Предмет. Метод прогнозирования на основе слайсов, обеспечивающий комплексную оценку будущих изменений в динамике и структуре экономической системы. Слайс-прогнозы предназначены для повышения качества и эффективности экономических прогнозов. Цели. Сформулировать и дать математическое описание метода прогнозирования на основе слайсов. Методология. В основе метода слайс-прогноза лежит слайс-технология, как совокупность методов сбора, обработки, анализа, синтеза информации, данных и знаний. Метод основан на анализе и комплексировании набора временных рядов разнородных показателей, совмещенных в системном логическом алгоритме информационного синтеза — слайсе. Результаты. Представлен расчет на основе восьми рядов макроэкономических показателей, характеризующих развитие экономики Российской Федерации за период с 2000 по 2021 г. На примере представленного расчета показаны новые возможности анализа и описания экономических систем, циклов и кризисных явлений. Дополнительно предложен критерий точности слайс-прогноза. Выводы. Слайс-метод позволяет решить ряд актуальных задач для повышения качества предвидения будущих изменений, а именно: совмещение разнородных показателей в едином информационном пространстве; сравнительный анализ их динамики, соотношений; формирование сценариев развития экономики; автоматизация принятия управленческих решений на основе экономического моделирования; поиск и описание трендов; анализ временных циклов в структуре и динамике экономических систем.
Brockwell P.J., Davis R.A. Introduction to Time Series and Forecasting (3rd ed.). New York, USA, Springer, 2016, 425 p.
Barunik J., Krehlik T., Vacha L. Modeling and Forecasting Exchange Rate Volatility in Time-Frequency Domain. European Journal of Operational Research, 2016, vol. 251, iss. 1, pp. 329–340. URL: Link
Harrell F.E. Regression Modeling Strategies: With Applications to Linear Models, Logistic and Ordinal Regression, and Survival Analysis (2nd ed.). New York, USA, Springer, 2015, 582 p.
Bahtizin A.R., Bortalevich V.Y., Loginov E.L., Soldatov A.I. Using Artificial Intelligence to Optimize Intermodal Networking of Organizational Agents Within the Digital Economy. Journal of Physics: Conference Series, 2019, pp. 012–042. URL: Link
Yakushin Y.Y., Bereza A.N., Dmitrienko N.A. Neural Network Model for Forecasting Statistics of Communities of Social Networks. Modern Science, 2020, no. 5-1, pp. 494–499.
Ivanyuk V., Soloviev V. Efficiency of Neural Networks in Forecasting Problems. Proceedings of 2019 12th International Conference "Management of Large-Scale System Development", MLSD 2019, 2019, pp. 1–4. URL: Link
Bee Dagum E., Bianconcini S. Seasonal Adjustment Methods and Real Time Trend-Cycle Estimation. Springer, 2016, 283 p.
Wickramasuriya S.L., Athanasopoulos G., Hyndman R.J. Optimal Forecast Reconciliation for Hierarchical and Grouped Time Series Through Trace Minimization. Journal of the American Statistical Association, 2019, vol. 114, iss. 526, pp. 804–819. URL: Link
Hyndman R.J., Lee A.J., Wang E. Fast Computation of Reconciled Forecasts for Hierarchical and Grouped Time Series. Computational Statistics and Data Analysis, 2016, vol. 97, pp. 16–32. URL: Link
Bergmeir C., Hyndman R.J., Benítez J.M. Bagging Exponential Smoothing Methods Using STL Decomposition and Box-Cox Transformation. InternationalJournal of Forecasting, 2016, vol. 32, iss. 2, pp. 303–312. URL: Link
Unwin A. Graphical Data Analysis with R. Chapman & Hall/CRC, 2015, 310 p.
Wickham H. ggplot2: Elegant Graphics for Data Analysis (2nd ed.). Springer, 2016, 260 p.
Afanasieva T., Sapunkov A. Selection of Time Series Forecasting Model, Using a Combination of Linguistic and Numerical Criteria. 2016 IEEE 10th International Conference on Application of Information and Communication Technologies (AICT), 2016, pp. 1–5. URL: Link
