Перегляд за Автор "Prokopovich L. B."
Зараз показуємо 1 - 2 з 2
Результатів на сторінці
Налаштування сортування
Документ Використання методів інтелектуального аналізу даних для вибору бази розподілу загальновиробничих витрат(Ефективна економіка, 2020-08-27) Прокопович Л. Б.; Каткова Н. В.; Prokopovich L. B.; Katkova N. V.У статті розглянута проблема обґрунтування вибору бази розподілу загальновиробничих витрат. Визначені причини ускладнення розподілу загальновиробничих витрат. Зазначено, що, оскільки прямі витрати на оплату праці є самою розповсюдженою базою розподілу загальновиробничих витрат на багатьох підприємствах, зменшення її частки у структурі виробничої собівартості продукції, як мінімум, ставить питання пошуку нової бази розподілу, як максимум – вимагає застосування інших способів калькулювання. З метою підвищення рівня обґрунтованості вибору бази розподілу для статей загальновиробничих витрат запропоновано застосування методу інтелектуального аналізу даних, що дозволить підвисити точність обчислення розподілених та нерозподілених загальновиробничих витрат й, відповідно, виробничої собівартості продукції (робіт, послуг). Розроблено загальну схему використання методу нечіткої множини для вибору бази розподілу загальновиробничих витрат. На прикладі конкретного підприємства розглянуто можливість застосування інтелектуального аналізу даних у обліковій діяльності для обґрунтування вибору бази розподілу загальновиробничих витрат.Документ Модель прогнозування витрат на інноваційну діяльність у промисловому секторі України(2023-05) Волосюк Марина Валеріївна; Прокопович Леонід Борисович; Volosiuk M. V.; Prokopovich L. B.У статті розглянуто проблему підвищення достовірності оцінки величини витрат на інноваційну діяльність у промисловому секторі України. Використовуючи як первинні дані інформацію попереднього дослідження, проаналізовано залежність витрат інноваційної діяльності від групи факторів, внаслідок чого було вирішено побудувати багатофакторні регресійні моделі. Для побудови даної групи моделей було використано метод найменших квадратів. У процесі перевірки отриманих багатофакторних моделей виявилося, що кожна модель має внутрішні параметри, в яких величина p-значень перевищує граничне значення, а значить, отримані величини внутрішніх параметрів моделі ні є суттєвими. Тому всі багатофакторні моделі, побудовані за допомогою методу найменших квадратів, були усунені від подальшого дослідження. На наступному етапі дослідження побудовано однофакторні регресійні моделі за допомогою методу найменших квадратів, де як фактор було використано кількість освоєного виробництва нових видів продукції (технологічних процесів). Після відсіювання несуттєвих моделей ті, що залишилися, були порівняні стосовно їх якісних характеристик. Проте в усіх однофакторних моделях виявилося, що розраховані величини середньої помилки апроксимації перевищили 10 %. Тому, знову ж таки, всі моделі були усунені від подальшого дослідження. У зв’язку з неможливістю отримання моделі за допомогою методу найменших квадратів в процесі моделювання було вирішено використати методи машинного навчання з учителем. Серед методів машинного навчання вирішено звернути увагу на методи: k-ближніх сусідів, дерева регресії, нейронної мережі. Беручи до уваги те, що на ці моделі мультиколінеарність між факторами не впливає негативно, як дані для моделей були використані початкові дані без додаткових перетворень. За результатами дослідження виявилася, що серед моделей за методами машинного навчання найліпшими виявилися модель бінарного регресійного дерева рішень (при величині гіперпараметра max_depth = 3) та нейронної мережі. При порівнянні вказаних моделей виявилося, що модель на основі дерева рішень має меншу величину середньої помилки апроксимації, а значить, дану модель можна рекомендувати до використання при прийнятті управлінських рішень щодо прогнозування витрат на інноваційну діяльність підприємств промисловості в майбутньому.