ГІБРИДНА МОДЕЛЬ МУЛЬТИПЛІКАТИВНОЇ АГРЕГАЦІЇ ДЛЯ ДОВГОСТРОКОВОГО ПРОГНОЗУВАННЯ ІНДЕКСУ СПОЖИВЧИХ ЦІН
DOI:
https://doi.org/10.30838/EP.213.431-438Ключові слова:
індекс споживчих цін, нечітка логіка, схема Беллмана-Заде, макроекономічне прогнозування, мультиплікативний синтез, адаптивне моделюванняАнотація
Актуальність дослідження зумовлена необхідністю модернізації прогнозного інструментарію оцінки інфляційних процесів в умовах високої макроекономічної невизначеності. Метою роботи є розробка та вдосконалення методичного підходу до оцінювання індексу споживчих цін на основі інтеграції гібридних даних та апарату нечіткої логіки, що дозволяє формалізувати неочевидні закономірності в динаміці цін. Методологічна база роботи містить системне поєднання методів інтелектуального аналізу даних та економіко-математичного моделювання. Інструменти інтелектуального аналізу забезпечують якісну попередню обробку та верифікацію гетерогенних статистичних масивів у режимі реального часу. На цій основі апарат економіко-математичного моделювання, що базується на нечіткій логіці, дозволяє формалізувати нелінійні взаємозв'язки між показниками та трансформувати кількісні дані у стратегічні управлінські сценарії. У роботі застосовано підхід перехресної верифікації гетерогенних часових рядів для формування валідованого масиву показників. Математична формалізація синтезу базується на схемі Беллмана-Заде з використанням трикутних функцій належності та мультиплікативної згортки, що забезпечує чутливість моделі до прихованих ризиків. У результаті дослідження розроблено гібридну модель, яка дозволяє ідентифікувати перехід системи у зони невизначеності та оцінювати ступінь можливості реалізації макроекономічних сценаріїв. Ретроспективна верифікація підтвердила достовірність моделі в ідентифікації шокових станів та її спроможність адекватно відтворювати структурні зміни в динаміці цін. Запропонований підхід дозволяє менеджменту трансформувати стратегію управління з реактивної на проактивну. Практична значущість результатів полягає у створенні аналітичного інструментарію для переходу від пасивного моніторингу інфляційних процесів до превентивної адаптації управлінських рішень. Модель може бути інтегрована в систему стратегічного планування як функціональний елемент антикризового управління, що дозволяє мінімізувати часовий лаг між виникненням сигналу про дестабілізацію та впровадженням відповідних коригувальних заходів.
Посилання
Геєць В. Суперечності та перспективи економічного зростання на інноваційній основі в Україні. Економіка України. 2024. № 11(756). С. 3-28. DOI: https://doi.org/10.15407/economyukr.2024.11.003
Сіденко В. Виклики і можливості для стійкого економічного розвитку України в контексті глобаль-ного транзиту. Економіка України. 2024. № 1(746). С. 3–39. DOI: https://doi.org/10.15407/economyukr.2024.01.003
Скрипниченко М. І. Макроекономічні оцінки і прогнози повоєнного відновлення економіки України. Економічна теорія. 2022. № 2. С. 29-43. DOI: https://doi.org/10.15407/etet2022.02.029
Stock J. H., Watson M. W. Forecasting Using Principal Components from a Large Number of Predictors. Journal of the American Statistical Association. 2002. Vol. 97, no. 460. Pp. 1167-1179. DOI: https://doi.org/10.1198/016214502388618960
Мямлін В. В. Аналіз запропонованих моделей соціально-економічного розвитку України з позицій системного підходу. Review of Transport Economics and Management. 2026. Вип. 14(30). С. 245-270. DOI: https://doi.org/10.15802/rtem2025/351801
Saaty T. L. Relative Measurement and Its Generalization in Decision Making Why Pairwise Comparisons are Central in Mathematics for the Measurement of Intangible Factors. The Analytic Hierarchy/Network Process. 2008. RACSAM, Vol. 102(2). Pp. 251-318. URL: https://rac.es/ficheros/doc/00576.PDF (дата звернення 11.05.26).
Новікова Ю., Романенко Т., Кравченко В. Математичне моделювання багатовимірних процесів у за-дачах. Наука і техніка сьогодні. 2026. № 3(57). С. 2732-2740. DOI: https://doi.org/10.52058/2786-6025-2026-3(57)-2732-2740
Moshiri S., Cameron N. Neural networks versus econometric models in forecasting inflation. Journal of Forecasting. 2000. Vol. 19, No. 3. Pp. 201–217. DOI: https://doi.org/10.1002/(SICI)1099-131X(200004)19:3%3C201::AID-FOR753%3E3.0.CO;2-4
Paranhos L. Predicting inflation with recurrent neural networks. International Journal of Forecasting. 2025. Vol. 42, Article in press. DOI: https://doi.org/10.1016/j.ijforecast.2024.07.010
Forecasting inflation in a data-rich environment: The benefits of machine learning / M. C. Medeiros, G. F. Vasconcelos, Á. Veiga, E. Zilberman. Journal of Business & Economic Statistics. 2019. Vol. 39, No. 1. Pp. 98-119. DOI: https://doi.org/10.1080/07350015.2019.1637745
Sengupta S., Chakraborty T., Singh S. K. Forecasting CPI inflation under economic policy and geopolitical uncertainties. International Journal of Forecasting. 2025. Vol. 41, No. 3. Pp. 953-981. DOI: https://doi.org/10.1016/j.ijforecast.2024.08.005
Zadeh L. A. Fuzzy logic and the calculi of fuzzy rules, fuzzy graphs, and fuzzy probabilities. Computers & Mathematics with Applications. 1999. Vol. 37, No. 11-12. Pp. 35. DOI: https://doi.org/10.1016/s0898-1221(99)00140-6
Yager R. R. On a general class of fuzzy connectives. Fuzzy Sets and Systems. 1980. Vol. 4, No. 3. Pp. 235-242. DOI: https://doi.org/10.1016/0165-0114(80)90013-5
Inflation, consumer prices (annual %) for Ukraine (FPCPITOTLZGUKR). Federal Reserve Bank of St. Lou-is (FRED) URL: https://fred.stlouisfed.org/series/FPCPITOTLZGUKR (дата звернення 11.05.26).
Споживча інфляція в Україні / Державна служба статистики України. URL: https://ukrstat.gov.ua (дата звернення 11.05.26).
Ukraine Consumer Price Index (CPI) / Trading Economics. URL: https://tradingeconomics.com/ukraine/consumer-price-index-cpi (дата звернення 11.05.26).
А. О Абрамова. Розробка алгоритму нечіткого виводу в Matlab для прийняття рішень в умовах не-визначеності для проектованих об'єктів. Матеріали XVI Міжнародної конференції Вимірювання та управління в складних системах (MCCS-2022). 2022. DOI: https://doi.org/10.31649/mccs2022
Han J., Kamber M., Pei J. Data Mining: Concepts and Techniques. 3rd Edition. Morgan Kaufmann, 2012. DOI: https://doi.org/10.1016/C2009-0-61819-5
Bellman R. E., Zadeh L. A. Decision-Making in a Fuzzy Environment. Management Science. 1970. Vol. 17, No. 4. Pp. B141-B164. DOI: https://doi.org/10.1287/mnsc.17.4.B141
Дебела І. М. Нечіткий алгоритм прийняття рішень: схема Беллмана-Заде оцінки альтернатив. Управ-ління інноваційним розвитком соціально-економічних систем : колективна монографія / за заг. ред. В. В. Храпкіної, К. В. Пічик. Київ : НаУКМА, 2024. С. 626-634. DOI: https://doi.org/10.35668/978-966-518-843-8