Нечеткое регрессионное моделирование в задачах управления аграрным производством

Проблема учета и моделирования неопределенности в современных задачах управления является одной из самых насущных. Эффективность принимаемых решений существенно зависит от методов описания имеющейся в задаче неопределенности. Наибольшего развития в аграрной науке получили оптимизационные и эконометрические модели. Однако и те, и другие базируются на количественной детерминированной исходной информации и учете неопределенности как случайности, для описания которой применяются вероятностно-статистические методы. Между тем многие современные задачи принятия решений в планировании и управлении аграрным производством характеризуются наличием неопределенных факторов, а также наличием качественной, неточной или неполной информации. Для учета и описания такой неопределенности нужен подход альтернативный вероятностному подходу. Одним из наиболее эффективных математических инструментариев, направленных на формализацию и обработку неопределенной информации является метод теории нечетких множеств. Раздел эконометрики, связанный с применением теории нечетких множеств в регрессионном анализе, занимается разработкой методов нечеткого регрессионного моделирования. В данной статье рассматриваются возможности применения инструментария нечеткого регрессионного моделирования для анализа процессов управления аграрным производством

Ключевые слова: нечеткое моделирование, регрессия, анализ, аграрное производство

Список использованных источников

  1. Ю. А. Зак. Принятие решений в условиях нечетких и размытых данных. М.: Изд. «Либроком», 2018. 352 с.
  2. А. С. Птускин. Нечеткие модели и методы в менеджменте. М.: Изд. МГТУ им. Баумана, 2008. 216 с.
  3. В. Е. Парфенова. Нечеткие модели принятия оптимальных решений в управлении аграрным производством//Инновации. № 10. 2018. С. 88-92.
  4. J.-G. Lin, Q.-Y. Zhuang, C. Huang. Fuzzy Statistical Analysis of Multiple Regression with Crisp and Fuzzy Covariates and Applications in Analyzing Econo mic Data of China//Computational Economics. 2012. 39. P. 29-49.
  5. Yun-Hsi O. Chang, Bilal M. Ayyub Fuzzy regression methods-a comparative assess-ment//Fuzzy Sets and Systems. Vol. 119 (2). 2001. P. 187-203.
  6. M. Sakawa, H. Yano Multiobjective fuzzy linear regression analysis for fuzzy input–output data//Fuzzy Sets and Systems. 1992. V. 47. P. 173-181.
  7. O. V. Seraya, D. A. Demin. Linear regression analysis of a small sample of fuzzy input data//Journal of Automation and Information Sciences. 2012. V. 44. Issue 7. P. 34-48.
  8. H. Tanaka, J. Watada. Possibilistic linear systems and their application to the linear regres-sion model//Fuzzy sets and systems. 1988. Vol. 27. № 3. Р. 275-289.
  9. Л. А. Заде. Понятие лингвистической переменной и его применение к принятию приближенных решений. М.: Мир, 1976. 168 с

Авторы