Nagylétszámú termelővállalatok állományi rendelkezésre állása karakterisztikájának leírása ARIMA modellel
Kulcsszavak:
idősorelemzés, ARIMA modell, beosztástervezés, predikcióAbsztrakt
Az iparvállalatok egyre növekvő problémája a rendelkezésre álló munkavállalói állomány bizonytalansága: hány emberrel számolhatnak az elkövetkezendő napokban, hetekben, hónapokban? [1] [2]
Egyfelől az üzleti célok hatékonyságot ösztönző elvárásrendszere, másfelől a munkaerőpiac átalakulása készteti a nagyvállalatokat a mind pontosabb, és lehetőleg tudományos alapokra támaszkodó prediktív számításokra.
Feltételezésem szerint, megfelelő matematikai módszerrel, modellezhető egy adott állomány jövőbeli valószínű rendelkezésre állása, historikus adatok segítségével.
Jelen cikkben azt vizsgálom, hogy historikus és jogszerűen használható adatok ismeretében egyáltalán modellezhető-e egy adott munkavállalói állomány jövőbeli rendelkezésre állása, és meghatározható-e a teljes állomány beosztásának karakterisztikája.
Választásom a Box és Jenkins által kidolgozott ARIMA modellekre esett, a konkrét tapasztalati idősorra vonatkozó relevanciájuk, valamint matematikai és informatikai matematikai szempontból való jó kezelhetőségük miatt.
Hivatkozások
[2] KSH: Összefoglaló táblák (STADAT) - Idősoros éves adatok – Munkaerőpiac, 2020., https://www.ksh.hu/stadat_eves_2_1, Letöltés ideje: 2020. szeptember 28., 22:43
[3] FEHÉR, A., „Nagylétszámú termelővállalatok állományi kapacitásbecslése”, Bánki Reports: 2020. – befogadás alatt
[4] BISHOP, C. M., „Neural networks for pattern recognition”, [ISBN 978-0198538493], Clarendon Press, 1995.
[5] NILSSON, N. J., „Introduction to Machine Learning”, Stanford University: California, 2005.
[6] SCHULZ, H., BEHNKE, S., "Deep Learning", KI - Künstliche Intelligenz. 26 (4) pp. 357–363., [doi:10.1007/s13218-012-0198-z. ISSN 1610-1987], 2012.
[7] HUNYADI, L., „Bayesi gondolkodás a statisztikában”, Statisztikai Szemle, 89. évfolyam 10–11. szám
[8] ZHANG, G. P., „Time series forecasting using a hybrid ARIMA and neural network model”, [PII: S0925-2312(01)00702-0], Department of Management, J. Mack Robinson College of Business, Georgia State University, University Plaza: Atlanta, 2001
[9] BESENYEI, L., DOMÁN, Cs., „Üzleti prognózisok idősoros modelljei”, Digitális Tankönyvtár: 2011., 3. fejezet, Letöltés ideje: 2020. október 6., 09:50.
[10] LOGIN: „Ki, mikor, mit és hol? Lehet tudatosan tervezni.”, https://login.hu/hu/tartalom/shift.html, Letöltés ideje: 2020. október 20., 11:30.
[11] 2012. évi I. törvény a munka törvénykönyvéről, ”50/96.§
[12] DATA HUB: „CSV – Comma Separated Values”, https://datahub.io/docs/data-packages/csv, Letöltés ideje: 2020. szeptember 13., 21:00.
[13] GÉCZY-PAPP, R., „Autoregresszív és mozgóátlag folyamatok”, Miskolci Egyetem Gazdaságtudományi Kar Gazdaságelméleti és Módszertani Intézet: Miskolc, https://docplayer.hu/79561095-Autoregressziv-es-mozgoatlag-folyamatok.html, Letöltés ideje: 2020. október 7., 11:32.
[14] STELLWAGEN, E., TASHMAN, L., „ARIMA: The Models of Box and Jenkins”, 2013.01., https://www.researchgate.net/publication/285902264_ARIMA_The_Models_of_Box_and_Jenkins#fullTextFileContent, Letöltés ideje: 2020. október 7., 14:04.
[15] NORTH, G. R., „Statistical Methods, Data Analysis”, ScienceDirect: 2015, https://www.sciencedirect.com/topics/earth-and-planetary-sciences/autoregressive-process, Letöltés ideje: 2020. október 8., 08:10.
[16] STAT510: „Applied Time Series Analysis”, Penn State Eberly College of Science, https://online.stat.psu.edu/stat510/lesson/2/2.1, Letöltés ideje: 2020. október 8., 08:36.
[17] BROCKWELL, P. J.; DAVIS, R. A., ”Time Series: Theory and Methods”, (2nd ed.). New York: Springer. pp. 273. [ISBN 9781441903198], 2009.
[18] HANNAN, E. J., „Multiple time series. Wiley series in probability and mathematical statistics”, New York: John Wiley and Sons, 1970.
[19] SAS INSTITUTE: „Notation for ARIMA Models”, Time Series Forecasting System, https://support.sas.com/documentation/cdl/en/etsug/63939/HTML/default/viewer.htm#etsug_tffordet_sect016.htm, Letöltés ideje: 2020. október 10., 13:01.
[20] TUTORIALS POINT: „Time Series – Variations of ARIMA”, https://www.tutorialspoint.com/time_series/time_series_variations_of_arima.htm, Letöltés ideje: 2020. október 10., 15:51.
[21] BME: „Idősorelemzés – előadás”, 2016.10.15., https://math.bme.hu/~ftamas/szrmea/szrmea789.pdf, Letöltés ideje: 2020. október 13., 08:43.
[22] Sné KRISZT, É., VARGA, E., Vné KENYERES, E., KORPÁS, A., CSERNYÁK, L., „Általános statisztika II.”, [ISBN 978-963-19-2781-8], Nemzeti Tankönyvkiadó Rt.: Budapest, 1997., 8. fejezet
[23] KWIATKOWSKI, D., PHILLIPS, P. C. B., SCHMIDT, P., SHIN, Y., „Testing the null hypothesis of stationarity against the alternative of a unit root”, Journal of Econometrics 54., pp. 159-178., North-Holland 1992.
[24] R: „Augmented Dickey-Fuller Test”, http://finzi.psych.upenn.edu/R/library/tseries/html/adf.test.html, Letöltés ideje: 2020. október 16., 09:00.
[25] R: „Phillips-Perron Unit Root Test”, http://finzi.psych.upenn.edu/R/library/tseries/html/pp.test.html, Letöltés ideje: 2020. október 16., 09:20.
[26] R: „Kwiatkowski-Phillips-Schmidt-Shin Test”, http://finzi.psych.upenn.edu/library/aTSA/html/kpss.test.html, Letöltés ideje: 2020. október 16., 10:02.
[27] STEINBACH, M., KUMAR, V., TAN, P-N., „Bevezetés az adatbányászatba”, Panem Könyvkiadó Kft., 2011., C. függelék - Valószínűségszámítás és statisztika
[28] EVIEWS: „Unit Root Testing”, http://www.eviews.com/help/helpintro.html#page/content/advtimeser-Unit_Root_Testing.html, Letöltés ideje: 2020. október 17., 18:09.
[29] MATHREFERENCE: „Deriválttáblázat”, https://www.mathreference.org/index/page/id/54/lg/hu, Letöltés ideje: 2020. október 18., 10:19.
[30] SHITTU, O. I., „Comparison of Criteria for Estimating the Order of Autoregressive Process: A Monte Carlo Approach”, European Journal of Scientific Research [ISSN 1450-216X], Vol.30 No.3, pp.409-416, 2009.
[31] HYNDMAN, R. J., KHANDAKAR, Y., „Automatic Time Series Forecasting: The forecast Package for R”, July 2008, Journal of statistical software 26, [DOI: 10.18637/jss.v027.i03]
[32] TALAGALA, T. S., HYNDMAN, R. J., ATHANASOPOULOS, G., „Meta-learning how to forecast time series”, Monash University, Department of Econometrics and Business Statistics, [ISSN 1440-771X]
[33] DATE, S., „The Akaike Infromation Criterion”, Towards, Data Science: 2019.11.09., https://towardsdatascience.com/the-akaike-information-criterion-c20c8fd832f2, Letöltés ideje: 2020. október 20., 21:12.
[34] R: „Auto- and Cross- Covariance and -Correlation Function Estimation”, https://stat.ethz.ch/R-manual/R-devel/library/stats/html/acf.html, Letöltés ideje: 2020. október 21., 00:36.
[35] HOLMES, E. E., SCHEUERELL, M. D., WARD, E. J., „Applied Time series analysis”, 2020.02.03., 4.4 fejezet, https://nwfsc-timeseries.github.io/atsa-labs/sec-tslab-correlation-within-and-among-time-series.html, Letöltés ideje: 2020. október 22., 18:40.
[36] HYNDMAN, R. J., „Better ACF and PACF plots, but no optimal linear prediction”, Electronic Journal of Statistics, Vol. 0 (0000), [ISSN: 1935-7524, DOI: 10.1214/154957804100000000]
##submission.downloads##
Megjelent
Folyóirat szám
Rovat
License
Bánki Közlemények is loyal to open access for academic work. All the original articles and review papers published in this journal are free to access immediately from the date of publication. We don’t charge any fees for any reader to download articles and reviews for their own scholarly use.
The Bánki Közlemények also operates under the Creative Commons Licence CC-BY-NC-ND. This allows for the reproduction of articles, free of charge, for non-commercial use only and with the appropriate citation information. All authors publishing with the Bánki Közlemények accept these as the terms of publication.
