Sunteți pe pagina 1din 23

1. Introducere 1.1 Domeniul NN 1.2 Sursa: medicala 1.3 Istoric 2. Licenta -> Cercetare 2.1. Prezentare licenta 2.2.

Prezentare obiective 3. Problematica actuala si tentinte 4. Domenii de utilizare + modele neuronale 5. Avantaje si dezavantaje Previziunea si planificarea Asa cum mentioneaza John Naisbitt, "omul supravietuieste numai prin capacitatea sa de a actiona n prezent, pe baza experientei trecute, cu consecinte n viitor. Asumndusi viitorul, omul si face prezentul suportabil si trecutul semnificativ. Trecutul, prezentul si alternativele viitoare sunt ntrepatrunse n anticipatia si previziunea actiunilor viitoare." De regula exista o diferenta temporala ntre producerea unui eveniment si semnalele ce prevestesc si conduc catre realizarea acelui eveniment. Acesta este principalul motiv care face ca previziunea si planificarea sa fie doua activitati viabile pentru studierea si respectiv actiunea asupra viitorului (Prezentul este nsarcinat cu viitorul, Voltaire) Previziunea si planificarea sunt deseori confundate. Deoarece ambele concepte se preocupa direct de viitor este foarte important ca aceste doua activitati sa fie corect definite si integrate Previziunea este anticiparea ntemeiata pe observatie empirica sau pe cunoasterea unor legi a unui eveniment care urmeaza sa se produca sau a tendintei de dezvoltare viitoare a unui proces sau sistem. Previziunea economica reprezinta procesul prin care este realizata estimarea evolutiei viitoare a unor indicatori economici. Planificarea este una din functiile de baza ale managementului si reprezinta o activitate ce are n vedere stabilirea modalitatilor concrete de realizare a unor obiective prestabilite. Previziunea precede planificarea si ofera informatii necesare pentru realizarea acesteia. Modalitatile concrede de actiune pe care le implica planificarea sunt adoptate prin decizii prin urmare putem spune ca previziunea reprezinta un suport al procesului decizional. O delimitare clara ntre previziune, planificare si decizie este uneori dificil de trasat, ntre aceste procese existnd o interdependenta strnsa. Previziunea, ca activitate organizata, devine utila n conditii de incertitudine. Prin urmare previziunea are n vedere n general mediului extern unei entitati, care nu se afla sub controlul acesteia. n schimb planificarea se orienteaza asupra descrierii actiunilor viitoare proprii entitatii n cauza, care sunt controlate direct de aceasta. Prin urmare, este corect sa spunem ca o firma previzioneaza cererea (mediul extern) pentru un anumit bun pe piata si planifica productia (mediul intern) pe care urmeaza sa o realizeaze n

contextul cererii respective. Nu este corect nsa, sa spunem ca o firma planifica evolutia cursului valutar (mediul extern) pentru o anumita moneda sau ca o firma previzioneaza pretul (mediul intern) pe care ea nsasi l va aplica unui anumit produs. Exista nsa si situatii cnd propriile actiuni ale unei firme pot influenta mediul extern. De exemplu, actiunile unei firme concurente pot face obiectul previziunii, nsa este foarte probabil ca aceste actiuni sa fie influentate de planificarea realizata n propria firma, fie prematur, fie odata ce actiunile planificate si fac simtite efectele pe piata.

Necesitatea previziunii Rolul major al previziunii este acela de a reduce riscul n procesul decizional. La nivel guvernamental sau interguvernamental (Fondul Monetar International, Comisia Europeana etc.) procesul decizional implica n primul rnd adoptarea unor politici pe termen lung care se concretiza n legi de natura sa ncurajeze sau sa descurajeze anumite activitati, sa creeze mediul adecvat desfasurari activitatii economice si a relatiilor internationale dintre tari. Pentru ca rezultatele sa fie cele asteptate toate aceste decizii se bazeaza pe previziunea unor indicatori specifici domeniului vizat. Pentru a contura politica monetara o banca nationala si bazeaza deciziile pe previziuni privind evoluti inflatiei, a cursului valutar, a volumului de credite absorbit de populatie sau a deficitului comercial , pentru realiza o politica fiscala adecvata precum si bugetul unei tari guvernul trebuie sa fie constient de cresterea economica viitoare (evolutia PIB-ului), a puterii de cumparare a populatiei, de evolutia investitiilor si a ratei somajului. La acest nivel cea mai evidenta concretizare a planificarii este bugetul unei tari care contine destinatia cheltuielilor si sursele de venituri stabilite de guvern. La nivel microeconomic procesul decizional se manifesta la diferite nivele ierarhice care vizeaza anumite obiective specifice respectivului nivel. Atingerea acestor obiective necesita planificari bazate pe previziuni specificel.

Planificarea la nivel strategic se concretizeaza de obicei n planul strategic (numit uneori si plan de afaceri n special n momentul nceperii unei noi afaceri) care contine de obicei si previziunea financiara (situatiile finanicare previzionate) formata din contul de profit si pierdere previzionat si fluxul de numerar previzionat. De obicei planul strategic se n tinde pe o durata de 3-5 ani. Planul mai detaliat care contine veniturile si cheltuielile estimate a se realiza de obicei pe un an de zile poarta denumirea de buget si corespunde n special obiectivelor tactice. Bugetul global este de obicei detaliat pe domenii (buget de productie, buget de

marketing etc.). n fine, gradul cel mai ridicat de detaliere apartine planurilor operationale realizate pe o perioada mai mica de un an. Ca modaliatate de ntocmire a acestor planificari exista mai multe metode: Bottom-up (de la detaliu la global). Se ncepe de la previziunile pentru fiecare produs, fiecare zona de comercializare activitate sau client care apoi se nsumeaza Top-down (de la global la detalie). Se ncepe de la previziunile globale anuale care reprezinta apoi targetu-ri care trebuie atinse si care apoi sunt detaliate binenteles pe fiecare produs sau activitate. Metode hibride n care se porneste de la ambele nivele, se realizeaza astfel doua estimari care se confrunta si se negociaza .

Evoluatia unei companii nu este interesanta nsa doar pentru managerii acesteia n fundamentarea deciziilor lor. Astfel, potentialii investitori (actionari) doresc sa cunosca evolutia viitoare legata de profitul unei companii, politica de dividente a acesteia etc. pentru o fundamentare adecvata a propriilor investitii. Unul din momentele esentiale n care previziunea joaca un rol important pentru un investitor este nceperea unei noi afaceri. n situatia n care o companie doreste sa obtina surse externe de finantare, finantatorul, de obicei o banca, doreste sa cunoasca situatiile financiare previzionate ale respectivei companii, pe un orizont egal cu durata de acordare a creditului, cu scopul de a lua o decizie privind capacitatea de rambursare a respectivei companii. Forme si categorii de previziune n functie de lungimea orizontului de previziune, pot exista:

previziuni pe termen foarte lung (poat fi pe 30 de ani sau chiar mai mult - vezi compania Shell) previziuni pe termen lung (de obicei ntre 3 si 10 ani) previziuni pe temen mediu (cuantificat n luni sau trimestre dar poate sa ajunga si pna la 1 sau 2 ani) previziuni pe termen scurt ( la nivel de zile sau saptamni) previziuni pe termen foarte scurt ( 1 ora, 10 minute, 5 minute etc. - specifice tranzactiilor bursiere)

Trebuie precizat faptul ca nu se pot stabilii bariere ferme n delimitarea lungimii unui orizont de previziune acestea depinznd foarte mult de domeniul de activitate (ceea ce pentru o companie cu productie industriala reprezinta un termen scurt pentru un fond de investitii financiare poate reprezenta un termen lung) n functie de gradul de agregare a rezultatelor, putem avea:

previziuni sintetice (globale), previziunea se face pe cifra de afaceri totala previziuni analitice (detaliate), previziunea se face pe fiecare produs n parte

n functie de natura informatiilor utilizate n procesul previzional sunt utilizate metode:

cantitative o Extrapolarea seriilor de timp o Metode econometrice o Inteligenta artificiala (retele neuronale si algoritmi genetici) o Analiza tehnica (specifica tranzactiilor bursiere) o Indicatori de anticiparea a ciclurilor economice o etc. calitative (subiective/intuitive) o Simulare prin roluri o Grupuri de interactiune (Brainstorming, Delphi etc.) o Anchete statistice

n functie de aria lor de acoperire pe diverse domenii exista:

metode generale de previziune o Extrapolarea seriilor de timp o Metode econometrice o Inteligenta artificiala (retele neuronale si algoritmi genetici) o Simulare prin roluri o Grupuri de interactiune o Anchete statistice metode speciale de previziune o Analiza tehnica (specifica tranzactiilor bursiere) o Previziunea situatiei financiare la nivel de ntreprindere (bilant , cont de profit si pierdere, flux de numerar) o Indicatori de anticiparea a ciclurilor economice (la nivel macroeconomic) o Previziuni de marketing (intentiile si preferintele consumatorilor, piete test etc.) o etc.

Metode bazate pe extrapolarea seriilor de timp Metodele bazate pe extrapolarea seriilor de timp pornesc de la premiza ca evolutiile istorice se vor pastra si n viitor si reprezinta practic o prelungire n viitor a tendintelor si fluctuatiilor observate. De obicei modelele care presupun o continuare n viitor a evolutiei trecute si prezente se mai numesc si modele "cu memorie" sau "cu inertie". Multe fenomene economice prezinta o astfel de inertie (ex.: daca o companie a avut mai multi ani la rnd o cifra de afaceri de ordinul a ctorva zeci de milioane nu ne asteptam ca n anul urmator cifra de afaceri sa fie de ordinul miliardelor, ci n schimb ne asteptam la o cifra de afaceri apropiata de realizarile perioadei istorice).

Atunci cnd datele sunt exprimate n preturi curente, iar inflatia este semnificativa, nainte de a aplica o metoda oarecare de extrapolare se recurge la transformarea seriei de timp n preturi constante (comparabile) prin inflatare[1] sau deflatare[2]. Este recomandata inflatarea deoarece presupune utilizarea preturilor celor mai actuale.

Metoda ultimei valori nregistate (metoda valorii anterioare) Metoda ultimei valori nregistate se poate utiliza pentru evolutii de tip "mers la ntmplare". Datorita faptului ca astfel de procese sunt rar ntlnite n practica precum si datorita simplitatii ei aceasta metoda este folosita mai mult n procesul de testare si de selectie. O metoda oarecare (mai complexa) este comparata cu metoda ultimei valori nregistrate (considerata ca fiind cea mai simpla) daca prin metoda respectiva se obtin erori mai mici se justifica efortul de a folosi o metoda mai complexa. Cu alte cuvinte, o metoda de previziune poate fi considerata valida daca conduce la rezultate mai bune dect metoda ultimei valori nregistarte. Proces de tip "mers la ntmplare" este un proces n care valoarea la momentul t +1 este egala cu valoarea la momentul t plus o eroare: , et - este o variabila aleatoare normal distribuita de medie 0 si varianta constanta Exemplu de proces de tip "mers la ntmplare":

n cazul n care seria de valori urmeaza un astfel de proces previziunea cea mai potrivita pentru momentul t+1, realizata n momentul t este chiar valoarea din momentul t:

Metoda mediei aritmetice simple Metoda mediei aritmetice simple este utilizata pentru serii de timp stationare (orizontale). Serii de acest tip se ntlnesc n general pe perioade scurte de timp si pentru date nregistrate cu o frecventa ridicata (ex.: date zilnice, saptamnale etc.). Pe perioade

mai lungi de timp fenomenele economice si pierd n general caracterul stationar si manifesta tendinte de crestere, descrestere si/sau fluctuatii ciclice (alternanta cresteredescrestere). Serie de timp stationara:

T - momentul curent t - variabila timp Media aritmetica simpla este o metoda cu "memorie lunga" n sensul ca tine cont de ntreaga perioada istorica disponibila de unde se degaja si avantajul sau n ceea ce priveste stabilitatea (rezultatele nu sunt perturbate de fluctuatii ntmplatoare si temporare). Principalul sau dezavantaj este capacitatea redusa de a se adapta la eventuale modificari care pot sa apara n evolutia recenta a datelor.

Media mobila de lungime k Media mobila de lungime k se aplica tot pentru serii de timp stationare la fel ca si media simpla. Previziunea pentru perioada urmatoare, T+1, este media ultimelor k valori nregistrate.

Media mobila este un proces cu "memorie scurta" (se tine cont doar de cele mai recente valori), principalul avantaj al metodei fiind capacitatea ridicata de adaptare la conditiile cele mai recente nsa are ca dezavantaj o capacitate redusa de a surprinde tendinta pe termen lung a unui fenomen.

Media mobila exponentiala de lungime k Media mobila exponentiala de lungime k este o metoda foarte asemanatoare mediei mobile (are aceleasi avantaje principale si se aplica n aceleasi conditii), cu diferenta ca ponderile valorilor cuprinse n medie nu sunt egale, acestea descresc odata ce valorile devin mai ndepartate n timp.

Medie mobila de lungime 4:

Medie mobila exponentiala de lungime 4:

Avantajul unei medii mobile exponentiale este acordarea unei importante (ponderi) mai mari valorilor celor mai recente.

Metoda sporului mediu se foloseste pentru a previziona evolutii non-stationare cu tendinta aproximativ liniara. Aceasta metoda poate fi vazuta ca find echivalenta cu aplicarea metodei mediei aritmetice simple nsa nu pe valorile initiale (care nu sunt stationare) ci pe diferentele de ordinul nti (sporurile - care sunt stationare). n cazul tendintelor aproximativ liniare diferentele de ordinul nti sunt stationare si deci putem aplica oricare din metodele specifice seriilor stationare. Previziunea finala este realizata prin adunarea sporului mediu la ultima valoare nregistrata:

unde :

reprezinta sporul mediu de crestere (omega) - este orizontul de previziune (nr. de perioade pentru care se face previziunea)

Metoda indicelui mediu

Metoda indicelui mediu se foloseste pentru a previziona evolutii non-stationare cu tendinta aproximativ exponentiala. O serie de timp exponentiala poate deveni stationara prin calcularea seriei indicilor de dinamica.

Previziunea propriuzisa este realizata prin nmultirea ultimei valori cu valoarea indicelui mediu.

Unde:

reprezinta indicele mediu de dinamica calculat cu ajutorul mediei geometrice. (omega) - este orizontul de previziune (nr. de perioade pentru care se face previziunea)

Metoda clasica de descompunere (Metoda de descompunere sezoniera) Metoda clasica de descompunere (Metoda de descompunere sezoniera) se foloseste atunci cnd pe lnga tendinta generala a fenomenului urmarit se manifesta fluctuatii cu periodicitate fixa (lunara, trimestriala etc.). a. Modelul aditiv yt = Tt + St + Et Se foloseste atunci cnd ntre componente nu exista o relatie de proportionalitate. b. Modelul multiplicativ yt = TtSt Et Se foloseste atunci cnd ntre componente exista o relatie de proportionalitate.

Etapele realizarii unei previziuni prin metoda clasica de descompunere: i. Se calculeaza o medie mobila de ordin k. n general se utilizeaza: ordinul 4 pentru date trimestriale, ordinul 12 pentru date lunare, 5 sau 7 pentru date zilnice etc. Daca ordinul este par se aplica apoi o medie mobila de ordin 2 pentru centrarea mediei mobile. Aceasta medie are rolul de a nivela fluctuatiile sezoniere, reprezentnd o estimare provizorie a componentei de trend. ii. Se face diferenta/raportul dintre valorile observate si valorile obtinute prin media mobila centrata iii. Se calculeaza componenta sezoniera, St , ca o medie aritmetica/geometrica a valorilor obtinute n etapa anterioara pentru fiecare unitate de timp care formeaza ciclul sezonier (daca datele sunt lunare este calculata o medie pentru fiecare luna) iv. Prin diferenta/raportul dintre valorile observate si componenta sezoniera se obtine seria de timp desezonalizata. v. Se estimeaza componenta de trend, Tt , printr-o metoda specifica acestei componente (functii de tendinta, spor mediu, etc.) vi. Prin diferenta/raportul dintre datele initiale observate si suma/produsul componentelor de sezonalitate si trend se obtine componenta aleatoare, Et vii. Se extrapoleaza componenta de trend si cea sezoniera pe perioada aferenta orizontului de previziune viii. Se recompun valorile previzionate prin adunare/nmultire.

Nivelare exponentiala Nivelarea exponentiala este o metoda care poate fi adaptata cu succes unor situatii diverse. a. Nivelarea exponentiala simpla (NES). Conform acestei metode valoarea previzionata se calculeaza printr-o ecuatie recursiva care ajusteaza previziunea realizata anterior cu eroarea de previziune:

Ecuatia anterioara este echivalenta cu ecuatia:

unde si subunitar.

este parametrul de nivelare pozitiv

Altfel spus, valoarea previzionata se calculeaza ca o medie ponderata ntre ultima valoare reala nregistrata si previziunea care a fost realizata pentru perioada anterioara. Aceasta ultima varianta este cel mai frecvent utilizata n realizarea calculelor. Daca dezvoltam ultima formula vom gasi explicatia pentru denumirea metodei.

Se observa ca previziunea pentru perioada t+1 este de fapt o medie ponderata a valorilor observate pna n acel moment iar ponderile descresc exponential pe masura ce valorile observate devin din ce n ce mai ndepartate.

Alte tipuri de nivelare exponentiala sunt: NE dubla, NE adaptiva, metoda liniara a lui Holt, metoda pentru trend si sezonalitate Holt-Winter etc. b. Metoda liniarizata a lui Holt Metoda liniara se foloseste n situatia n care seria de date prezinta un trend liniar (crescator sau descrescator). Prin aceasta metoda se realizeaza o nivelare att pentru nivelul nregistrat la un moment dat ct si pentru sporurile de crestere. Cele doua componente sunt apoi agregate. Formulele de calcul sunt: Componenta de nivel (trendul estimat): Sporul de crestere: Valoarea previzionata: c. Nivelare exponentiala cu sezonalitate si trend (modelul Holt-Winters) i) Modelul pentru sezonalitate multiplicativa

Acest model se aplica n cazul unor evolutii care prezinta trend liniar si sezonalitate multiplicativa adica, o componenta sezoniera care se amplifica (diminueaza) proportional cu evolutia trendului.

Componenta de nivel (trendul estimat): Sporul de crestere:

Componenta sezoniera: Valoarea previzionata: Unde: s - periodicitatea (ex.: 12 pentru date lunare, 4 pentru date trimestriale etc.) n - numarul de cicluri sezoniere complete ale orizontului de previziune (ex.: daca orizontul de previziune este de 25 de luni, adica 2 ani si 1 luna atunci n = 2)

ii) Modelul pentru sezonalitate aditiva Spre deosebire de modelul multiplicativ n acest caz componenta sezoniera se calculeaza prin diferenta si se aduna la componenta de nivel. Se aplica deci pentru seriile a caror componenta sezoniera nu este proportionala fata de nivelul de baza. Formulele de calcul sunt: Componenta de nivel (trendul estimat): Sporul: Componenta sezoniera: Valoarea previzionata: Marimi economice care sa prezinte n evolutia lor o sezonalitate aditiva sunt mai putin ntlnite n realitatea economica. Din acest motiv modelul pentru sezonalitate aditiva este mai putin folosit.

Functii de tendinta

Functii de tendinta: c. Functia de tendinta liniara, asa cum i spune si denumirea, se utilizeaza n cazul tendintelor de tip liniar, la fel ca si metoda sporului mediu. Functia de tendinta liniara are urmatorea forma:

Se presupune ca procesul ,

, care urmeaza a fi previzionat este de forma:

unde: t - este variabila timp b - este panta dreptei de tendinta (aproximeaza sporul mediu de crestere) - este o variabila aleatoare normal distribuita de medie 0. Daca ultima perioada pentru care exista date este n (t = n) previziunea punctuala pentru perioada n + p va fi:

Intervalul de previziune se calculeaza pornind de la previziunea punctuala: Limita inferioara: Limita superioara:

Pentru usurarea calculelor se poate tine cont de relatia:

Unde: t - variabila timp mijlocul perioadei de timp istorice:

T - numarul de observatii istorice (momentul curent) - perioada aferenta orizontului de previziune. Cu ct orizontul de previziune este mai ndepartat ( mai mare) cu att intervalul de previziune devine mai larg

- nivel de semnificatie (riscul, probabilitatea ca valoarea reala sa fie n afara intervalului de previziune):

P - coeficientul de ncredere (probabilitatea cu care garantam ca valoarea reala sa se afle n intervalul de previziune). Cu ct valoarea P este mai mare cu att intervalul de previziune este mai larg . Valorile cele mai utilizate sunt: 0,90; 0,95; 0,99. - valoarea statisticii t cu distributie Student aferenta unui nivel de semnificatie /2

d. Functia de tendinta exponentiala


t

= abt

b - parametru care aproximeaza indicele mediu de crestere e. Logistica se foloseste atunci cnd fenomenul studiat creste cu un spor din ce n ce mai mic si se apropie de o limita superioara (prag de saturatie)

1.

2.

= c - ae- b t

c - este limita superioara (asimptota) a functiei si poate primi interpretarea de prag de saturatie al vnzarilor f. Logaritmica se foloseste atunci cnd fenomenul studiat creste cu un spor aflat n scadere fara sa existe nsa o limita superioara (prag de saturatie)
t

= a + b*ln(t)

3. Metode econometrice Metodele econometrice presupun estimarea cantitativa a relatiilor de cauzalitate ntre variabile economice. Odata ce aceasta relatie este estimata se poate realiza previziunea unei variabile, numita variabila dependenta, n functie de variabilele care o determina, numite variabile independente (factori de influenta . Pentru prima data un model econometric a fost utilizat n prognoza de Charles Sarle (1925) pentru a previziona pretul unor produse agroalimentare. De atunci si pna n prezent aceste metode au cunoscut o vasta expansiune. Regresia simpla Regresia simpla este o metoda cu o istorie considerabila fiind aplicata, n primele ei forme nca din 1877 de Francis Galton. Se presupune ca ntre doua variabile exista o relatie aproximativ de forma:

y - variabila dependenta care se doreste a fi previzioata x - variabila independenta (variabila cauzala, factor de influneta) a - arata un nivel de baza al variabilei dependente care nu depinde de variabila independenta (daca variabila dependenta reprezinta volumul vnzarilor iar variabila independenta reprezinta cheltuielile de publicitate atunci "a" arata care este volumul vnzarilor daca publicitatea este inexistenta) b - n acest caz parametrul b are semnificatia de spor marginal (modificarea variabilei dependente y la modificarea cu o unitate a variabilei independente x). Semnul parametrului arata sensul legaturii: directa (o crestere a variabilei independente duce la o crestere a variabilei dependente) daca semnul este pozitiv si inversa (o crestere a variabilei independente duce la o scadere a variabilei dependente) daca semnul este negativ.

Daca perioada curenta este n (t = n) previziunea pentru perioada n + p va fi:

Intervalul de previziune: Limita inferioara: Limita superioara:

T - numarul de observatii istorice - variabila independenta medie aferenta perioadei istorice - valoarea variabilei independente aferente orizontului de previziune p - perioada aferenta orizontului de previziune. - nivel de semnificatie (riscul, probabilitatea ca valoarea reala sa fie n afara Intervalului de previziune):

P - coeficientul de ncredere (probabilitatea cu care garantam ca valoarea reala sa se afle n intervalul de previziune). Cu ct valoarea P este mai mare cu att intervalul de previziune este mai larg. Valorile cele mai utilizate sunt: 0,90; 0,95; 0,99. - valoarea statisticii t cu distributie Student aferenta unui nivel de semnificatie /2

Regresia multipla Regresia multipla:

Parametrii a, bk au o interpretare similara regresiei simple Intervalul de previziune: Limita inferioara: Limita superioara:

unde: C - este un vector care contine valorile variabilelor explicative aferente orizontului de previziune:

X - este o matrice de ordin , care are pe prima coloana elemente de valoare 1, iar celelalte coloane sunt vectori formati din valorile istorice ale variabilelor explicative. Fiecare coloana reprezinta o variabila independenta iar fiecare linie o perioada de timp istorica.

Regresia dinamica Regresia dinamica estimeaza influenta variabilei independente care provine att din perioada curenta ct si din perioade anterioare:

care se mai poate scrie:

unde De exemplu: Vnzarile pentru un anumit produs sunt influentate att de publicitatea din perioada respectiva ct si de publicitatea realizata n perioade anterioare care poate sa ramna n memoria consumatorilor o perioada mai lunga de timp. 3.4. Regresia nonliniara Regresia nonliniara:

Un exemplu foarte cunoscut de regresie nonliniara este functia de productie Cobb-Douglas. Aceasta functie care face legatura dintre factorii de productie si rezultatele obtinute (productie, venituri) a fost propusa de Knut Wicksell si testata pe date reale de Charles Cobb si Paul Douglas (1928). Functia presupune urmatoarea relatie:

Unde: Y- veniturile (productia) nregistrate la momentul t K - factorul capital (capital fix etc.) M - factorul munca (nr. salariati, fondul de salarii etc.) T- progresul tehnic - parametrii Un astfel de model poate fi estimat n forma sa liniara (obtinuta prin logaritmare):

3.5.

Modele autoregresive multivariate/vectoriale (VAR)

Aparitia modelelor autoregresive multivariate/vectoriale (VAR) se datoreza activitatii lui Christopher Sims (1980), n prezent profesor de Economie si Finante bancare la Universitatea din Princeton.

Sistemul poate fi scris si sub forma matriciala:

,...,

Modelul poate fi generalizat pentru mai multe variabile: Se observa ca variabilele y1 si y2 sunt n acelasi timp variabile dependente si variabile independente (Ex.: deprecierea monedei nationale influenteaza n mod pozitiv exporturile iar o crestere a exporturilor conduce n general la aprecierea monedei nationale). Modelul poate fi estimat initial ntr-o forma generala de genul celei anterior prezentate iar apoi n urma testelor de semnificatie a parametrilor se poate decide care este adevarata natura a relatiei (variabillele cu parametrii nesemnificativi sunt eliminate). Datorita faptului ca natura relatiei nu este cunoscuta initial si nu este considerata o ipoteza de lucru modelul VAR mai este numit si "model ateoretic". 3.6. Modele de corectie

Modelele de corectie i sunt atribuite lui John Denis Sargan n 1964.

Retele neuronale n 1943 neuropsihologul Warren McCulloch si matematicianul Walter Pitts au publicat lucrarea "A Logical Calculus of the Ideas Immanent in Nervous Activity" punnd bazele retelelor neuronale. Simularea unei retele a fost relizata cu ajutorul unor circuite electrice. n 1949 Donald Hebb a scris "The Organization of Behavior" n care a aratat ca o conexiune neuronala devine tot mai putenica pe masura ce este folosita, concept fundamental n procesul de nvatare al unei retele.

n 1959, Bernard Widrow si Marcian Hoff au dezvoltat modelele ADALINE si MADALINE ("Multiple ADAptive LINear Elements"). MADALINE a fost prima retea neuronala folosita pentru a rezolva o problema reala si este nca folosita pe scara larga n special n controlul traficului aerian. Retelele neuronale au nceput sa fie utilizate pe scara larga odata cu introducerea algoritmului de propagare napoi a semnalului ("backpropagation"). Algoritmul a fost descris initial de Paul Werbos n 1974, iar apoi dezvoltat de David E. Rumelhart, Geoffrey E. Hinton si Ronald J. Williams n 1986. n 1982 John Hopfield propune legatura bidirectionala n cadrul unei retele lund nastere retelele neuronale recurente. n acelasi an a avut loc conferinta "Cooperative/Competitive Neural Networks" (SUA-Japonia) n care a fost lansata ideea unei noi generatii n domeniul calculatoarelor bazata pe inteligenta artificiala (I generatie - bazata pe comutatoare electrice, a II -a generatie - bazata pe tranzistori, a III-a generatie bazata pe circuite integrate si limbaje de programare avansate, a IV-a generatie - generatori de coduri si a V-a generatie bazata pe inteligenta artificiala). O retea neuronala artificiala sau, simplu, retea neuronala reprezinta un grup de neuroni artificiali interconectati, care utilizeaza un model matematic sau computational pentru procesarea informatiei. n cele mai multe cazuri, o retea neuronala artificiala este un sistem adaptiv care si modifica structura n functie de informatia externa sau interna care patrunde n retea. n termeni mai practici, retelele neuronale sunt instrumente de modelare a datelor statistice non-liniare. Pot fi utilizate pentru a modela relatiile complexe existente ntre informatiile care ies si care intra n retea. 4.1.1. Tipuri de retele

Retea neuronala cu propagare nainte a semnalului (ex.: Perceptron simplu, Perceptron multistrat), Retele radiale, Retele cu autoorganizare (ex.: Retea Kohonen), Retele recurente (ex.: Retea Hopfield), Retele neuronale stocastice (ex.: Mecanismul Boltzmann), Retele neuronale modulare, Retele neuronale asociative etc. 4.1.2. Retele neuronale artificiale cu propagare inainte a semnalului

Retele neuronale artificiale cu propagare inainte a semnalului . Retelele neuronale artificiale cu propagare inainte a semnalului sunt primele si cele mai simple tipuri de retele neuronale descoperite. n aceste retele, informatiile se misca doar nainte, prin intrari, neuroni ascunsi si iesiri, nu exista cicluri sau bucle. Perceptron simplu. Primul tip de retea neuronala este un perceptron simplu, care consta dintr-un singur strat de neuroni de iesire; intrarile sunt conduse direct la iesiri prin intermediul unor ponderi. Perceptron multistrat. Aceasta clasa de retele consta din multiple straturi de neuroni, de obicei interconectati, propagarea semnalului facndu-se ntr-un singur sens.

Fiecare neuron dintr-un strat este direct conectat la neuronii din stratul urmator. n cele mai multe sisteme de acest tip neuronii acestor retele aplica o functie sigmoidala ca functie de activare. Teorema de aproximare universala pentru retele neuronale afirma ca orice functie continua (care transforma intervale de numere reale n intervale de numere reale) poate fi aproximata printr-un perceptron multistrat cu doar un singur strat de neuroni ascunsi. Acest rezultat este aplicabil numai pentru anumite clase de functii de activare, cum sunt functiile sigmoidale. Prin urmare o retea neuronala de acest tip poate nlocui cu succes orice tip de functie (liniara sau non liniara) de genul functiilor de tendinta sau de regresie prezentate. Etape n elaborarea unei previziuni prin intermediul unui perceptron multistrat: 1. Determinarea structurii unei retele se bazeaza ntr-o prima faza pe teoria economica care ofera informatii privind factorii de influenta pentru variabila care se doreste a fi previzionata. Numarul factorilor de influenta precum si modul de manifestare temporala a influentei acestora (laguri: t-1, t-2, etc.) va determina numarul de intrari n retea. Totodata se va determina numarul de straturi ascunse si numarul de neuroni ai acestora precum si numarul iesirilor din retea. Iesirile din retea n general au acelasi numar ca si numarul de perioade pentru care se face previziunea (orizontul de previziune). Segmentarea bazei de date consta n impartirea acesteia n doua parti: o parte din baza de date pentru antrenarea (invatarea) retelei si o parte pentru validarea acesteia. Scalarea variabilelor de intrare este un procedeu aritmetic prin care datele de intrare sunt transformate astfel nct sa varieze n intervalul [0,1]. val.scalata = (val.initiala - val.minima)/(val. maxima - val.minima) 4. 5. Alegerea ponderilor initiale. Valorile initiale sunt n general fie valori alese aleator fie valori nule. Ponderarea si nsumarea valorilor de intrare. Neuronii din primul strat ascuns vor primi valorile de intrare n retea ponderate si nsumate. Fiecare neuron din starturile ulterioare va primi, ca valori de intrare, valorile de iesire ale tuturor neuronilor din straturile anterioare ponderate si nsumate.

2.

3.

valoarea de intrare a neuronului j

6.

Transformarea non liniara a valorii de intrare n fiecare neuron pentru obtinerea valorii de iesire. La nivelul fiecarui neuron are loc transformarea valorii de intrare, obtinute prin ponderare si nsumare, prin intermediul unei functii sigmoidale (logistice) care are de regula are forma:

7.

Calcularea erorii de estimare. Procesul continua (etapele 5 si 6) pana n momentul n care se obtin valorile de iesire din retea adica valorile previzionate. Aceste valori sunt comparate cu valorile reale, din baza de date de antrenare, obtinndu-se erorile de estimare.

8.

Ajustarea ponderilor retelei pe baza erorilor de estimare. nainte ca reteaua sa fie alimentata cu noi date ponderile sunt ajustate n functie de erorile obtinute n etapa anterioara.

- coeficient de nvatare (ntre 0 si 1) - coeficient de moment (ntre 0 si 1) - iesierea din neuronul j 9. Etapele 5-8 se repeta pna n momentul n care se termina toate valorile din baza de antrenare. n acest moment o prima "epoca" din procesul de nvatare este ncheiata.

10. Pentru a obtine o eroare de estimare ct mai mica procesul de nvatare necesita mai multe "epoci", adica toate datele din baza de nvatare sunt introduse n retea

de mai multe ori. Astfel se repeta etapele 5-9 pna cnd se obtine o valoare a ES dorita. 11. Cu ponderile optime obtinute reteaua este folosita pentru a previziona valorile din baza de validare. 12. Daca rezultatele nu sunt multumitoare se alege o noua arhitectura a retelei. Retea multistratificata: Sisteme hibride (Retele neuronale si Algoritmi genetici) Simulari privind procesele biologice evolutive au fost initiate de Nils Aall Barricelli n 1954. Desi Barricelli a folosit procesele evolutive ca metode de optimizare, algoritmii genetici au devenit metode de optimizare unanim recunoscute n mediul academic abia la nceputul anilor '70 datorita activitatii lui John Holland. Prima conferinta internationala tinuta pe tema Algoritmilor Genetici, la Universitatea din Illinois, a avut rolul de a deschide portile aplicatiilor practice, care au devenit posibile datorita expansiunii utilizarii calculatorarelor de birou n mijlocul anilor '80. Prima aplicatie comerciala bazata pe algoritmi genetici a fost Evolver(1989) realizat de compania Axcelis Inc. dar care se afla acum n proprietatea companie Palisade. n prezent algoritmii genetici sunt folositi n foarte multe companii pentru a rezolva diferite probleme de optimizare legate de logistica, bugetare, estimari de tendinte etc. Algoritmii genetici imita procesele evolutive biologice pentru a rezolva probleme complexe de optimizare. Un exemplu de problema care poate fi solutionata n acest fel este gasirea unei arhitecturi optime pentru o retea neuronala. Exita programe informatice care combina retelele neuronale cu algoritmii genetici rezultnd sisteme hibride care au capacitatea de a crea retele si de a gasi cea mai buna arhitectura de retea pentru previzionarea unui fenomen. Populatia initiala de retele este reprezentata de retelele de la care se porneste ncrucisarea. Retelele sunt evaluate cu ajutorul unei functii obiectiv, n acest caz ES. Doar un procent din retelele initiale vor fi pastrate pentru o ncrucisare ulteriora. Procentul care este pastrat pentru ncrucisare ulterioara se numeste rata de ncrucisare. Mutatia implica pe lnga schimbul reciproc al unor gene si o modificare a acestora cu o anumita cantitate sau anumit procent care se numeste rata mutatiei. Prin ncrucisari succesive se obtin noi generatii pna cnd se ajunge la o retea cu o arhitectura optima. Generatia 0. Populatia initiala de retele este reprezentata de retelele de la care se porneste ncrucisarea. n acest caz vor fi pastrate doar primele doua (rata de ncrucisare = 50%) cu ES cea mai mica. Nr.intrari Nr.neuroni Startul 1 Nr. Neuroni Startul 2 Nr.iesiri Constanta ES

7 3 15 20

6 4 14 17

5 4 14 0

2 1 1 2

1 0 0 1

95 80 90 81

Generatia 1 Noile retele vor fi obtinute prin ncrucisarea retelelor selectate adica prin schimbarea unor gene (proprietati) ale acestora. a) Fara mutatie Nr.intrari Nr.neuroni 3 20 20 3 Strat ascuns 1 4 17 4 17 Nr. Neuroni Strat ascuns 2 4 0 4 0 Nr.iesiri Constanta ES 1 2 1 2 0 1 0 1 80 81 75 85 Retea parinte Retea parinte Retea noua Retea noua

b) Mutatia implica pe lnga schimbul reciproc al unor gene si o modificare a acestora cu o anumita cantitate. De obicei mutatia se utilizeaza pentru a obtine posibilitati mai numeroase si pentru a nu se reajunge la populatia initiala. Nr.intrari Nr.neuroni 3 20 21 4 Stratul 1 4 17 4 17 Nr. Neuroni Stratul 2 4 0 4 0 Nr.iesiri 1 2 1 2 Constanta 0 1 0 1 ES 80 81 78 83 Retea parinte Retea parinte Retea noua Retea noua

Se continua cu ncrucisarea celorlalte gene (nr.neuroni ai stratului ascuns 1 etc.) Trebuie precizat ca n aplicatiile reale se porneste de la populatii mult mai numeroase. Datorita numarului imens de calcule si iteratii algoritmii specifici inteligentei artificiale nu pot fi utilizati n mod practic fara calculatoare cu viteza mare de calcul si programe software adecvate.