Предиктивное управление макрологистической инфраструктурой в нестабильной экономической среде на основе методов машинного обучения
Автор: Шульженко А.О.
Журнал: Вестник Алтайской академии экономики и права @vestnik-aael
Рубрика: Экономические науки
Статья в выпуске: 3-2, 2022 года.
Бесплатный доступ
В статье представлены разработки в части предиктивного управления логистической инфраструктурой в макрологистических системах в условиях высокой турбулентности внешней экономической среды, определяемой ужесточением санкционного режима, глобальным замедлением и потенциальной переориентацией внешнеэкономических связей. Глобальное и слабопрогнозируемое изменение параметров потоков внешнеторговых грузов требует применения аппарата адаптивного управления логистической инфраструктурой макроуровня, разработка которого выполнена с использованием математического обеспечения реализации методов машинного обучения, основанных на положениях байесовского подхода. В частности, представленные в статье результаты детального анализа априорных распределений по параметрам моделей с последующим их байесовским сравнением, а также сопряженных апостериорных распределений параметров исследуемых процессов позволяют разрабатывать решения по определению приоритетных направлений ускоренного развития макрологистической инфраструктуры с учетом колебаний основных факторов.
Логистическая инфраструктура, транспортно-логистические процессы, машинное обучение в логистике, байесовский подход
Короткий адрес: https://sciup.org/142234388
IDR: 142234388 | УДК: 330.46(082)
Predictive management of macrological infrastructure in an unstable economic environment based on machine learning methods
The article presents developments in predictive management of logistics infrastructure in macrological systems in conditions of high turbulence of the external economic environment, determined by the tightening of the sanctions regime, global slowdown and potential reorientation of foreign economic relations. Global and poorly predictable changes in the parameters of foreign trade cargo flows require the use of adaptive management of logistics infrastructure at the macro level, the development of which is carried out using mathematical support for the implementation of machine learning methods based on the provisions of the Bayesian approach. In particular, the results presented in the article of a detailed analysis of a priori distributions according to the parameters of the models with their subsequent Bayesian comparison, as well as conjugate a posteriori distributions of the parameters of the processes under study, allow us to develop solutions for determining priority areas of accelerated development of the macrological infrastructure, taking into account fluctuations in the main factors.
Список литературы Предиктивное управление макрологистической инфраструктурой в нестабильной экономической среде на основе методов машинного обучения
- Прокофьева Т.А., Гончаренко С.С. Управление развитием логистической инфраструктуры – стратегическое направление реализации транзитного потенциала России в системе евроазиатских МТК и интенсивного экономического роста регионов европейского севера, Сибири и Дальнего Востока // Вестник транспорта. 2019. № 6. С.8-15.
- Савин Г.В. Логистическая стратегия в обеспечении потоков транспортно-логистической системы мезо-уровня // Российский экономический вестник. 2019. № 5. С. 166-171.
- Шульженко Т.Г., Молонова А.В., Новицкая В.Д. Формирование предиктивных аналитических моделей развития логистической инфраструктуры // Актуальные проблемы развития экономики и менеджмента. 2020. № 3. С. 145-155.
- Шульженко Т.Г. Совершенствование методов стратегического анализа в задачах инновационного развития логистической инфраструктуры / РИСК: Ресурсы. Информация. Снабжение. Конкуренция. 2020. № 2. С. 21-29.
- Aggarwal, C. C. Linear Algebra and Optimization for Machine Learning. Springer. 2020.
- Barzilai J., Borwein J.M. Two-Point Step Size Gradient Methods. IMA Journal of Numerical Analysis. 1988. № 8(1). Р. 141–148.
- Blei D.M., Smyth P. Science and data science. In: Proc. Natl. Acad. Sci. U. S. A. 2017.
- Blyde J., Molina D. Logistic Infrastructure and international location of fragmented production. Journal of International Economics. 2015. № 95. Р. 319-332.
- Carlin B.P., Louis T.A. Bayesian Methods for Data Analysis, Third Edition. Boca Raton, FL: Chapman and Hall/CRC, 2008.
- Domingos P. The Master Algorithm, Basic Books, 2015.
- Fletcher R. On the Barzilai–Borwein Method. In: Qi L., Teo K., Yang X. (eds.). Optimization and Control with Applications. Applied Optimization 96, Р. 235–256. Boston: Springer, 2005.
- Franceschi L., Donini M., Frasconi P., Pontil M. Forward and Reverse Gradient-Based Hyperparameter Optimization. ICML, 2017.
- Gelman A., Carpenter B. Bayesian analysis of tests with unknown specificity and sensitivity. MedRxiv, 2020.
- Kevin P.M. Probabilistic Machine Learning: An Introduction, MIT Press, 2021.
- Tibshirani R. Regression Shrinkage and Selection via the lasso. Journal of the Royal Statistical Society. Series B (methodological). 1996. № 58(1). Р. 267–288.
