logo
мельникова

Система прогнозирования количества призыва солдат срочной службы

В статье рассматривается проблема прогнозирования количества юношей призываемых в вооруженные силы Российской Федерации. Приведены возможные пути решения проблемы. Так же освещена актуальность.

На данный момент в России ежегодно на срочную службу призывают тысячи молодых людей. Количество по годам представлено в таблице 1. [1]

Год

Весенняя кампания

Осенняя кампания

Общее число

2005

157 700

140 900

298 600

2006

124 550

123 310

247 860

2007

133 500

132 500

266 000

2008

133 200

219 000

352 200

2009

305 560

271 020

576 580

2010

270 600

278 821

549 421

2011

218 720

135 850

354 570

2012

155 570

140 140

295 710

Таблица 1

Лимиты по количеству новобранцев, которое должны призвать военные комиссариаты на местах, доводит министр обороны Российской Федерации своим приказом. [2] Цифры составляют специалисты из Главного Штаба министерства обороны в Москве. Они ни чем не подкрепляются и носят условный характер. Зачастую военные комиссариаты не могут набрать необходимое количество солдат, в результате чего несут ответственность за неисполнение приказов.

Секция «Информационные технологии в экономике и менеджменте»

Данную проблему можно решить прогнозированием количества призывников в каждом регионе. Для этого необходимо собрать большое количество статистических данных, таких как: информация о рождаемости в года рождения призывников; информация о детской смертности; данные о болезнях, по причине которых призыв на срочную службу невозможен; данные о количестве поступивших в высшие учебные заведения; данные о количестве и возрасте детей призывников. Все данные возможно получить в Красстате. Для дальнейшего удобства использования их следует перевести в электронные таблицы. Для этого будет использовано специальное программное обеспечение, как Abby Fine Reader и Microsoft Office Excel.

После того, как все необходимые данные будут собраны и первично обработаны к ним будут применены специальные математические методы.

При прогнозировании наибольшее распространение получили методы математической экстраполяции и экономико-статистического моделирования.

Методы математической экстраполяции позволяют количественно охарактеризовать прогнозируемые процессы. Он основан на изучении сложившихся в прошлом закономерностей развития изучаемого явления и распространения их на будущее. Для применения данного метода необходимо иметь продолжительный ряд показателей за прошедший период.[3]

Наиболее часто при прогнозировании применяются экономико-статистические модели. Экономико-статистической моделью называют функцию, связывающую результативный и факторные показатели, выраженную в аналитическом, графическом, табличном или ином виде, построенную на основе массовых данных и обладающую статистической достоверностью.

Оценка степени соответствия экономико-статистической модели изучаемому процессу осуществляется с использованием специальных коэффициентов (корреляции, детерминации, существенности и др.). [4] Данные коэффициенты показывают соответствие математического выражения изучаемому процессу, можно ли использовать полученную модель для проведения последующих расчётов и принятия решений.

Наиболее подходящим является второй метод, так как при рассматриваемом прогнозировании необходимо использовать не только опыт прошлых лет, но и учитывать влияние различных факторов.

Для реализации выбранного метода будет использоваться Microsoft Office Excel, так как данный программный продукт обладает необходимыми функциями. Для анализа данных будет использоваться специальная надстройка «Анализ данных», а так же «Поиск решения».

Секция «Информационные технологии в экономике и менеджменте»

К тому же, Excel позволяет представить данные в доступном виде с помощью различных графиков и отчетов, которые генерируются автоматически при выполнении того или иного анализа.

В последующем, для более удобного использования, предполагается реализация разработанного метода в среде AnyLogic. Такое представление разработанного анализа данных исключит необходимость ввода формул, что позволит пользоваться им рядовому пользователю, которому будет необходимо только ввести собранные статистические данные. На выходе он получит уже готовый прогноз.

Для тестирования разработанного решения необходимо выбрать пилотный регион, в котором на уровне эксперимента будет внедрен данный расчет. Функцию сбора данных следует возложить на военные комиссариаты в регионах, так как данные в целом по стране могут существенно разниться от региона к региону, к тому же, при необходимости, можно рассчитывать лимиты по районам региона, для наиболее точной конечной информации.

Проблема прогнозирования лимитов призывников является актуальной, так как это непосредственно касается жителей страны каждый год. Внедрение рассмотренной системы позволит уменьшить проблемы военных комиссариатов в регионах, им не надо будет нести ответственность при неисполнении доведенного приказа, исполнение которого ими априори невозможно, из-за маленького количества молодых людей призывного возраста. Прогнозирование лимитов таким образом станет абсолютно прозрачным и каждая цифра может быть подтверждена собранными данными.