Modelowanie zu ycia odlewów w Polsce. Modelling casting demand in Poland



Podobne dokumenty
MIÊDZYNARODOWY STANDARD REWIZJI FINANSOWEJ 520 PROCEDURY ANALITYCZNE SPIS TREŒCI

Charakterystyka ma³ych przedsiêbiorstw w województwach lubelskim i podkarpackim w 2004 roku

Zastosowanie sztucznych sieci neuronowych w prognozowaniu szeregów czasowych (prezentacja 2)

SYSTEM INFORMACJI GEOGRAFICZNEJ JAKO NIEZBÊDNY ELEMENT POWSZECHNEJ TAKSACJI NIERUCHOMOŒCI**

Finanse przedsiêbiorstw Katedra Strategii Gospodarczych dr Helena Baraniecka

BADANIE I POMIAR ROZWOJU REGIONALNEGO NA PRZYK ADZIE WOJEWÓDZTWA ZACHODNIOPOMORSKIEGO. Gra yna Karmowska

MIÊDZYNARODOWY STANDARD REWIZJI FINANSOWEJ 250 UWZGLÊDNIENIE PRAWA I REGULACJI PODCZAS BADANIA SPRAWOZDAÑ FINANSOWYCH

jakoœæ bazy danych. AUTOMATYKA 2005 Tom 9 Zeszyt 3 1. Wprowadzenie 2. Pojêcie jakoœci bazy danych Wojciech Janicki *

PROGNOZOWANIE CENY OGÓRKA SZKLARNIOWEGO ZA POMOCĄ SIECI NEURONOWYCH

Bo ena Kaniuczak Ma³gorzata Kruczek. Abstrakt. Biblioteka G³ówna Politechniki Rzeszowskiej

1. Domowa gospodarka, czyli jak u³o yæ bud et

WYKORZYSTANIE SZTUCZNYCH SIECI NEURONOWYCH W PROGNOZOWANIU

Budowa sztucznych sieci neuronowych do prognozowania. Przykład jednostek uczestnictwa otwartego funduszu inwestycyjnego

WP YW STRUKTURY U YTKÓW ROLNYCH NA WYNIKI EKONOMICZNE GOSPODARSTW ZAJMUJ CYCH SIÊ HODOWL OWIEC. Tomasz Rokicki

KOMUNIKATY. Anita Wojtaœ* Pracownicy z internetu. Kandydat w sieci

Wyznaczanie charakterystyki widmowej kolorów z wykorzystaniem zapisu liczb o dowolnej precyzji

Mikroekonomia Microeconomics

Analiza techniczno-ekonomiczna op³acalnoœci nadbudowy wêglowej elektrociep³owni parowej turbin¹ gazow¹ i kot³em odzyskowym

Algorytmy i bazy danych (wykład obowiązkowy dla wszystkich)

PRZEWODNIK PO PRZEDMIOCIE

Zalew danych skąd się biorą dane? są generowane przez banki, ubezpieczalnie, sieci handlowe, dane eksperymentalne, Web, tekst, e_handel

PRZEWODNIK PO PRZEDMIOCIE

BADANIA WYTRZYMA OŒCI NA ŒCISKANIE PRÓBEK Z TWORZYWA ABS DRUKOWANYCH W TECHNOLOGII FDM

Ekonomia rozwoju. dr Piotr Białowolski Katedra Ekonomii I

Rok akademicki: 2014/2015 Kod: BEZ s Punkty ECTS: 2. Poziom studiów: Studia I stopnia Forma i tryb studiów: -

Nazwa przedmiotu: METODY SZTUCZNEJ INTELIGENCJI W ZAGADNIENIACH EKONOMICZNYCH Artificial intelligence methods in economic issues Kierunek:

Nasz kochany drogi BIK Nasz kochany drogi BIK

Zastosowanie sztucznej inteligencji w testowaniu oprogramowania

WYROK z dnia 7 wrzeœnia 2011 r. III AUa 345/11

Rozdzia³ 1 ROZPOZNANIE

dr inż. Olga Siedlecka-Lamch 14 listopada 2011 roku Instytut Informatyki Teoretycznej i Stosowanej Politechnika Częstochowska Eksploracja danych

MODELOWANIE FAZ ZNI ANIA I L DOWANIA SAMOLOTU BOEING ER PRZY U YCIU SZTUCZNYCH SIECI NEURONOWYCH

Opisy przedmiotów do wyboru

Statystyczna analiza danych w programie STATISTICA. Dariusz Gozdowski. Katedra Doświadczalnictwa i Bioinformatyki Wydział Rolnictwa i Biologii SGGW

Badania rynku turystycznego

MIÊDZYNARODOWY STANDARD REWIZJI FINANSOWEJ 530 BADANIE WYRYWKOWE (PRÓBKOWANIE) SPIS TREŒCI

Adam Dusiñski* Metody zmieniania kultury organizacyjnej: Hutmen S.A.

Zbiory tradycyjne a e-zbiory. Traditional collections and e-collections. The past and the future?

SPIS TREŒCI. (Niniejszy MSRF stosuje siê przy badaniu sprawozdañ finansowych sporz¹dzonych za okresy rozpoczynaj¹ce siê 15 grudnia 2009 r. i póÿniej.

DLACZEGO WARTO G OSOWAÆ NA PSL?

BADANIE RYNKU. Prof. dr hab. Andrzej Pomykalski. Katedra Innowacji i Marketingu

Smart Beta Święty Graal indeksów giełdowych?

Piece rozp³ywowe. Maschinen- und Vertriebs GmbH & Co.KG

7. Zastosowanie wybranych modeli nieliniowych w badaniach ekonomicznych. 14. Decyzje produkcyjne i cenowe na rynku konkurencji doskonałej i monopolu

Wspó³zale noœci wystêpuj¹ce w zarz¹dzaniu ryzykiem finansowym w przedsiêbiorstwie Wspó³zale noœci wystêpuj¹ce w zarz¹dzaniu ryzykiem finansowym...

WYZNACZANIE WARTOŚCI PODSTAWOWYCH PARAMETRÓW TECHNICZNYCH NOWOCZESNYCH KOMBAJNÓW ZBOŻOWYCH PRZY UŻYCIU SSN

ID1SII4. Informatyka I stopień (I stopień / II stopień) ogólnoakademicki (ogólno akademicki / praktyczny) stacjonarne (stacjonarne / niestacjonarne)

Nowości w module: BI, w wersji 9.0

METODA NAUKOWA. Biologia to nauka eksperymentalna. Cechuje się określoną metodologią i pragmatyzmem (podejmowanie

Co to jest spó³dzielnia socjalna?

Sytuacja odlewnictwa światowego

ZASTOSOWANIE AUTORSKIEJ METODY WYZNACZANIA WARTOŚCI PARAMETRÓW NOWOCZESNYCH SYSTEMÓW TECHNICZNYCH DO PŁUGÓW I OPRYSKIWACZY POLOWYCH

Opis modułu analitycznego do śledzenia rotacji towaru oraz planowania dostaw dla programu WF-Mag dla Windows.

PROGNOZOWANIE OSIADAŃ POWIERZCHNI TERENU PRZY UŻYCIU SIECI NEURONOWYCH**

Wykład organizacyjny

A.Światkowski. Wroclaw University of Economics. Working paper

I EKSPLORACJA DANYCH

1 Logowanie: 2 Strona startowa: WY SZA SZKO A FINANSÓW I ZARZ DZANIA W WARSZAWIE. Instrukcja korzystania z systemu

SPIS TREŒCI. (Niniejszy MSRF stosuje siê przy badaniu sprawozdañ finansowych sporz¹dzonych za okresy rozpoczynaj¹ce siê 15 grudnia 2009 r. i póÿniej.

PYTANIA NA EGZAMIN MAGISTERSKI KIERUNEK: EKONOMIA STUDIA DRUGIEGO STOPNIA. CZĘŚĆ I dotyczy wszystkich studentów kierunku Ekonomia pytania podstawowe

Projektowanie systemu czasu pracy w firmie zarys problematyki

Ocena oddziaływania na środowisko w inwestycji budowlanej

Szkolenia SAS Cennik i kalendarz 2017

Sytuacja odlewnictwa na świecie, w Europie i w Polsce

Bogdan Nogalski*, Anna Wójcik-Karpacz** Sposoby motywowania pracowników ma³ych i œrednich przedsiêbiorstw

Zagadnienia optymalizacji i aproksymacji. Sieci neuronowe.

PRZEWODNIK PO PRZEDMIOCIE

ROCZNIKI 2010 GEOMATYKI. Metodyka i technologia budowy geoserwera tematycznego jako komponentu INSPIRE. Tom VIII Zeszyt 3(39) Warszawa

Zarządzanie jakością

oraz w odniesieniu do mo liwości uzyskania Rabatu Orange albo Rabatu Open, o których mowa odpowiednio w punkcie 2.2. i 2.3.

Demand Analysis L E C T U R E R : E W A K U S I D E Ł, PH. D.,

Gmina a lokalny rynek energii elektrycznej i ciep³a uwarunkowania prawne


jêzyk rosyjski Poziom podstawowy i rozszerzony Halina Lewandowska Ludmi³a Stopiñska Halina Wróblewska

Analiza i wizualizacja danych Data analysis and visualization

PREZENTACJA SYSTEMU BUSINESS INTELLIGENCE TARGIT

Nazwa przedmiotu: Informatyczne systemy statystycznej obróbki danych. Informatics systems for the statistical treatment of data Kierunek:

POLITECHNIKA WARSZAWSKA Wydział Chemiczny LABORATORIUM PROCESÓW TECHNOLOGICZNYCH PROJEKTOWANIE PROCESÓW TECHNOLOGICZNYCH

ZAKRES TEMATYCZNY EGZAMINU LICENCJACKIEGO

Modułowy system aluminiowy o nieograniczonych możliwościach. Nieograniczony wybór różnych urządzeń o dowolnych. do zastosowania w służbie zdrowie.

ukasz Sienkiewicz* Zarz¹dzanie kompetencjami pracowników w Polsce w œwietle badañ

POMOC PSYCHOLOGICZNO-PEDAGOGICZNA Z OPERONEM. Vademecum doradztwa edukacyjno-zawodowego. Akademia

ALGORYTM EWOLUCYJNY DLA PROBLEMU SZEREGOWANIA ZADAŃ W SYSTEMIE PRZEPŁYWOWYM

Katowice, dnia 29 kwietnia 2005 r. Nr 3 ZARZ DZENIA PREZESA WY SZEGO URZÊDU GÓRNICZEGO:

Liczba godzin zajęć II rok. Egz. po sem. Razem. Wykłady. Ćwiczenia

Wykorzystanie synergii obszarowych odpowiedzią na wzrastającą konkurencyjność rynku

Uniwersytet w Białymstoku Wydział Ekonomiczno-Informatyczny w Wilnie SYLLABUS na rok akademicki 2012/2013

Zarząd Dróg Wojewódzkich. Wytyczne Techniczne. Zbigniew Tabor Kraków,

REGULAMIN ZADANIA KONKURENCJI CASE STUDY V OGOLNOPOLSKIEGO KONKURSU BEST EGINEERING COMPETITION 2011

Zarządzanie kosztami w dziale utrzymania ruchu

PROJEKTOWANIE ROZBUDOWY SIECI TRANSPORTOWYCH

Sytuacja odlewnictwa światowego i krajowego, z uwzględnieniem odlewnictwa ciśnieniowego

WYBRANE ZAGADNIENIA NORMALIZACJI W DZIEDZINIE JAKOŒCI

Prognozowanie gospodarcze - opis przedmiotu

Lista przedmiotów przewidzianych do uruchomienia w semestrze zimowym 2017/2018 na studiach niestacjonarnych sobotnio-niedzielnych Sygnatura

Ocena rynku CNG przez użytkowników pojazdów zasilanych gazem ziemnym

KONFERENCJE PRZEDZJAZDOWE

Zagregowany popyt i wielkość produktu

Wykorzystanie metod statystycznych w badaniach IUNG PIB w Puławach

Techniki korekcyjne wykorzystywane w metodzie kinesiotapingu

Transkrypt:

Modelowanie zu ycia odlewów w Polsce Adam STAWOWY Wydzia³ Zarz¹dzania, Akademia Górniczo-Hutnicza, Kraków, Polska 30-067 Kraków, ul. Gramatyka 10 Modelling casting demand in Poland Adam STAWOWY Faculty of Management, University of Mining and Metallurgy, Krakow, Poland 30-067 Krakow, ul. Gramatyka 10 Streszczenie Jednym z celów badañ rynkowych jest szacowanie rozmiarów zapotrzebowania na wyroby. Jest to szczególnie istotne dla kapita³och³onnych bran produkuj¹cych wyroby zaopatrzeniowe (nie dla konsumentów). W chwili obecnej Polska przechodzi okres transformacji i zwi¹zanej z tym restrukturyzacji wielu bran, w tym odlewnictwa. W celu zrozumienia czynników wp³ywaj¹cych na zu ycie wyrobów przemys³u odlewniczego zaproponowano stworzenie modeli dla rynku polskiego: prostego modelu ekonometrycznego i dwóch - z wykorzystaniem technik sztucznej inteligencji. Modele objaœniaj¹ zu ycie odlewów przy pomocy poziomu i struktury ekonomicznej aktywnoœci w kraju. Jednym z zastosowañ modeli mo e byæ prognozowanie zu ycia odlewów w Polsce. Abstract Market research focuses on the entire marketplace for the organisation's products. One purpose of market research is to assess the overall size of the market for specific products. In this paper we propose three prediction techniques, including simple regression and artificial intelligence, for the forecast of casting demand in Poland. The models explain the demand by weighing factors characterizing national economic. Keywords: Modelling, casting forecast, artificial intelligence, marketing research

Wprowadzenie Badanie (analiza) rynku s³u y rozpoznawaniu rynku, jego mechanizmu, struktury, stanu oraz rozwoju jego elementów, w celu stworzenia przes³anek do podejmowania decyzji. Stawiane jest przy tym wymaganie, aby analiza nie tylko by³a diagnoz¹ stanów obecnych rynku i jego stanów przesz³ych, lecz tak e by zawiera³a wizjê przysz³oœci [13]. Jednym z podstawowych zadañ badania rynku jest okreœlenie rozmiaru rynku dla produktów przedsiêbiorstwa (w szerszej skali: pañstwa) zarówno w perspektywie krótko- jak i d³ugookresowej. Nie jest to ³atwe zadanie, gdy potencjalny rozmiar rynku mo e siê gwa³townie zmieniaæ np. na skutek zmian gospodarczych czy technologicznych. Prognozowanie zapotrzebowania wyrobów przemys³u ciê kiego, w tym odlewnictwa, jest problemem szczególnie trudnym, gdy w przypadku tego rynku bezpoœrednie metody badañ marketingowych okazuj¹ siê niewystarczaj¹ce. W wiêkszoœci krajów rozwiniêtych oraz rozwijaj¹cych siê przemys³ ciê ki stanowi nadal jedn¹ z kluczowych ga³êzi gospodarki, st¹d prognozowanie rozwoju rynku wyrobów tego przemys³u ma szczególne znaczenie. Informacjami kluczowymi w analizie potencja³u rynkowego s¹: informacje o gospodarce i charakteryzuj¹cych j¹ trendach oraz o prawdopodobnym wp³ywie tych trendów na popyt na okreœlone wyroby, informacje o dotychczasowej sprzeda y i trendach sprzeda y w ca³ym przemyœle (lub analizowanym sektorze), informacje o konkurencyjnych wyrobach substytucyjnych. Niezale nie od Ÿróde³ informacji, system badañ rynkowych musi byæ zdolny do ich efektywnego przetworzenia, jako e dysponuj¹c nawet obszernym zbiorem danych nie zawsze wprost mo emy wykryæ wystêpuj¹ce w nim zale noœci i relacje. Metody badañ rynku Podstawowym celem badañ rynku jest pozyskiwanie informacji o przebiegu procesów rynkowych. Badania te s¹ wa nym elementem zarz¹dzania przedsiêbiorstwem, w podejmowaniu decyzji gospodarczych oraz kontroli efektów tych decyzji. Informacje o rynku powinny byæ dok³adne, œcis³e, trafne, spójne, porównywalne, odpowiednio zagregowane i czytelne. Metodyka badania rynku na ogó³ obejmuje nastêpuj¹ce etapy [2]: rozpoznanie i sformu³owanie problemu, postawienie hipotezy i ustalenie mo liwych rozwi¹zañ, okreœlenie Ÿróde³ informacji, przygotowanie do gromadzenia danych (wa ne szczególnie w przypadku pozyskiwania danych pierwotnych), gromadzenie danych, opracowanie danych i ich analiza, przygotowanie jasnego i dok³adnego sprawozdania. Wœród stosowanych metod analizy (badania) rynku najwiêkszym uznaniem ciesz¹ siê ekonometryczne metody badania zjawisk rynkowych. Na ogó³ badania te s¹ prowadzone na podstawie informacji wtórnych. Czêsto analiza wykonywana jest na podstawie informacji pierwotnych (bezpoœrednich obserwacjach rynku) pochodz¹cych np. z ankiet, które nastêpnie poddawane s¹ obróbce statystycznej, by na tej podstawie wysnuæ wnioski o prawid³owoœciach rynku. Nastêpn¹ grupê metod stanowi¹ metody taksonomiczne, które stosowane s¹ w celu zbadania pozycji przestrzennej rynku wzglêdem innych obiektów oraz poznania przyczyn

zró nicowania. Ta grupa metod wykorzystywana jest równie przy definiowaniu lub okreœlaniu czynników kszta³tuj¹cych rynek konkretnych dóbr. Istotn¹ rolê w badaniach rynku odgrywaj¹ metody heurystyczne, jak dot¹d przydatne g³ównie w jakoœciowej analizie rynku, gdy opieraj¹c siê na doœwiadczeniach, wiedzy i intuicji, próbuje siê przewidywaæ rozwój zjawisk rynkowych [13]. Coraz wiêksz¹ uwagê zwraca siê na mo liwoœæ efektywnego wykorzystania nowoczesnych metody analizy danych, w szczególnoœci metod in ynierii wiedzy. Badania rynkowe w przemyœle odlewniczym Problem odpowiedniej konstrukcji marketingowego systemu informacyjnego jest szczególnie wa ny w tych sektorach, które produkuj¹ dobra inwestycyjne: w tym przypadku bezpoœrednie metody badania rynku s¹ niewystarczaj¹ce. Takim sektorem jest niew¹tpliwie przemys³ odlewniczy. Polska przechodzi obecnie proces restrukturyzacji gospodarki. Prognoza zu ycia odlewów na najbli sze lata (do roku 2010) jest jednym z kluczowych elementów restrukturyzacji przemys³u odlewniczego, gdy wskazuje kierunki i poziom zmian potencja³u produkcyjnego polskich odlewni. Prognoza zapotrzebowania na odlewy mo e byæ wykonywana przy pomocy jednej z trzech metod: bezpoœredniej opartej na przewidywanej dynamice rozwoju sektorów gospodarki g³ównych u ytkowników odlewów, korelacyjnej, opartej na za³o eniu, e istnieje zwi¹zek iloœciowy miêdzy zu yciem odlewów w gospodarce narodowej a poziomem PKB, analogowej, opartej na za³o eniu e rozwój wielkoœci i struktury zu ycia odlewów zmierza do osi¹gniêcia stanu krajów wy ej rozwiniêtych; porównywanym wskaÿnikiem jest tutaj zu ycie odlewów per capita. Zu ycie odlewów w metodzie korelacyjnej wyra one jest w najprostszym przypadku nastêpuj¹c¹ zale noœci¹: Zu ycie odlewów = odlewoch³onnoœæ PKB PKB Trafnoœæ prognozy uzale niona jest od w³aœciwego doboru wartoœci wspó³czynnika odlewoch³onnoœci oraz dynamiki PKB dla okresu prognozy. Odlewoch³onnoœæ definiujemy jako iloœæ zu ycia odlewów przypadaj¹ca na jednostkê PKB. Najczêœciej jest ona dobierana przez ekspertów lub obliczana na podstawie danych statystycznych. Prognozê zu ycia przy wykorzystaniu metody bezpoœredniej okreœla formu³a: gdzie: Z t = n i= 1 Z 0 i t t D S Z t - zu ycie odlewów w roku t, i=1..n - indeksy wyró nionych sektorów gospodarki narodowej, 0 - zu ycie odlewów w roku bazowym w i-tym sektorze, Z i t D i t S i - dynamika wzrostu sektora w stosunku do roku bazowego. - wskaÿnik zmian odlewoch³onnoœci wyrobów w danym sektorze spowodowany zmianami konstrukcyjnymi wyrobów tego sektora, substytucj¹ odlewów innymi wyrobami, popraw¹ jakoœci itp. i i

Okreœlenie poszczególnych parametrów wyznaczaj¹cych prognozê jest bardzo trudne, przede wszystkim ze wzglêdu na brak precyzyjnych danych statystycznych dla okreœlenia bazowych odlewoch³onnoœci poszczególnych sektorów gospodarki. Trudno te okreœliæ jak perspektywicznie zmieniaæ siê bêd¹ te wskaÿniki. Ka dy sektor produkuje bowiem wiele asortymentów i zmiany struktury produkcji wewn¹trz sektora wp³ywaj¹ zarówno na poziom wskaÿnika odlewoch³onnoœci jak te na strukturê zu ycia odlewów wewn¹trz sektora. Podobnie trudno okreœliæ poziom substytucji odlewów innymi wyrobami. Trafnoœæ prognozy wykonanej metod¹ analogow¹ zale y od: wyboru pañstwa lub grupy pañstw, które maj¹ stanowiæ bazê odniesienia dla opracowanej prognozy, ustalenia tempa dochodzenia do wartoœci wskaÿników charakteryzuj¹cych wybran¹ bazê odniesienia. Wielkoœci te przy sporz¹dzaniu prognozy s¹ najczêœciej dobierane przez wykonawców prognozy na podstawie przyjêtych za³o eñ co do dynamiki i przekszta³ceñ gospodarki. Opis proponowanej metody prognozowania zu ycia odlewów w Polsce W rozdziale tym przedstawiono procedurê tworzenia bazy modeli marketingowych dla potrzeb prognozowania zu ycia odlewów w Polsce. Proponujemy zastosowanie modelu regresji liniowej oraz dwóch modeli opartych na metodzie analogowej z wykorzystaniem sztucznej inteligencji. Jako e model regresji liniowej jest powszechnie znany i stosowany, w dalszej czêœci nie bêdzie on szczegó³owo omówiony. Procedura tworzenia takiego modelu jest prosta i dobrze opisana w literaturze przedmiotu; modele tego typu by³y i s¹ z powodzeniem stosowane dla przemys³u odlewniczego [1, 7] czy stalowego [3]. Nale y jedynie podkreœliæ, e model zu ycia odlewów dla Polski nie mo e bazowaæ na analizie szeregów czasowych ze wzglêdu na gwa³towne i g³êbokie zmiany gospodarki w okresie transformacji ustrojowej. St¹d dane sprzed 1990 roku nie s¹ porównywalne z danymi dotycz¹cymi okresu przemian i restrukturyzacji gospodarki. Dwa pozosta³e modele wykorzystuj¹ sztuczn¹ inteligencjê jako mechanizm wnioskowania. Modele tego typu by³y stosowane do prognozowania zu ycia wyrobów stalowych w Polsce [6]. Punktem wyjœcia do konstrukcji modeli jest za³o enie, i zu ycie odlewów zale y od wielkoœci i struktury tworzenia produktu krajowego brutto wed³ug wyró nionych dzia³ów. Mo na za³o yæ, e struktura udzia³ów w PKB nastêpuj¹cych dzia³ów ma wp³yw na zu ycie odlewów: rolnictwo, leœnictwo i rybo³ówstwo, przemys³, budownictwo, handel. Dla wykonania prognozy t¹ metod¹ nale y zebraæ dane o wielkoœci zu ycia odlewów na 1 mieszkañca oraz poziomie i strukturze tworzenia PKB w wybranych krajach (na ró nym poziomie rozwoju gospodarczego) w przyjêtym okresie czasu (np. w latach 1985-2000). Ze wzglêdów statystycznych baza danych powinna liczyæ co najmniej 100 rekordów (im wiêcej, tym lepiej) w postaci: {PKBC, Rol, Przem, Bud, Hand, Zu ycie odlewów per capita} gdzie PKBC - PKB per capita, pozosta³e symbole oznaczaj¹ udzia³y poszczególnych dzia³ów

tworz¹cych produkt krajowy brutto; PKBC musi byæ wyra ony w cenach sta³ych wybranego roku. Zestaw danych nale y podzieliæ na zestaw ucz¹cy i zestaw danych testowych: w literaturze przedmiotu postuluje siê proporcjê oko³o 10 do 1. Zestaw ucz¹cy s³u y do dobrania parametrów modelu, a danych testowych - do weryfikacji poprawnoœci jego dzia³ania. Nastêpnym krokiem jest przygotowanie danych okreœlaj¹cych poziom i strukturê tworzenia PKB w latach obejmuj¹cych prognozê w uk³adzie: {PKBC, Rol, Przem, Bud, Hand} Predykcja polega na znalezieniu wœród próby ucz¹cej grupy krajów o strukturze i poziomie PKB jak najbardziej podobnej do danych ze zbioru prognostycznego. Œrednia wartoœæ zu ycia w tak znalezionej grupie wyznacza przewidywane zu ycie odlewów w Polsce na jednego mieszkañca. To z kolei pozwala okreœliæ, przy znajomoœci przewidywanej liczby ludnoœci, globalne zu ycie odlewów w Polsce Do grupowania krajów mo na u yæ powszechnie znanych metod taksonomicznych; w naszej metodzie - proponujemy sztuczne sieci neuronowe (SSN) oraz algorytmy ewolucyjne (AE). Sieci neuronowe Sztuczne sieci neuronowe (SSN) s¹ paradygmatem obliczeniowym znacz¹co ró ni¹cym siê od szeregowej architektury von Neumanna. Sieci do rozpoznawania wzorców nie s¹ programowane w tradycyjny sposób, lecz nauczane przez przyk³ady. Sieciom zwykle prezentuje siê próbê ucz¹c¹ zawieraj¹c¹ reprezentatywne, prawid³owo sklasyfikowane, przypadki w ten sposób sieæ uczy siê rozpoznawaæ i klasyfikowaæ inne, nowe obiekty. Spoœród ró nych modeli, sieci z propagacj¹ wsteczn¹ sprawdzi³y siê w wielu z³o onych problemach klasyfikacji i predykcji [10, 12]. Sieci z propagacj¹ wsteczn¹ to zwykle wielowarstwowe, jednokierunkowe sieci, w których neurony danej warstwy s¹ po³¹czone z wszystkimi neuronami kolejnej warstwy. Wiedza sieci jest zakodowana w wagach po³¹czeñ miêdzy neuronami. Dla wiêkszoœci zastosowañ nie jest mo liwe zaprezentowanie wszystkich mo liwych danych, st¹d sieæ musi generalizowaæ doœwiadczenie zdobyte w procesie uczenia w celu rozpoznawania nieznanych danych o podobnej charakterystyce. Algorytmy ewolucyjne W ostatnich dwudziestu latach daje siê zauwa yæ wzrastaj¹ce zainteresowanie zastosowaniem technik ewolucyjnych dla celów uczenia maszynowego. Ich samoadaptacyjnoœæ bardzo dobrze sprawdza siê w problemach klasyfikacji (grupowania) danych [4, 5, 11]. Algorytmy ewolucyjne nie gwarantuj¹ znalezienia optimum globalnego, jednak generalnie zapewniaj¹ znalezienie rozwi¹zania wystarczaj¹co dobrego w akceptowalnym przedziale czasu [8]. W przypadku naszego modelu, celem AE jest skonstruowanie odpowiednich prototypów na podstawie danych ucz¹cych. Po znalezieniu prototypów (grup pañstw), algorytm przyporz¹dkowuje do tych grup nowy, testowany przypadek (pañstwo). Za³o ono, e œrednie zu ycie odlewów w tej grupie jest najlepszym oszacowaniem zu ycia dla testowanego przypadku. Wnioski

Niniejsza praca mia³a na celu przedstawienie nowoczesnych metod analizy danych oraz pokazanie mo liwoœci ich zastosowania do prognozowania zapotrzebowania na odlewy w Polsce. Sztuczna sieæ neuronowa ze wsteczn¹ propagacj¹ b³êdu oraz algorytmy ewolucyjne s¹ efektywnymi narzêdziami analizy danych i z powodzeniem mog¹ byæ wykorzystywane w z³o onych problemach badania rynku, gdy wykazuj¹ dobre zdolnoœci analizy rozbudowanych baz danych i pozwalaj¹ uchwyciæ zwi¹zki pomiêdzy ró nymi wskaÿnikami gospodarczymi. Opisane techniki mog¹ byæ efektywnymi narzêdziami do budowy bazy modeli marketingowych dla potrzeb prognozowania zu ycia odlewów w Polsce. W przysz³ych badaniach - na podstawie przygotowywanej obecnie bazy danych - zostanie wykonana taka prognoza na lata 2005-2020. Literatura 1. Atkins S.: Foundry forecasting contributes. Ironcaster, 1985. 2. Badania rynkowe i marketingowe. red. J.Kramer, Warszawa, PWE 1994. 3. Evans M., Modelling steel demand in the UK. Ironmaking and Steelmaking, vol. 23, no. 1, 1996. 4. Falkenauer E.: A new representation and operators for GAs applied to grouping problems. Evolutionary Computation, vol. 2, no. 2. 5. Knight L., Sen S., PLEASE: A prototype learning system using genetic algorithm. http://euler.mcs.utulsa.edu/~sandip/please.ps. 6. Macio³ A., Rebiasz B., Stawowy A., Duda J.: An approach to knowledge acquisition of expert system for marketing research, [in:] System inquiry information system and technology. Politechnika Wroc³awska, Wroc³aw 1997. 7. Mangold V L., Flynn M., Fink M.: Die casting forecast 94. Die Casting Management, vol. 12, no. 1, 1994. 8. Michalewicz Z.: Genetic algorithm + data structures = evolution programs. Berlin Springer-Verlang, 1992. 9. Pociecha J.: Metody statystyczne w badaniach marketingowych. Warszawa, PWN 1996. 10. Reeves C.R., Modern heuristic techniques for combinatorial problems. McGraw-Hill Book Company, Berkshire 1995. 11. Stawowy A.: Algorytm ewolucyjny dla problemu grupowania wyrobów, [w:] Teoria i praktyka zarz¹dzania. Kraków, Wydzia³ Zarz¹dzania 1999. 12. Tadeusiewicz R.: Sieci neuronowe. Warszawa, Akademicka Oficyna Wydawnicza 1993. 13. Zeliaœ A.: Teoria prognozy. Warszawa, PWE 1997.