Перейти до вмісту (натисніть Enter)
Гібридна модель мультиплікативної агрегації для довгострокового прогнозування індексу споживчих цін (in English)
ЗАВАНТАЖИТИ СТАТТЮ
АНОТАЦІЯ
Актуальність дослідження зумовлена необхідністю модернізації прогнозного інструментарію оцінки ін-фляційних процесів в умовах високої макроекономічної невизначеності. Метою роботи є розробка та вдоско-налення методичного підходу до оцінювання індексу споживчих цін на основі інтеграції гібридних даних та апарату нечіткої логіки, що дозволяє формалізувати неочевидні закономірності в динаміці цін. Методологіч-на база роботи містить системне поєднання методів інтелектуального аналізу даних та економіко-математичного моделювання. Інструменти інтелектуального аналізу забезпечують якісну попередню обробку та верифікацію гетерогенних статистичних масивів у режимі реального часу. На цій основі апарат еко-номіко-математичного моделювання, що базується на нечіткій логіці, дозволяє формалізувати нелінійні взаємозв'язки між показниками та трансформувати кількісні дані у стратегічні управлінські сценарії. У ро-боті застосовано підхід перехресної верифікації гетерогенних часових рядів для формування валідованого ма-сиву показників. Математична формалізація синтезу базується на схемі Беллмана-Заде з використанням три-кутних функцій належності та мультиплікативної згортки, що забезпечує чутливість моделі до прихованих ризиків. У результаті дослідження розроблено гібридну модель, яка дозволяє ідентифікувати перехід системи у зони невизначеності та оцінювати ступінь можливості реалізації макроекономічних сценаріїв. Ретроспек-тивна верифікація підтвердила достовірність моделі в ідентифікації шокових станів та її спроможність адекватно відтворювати структурні зміни в динаміці цін. Запропонований підхід дозволяє менеджменту трансформувати стратегію управління з реактивної на проактивну. Практична значущість результатів по-лягає у створенні аналітичного інструментарію для переходу від пасивного моніторингу інфляційних процесів до превентивної адаптації управлінських рішень. Модель може бути інтегрована в систему стратегічного планування як функціональний елемент антикризового управління, що дозволяє мінімізувати часовий лаг між виникненням сигналу про дестабілізацію та впровадженням відповідних коригувальних заходів.
КЛЮЧОВІ СЛОВА
індекс споживчих цін, нечітка логіка, схема Беллмана-Заде, макроекономічне прогнозування, мультиплікативний синтез, адаптивне моделювання
ПОСИЛАННЯ
1. Геєць В. Суперечності та перспективи економічного зростання на інноваційній основі в Україні. Економіка України. 2024. № 11(756). С. 3-28.
2. Сіденко В. Виклики і можливості для стійкого економічного розвитку України в контексті глобального транзиту. Економіка України. 2024. № 1(746). С. 3–39.
3. Скрипниченко М. І. Макроекономічні оцінки і прогнози повоєнного відновлення економіки України. Економічна теорія. 2022. № 2. С. 29-43.
4. Stock J. H., Watson M. W. Forecasting Using Principal Components from a Large Number of Predictors. Journal of the American Statistical Association. 2002. Vol. 97, no. 460. Pp. 1167-1179.
5. Мямлін В. В. Аналіз запропонованих моделей соціально-економічного розвитку України з позицій системного підходу. Review of Transport Economics and Management. 2026. Вип. 14(30). С. 245-270.
6. Saaty T. L. Relative Measurement and Its Generalization in Decision Making Why Pairwise Comparisons are Central in Mathematics for the Measurement of Intangible Factors. The Analytic Hierarchy/Network Process. 2008. RACSAM, Vol. 102(2). Pp. 251-318.
7. Новікова Ю., Романенко Т., Кравченко В. Математичне моделювання багатовимірних процесів у задачах. Наука і техніка сьогодні. 2026. № 3(57). С. 2732-2740.
8. Moshiri S., Cameron N. Neural networks versus econometric models in forecasting inflation. Journal of Forecasting. 2000. Vol. 19, No. 3. Pp. 201–217.
9. Paranhos L. Predicting inflation with recurrent neural networks. International Journal of Forecasting. 2025. Vol. 42, Article in press.
10. Forecasting inflation in a data-rich environment: The benefits of machine learning / M. C. Medeiros, G. F. Vasconcelos, Á. Veiga, E. Zilberman. Journal of Business & Economic Statistics. 2019. Vol. 39, No. 1. Pp. 98-119.
11. Sengupta S., Chakraborty T., Singh S. K. Forecasting CPI inflation under economic policy and geopolitical uncertainties. International Journal of Forecasting. 2025. Vol. 41, No. 3. Pp. 953-981.
12. Zadeh L. A. Fuzzy logic and the calculi of fuzzy rules, fuzzy graphs, and fuzzy probabilities. Computers & Mathematics with Applications. 1999. Vol. 37, No. 11-12. Pp. 35.
13. Yager R. R. On a general class of fuzzy connectives. Fuzzy Sets and Systems. 1980. Vol. 4, No. 3. Pp. 235-242.
14. Inflation, consumer prices (annual %) for Ukraine (FPCPITOTLZGUKR). Federal Reserve Bank of St. Louis (FRED)
15. Споживча інфляція в Україні / Державна служба статистики України.
16. Ukraine Consumer Price Index (CPI) / Trading Economics.
17. А. О Абрамова. Розробка алгоритму нечіткого виводу в Matlab для прийняття рішень в умовах невизначеності для проектованих об'єктів. Матеріали XVI Міжнародної конференції Вимірювання та управління в складних системах (MCCS-2022). 2022.
18. Han J., Kamber M., Pei J. Data Mining: Concepts and Techniques. 3rd Edition. Morgan Kaufmann, 2012.
19. Bellman R. E., Zadeh L. A. Decision-Making in a Fuzzy Environment. Management Science. 1970. Vol. 17, No. 4. Pp. B141-B164.
20. Дебела І. М. Нечіткий алгоритм прийняття рішень: схема Беллмана-Заде оцінки альтернатив. Управління інноваційним розвитком соціально-економічних систем : колективна монографія / за заг. ред. В. В. Храпкіної, К. В. Пічик. Київ : НаУКМА, 2024. С. 626-634.
