Аннотация
данная статья посвящена оценке достаточности имеющихся данных для факторного анализа с целью создания формулы плановой потребности в рамках годовой заявки с целью снижения трудовых затрат персонала. Для реализации использовался язык программирования C# и средства Microsoft Excel. В наборе данных рассматриваются такие данные, как численность льготополучателей региона, страдающих сахарным диабетом, среднегодовое изменение такой численности, количество получаемого препарата, половой состав пациентов, страдающих диабетом, их возрастной состав и количество пациентов, разделенных на три группы по количеству льготных категорий: с одной категорией, двумя категориями и тремя и более категориями. В работе используются упрощения, не оказывающие существенного влияния на получаемые значения в силу специфики предметной области. Полученные результаты указывают на перспективность реализации данного метода, планируется создание и обучение нейронной сети для формирования более точных формул расчета плановой потребности. Также сделан вывод о необходимости изучить вопрос автоматизированного создания модели для факторного анализа с целью проверки качества текущей модели. Для позиций, имеющих достаточный объем данных для обучения нейронной сети, эффективно предсказывающей плановую потребность, имеет смысл использовать ее, а не рассматриваемое решение.
Литература
Крыжановский В. Д. Использование рекуррентных нейронных сетей для прогнозирования плановой потребности региона. Актуальные проблемы прикладной математики, информатики и механики. Воронеж: Научно-исследовательские публикации; 2023. С. 1411–1415.
Друк И. В., Ряполова Е. А. Метформин: обновленные рекомендации и плейотропный потенциал. Терапия. 2016;4(8):44–51.
Архив Корнеллского университета. Режим доступа: https://arxiv.org/pdf/1909.00590v2.pdf.
Tarkov M., Kozhushko O. Regression Analysis of Text Ranking Algorithms by Neural Networks. Bulletin of the Novosibirsk Computing Center. Series: Computer Science. 2016;39:63–70. DOI: 10.31144/bncc.cs.2542-1972.2016.n39.p63-70.
Терехов С. А. Введение в байесовы сети. М.: Московский инженерно-физический институт; 2003. 186 с.
Платформа TensorFlow: официальный сайт. Режим доступа: https://www.tensorflow.org/.
Шовин В. А., Гольтяпин В. В. Факторное моделирование с помощью нейронной сети. Математическое моделирование и численные методы. 2016;2:85–103. DOI: 10.18698/2309-3684-2016-2-85103.
Лила В. Б., Пучков Е. В. Методология обучения рекуррентной искусственной нейронной сети с динамической стековой памятью. Программные продукты и системы. 2014;4:132–135. DOI: 10.15827/0236-235X.108.132-135.
Тетерин Д. А., Хабибулин Р. Ш., Гудин С. В. Обзор применения искусственных нейронных сетей в управлении социальными и экономическими системами. Научные ведомости. Серия Экономика. Информатика. 2018;45(3):574–583. DOI: 10.18413/2411-3808-2018-45-3-574-583.
Иберла К. Факторный анализ. М.: Финансы и статистика; 1980. 398 с.