«МӘліметтерді талдау және экономиканы болжау» ПӘнінің ОҚУ-Әдістемелік кешені

1. 
   Экономикалық өсу моделін зерттеу.
   
2. 
   Нейман моделі.
   
3. 
   Макроэкономикалық тербеліс
   

3.ШапкинА.С., МазаеваН.П. Математические методы и модели исследования операций. М.: Высшая школа, 2003

.

Дәріс мақсаты: Экономикалық өсу моделін зерттеу. Нейман моделі. Макроэкономикалық тербеліс

• 
  Экономикалық өсу моделін зерттеу.
  
• 
  Нейман моделі.
  
• 
  Макроэкономикалық тербеліс
  

Экономикалық процестерді болжау мен моделдеу сұрақтары барлық уақытта көкейтесті және қажетті. Математикалық моделді өз экономикалық зерттеулерде Ф. Кенэ (1758ж «Экономикалық кесте»), А. Смит (Классикалық макроэкономикалық модель), Д. Pикардо («Халықаралық сауда моделі») т.б. қолданды. Ал ХХ ғасырда экономиканың математикалық моделдері өте кеңінен қолданылды. Нобель сыйлығына ие болды барлық жұмыстар онымен байланысты болды (Д. Хинс, Р. Солоу, В Леонтьев, П. Самуэльсон, Л. В. Кaнторович т.б).

Россияда ХХ ғасырдың басында экономиканы математикалық моделдеуге Б. Н. Дмитриев пен Е.Е. Слуцкий өте үлкен үлес қосты. 30-50-ші жылдары бұл облыста даму болған жоқ. Экономикалық математикалық бағыт 60-80 жылдары (В.С Немчинов, В.В.Новоисилов, Л. В. Конторович т.б.). «Социялистік экономиканың жұмысын октималдау», (Н.П. Федоренко, С.С. Шаталин т.б.). Халықшаруашылығыжоспарларының өп деңгейлерінің жүйелерін моделдеу, солар мен кәсіпорындардың оптималдау моделдері зерттеледі. Қазақстанда эканомикалық процестерді моделдеубағытын ССРО ҒА орталық экономикалық институтының ғалымдары, олардың ішінде Байзанов С.Б., Кенжегузин М.К., Орынбеков А.О., т.б. атауға болады.

Жаңа компьютерлік технологияларға экспертті және интеллектуалды жүйелер, жасанды интеллект әдістері, білім базасы, мәліметтер базасы, компьютерлік моделдеу, нейронды желілер, анық емес жүйелер. Қазіргі заманғы интеллектуалды автоматтандырылған мәліметтерді талдау технологиялары жаңа білімді құруға, жасырын заңдылықтарды анықтауға, жүйенің болашақ жағдайын болжауға көмектеседі.

Кез келген ақпараттың – аналитикалық «шолу» есептерінде пәндік есептер қандай болса да төрт этаптан тұрады: есептің қойылуы, мәліметтерді іздеу, мәліметтерді талдау және ақпараттарды көрсету. Қазіргі кездегі компьютерлік жүйелер мен Интернет желісінің дамуын есептесен, онда ақпараттар көзі 80 % - дан 90-95 % - дейін өседі.

Интелектуалды автомантталдырылған мәліметтерді талдаудың қажеттілігі жинақталған ақпараттар көлеміне байланысты. Күнделікті әртүрлі мемлекеттік, ғылыми және басқа мекмелердің алатын мәліметтер көлеміне нақты баға беру мүмкін емес. Мысалы: Lexis Nexis компаниясының 31000тұрақты ақпарат көзі және 1,4 милярд артық құжаттары бар. Data Warehouzing – қабылданған шеімді қолдау ақпараттары үшін жүйелер жиыны, қажет ақпаратты белгілі уақыт және орынға жеткізеді. Data Mart – жеке қызметтертуралы ақпарат мәліметтері.

Data Mining – шешім қабылдаудың аналитикалық әдісі корреляциа мәндерін анықтау және үлкен мәліметтердің тенденциясын көрсету. Күрделі есеп берулер мен соңғы қолдаңушыға ақпарат жеткізу. Business Intelligence (BI) BI - әрекетінің тізбегін келесі үш бөлуге болады.

• 
  Әр түрлі МҚ сақталатын мәліметтердің әр түрл типін консолидациялау;
  
• 
  Қойылған есептің оптимал шешімі туралы гипатизанты зерттелетін объектті болжау арқылы ранжирлеу, сегментациялау, ең жақсы мәндерін табу, т.б.
  
• 
  Шешімдерді өткізу бойынша әрекеттер мен ұсыныстар, Мысалы именттерді сақтау, тізімді оптималдау, клиенттермен жұмыс істегенде ақша қорларын орналастырудағы тәуекелдікті азайту.
  

С (t)=а (1)+ в (1,1)*У(t)+в(1,2)х(t-1)+И(1)-тұтыну функциясы

I (t)=а (2)+в (2,1)х r(t)+в (2,2) Х I (t-1)+И(2)-инвестиция функциясы

R (t)=а (3)+в (3,1)ху (3)+в (3,2)хм (t)+И(3)-ақша нарығы функциясы

У (t)=с (t)+ I (t)+ 6 (t)табыс теңдігі. С (t)- t мерзіміндегі тұтыну шығындары; У (t)-жиынтық табыс; I (t)-инвестиция; R (t)-проценттік ставка; М (t)-ақша массасы; G (t)-мемлкеттік шығындар; I (t-1)-(t-1)-мерзімдегі инвестиция; С (t-1)-тұтыну шығындары; И (1), И (2), И (3)-кездейсоқ қателер