Материалы в свободном доступе

Демографические показатели являются важными параметрами государственных программ по развитию России, а оперативный мониторинг демографического развития – залог успешной реализации программ. Очень часто данные государственной статистики публикуются с задержкой, что не позволяет использовать их при оперативном мониторинге и планировании. В настоящей работе рассматривается подход, позволяющий оперативно оценивать демографические процессы в области формирования семьи и прогнозировать демографические тенденции в краткосрочном будущем на основе данных статистики запросов из Google Trends. Взаимосвязи между данными поисковых запросов и демографическими показателями анализируются с помощью корреляции Пирсона. Для анализа используются годовые (коэффициенты рождаемости, количество абортов на 100 рождений, количество абортов на 1000 женщин, количество браков и разводов на 1000 населения) и месячные данные (число родившихся, количество браков и разводов) по рождениям, бракам и абортам с лагом и без. Анализ проводится на данных по России в целом и для восьми самых населенных регионов: Москва, Московская область, Краснодарский край, Санкт-Петербург, Ростовская область, Свердловская область, Республика Татарстан, Республика Башкортостан. Используя временные ряды, доступные в Google Trends с 2004 года, авторы демонстрируют, что некоторые демографические показатели могут быть спрогнозированы на основе данных родственных запросов к поисковому алгоритму Google с использованием модели ARIMA. Таким образом, возможно использовать данные поисковых запросов в качестве хорошего дополнения к данным демографических показателей, при построении моделей множественной регрессии для демографических расчетов или использовать в качестве прокси-переменных. Продолжение...

Цель работы – описание нового метода моделирования объектов в виде комплекса информационных задач, включающего симплициальный анализ когнитивной структуры объекта исследования. Метод реализуется в несколько этапов. На первом этапе выявляется совокупность базисных факторов, влияющих на объект исследования со стороны внешней и внутренней среды, их попарное сравнение и формирование когнитивной модели в виде матрицы смежности 1-го уровня иерархии. Затем проводится группировка факторов для формирования 2-го уровня иерархии. Далее осуществляется объединение компонентов в когнитивную структуру 3-го уровня иерархии. На 4-м уровне представляется детализация компонентов 3-го уровня иерархии. Для проверки устойчивости сформированной детализированной структуры когнитивной модели проводится серия имитационных экспериментов. Неявные взаимосвязи между факторами исследуются с применением симплициального анализа. Апробация метода проведена на примере когнитивной модели «образ жизни» студенческой молодежи. Группирование факторов на втором уровне иерархии осуществлено по компонентам «бытовые условия», «когнитивный диссонанс» и «результативность деятельности». При проведении имитационного эксперимента установлено наличие импульсного резонанса в сформированной детализированной структуре 4-го уровня иерархии. Проведение имитационного эксперимента после проведения симплициального анализа детализированной структуры с целью упорядочения элементов матрицы смежности показало отсутствие импульсного резонанса, что соответствует теоретическим разработкам. Установлено влияние на «образ жизни» студенческой молодежи фактора «когнитивный диссонанс» личности, на который, в свою очередь, влияет фактор «досуг». Экспертное выражение «чем лучше "досуг", тем меньше "когнитивный диссонанс"» соответствует логике рассуждений. Возможное применение метода состоит в научно-обоснованном выявлении совокупности существенных факторов, влияющих на объект исследования, с целью обнаружения скрытых тенденций и реализации соответствующих мер социального управления. Продолжение...

Актуальность рассматриваемой в статье темы состоит в решении проблем проектирования экспертных систем промышленных предприятий на основе технологии больших данных. Цель исследования – проанализировать применяемые методологии на стадии проектирования информационной системы предприятия, разработать алгоритмы работы экспертной системы с большими данными. Краткая постановка задачи состоит в анализе имеющихся на рынке технологий работы с большими данными и возможности их использования для экспертных систем, выявлении основных стадий работы с большими данными для промышленных предприятий. В современном мире проблема использования больших данных (Big Data) стала чрезвычайно актуальной. Компании, фирмы и корпорации, являющиеся лидерами в области информационных технологий и ведения бизнеса, заняты поиском оптимальных решений для управления огромным количеством постоянно поступающей информации и ее глубокого анализа. Они ищут пути извлечения прибыли из данных, находящихся в их распоряжении, пытаются получить новые данные из уже существующих. Разработка собственной экспертной системы является экономически более рентабельной. Используемые методы – методы анализа и проектирования IDEF0, DFD, IDEF1, IDEF3, методы функционального (структурного) проектирования, методы объектно- ориентированного проектирования. Полученные результаты – разработана методика использования больших данных для создания экспертной системы промышленного предприятия. Реализация подобной экспертной системы собственными силами оказывается значительно дешевле, чем приобретение готовых программных комплексов. Продолжение...