, w tym przede wszystkim jej wiarygodności, może zostać zaakceptowana lub nie. Niezależnie od tego, prognoza ta może zostać, po upływie momentu lub okresu, na który została zbudowana, zbadana pod względem trafności, co stanowi ocenę pojętej jej wąsko lub szeroko jakości. Analiza trafności prognoz (monitorowanie prognoz) jest również oceną samego działania jakim jest prognozowanie. Oceniając prognozę i prognozowanie często używa się pojęcia błędu prognozy ex ante i błędu prognozy ex post. Nie wchodząc w szczegóły, warto podkreślić, że właściwie tylko niewielka część prognoz może być uzupełniona przez błąd prognozy w momencie jej wyznaczenia (błąd ex ante). Są to głównie prognozy oparte na metodach ekonometrycznych. Dla zdecydowanej większości prognoz, w momencie ich wyznaczenia nie można wyznaczyć prawdopodobieństwa stawianej prognozy. Natomiast wszystkie prognozy mogą być zweryfikowane dopiero po zrealizowaniu się okresu prognozowanego (błędy ex post). Jednakże pomimo dość zaawansowanej metodologii prognozowania, nazbyt często nie udaje się przewidzieć tego, co czeka nas w bliższej lub dalszej przyszłości; błędy prognoz są zbyt duże. W związku z tym pojawia się pytanie: dlaczego prognozy społeczne (w tym ekonomiczne) są nietrafne. Z. Czerwiński podaje warunki, w których można wyznaczyć trafne i dokładne prognozy przyszłego stanu obiektu. Należą do nich11: ■ obiekt jest odizolowany od otoczenia,
■ istnieje prawo nauki obiektu, znane prognostykowi,

■ aktualny stan obiektu jest w pełni rozpoznawalny przez prognostyka.
Nie trzeba nikogo przekonywać, że żaden z warunków potrzebnych do istnienia niezawodnej metody prognozowania nie jest spełniony w sferze zjawisk ekonomicznych. Żaden obiekt ekonomiczny (zjawisko ekonomiczne) nie jest odizolowany od otoczenia. Brak uniwersalnych, niezmiennych w czasie praw, a także brak dokładnego rozpoznania aktualnego stanu obiektów ekonomicznych wyklucza istnienie niezawodnych metod prognozowania. Zdając sobie sprawę z niepewności prognoz, można zapytać czy w ogóle warto się nimi zajmować? Prognozy społeczne nie mogą eliminować niepewności co do przyszłego stanu świata; prognozy te są użyteczne, gdyż tą niepewność redukują. Warto jednak znać i zdawać sobie sprawę z ograniczeń. Do postawienia trafnej prognozy stanu obiektu potrzebna jest z jednej strony znajomość przeszłości obiektu i otoczenia, a z drugiej strony- znajomość powiązań między zmiennymi charakteryzującymi obiekt i otoczenie. Słabość prognozowania jest następstwem słabego rozeznania w powiązaniach między zmiennymi. Brak znajomości praw podobnych do praw przyrody zmusza prognostyków do uciekania się do „substytutów” tych praw, jakimi są modele. Trzeba podkreślić rolę teorii jako ważnego źródła wiedzy o prognozowanym zjawisku. W naukach społecznych zwykle istnieje kilka teorii tego samego zjawiska. Teorie te różnią się założeniami instytucjonalnymi, założeniami behawiorystycznymi, założeniami technicznymi. Określony zbiór założeń stanowi podstawę każdej teorii. Analizując różne teorie, można wybrać te z nich, które wydają się adekwatne do sytuacji prognostycznej oraz wybrać modele z nich wynikające. Występuje tu więc oczywisty związek między trafnością prognoz a rozpoznaniem obiektu tj. wiedzą o obiekcie, którą dysponuje prognostyk, w szczególności znajomością praw rządzących obiektem. Niestety osiągnięty poziom rozwoju nauk ekonomicznych wydaje się relatywnie niski, bo nie ma wypracowanej spójnej całościowej teorii. Świadczy o tym najlepiej rozrzut opinii panujący wśród ekonomistów odnośnie różnych kwestii np. ostatniego kryzysu finansowego. Obecny stan wiedzy ekonomicznej nie pozwala w pełni wyjaśnić tych kwestii, a zatem wykorzystanie tej wiedzy do ingerowania w rzeczywistość oraz do prognozowania tej rzeczywistości jest obciążone wieloma ryzykami, z czego nie wszyscy zdają sobie sprawę. Przyczynowe zależności w ekonomii charakteryzują się na ogół tym, że między zdarzeniem-przyczyną i zdarzeniem-skutkiem występuje pośrednie stadium w postaci ekonomicznej decyzji. Przy czym przyczyna wpływa najpierw na np. na konsumenta, producenta, inwestora podejmującego odpowiednią decyzję, której realizacja jest skutkiem. W ekonomii zazwyczaj mamy do czynienia z taką sytuacją, że pewien skutek jest wynikiem jednoczesnego oddziaływania większej liczby przyczyn. Biorąc pod uwagę fakt, że pomiędzy przyczyną i skutkiem występuje ekonomiczna decyzja jako etap pośredni, można te przyczyny ująć w następujących grupach12: przyczyny ekonomiczne,
■ przyczyny techniczno-przyrodniczo-ekologiczne,

■ przyczyny polityczne i światopoglądowe oraz związane z wykształceniem fachowym,
■ przyczyny psychologiczne.
Na te przyczyny reaguje decydent. Trzecia i czwarta grupa przyczyn różnicuje decydentów ze względu na ich reakcje na przyczyny grupy pierwszej i drugiej. Wiele przyczyn szczególnie z grupy trzeciej i czwartej, najczęściej pomija się w analizie. Teoria ekonomiczna podaje jedynie istotne czynniki zmian zjawiska ekonomicznego. Te czynniki nie mogą wyjaśnić zmian w sposób wyczerpujący, jak również nie pozwalają na przewidywanie zmian w przyszłości z zadowalającą dokładnością. Gdy chodzi o sferę zjawisk ekonomicznych istnieje brak praw naukowych tak dokładnych i bezwyjątkowych, jak prawa przyrody. Korzystanie z dorobku nauki nie gwarantuje więc „prawdziwego” odczytu rzeczywistości i co za tym idzie prawdziwego obrazu przyszłości. Za to ułatwia drogę do owej „prawdy” przez korzystanie ze wskazówek. Wśród przyczyn wpływających na zjawiska ekonomiczne wymienia się, między innymi, przyczyny polityczne i światopoglądowe. I właśnie zmieniająca się sytuacja polityczna często zmienia reguły gry ekonomicznej i przepisy prawno-finansowe. W procesie prognozowania wykorzystuje się dane o obiekcie dla którego sporządza się prognozę, oraz o obiektach stanowiących jego otoczenie. Zmiany zasad gospodarowania niszczą porównywalność tych danych liczbowych. W takich warunkach jest zrozumiałe, że budowa modeli prognostycznych jest zadaniem trudnym, niewdzięcznym i ryzykownym. Powszechnie jednak wiadomo, że prognozy jednych zjawisk gospodarczych okazują się być obarczone niewielkimi błędami, innych zaś-znacznie większymi. Wynika to z faktu, że niektóre zjawiska ekonomiczne są w różnym stopniu sterowane, czyli zależne od decydenta, a niektóre temu nie podlegają. Tylko prognozy zmiennych w pełni sterowanych byłyby bezbłędne, ponieważ ich stany byłyby wyznaczone mocą decyzji. W zagadnieniach społecznych, w tym gospodarczych, siła oddziaływania owych decyzji rzadko jest absolutna, zmienne sterowane zależą bowiem także od zmiennych nie sterowanych, na które decydent nie ma wpływu. Opracowuje się więc prognozy zarówno zmiennych nie sterowanych, jak i sterowanych. Trudność prognozowania w sferze zjawisk ekonomicznych bierze się także stąd, że obiekty gospodarcze nie są ani całkiem sterowane, ani całkiem automatyczne. Wyznaczając prognozę jednej zmiennej najczęściej opieramy się na przyszłych wartościach (prognozach) innych zmiennych, które wpływają na badaną zmienną. Powstaje więc łańcuch prognoz, gdzie trafność prognozy jednej zmiennej zależy od trafności prognoz innych zmiennych. Z uwagi na fakt, że rzadko ma się pewność do tego, jakie to będą wartości, nie chcąc ryzykować podania nietrafnej prognozy, można sformułować tzw. prognozę warunkową. Tak naprawdę, większość prognoz ekonomicznych ma właśnie charakter warunkowy. Jeżeli nie zostaną spełnione „warunki” (założenia) to formułowana prognoza okaże się nietrafna. Dlatego trzeba mieć na uwadze, iż duża część prognoz ma charakter warunkowy i że pozwala jedynie odpowiedzieć na pytanie: co będzie, jeśli? Nawet jednak najbardziej wiarygodna prognoza, dotycząca stabilnych i długotrwałych procesów ekonomicznych, nigdy nie jest i nie może być doskonała. Wynika to z dwóch przyczyn. Po pierwsze, ludzie dostosowują swoje działania do oczekiwań. Jeśli na przykład udałoby się przewidzieć, że za dwa miesiące nastąpi załamanie gospodarcze, to taka prognoza na pewno nie sprawdziłaby się. Jeśli prognoza byłaby wiarygodna, przedsiębiorcy zdążyliby dostosować się do sytuacji przede wszystkim poprzez zmniejszenie kosztów działalności: renegocjację umów o pracę, efektywniejsze wykorzystanie czynników produkcji bądź zastosowanie tańszej metody wytwarzania. W wyniku takiego postępowania załamanie gospodarcze zaczęłoby się wcześniej, miałoby łagodniejszy przebieg albo wręcz w ogóle nie byłoby zauważalne. W każdym przypadku wcześniejsza prognoza nie sprawdziłaby się. Tego typu prognozy często określa się jako prognozy ostrzegawcze, których zadaniem jest przewidywanie zdarzeń niekorzystnych dla odbiorców prognozy. Wówczas taka prognoza jest stymulatorem działań w stosunku do zmiennych sterowanych. Drugą z przyczyn niemożności doskonałego przewidywania jest to, że pewne wydarzenia, mające często decydujący wpływ na przyszłość, cechują się fundamentalną niepewnością. Dobry przykład stanowią wynalazki i odkrycia naukowe. Niektóre z nich, na przykład elektryczność, powodują rewolucyjne zmiany w funkcjonowaniu społeczeństw i kształcie gospodarki. Przewidzenie odkrycia byłoby jednak równoznaczne z jego dokonaniem. Trzeba się więc pogodzić z tym, że o przyszłości nigdy nie będziemy w stanie wiedzieć nic z absolutną pewnością. Prognozy społeczne (w tym gospodarcze) są zawsze niepewne, ale gdyby z nich zrezygnować, błędy w zachowaniu gospodarczym byłyby większe. Warto jednak pamiętać, że: ■ przyszły stan badanej zmiennej ekonomicznej jest wyznaczony przez przyszłe wartości innych zmiennych ekonomicznych i nieekonomicznych. Powstaje w ten sposób łańcuch prognoz, w którym jedne zawieszone są na drugich i trafność prognozy badanej zmiennej zależy od tego czy trafne były prognozy zmiennych objaśniających. Dlatego często prognoza jest jedynie słowem oczekiwań co do prawdopodobnego kierunku rozwoju, przy obecnym stanie wiedzy na temat wszystkich czynników wpływających na kierunek zmian i przy określonych założeniach co do polityki gospodarczej;
■ dodatkowym utrudnieniem prognozowania społecznego ( w tym gospodarczego) jest to, że sama prognoza stanowi zjawisko społeczne, które łącznie z innymi może oddziaływać na prognozowane zdarzenie;

■ im dłuższy horyzont prognozy, tym więcej założeń musi przyjąć prognozujący. Generalnie więc, im dłuższa prognoza, tym bardziej jest ona niepewna;
■ prognozy są często „skażone” osobistymi poglądami tego, kto ich dokonuje. Każdy prognostyk posługuje się pewną metodą, a więc pewnym systematycznym sposobem postępowania (w tym modelem), prowadzącym do postawionego sobie celu, którym jest prognoza. Same modele nie zawsze wystarczą do postawienia prognozy, gdyż prognoza, najczęściej makroekonomiczna, bazuje na połączeniu rezultatów z modelu ekonometrycznego i wiedzy eksperckiej (prognosty). Często zresztą operuje się prognozami eksperckimi, które w ogóle nie są oparte na żadnym modelu, a jedynie na wiedzy i intuicji eksperta.
■ nietrafna prognoza może być wynikiem nadużywania metod ekonometrycznych przez ludzi, którzy ani nie zgłębili ich istoty, ani też nie potrafią ich poprawnie stosować. Używają oni niewłaściwych modeli, przyjmując nieprawidłowe założenia dotyczące zmiennych egzogenicznych;

■ mimo wszelkich postępów w konstrukcji prognoz, coraz inteligentniejszych komputerów i programów służących celom prognostycznym, ekonomiści nie są w stanie zmienić natury obiektów ekonomicznych, które czasem zachowują się nieoczekiwanie, różnie od dotychczas obserwowanych zachowań;

■ zjawiska gospodarcze są bardziej skomplikowane niż np. zjawiska fizyczne. Każde takie zjawisko jest powiązane z dużą liczbą innych zjawisk ekonomicznych i społecznych, a także czysto biologicznych, chemicznych, fizycznych itd. Uwikłanie zjawisk społecznych w dużą liczbę czynników różnej stabilności sprawia, że prawidłowości kształtowania się tych zjawisk są na ogół mniej wyraziste i mniej trwałe w czasie niż w przypadku zjawisk fizycznych. Te okoliczności, a także niesłychanie rzadko występująca możliwość prowadzenia eksperymentów, sprawiają, że prawa nauk społecznych są „słabsze” niż prawa fizyki, a więc stanowią też słabszą podstawę przewidywań;

■ nie można zapominać, że proces prognozowania wymaga odpowiednich nakładów, zarówno pieniężnych jak i czasowych. Stąd rozważanie go w oderwaniu od tych nakładów jest nieuzasadnionym uproszczeniem. Wymaga wysokich kwalifikacji prognostów, stosowania różnych metod, często bardzo zaawansowanych, dużej liczby trudno dostępnych danych, specjalistycznego oprogramowania itp. Wiarygodność prognozy generalnie wzrasta wraz z kosztami poniesionymi na ten proces. Jednak po przekroczeniu pewnej wielkości tych kosztów, całkowite koszty prognozowania, uwzględniające również koszty strat, nie maleją, ponieważ nigdy nie uda się całkowicie wyeliminować czynnika niepewności13.

■ jakkolwiek za jakość prognozy odpowiada prognosta, to decydent musi mieć umiejętność jej oceny, gdyż skutki jego dzisiejszej decyzji ujawnią się w przyszłości.
1 M H. Pesaran, The Limits to Rational Expectations, Basil Blackwell, Oxford 1989
2 P. Dittmann, Prognozowanie w przedsiębiorstwie, Oficyna Ekonomiczna, Kraków 2004; M. Cieślak (red.), Prognozowanie gospodarcze. Metody i zastosowania, PWN, Warszawa 2005; E. Nowak, Prognozowanie gospodarcze. Metody, Modele, Zastosowania, Przykłady, Placet, Warszawa 1998; A. Zeliaś, B. Pawełek, S. Wanat, Prognozowanie ekonomiczne: teoria, przykłady, zadania, PWN, Warszawa 2004; A. Zeliaś, Teoria prognozy, PWE, Warszawa 1997.

3 Z. Czerwiński, Moje zmagania z ekonomią, Akademia Ekonomiczna, Poznań 2002.

4 Z. Hellwig, Prognozy statystyczne, „Zeszyty Naukowe WSE we Wrocławiu” 1963, nr 16.

5 M. Cieślak (red.), Prognozowanie gospodarcze. Metody i zastosowania, PWN, Warszawa 2005.

6 M. Sobczyk, Prognozowanie. Teoria, przykłady, zadania, Placet, Warszawa 2008.

7 M. Witkowski, T. Klimanek, Prognozowanie gospodarcze i symulacje w przykładach i zadaniach, Akademia Ekonomiczna, Poznań 2006.

8 Sama klasyfikacja prognoz mogłaby być przedmiotem osobnego artykułu. Nie jest jednak w tym przypadku niezbędna. Więcej na ten temat klasyfikacji prognoz można znaleźć np. M. Cieślak (red.), Prognozowanie gospodarcze. Metody i zastosowania, PWN, Warszawa 2005; A. Zeliaś, Teoria prognozy, PWE, Warszawa 1997.

9 P. Dittmann, Prognozowanie w przedsiębiorstwie, wyd. 2, Oficyna Ekonomiczna, Kraków 2004; M. Cieślak (red.), Prognozowanie gospodarcze. Metody i zastosowania, PWN, Warszawa 2005; E. Nowak, Prognozowanie gospodarcze. Metody, Modele, Zastosowania, Przykłady, Placet, Warszawa 1998; A. Zeliaś, B. Pawełek, S. Wanat, Prognozowanie ekonomiczne: teoria, przykłady, zadania, PWN, Warszawa 2004; A. Zeliaś, Teoria prognozy, PWE, Warszawa 1997.

10 A. Zeliaś, Teoria prognozy, PWE, Warszawa 1997.

11 Z. Czerwiński, Moje zmagania z ekonomią, Akademia Ekonomiczna, Poznań 2002.

12 Z. Zieliński, Liniowe modele ekonometryczne jako narzędzie opisu i analizy przyczynowych zależności zjawisk ekonomicznych, Wydawnictwo UMK, Toruń 1991.

13 P. Dittmann, Prognozowanie w przedsiębiorstwie, wyd. 2, Oficyna Ekonomiczna, Kraków 2004.
Źródło:
Roczniki Ekonomiczne Kujawsko-Pomorskiej Szkoły Wyższej w Bydgoszczy; 2017, 1(10); 11-23
1899-9573
Pojawia się w:
Roczniki Ekonomiczne Kujawsko-Pomorskiej Szkoły Wyższej w Bydgoszczy
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
UŻYTECZNOŚĆ METOD PROGNOZOWANIA SPRZEDAŻY Z ZASTOSOWANIEM RELACJI PRZEWYŻSZENIA – ELECTRE TRI
USEFULNESS OF SALES PREDICTION METHODS USING THE EXTENSION RELATIONSHIP - ELECTRE TRI
Autorzy:
Budziński, Ryszard
Doszyń, Mariusz
Powiązania:
https://bibliotekanauki.pl/articles/453814.pdf
Data publikacji:
2018
Wydawca:
Szkoła Główna Gospodarstwa Wiejskiego w Warszawie. Katedra Ekonometrii i Statystyki
Tematy:
metody prognozowania sprzedaży
Electre Tri
wielokryterialne systemy wspomagania decyzji
sales forecasting methods
multi-criteria decision support systems
Opis:
Artykuł zawiera wielokryterialną procedurę postępowania przy wyznaczaniu użyteczności stosowania metod prognozowania sprzedaży w przedsiębiorstwie. Problem polega na ocenie zastosowania systemu wspomagania decyzji DSS 3.0 do wyboru najlepszej metody prognostycznej, ze szczególnym uwzględnieniem metody Electre Tri.
The article contains a multi-criteria procedure for determining the usefulness of using sales forecasting methods in an enterprise. The problem is to assess the application of the DSS 3.0 decision support system to choose the best prognostic method.
Źródło:
Metody Ilościowe w Badaniach Ekonomicznych; 2018, 19, 2; 117-127
2082-792X
Pojawia się w:
Metody Ilościowe w Badaniach Ekonomicznych
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Applying blended foresight methods for revealing incentives and future strategies of key national innovation system players
Autorzy:
Chulok, Alexander
Powiązania:
https://bibliotekanauki.pl/articles/2086478.pdf
Data publikacji:
2021
Wydawca:
Politechnika Białostocka. Oficyna Wydawnicza Politechniki Białostockiej
Tematy:
foresight method
blended foresight
technological change and its management
national innovation system
global trends
new institutional economics
planning models and polic
metoda prognozowania
mieszany foresight
zmiana technologiczna
krajowy system innowacji
światowe trendy
nowa ekonomia instytucjonalna
planowanie modele i polityka
Opis:
The paper aims to develop and apply a methodological approach that could help to reveal incentives and future strategies of key National Innovation System (NIS) players considering the influence of global social, economic, scientific, technological and ecological trends. To fulfil this aim, a blended foresight methodology was applied, grounded on the platform of economic and classic foresight theory and considering four possible directions for using foresight methods: investigating and building a common vision; supporting evidence-based decisions; promoting communication and participation; inducing transformation and integration into the decision-making process. The main results and findings of the research include a list of 19 global trends, defined from literature analysis and the author’s expert knowledge, a short description of their influence on key NIS players, including society, business, infrastructure and institutions, science, education and government; and mapping more than 35 different foresight methods that could be used for revealing incentives and future strategies of key NIS players. The article’s theoretical contribution to economic theory consists of several parts. First, a NIS conception is examined through the prism of global trends and a dynamic aspect, whereas it is mostly investigated from statistical and static perspectives. Second, applying foresight as an instrument for researching NIS as a system is a developing academic area with some theoretical gaps, considered in this article by designing a conceptional research framework. Third, blending different foresight methods is always a craft, and the approach applied in this article contributes to it. Finally, the article presents several important trends which will appear in NIS and its key players’ transformation in the nearest 5–10 years. From practical implications, this article could be useful for proactive policymakers in the field of science, technology and innovation policy at national and regional levels for designing and providing measures for supporting innovation systems effectively. Foresight practitioners and experts are offered useful, practical ideas of different foresight methods and their possible combinations for everyday activities.
Źródło:
Engineering Management in Production and Services; 2021, 13, 4; 160--173
2543-6597
2543-912X
Pojawia się w:
Engineering Management in Production and Services
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Prognozowanie przewozów w regionie sieci transportowej
Traffic prognose in transportation region
Autorzy:
Cisowski, T.
Stokłosa, J.
Powiązania:
https://bibliotekanauki.pl/articles/249725.pdf
Data publikacji:
2014
Wydawca:
Instytut Naukowo-Wydawniczy TTS
Tematy:
prognozowanie
transport kolejowy
sieć transportowa
model prognozowania
transport
forecasting
rail
transport network
forecasting model
Opis:
Prognozowanie jest określeniem możliwego przebiegu procesu w przyszłości na bazie informacji pochodzących z przeszłości. Prognozowanie dotyczy różnych dziedzin wiedzy, w tym logistyki i transportu. W zależności od celu prognozy, dziedziny wiedzy, struktury i zakresu informacji o przeszłości można stosować różne metody i modele prognozowania.
Źródło:
TTS Technika Transportu Szynowego; 2014, 9; 36-38
1232-3829
2543-5728
Pojawia się w:
TTS Technika Transportu Szynowego
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Sposoby badania trafności systemu prognoz sprzedaży w przedsiębiorstwie
Methods of Searching Accuracy of Sales Forecasting Systems in a Company
Autorzy:
Doszyń, Mariusz
Powiązania:
https://bibliotekanauki.pl/articles/589321.pdf
Data publikacji:
2015
Wydawca:
Uniwersytet Ekonomiczny w Katowicach
Tematy:
Metody prognozowania
Prognozowanie sprzedaży
Prognozy ekonometryczne
Szeregi czasowe
Econometric forecasts
Forecasting methods
Sales forecasting
Time-series
Opis:
Celem artykułu jest zaprezentowanie metod monitorowania trafności systemu prognoz sprzedaży w przedsiębiorstwie. W pierwszej części scharakteryzowano system prognostyczny wspomagający zarządzanie w centrum magazynowo-dystrybucyjnym zlokalizowanym w województwie zachodniopomorskim. W dalszej kolejności opisano sposoby badania trafności prognoz, oparte na rozkładach wybranych błędów prognoz ex post. W związku z tym, iż w analizowanym przedsiębiorstwie wiele produktów charakteryzuje się niską częstością sprzedaży, zaproponowano błąd ex post, który może być stosowany w tego rodzaju przypadkach.
The purpose of this article was to present methods of monitoring the accuracy of the sales forecasts in the company. In the first part of the article prognostic system supporting management of the warehouse and distribution centre located in Western Pomerania has been characterized. Then methods of verifying predictions accuracy, based on the distributions of some ex-post forecast errors were described. Because of the fact that in analysed company sales frequency was low in case of many products, ex-post forecast error useful in such cases was proposed.
Źródło:
Studia Ekonomiczne; 2015, 241; 9-23
2083-8611
Pojawia się w:
Studia Ekonomiczne
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Intelligent Retail Forecasting System for New Clothing Products Considering Stock-out
Inteligentny system przewidywania sprzedaży detalicznej nowych produktów odzieżowych uwzględniający wyprzedaż
Autorzy:
Huang, H.
Liu, Q.
Powiązania:
https://bibliotekanauki.pl/articles/232823.pdf
Data publikacji:
2017
Wydawca:
Sieć Badawcza Łukasiewicz - Instytut Biopolimerów i Włókien Chemicznych
Tematy:
intelligent forecasting system
demand estimation
stock out
adaptive neuro fuzzy inference system
new clothing product
inteligentny system prognozowania
prognozowanie popytu
system adaptacyjno neuronowy
dane rozproszone
selekcja danych
Opis:
Improving the accuracy of forecasting is crucial but complex in the clothing industry, especially for new products, with the lack of historical data and a wide range of factors affecting demand. Previous studies more concentrate on sales forecasting rather than demand forecasting, and the variables affecting demand remained to be optimized. In this study, a two-stage intelligent retail forecasting system is designed for new clothing products. In the first stage, demand is estimated with original sales data considering stock-out. The adaptive neuro fuzzy inference system (ANFIS) is introduced into the second stage to forecast demand. Meanwhile a data selection process is presented due to the limited data of new products. The empirical data are from a Canadian fast-fashion company. The results reveal the relationship between demand and sales, demonstrate the necessity of integrating the demand estimation process into a forecasting system, and show that the ANFIS-based forecasting system outperforms the traditional ANN technique.
Poprawa dokładności prognozowania jest bardzo istotna, ale skomplikowana w przypadku przemysłu odzieżowego, zwłaszcza dla nowych produktów oraz szerokiego zakresu czynników wpływających na popyt. Wcześniejsze badania bardziej koncentrowały się na prognozowaniu sprzedaży, niż prognozowaniu popytu. Zmienne wpływające na popyt powinny zostać zoptymalizowane. W tym badaniu opracowano dwustopniowy inteligentny system prognozowania sprzedaży detalicznej przeznaczony dla nowych produktów odzieżowych. W pierwszym etapie, popyt jest określony za pośrednictwem oryginalnych danych dotyczących sprzedaży. Adaptacyjny neuronowy system danych rozproszonych (ANFIS) jest wprowadzony w drugim etapie do prognozowania popytu. Jednocześnie prezentowany jest proces selekcji danych. Dane empiryczne pochodzą z kanadyjskiej firmy.
Źródło:
Fibres & Textiles in Eastern Europe; 2017, 1 (121); 10-16
1230-3666
2300-7354
Pojawia się w:
Fibres & Textiles in Eastern Europe
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Zastosowanie rozmytej mapy kognitywnej w prognozowaniu efektywności pracy wypożyczalni rowerowych
Application of fuzzy cognitive map to predict of effectiveness of bike sharing systems
Autorzy:
Jastriebow, A.
Kubuś, Ł.
Poczęta, K.
Powiązania:
https://bibliotekanauki.pl/articles/408030.pdf
Data publikacji:
2017
Wydawca:
Politechnika Lubelska. Wydawnictwo Politechniki Lubelskiej
Tematy:
rozmyta mapa kognitywna
model prognozowania
obliczenia ewolucyjne
uczenie maszynowe
fuzzy cognitive map
predictive model
evolutionary computation
machine learning
Opis:
W pracy zaproponowano zastosowanie rozmytej mapy kognitywnej wraz z ewolucyjnymi algorytmami uczenia do modelowania systemu prognozowania efektywności pracy wypożyczalni rowerowych. Na podstawie danych historycznych zbudowano rozmytą mapę kognitywną, którą następnie zastosowano do prognozowania liczby rowerzystów i klientów wypożyczalni w trzech kolejnych dniach. Proces uczenia zrealizowano z zastosowaniem indywidualnego kierunkowego algorytmu ewolucyjnego IDEA oraz algorytmu genetycznego z kodowaniem zmiennoprzecinkowym RCGA. Analizę symulacyjną systemu prognozowania efektywności pracy wypożyczalni rowerowych przeprowadzono przy pomocy oprogramowania opracowanego w technologii JAVA.
This paper proposes application of fuzzy cognitive map with evolutionary learning algorithms to model a system for prediction of effectiveness of bike sharing systems. Fuzzy cognitive map was constructed based on historical data and next used to forecast the number of cyclists and customers of bike sharing systems on three consecutive days. The learning process was realized with the use of Individually Directional Evolutionary Algorithm IDEA and Real-Coded Genetic Algorithm RCGA. Simulation analysis of the system for prediction of effectiveness of bike sharing systems was carried out with the use of software developed in JAVA.
Źródło:
Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska; 2017, 7, 4; 70-73
2083-0157
2391-6761
Pojawia się w:
Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Forecasting in technical facility control systems
Prognozowanie w systemach sterowania technicznymi obiektami
Autorzy:
Korostil, Jerzy
Afanasyeva, Olesya
Korostil, Olga
Powiązania:
https://bibliotekanauki.pl/articles/29521098.pdf
Data publikacji:
2022
Wydawca:
Akademia Nauk Stosowanych w Nowym Sączu
Tematy:
forecasting system
negative impact
forecasting time interval
accidental event
forecasting efficiency
control object
system prognozowania
negatywny wpływ
przedział czasowy prognozowania
zdarzenie losowe
skuteczność prognozowania
obiekt kontrolny
Opis:
The paper presents a methodology for designing forecasting systems for control systems for technical facilities. The topicality of the selected topic is justified by the specific requirements for forecasting systems, intended for use in control systems of technical facilities. The methodology proposes to design a forecasting system appropriate to the described stages with the use of a number of parameters characterising the forecasting process. The work analyses the peculiarities of the forecasting method, which are determined by a series of characteristics. An example of such a characteristic is the commensurability of the interacting parameters in the process of interaction of the parameters characterising the process of negative influence on the control process and the parameters counteracting this influence. An example of a parameter characterised by an increase in the accuracy of forecasting is the parameter of increasing the determinism measure, which is secured by separate, additional components in the forecasting system. An example of additional components may be the implementation component of the process of counteracting the negative impact, the component supporting the adoption of decisions in relation to the implementation of counteracting the negative impact of accidental events on the controlled object. The use of the developed design methodology allowed the accuracy of the forecasted data to be increased, which leads to an increase in the efficiency of using the forecasting system.
W artykule przedstawiono metodykę projektowania systemów prognozowania dla systemów sterowania obiektami technicznymi. Aktualność wybranego tematu uzasadniona jest specyficznymi wymaganiami stawianymi systemom prognozowania, przeznaczonym do stosowania w systemach sterowania obiektami technicznymi. Metodologia proponuje zaprojektowanie odpowiedniego dla opisanych etapów systemu prognozowania z wykorzystaniem szeregu parametrów charakteryzujących proces prognozowania. W pracy przeanalizowano specyfikę metody prognozowania, którą determinuje szereg cech. Przykładem takiej cechy jest współmierność parametrów oddziałujących w procesie interakcji parametrów charakteryzujących proces negatywnego wpływu na proces sterowania i parametrów przeciwdziałających temu wpływowi. Przykładem parametru charakteryzującego się wzrostem trafności prognozowania jest parametr zwiększania miary determinizmu, który jest zabezpieczony odrębnymi, dodatkowymi składowymi w systemie prognozowania. Przykładem dodatkowych komponentów może być komponent realizacyjny procesu przeciwdziałania negatywnemu wpływowi, komponent wspomagający podejmowanie decyzji w związku z realizacją przeciwdziałania negatywnemu wpływowi zdarzeń losowych na kontrolowany obiekt. Zastosowanie opracowanej metodologii projektowania pozwoliło na zwiększenie dokładności prognozowanych danych, co prowadzi do zwiększenia efektywności wykorzystania systemu prognostycznego.
Źródło:
Journal of Engineering, Energy and Informatics; 2022, 1; 63-75
2720-4162
2720-5541
Pojawia się w:
Journal of Engineering, Energy and Informatics
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Forecasting return products in an integrated forward/reverse supply chain utilizing an ANFIS
Autorzy:
Kumar, D. T.
Soleimani, H.
Kannan, G.
Powiązania:
https://bibliotekanauki.pl/articles/329809.pdf
Data publikacji:
2014
Wydawca:
Uniwersytet Zielonogórski. Oficyna Wydawnicza
Tematy:
artificial neural network
adaptive network based fuzzy
inference system
closed loop supply chain
forecasting methods
fuzzy neural network
sztuczna sieć neuronowa
system wnioskowania
metoda prognozowania
sieć neuronowa rozmyta
Opis:
Interests in Closed-Loop Supply Chain (CLSC) issues are growing day by day within the academia, companies, and customers. Many papers discuss profitability or cost reduction impacts of remanufacturing, but a very important point is almost missing. Indeed, there is no guarantee about the amounts of return products even if we know a lot about demands of first products. This uncertainty is due to reasons such as companies’ capabilities in collecting End-of-Life (EOL) products, customers’ interests in returning (and current incentives), and other independent collectors. The aim of this paper is to deal with the important gap of the uncertainties of return products. Therefore, we discuss the forecasting method of return products which have their own open-loop supply chain. We develop an integrated two-phase methodology to cope with the closed-loop supply chain design and planning problem. In the first phase, an Adaptive Network Based Fuzzy Inference System (ANFIS) is presented to handle the uncertainties of the amounts of return product and to determine the forecasted return rates. In the second phase, and based on the results of the first one, the proposed multi-echelon, multi-product, multi-period, closed-loop supply chain network is optimized. The second-phase optimization is undertaken based on using general exact solvers in order to achieve the global optimum. Finally, the performance of the proposed forecasting method is evaluated in 25 periods using a numerical example, which contains a pattern in the returning of products. The results reveal acceptable performance of the proposed two-phase optimization method. Based on them, such forecasting approaches can be applied to real-case CLSC problems in order to achieve more reliable design and planning of the network.
Źródło:
International Journal of Applied Mathematics and Computer Science; 2014, 24, 3; 669-682
1641-876X
2083-8492
Pojawia się w:
International Journal of Applied Mathematics and Computer Science
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Hierarchical Sales Forecasting System for Apparel Companies and Supply Chains
Hierarchiczny system prognozowania sprzedaży dla firm odzieżowych i łańcuchów dostaw
Autorzy:
Lenort, R.
Besta, P.
Powiązania:
https://bibliotekanauki.pl/articles/232705.pdf
Data publikacji:
2013
Wydawca:
Sieć Badawcza Łukasiewicz - Instytut Biopolimerów i Włókien Chemicznych
Tematy:
apparel company
hierarchical forecasting
sales forecasting
top-down approach
forecasting system
firma odzieżowa
hierarchiczna prognozowanie
prognozowanie sprzedaży
podejście odgórne
system prognozowania
Opis:
The typical problems facing with apparel companies and supply chains are forecasting errors, because fashion markets are volatile and difficult to predict. For that reason, the ability to develop accurate sales forecasts is critical in the industry. There are several research studies related to forecasting apparel goods, but very often only for one level. However, apparel companies and supply chains deal with a number of levels at which the forecasts could exist and require consistent forecasts at all of them. The paper presents a hierarchical middle-term forecasting system designed for this purpose on the basis of a literature review. The system is built by the top-down forecasting approach and verified by means of a case study in a particular apparel company. The weaknesses of the system are identified during discussion of the results acquired. A generalised concept of the ANN forecasting model is designed for elimination these weaknesses.
Rynki mody są niestabilne i trudne do przewidzenia, dlatego typowym problemem, z którym muszą się uporać firmy odzieżowe dla konstrukcji odpowiednich łańcuchów dostaw to przewidywanie błędów. Z tego powodu, możliwość opracowania dokładnej prognozy sprzedaży jest bardzo istotna w przemyśle. Istnieje wiele badań naukowych dotyczących prognozowania dla towarów odzieżowych, ale bardzo często dotyczą tylko jednego poziomu. Jednak firmy odzieżowe i łańcuchy dostaw mają do czynienia z dużą liczbą poziomów i wymagają spójnych prognoz na wszystkie z nich. Przedstawiono hierarchiczny system średnioterminowego prognozowania przeznaczony do tego celu. System zbudowano przez odgórne podejście prognozowania i zweryfikowano poprzez studium przypadku w danej firmie odzieżowej. Słabości systemu zostały określone podczas dyskusji uzyskanych wyników. Uogólnione pojęcie modelu prognozowania przeznaczone jest do eliminacji słabości.
Źródło:
Fibres & Textiles in Eastern Europe; 2013, 6 (102); 7-11
1230-3666
2300-7354
Pojawia się w:
Fibres & Textiles in Eastern Europe
Dostawca treści:
Biblioteka Nauki
Artykuł
Wyświetlanie 1-15 z 36

Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies