|
F(X) = (MX —> max,<7 -> max, A -> max,E -» max,H —> max) (3.23) имеет смысл оценки максимального риска ошибки [44]. Представленная реализация векторного подхода к оценке риска вместе с R/S анализом представляют инструментарий для ранжирования различных отделений по показателю спроса на их услуги. Для оценки инвестиционной потребности объектов, при ограниченности общего финансирования, нужно учитывать «удельную стоимость» одного койко-места в разнопрофильных отделениях, при вариантах: простого расширения действующего коечного фонда и при условии модернизации (например, в форме весовых коэффициентов локальных критериев в ВЦФ (3.23), представленной в виде свертки). Выводы по третьей главе 1. Сопоставляя результаты предпрогнозного анализа, полученные в главе 2, с результатами прогнозирования, представленными в таблицах 3.8 и 3.9, представляется возможным утверждать, что результаты прогнозирования на базе клеточного автомата в достаточной степени согласуются с результатами предпрогнозного анализа, полученными как с помощью фрактального анализа, так и с помощью фазового анализа: достаточно приемлемым погрешностям числового и лингвистического прогноза рассмотренных девяти временных рядов (предшествовали неудовлетворительные предпрогнозные характеристики этих рядов (как исходных так и агрегированных); вполне приемлемым (т.е. сопоставимым с погрешностью исходных данных) погрешностям числового и лингвистического прогноза временного ряда регистрации больных в отделении «Пульмонология» предшествовали вполне удовлетворительные прогнозные характеристики агрегированного временного ряда этого отделения. 2. В контексте сложившихся к настоящему времени методов экономикоматематического прогнозирования можно утверждать, что реализации 139 |
лизована на временных рядах котировки акций известных российских компаний «РАО ЕЭС», «Ростелеком» и «Сибнефть» и наиболее полно представлена в настоящей диссертационной работе на конкретных исходных данных компании «Сбербанк». 4.4 Выводы к главе 4 1. Сопоставляя результаты предпрогнозного анализа, полученные в главах 2 и 3, с результатами прогнозирования, представленными в приложении 3 и таблице 4.7, представляется возможным утверждать, что результаты прогнозирования на базе клеточного автомата в достаточной степени согласуются с результатами предпрогнозного анализа, полученными как с помощью фрактального анализа, так и с помощью фазового анализа: достаточно значительным погрешностям числового и лингвистического прогноза временных рядов котировки акций компаний «РАО ЕЭС», «Ростелеком» и «Сибнефть» (см.табл.4.7) предшествовали неудовлетворительные предпрогнозные характеристики этих рядов (как исходных так и агрегированных); вполне приемлемым (т.е. сопоставимым с погрешностью исходных данных) погрешностям числового и лингвистического прогноза временного ряда котировки акций компании «Сбербанк» предшествовали вполне удовлетворительные прогнозные характеристики агрегированного ВР этой компании. 2. В контексте сложившихся к настоящему времени методов экономико-математического прогнозирования можно утверждать, что реализации собственно прогнозирования, по необходимости должен предшествовать этап предпрогнозного анализа. Имеется основание ожидать, что чем лучше предпрогнозные характеристики, тем лучше результаты прогнозирования. При этом целесообразно реализовать комбинированный подход к построению, визуализации и совместному использованию клеточного автомата, фа |