Научный журнал

Вестник Алтайской академии экономики и права

Print ISSN 1818-4057

Online ISSN 2226-3977

Перечень ВАК

• Авторы
• Резюме
• Файлы
• Ключевые слова
• Литература

Галкина Е.В. 1

---

1 ФГБОУ ВО «Орловский государственный университет экономики и торговли»

В статье представлена методика оценки вероятности события на основе анализа его наблюдаемых по историческим данным частот. Методика направлена на принятие количественно обоснованных решений в области управления экономикой. Она может применяться как на микро уровне, так и на макро уровне. Основой предложенного подхода является сбор данных в виде базы значений признаков, выделенных и оцененных для каждого наблюдаемого события (явления, факта). База данных представляется в виде таблицы, что позволяет обобщить информацию по разным признакам. Метод позволяет давать количественную характеристику на основе многофакторного набора данных. Суть обоснования управленческого решения по предложенному подходу заключается в оценке типичности исследуемого (прогнозируемого) события и на этой основе – последующем планировании структуры управленческих действий независимо от вида целевого критерия принятия решения. Метод пригоден для использования в сфере экономики, но также может иметь более широкий охват сфер управления. Измерителями признаков в базе данных могут быть как количественные, так и неколичественные единицы измерения. Методика совместима с другими способами обработки массивов больших данных, в частности, кластерным и корреляционно-регрессионным анализом.

Статья в формате PDF

271 KB

анализ данных

событие

управленческое решение

частота

экономика

1. Ширяев Е.В., Попов В.И. Анализ частот реализации инициирующих пожароопасные ситуации событий для насосов и технологических трубопроводов, транспортирующих нефтепродукты // Пожарная и аварийная безопасность. 2016. № 2 (2). С. 22-30.

2. Клочкова Е.Н. Информационное обеспечение практики государственного управления в условиях формирования цифровой экономики: российский и международный опыт// Вестник НГУЭУ. 2018. № 1. С. 307-323.

3. Ковалева Н.В., Кузнецова В.И., Нечаева Е.Г. Межрегиональные сопоставления в дошкольном образовании: система рейтинговых оценок // Вопросы статистики. 2014. № 10. С. 33-50.

4. Голева О.И. Экономическая оценка потерь от инвалидизации населения в РФ: подходы и методы // Финансы: теория и практика. 2017. Т. 21. № 5 (101). С. 30-39.

5. Кузнецова И.А., Фридлянова С.Ю. Проблемы статистического учета в сфере инноваций: анализ современного состояния и перспективы развития // Вопросы статистики. 2016. № 7. С. 26-51.

Введение

Принятие многих управленческих решений требует изучения информации о произошедших событиях. При этом выявляется структура описания каждого события и соотношение количеств событий с определенными характеристиками. На основании такого анализа составляются планы управленческих действий. Все это требует формализации анализа частот событий, что позволит ускорить обоснование управленческих решений и тем самым повысить эффективность менеджмента как в коммерческом, так и в некоммерческом секторе экономики. Такой подход к анализу данных может применяться в любых сферах, которые требуют принятия решений на основе исторических записей.

Цель исследования – анализ частот в научной литературе обычно представлен как отраслевое применение. В частности, работа Ширяева Е.В. и Попова В.И. отражает вопросы анализа пожарной опасности [1]. Сопоставление наблюдения с базой данных используется в работах, посвященных, например, информационному обеспечению государственного управления [2], системам рейтинговых оценок [3], экономической оценке потерь [4], проблемам статистического учета [5]. Целью данного исследования является описание универсального подхода к проведению анализа частот событий в целях информационного обеспечения управленческих решений разного характера в экономике и (как опция) в не экономических исследованиях.

Материал и методы исследования

Основным методом исследования является экономический анализ, в частности, структурно-динамический анализ. Материалами исследования выступают модельные данные, что обусловлено универсальностью метода и необходимостью демонстрации этого.

Последовательность принятия управленческого решения обычно включает следующие основные этапы:

– описание управленческого вопроса (или проблемы), например, в каких пропорциях закупить товары;

– выбор метода анализа и сбор данных для анализа;

– обработка аналитических данных – получение оптимального по выбранному методу решения;

– формальное закрепление решения и его выполнение;

– контроль выполнения (сбор данных по результатам решения, их анализ, затем – описание управленческого вопроса, то есть возврат к первому этапу данного перечня, но на новом витке процесса управления в динамике работы управляемого объекта).

Если управленческое решение основывается на фактической информации (а, как правило, обоснование многих решений базируется на данных о произошедших событиях), то для прогнозирования будущих исходов и повышения положительного эффекта управления применим метод анализа частот событий. Он изложен ниже и проиллюстрирован модельными расчетами. В основе метода лежит табличное представление характеристики каждого рассматриваемого события как набора признаков, по каждому из которых фиксируется его значение. Получаемые данные заносятся в таблицу. К таблице могут применяться разные фильтры.

Анализ частот основан на подсчете количества событий с интересующим исследователя набором значений признаков в общем количестве событий или в количестве событий какой-либо подгруппы. Полученное значение показывает успешность интересующего исхода по прошлым событиям. При наличии надежной прогнозной информации фактическая частота корректируется на уровень ее прогностической устойчивости и таким образом получается оценочная частота для принятия решения об управленческих действиях. Аналогичным образом производятся расчеты по прогностической устойчивости отдельных признаков.

Результаты исследования и их обсуждение

Далее метод анализа частот событий рассмотрен на модельной ситуации. Исходная база данных фактических наблюдений представлена в таблице 1.

Количество наблюдений (событий), фиксируемых признаков и их значения приведены в таблице 1 в демонстрационных целях и на практике могут быть любыми в зависимости от ситуации и принимаемого управленческого решения.

Таблица 1

База данных о событиях

Признак может быть качественным или количественным. При этом в базе данных могут быть представлены признаки только одного или обоих видов. Так, в таблице 1 признаки 1 и 3 являются количественными признаками, а признак 2 – качественным. Чем больше наблюдений в базе, тем точнее (обоснованней) исторический анализ частот.

В таблице 2 приведены значения признаков интересующего исследователя события. Это событие может быть как фактическим, так и прогнозируемым.

Задачей первичного анализа является поиск совпадений событий в базе данных (таблице 1) с исследуемым событием (таблицей 2). Совпадение значений признаков событий может быть полным (по всем признакам, в примере – по трем) или неполным (не по всем признакам, в примере – по одному или двум). Полное совпадение события Ж (по трем признакам) имеется в одном случае (с наблюдением Б). Пусть событие Ж является прогнозируемым, тогда общее число накопленных наблюдений (число строк в таблице 1) равно пяти, и доля совпадений события с базой данных равна 1/5, или 0,2. Таким образом, искомое событие ожидается с вероятностью 20%.

Часто лицо, принимающее решение, интересуют вариации исходов события при неполном совпадении признаков (либо когда часть совпадений полные, а часть неполные). Это помогает узнать, каково распределение вариантов (наборов) изменчивого признака (или признаков) при условии признания значений остальных признаков неизменными (фиксированными, устойчивыми). Допустим, в модельном примере для исследуемого события (таблица 2) фиксированными являются признаки 1 и 2, а значение признака 3 может меняться в зависимости от неуправляемых менеджментом обстоятельств. Тогда полным и неполным совпадениям соответствуют наблюдения Б и Д из таблицы 1. Общее число накопленных наблюдений (число строк в таблице 1) равно пяти, и доля полных и неполных совпадений события с базой данных равна 2/5, или 0,4. Таким образом, искомое событие с устойчивыми признаками 1 и 2 ожидается с вероятностью 40%. При этом в 50% случаев (1/2 × 100%) из этих 40% вероятен исход со значением признака 3, равным 8, и в остальных 50% случаев (1/2 × 100%) вероятен исход со значением признака 3, равным 6. Общая вероятность первого варианта признака 3 для события Ж равна 0,4 × 0,5 = 0,2, или 20%, общая вероятность второго варианта признака 3 для события Ж также равна 0,4 × 0,5 = 0,2, или 20%.

Результаты анализа могут быть представлены в таблице 3. Они показывают, что, следуя информации о прошлом, нужно быть готовым к реализации события Ж в 20% случаев событий.

Например, если событие – это характеристика заказа, то предприятие должно быть готовым обеспечить выполнение такого заказа в 20% от каждого соответствующего признака. Если наблюдение – это один заказ, признак 1 – это цена товара, признак 2 – название товара, признак 3 – количество товара, то предприятие ожидает заказ 8 единиц товара Х по цене 5 в 20% от числа заказов, и заказ 6 единиц товара Х по цене 5 еще в 20% от числа заказов.

Корректировка фактических значений осуществляется в случае изменения прогнозной ситуации по сравнению с прошлым. Допустим, спрос на товар в событии Ж имеет единичную эластичность по доходу и доход сократился на 10% (прогностическая устойчивость признака 3 по событию Ж равна 1 – 0,1 = 0,9). Тогда при корректировке прогноз спроса (признак 3) сокращается в 20% случаев до 8 × 0,9 = 7 единиц, и еще в 20% случаев до 6 × 0,9 = 5 единиц (в примере с округлением до целых, но на практике возможны и дробные значения).

При проведении анализа в электронных таблицах расчеты производятся путем выполнения логических функций и подсчетов по строкам, по аналогии с ручными расчетами.

Таблица 2

Характеристики анализируемого события

Таблица 3

Результаты анализа частот событий

После получения фактического результата наблюдения по прогнозируемому событию это наблюдение добавляется в соответствующую базу данных. В примере оно будет строкой под номером шесть базы данных (таблицы 1).

Заключение

Представленная методика анализа частот пригодна для разных областей управления. Метод поддается реализации с применением прикладных компьютерных программ, что дает возможность автоматизации расчетов. Это особенно важно для больших данных, которые формируются в современных информационных базах.

Методика может быть дополнена путем использования профильной терминологии из разных областей деятельности. В частности, для маркетинга свойственно применение терминов «достоверность», «поддержка» и других. Метод анализа частот событий также совместим с другими методами анализа данных, например, с кластерным и корреляционно-регрессионным анализом, которые выбираются исследователем в зависимости от поставленной перед ним задачи управления.

Библиографическая ссылка