WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!


 

На правах рукописи


биджиев АРТУР ЗАУРОВИЧ

МЕТОДЫ НЕЛИНЕЙНОЙ ДИНАМИКИ ДЛЯ ДВУХУРОВНЕВОГО

МОДЕЛИРОВАНИЯ ЗАДАЧ УПРАВЛЕНИЯ РЕСУРСАМИ

ЗДРАВООХРАНЕНИЯ

Специальность 08.00.13 «Математические

и инструментальные методы экономики»

Автореферат

диссертации на соискание ученой степени

кандидата экономических наук

Иваново 2012

Работа выполнена в ФГБОУ ВПО «Ивановский государственный химико-технологический университет»

Научный руководитель: 

Заслуженный деятель науки РФ,

доктор экономических наук, профессор

Ильченко Ангелина Николаевна

Официальные оппоненты:

доктор экономических наук, доцент

Коровин Дмитрий Игоревич

(Ивановский государственный энергетический университет им. В.И. Ленина,

заведующий кафедрой высшей математики)

кандидат экономических наук, доцент

Стоянова Татьяна Александровна

(Ивановская государственная сельскохозяйственная академия имени

Д.К. Беляева,

заведующая кафедрой информационных технологий и статистики)

Ведущая организация:

ФГБОУ ВПО «Владимирский государственный университет имени Александра Григорьевича и Николая Григорьевича Столетовых»

Защита состоится 21 апреля 2012 г. в 13.00 ч. на заседании диссертационного совета Д 212.063.04 при ФГБОУ ВПО «Ивановский государственный химико-технологический университет» по адресу 153000, г. Иваново, пр. Ф.Энгельса,  д. 7, аудитория Г-121.

Тел. (4932) 32-54-33, e-mail: nvbalabanova@mail.ru .

С диссертацией можно ознакомиться в библиотеке ФГБОУ ВПО «Ивановский государственный химико-технологический университет».

Сведения о защите и автореферат диссертации размещены на официальном сайте ФГБОУ ВПО «Ивановский государственный химико-технологический университет» http://isuct.ru .

Автореферат разослан  «____» ____________ 2012 г.

Ученый секретарь

диссертационного совета                                                Н. В. Балабанова

I. ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ



Актуальность темы исследования. Важными элементами социальной политики государства на всех уровнях государственной власти являются охрана и укрепление здоровья граждан России, увеличение продолжительности жизни и повышение качества, и предоставления медицинской помощи. Возникшее несоответствие между реальными потребностями системы здравоохранения и уровнем ее финансирования с объективной необходимостью требует поиска путей преодоления сложившегося противоречия и разработки модели управления системой здравоохранения с целью обеспечения равновесия между ее медицинской и экономической составляющими.

Непредсказуемое и скоротечное изменение факторов внешней среды и, как следствие, нарастание неопределенности являются характерными признаками сложившихся социально-экономических отношений, что обусловливает существенное усложнение целей и задач, форм и методов управления здравоохранением как экономической системой, ибо для сохранения внутреннего равновесия система должна обеспечить более высокий уровень упорядоченности, чем уровень упорядоченности (или хаоса) факторов внешней среды. В данной ситуации рассмотрение здравоохранения как экономической системы производственного типа и системный подход к проблемам управления здравоохранением способны удовлетворить жестким требованиям, предъявляемым к сложным системам, и обеспечить динамическое равновесие между ее составляющими.

Внедрение информационно-аналитических моделей медико-технологической и экономической деятельности медицинских учреждений, в конечном счете, направлено на обеспечение управляемости всего здравоохранения как экономической системы и, соответственно, повышение эффективности функционирования всего здравоохранения. Развитие рыночных отношений с объективной необходимостью требует адекватной  модели управления в системе здравоохранения, характеризующейся оперативностью, способностью быстро и эффективно реагировать на внешние по отношению к системе изменения. Рыночная модель организационно-управленческой системы здравоохранения, основанная на информационно-аналитических технологиях, соответствует одной из основных задач реформы отрасли, повышению эффективности системы управления здравоохранением.

Таким образом, построение комплексной экономико-математической модели анализа и прогнозирования потребности населения в медицинской помощи для обоснования региональных планов финансирования и государственного регулирования в этой сфере, исходя из интересов государства с наилучшей социальной пользой, несомненно, является актуальной задачей.

Степень научной разработанности проблемы. Проблемами управления здравоохранением и вопросами повышения эффективности системы управления в сфере здравоохранения уже многие годы занимаются ведущие ученые-медики и организаторы здравоохранения страны, такие как Стародубов В.И., Комаров Ю.М., Лисицын Ю.А., Кузьменко М.М., Кучеренко В.З., Вялков А.И., Гришин В.В., Денисов И.П., Линденбратен А.Л., Решетников А.В., Ройтмен МЛ., Таранов A.M., Щепин О.П. и другие.

В работах Александрова В.Л., Бадаева Ф.И., Врагиной З.В., Вялкова А.И., Ермакова С.П., Исаковой Л.Е., Кадырова Ф.П., Киселева С.В., Кукушкина В.И., Куд­рявцева Ю.Н., Решетникова А.В., Шеймана И.М., Яковлева Е.П. и др. исследуются различные аспекты управления отраслью и лечебно-профилактическими учреж­дениями. Менее изучены проблемы управления системой здравоохранения на основе современных информационных технологий, хотя отдельные аспекты проблем рас­смотрены в работах Бенедиктова Д.Д., Вялковой С.М., Кузнецова П.П., Кокорина Е.П., Стуколовой Т.И., Чеченина Г.И. и др.

За последние десять лет были сформированы общие и отраслевые предпосылки для выделения экономики здравоохранения в самостоятельную научную дисциплину. Среди общих причин можно отметить переход к системе рыночных отношений, либерализацию цен на товары и услуги, разгосударствление экономики и, как следствие, дифференциация доходов и социальное расслоение общества. Содержательная сторона этих предпосылок сводится к внедрению в здравоохранение экономических методов управления, приданию медицинской услуге товарных характеристик, которые в наибольшей степени соответствуют природе и характеру рыночных связей и отношений.

Отдавая должное вкладу многих исследователей в разработку данной тематики, отмечаем, что исследований по комплексному экономико-математическому анализу  и прогнозированию социально-экономической ситуации в сфере здравоохранения явно недостаточно, а на уровне отдельных Российских регионов просто не существует, в силу того, что рыночные отношения в этой сфере деятельности еще только формируются.

Целью диссертационного исследования. Основной целью диссертационной работы является разработка (на содержательном примере задач здравоохранения) двухуровневого подхода к математическому моделированию, на базе методов нелинейной динамики, социально-экономических систем со слабоструктурированными исходными данными для создания основ планирования и принятия управленческих решений. Поставленная цель требует решения следующих задач:

-  разработка общей структурной схемы двухуровневого моделирования динамики спроса на медицинские услуги и численных методов его реализации;

- исследование статистических характеристик слабоструктурированных временных рядов (обращения за медицинской помощью) для обоснования выбора методов прогнозирования;

- исследование возможностей методов нелинейной динамики для первичной обработки фактологических данных с целью улучшения их предпрогнозных характеристик;

- исследование возможностей методов теории автоматов для краткосрочного и среднесрочного прогнозирования спроса на медицинские услуги в регионе;

- разработка в качестве основной составляющей модели нижнего уровня новых методов предпрогнозного структурирования данных на базе фрактального и фазового анализа;

- формирование данных для верхнего уровня моделирования на базе  математического аппарата теории нечетких множеств и инструментария теории детерминированного хаоса;

- разработка прогнозной модели верхнего уровня на базе концепции клеточных автоматов и её реализация доступными компьютерными программными средствами;

-  проектирование экспериментальной апробации предложенных моделей на реальной информации.

Объект исследования – Государственное республиканское учреждение здравоохранения «Карачаево-Черкесская республиканская больница».

Предмет исследования – экономико-математические модели прогнозирования временных рядов посуточных поступлений больных с различными симптомами заболеваний в лечебные учреждения регионального уровня для определения спроса на медицинские услуги стационарного лечения в условиях многоукладности отечественного здравоохранения.

Методология исследования. В процессе исследования применялись методы системного анализа, анализ временных рядов; методы математико-статистического моделирования временных рядов; дискретной математики, многокритериальной оптимизации, теории вероятностей и математической статистики, теории нечетких множеств и интервального исчисления, методы фрактального анализа, фазовых портретов, прогнозирования временных рядов на базе клеточных автоматов.

Научная новизна диссертационного исследования заключается в разработке и развитии теоретического, методологического и инструментального обеспечения для двухуровневого экономико-математического моделирования (анализа, прогнозирования и оптимизации) в социально-экономических системах, отличающихся неопределенностью исходных данных.

На защиту выносятся следующие основные положения, полученные лично автором и содержащие элементы новизны:

  1. Двухуровневая концепция для моделирования задач оптимизации управления ресурсами здравоохранения, предусматривающая структурирование исходных данных на нижнем уровне и нахождение оптимального решения на верхнем уровне.
  2. Методы (модели и алгоритмы) для фрактального анализа и фазового анализа временных рядов, отражающих спрос на медицинские услуги в регионе, для оценки предпрогнозных характеристик этих рядов и принятия методических решений для последующего прогнозирования.
  3. Алгоритмы реализации таких этапов клеточно-автоматного прогнозирования, как перевод исходного числового временного ряда в лингвистический временной ряд, построение множества конфигураций лингвистического временного ряда, вычисление частостей переходов конфигураций в состояния, вычисление значений функции принадлежности для лингвистического прогноза, построение числового прогноза в терминах нечетких множеств и дефазификации, валидация с целью оценки точности и надежности прогнозирования спроса на медицинские услуги в регионе.
  4. Методика определения приоритетных направлений вложения инвестиций в объекты здравоохранения, базирующаяся на построении модели векторной оптимизации.

Область исследования. Диссертационное исследование проведено в соответствии  Паспорту научной специальности (08.00.13) – Математические и инструментальные методы:

п. 1.1. Разработка и развитие математического аппарата анализа экономических систем: математической экономики, эконометрики, прикладной статистики, теории игр, оптимизации, теории принятия решений, дискретной математики и других методов, используемых в экономико-математическом моделировании;

п. 1.4. Разработка и исследование моделей и математических методов анализа микроэкономических процессов и систем: отраслей народного хозяйства, фирм и предприятий, домашних хозяйств, рынков, механизмов формирования спроса и потребления, способов количественной оценки предпринимательских рисков и обоснования инвестиционных решений. 

Информационной базой исследования послужили архивные материалы Государственного республиканского учреждения здравоохранения «Карачаево-Черкесская республиканская больница», опубликованные статистические данные Территориального органа Федеральной службы государственной статистики по Карачаево-Черкесской Республике, Росстата, Министерства здравоохранения и социального развития Карачаево-Черкесской Республики, Законодательство РФ по здравоохранению, материалы периодической печати и данные социолого-экономических исследований автора.

Теоретическая и практическая значимость диссертационной работы.

Теоретическая значимость работы заключается в модельной формализации управленческой деятельности местных органов государственной власти в части планирования инвестиций  в сфере здравоохранения.

Практическая значимость исследования определяется его ориентацией на решение актуальных проблем развития регионального здравоохранения. Предложенные подходы, экономико-математические модели и алгоритмы универсальны и позволяют решать широкий круг задач оптимизации управления, в частности организационно-экономического, методического, алгоритмического обеспечения и инструментальных средств и могут быть использованы: органами регионального управления, разработчиками информационно-аналитических систем для поддержки принятия управленческих решений на различных уровнях социальной, экономической и административной деятельности.

Практическая значимость результатов исследования подтверждается их использованием в планово-аналитической работе Министерства здравоохранения и курортов Карачаево-Черкесской Республики в 2008-2010 г.г., а так же в управленческой деятельности Карачаево-Черкесской Республиканской клинической больницы.

Апробация работы. Основные научные и практические результаты исследования и основные его положения докладывались и обсуждались на следующих конференциях:

- на Международной научно-практической конференции «Экономико-организационные проблемы проектирования и применения информационных систем» (Ростов-на-Дону, 2005);

- на Международной научно-практической конференции «Экономическое прогнозирование: модели и методы» (Воронеж, 2006);

- на Международной междисциплинарной научной конференции «Идеи синергетики в естественных науках» (Тверь, 2006);

- на Х Международной научно-практической конференции «Системный анализ в проектировании и управлении» (Таганрог, 2006);

- на кафедре Управления экономико-математического моделирования ФГБОУ ВПО «ИГХТУ» (Иваново, 2010-2011).

Публикации. Основные положения и выводы диссертационного исследования нашли отражение в 7 научных статьях (из них 3 – в журналах из списка ВАК) и в 6 тезисах докладов, общим объемом – 7,54 п.л. (вклад автора -4,44 п.л.).

Структура и объем работы. Диссертация состоит из введения, трех глав, заключения, списка литературы, состоящего из 141 источника и приложений.

Содержание работы.

Во введении обоснована актуальность темы, сформулированы цель и задачи исследования, описана структура, изложены основные научные результаты, выносимые на защиту.

В первой главе осуществлен анализ проблем управления ресурсами в региональных учреждениях здравоохранения в современных экономических условиях. Обоснована потребность системы управления здравоохранения в математических и инструментальных средствах поддержки принятия решений. Представлена двухуровневая модель анализа и прогнозирования инвестиционных решений на региональном уровне в сфере здравоохранения, включающая анализ исходных статистических данных (временных рядов), прогнозирования спроса на услуги и оптимизацию распределения инвестиционных ресурсов.

Во второй главе рассматривается предпрогнозный анализ временных рядов заболеваемостей с использованием математического аппарата фрактального и фазового анализа. Фрактальный анализ базируется на алгоритме последовательного анализа, выявляющий фундаментальные качественные и системные свойства, а именно: глубина долговременной памяти и ее оценка в терминах теории нечетких множеств, мера хаотичности или, наоборот, трендоустойчивости, квазицикличность, самоподобие.

В третьей главе обоснован выбор инструментария теории нелинейной динамики, изложена технология прогнозирования временных рядов на базе линейных клеточных автоматов. Реализована двухуровневая модель прогнозирования потребности в медицинской помощи в Государственном республиканском учреждении здравоохранения «Карачаево-Черкесская республиканская больница», и оптимизации распределения инвестиционных ресурсов. Приведена численная апробация и оценка практической применимости разработанной двухуровневой модели.

В заключении сформулированы выводы и предложения на основе проделанной работы.

II. ОСНОВНЫЕ ПОЛОЖЕНИЯ ДИССЕРТАЦИИ

Первая группа проблем диссертационного исследования связана с анализом теоретических основ моделирования управления ресурсами в здравоохранении.

Научная разработка финансово-экономических и управленческих систем в здравоохранении остаётся весьма актуальной. Наиболее опасным недостатком существующих методик стала вынужденная необходимость искусственно занижать реальный спрос на медицинские услуги и укладывать его в возможности бюджета. Такой подход приводит к заведомому искажению реально необходимых показателей оказываемой медицинской помощи и не позволяет достоверно оценить необходимые объёмы базовых программ, размеры страховых тарифов и т.п.

Для реализации целей диссертационного исследования осуществлена оценка реальных возможностей инструментария статистического анализа для прогнозирования временных рядов, построенных на основе  статистических данных ежедневного количества обратившихся за медицинской помощью за период с 01.01.2007 года по 27.12.2009 год в Государственное республиканское учреждение здравоохранения «Карачаево-Черкесской республиканской больницы». Выявленная слабая адекватность реальным исходным данным классических методов прогнозирования, базирующихся на трендах и автокорреляции, обусловила необходимость выбора такой математической модели прогнозирования, которая базируется на инструментарии клеточных автоматов и теории нечетких множеств. Дается содержательное описание концепции двухуровневого подхода к моделированию эволюционных социально-экономических процессов и систем, показатели которых не подчиняются нормальному закону распределения. Для них характерны множественность и противоречивость целей и критериев, стохастичность, интервальность или нечеткость значений исходных данных и хаотичность структуры связей. Математическая модель верхнего уровня – это модель теории оптимизации, на базе которой строится и обосновывается наиболее целесообразное управление распределением инвестиций. На нижнем уровне осуществляется моделирование исходных данных для модели верхнего уровня. Графическое  представление двухуровневого подхода к моделированию инвестиционных решений в здравоохранении приведено на рисунке 1.

Автором разработана математическая формализация концептуальной модели, базирующаяся на методах нелинейной динамики.

Рис. 1. Структурная схема двухуровневого подхода к моделированию инвестиционных решений в здравоохранении.

На нижнем уровне предложен достаточно общий подход и инструментарий использования предпрогнозных фрактальных характеристик временных рядов как для оценки их прогнозируемости, так и для качественной оценки устойчивости и тенденции в динамике развития процессов планирования медицинских ресурсов.





На верхнем уровне моделируется спрос на медицинские услуги в регионе. Прогнозирование базируется на линейных клеточных автоматах, а также предполагает использование операции агрегирования.

Алгоритм прогнозирования на базе клеточного автомата реализуется в системном единстве с процессом моделирования долговременной памяти и завершается получением прогноза заболеваемостей, включая валидацию (оценивание погрешности результата). Алгоритм реализации двухуровневой  состоит из следующих шести этапов.

Этап 1. Использование статистических методов и визуализация для предварительного анализа данного временного ряда на предмет выявления наличия или отсутствия тяжелых хвостов, трендов, циклических или сезонных компонент и др.

Этап 2. Фрактальный анализ данного временного ряда с целью установления в нем долговременной памяти, включая оценку ее глубины, а также выявления в поведении временного ряда таких характеристик и тенденций, как трендоустойчивость или, наоборот, хаотичность, персистентность или антиперсистентность и др. Вычислительная часть фрактального анализа базируется на алгоритме - анализа. Оценки, получаемые на выходе этого этапа, имеют числовую природу: наиболее адекватным является их представление в терминах и понятиях нечетких множеств.

Этап 3. Преобразование числового временного ряда в лингвистический временной ряд с целью обеспечить возможность применить квазигенетический алгоритм, работающий с комбинаторными конфигурациями, составляющими собой структуру лингвистического временного ряда и его терм-множество

Этап 4. Построение определяемой данным лингвистическим временным рядом генетической памяти клеточного автомата состоит из подэтапов:

- формирование множества всех -конфигураций, содержащих в полученном лингвистическом временном ряде, ,  где - глубина памяти этого лингвистического временного ряда;

- вычисление частот и частостей переходов - конфигураций из в состояния-термы.

Этап 5. Формирование прогноза для рассматриваемых числового и лингвистического временного ряда путем реализации «мягких вычислений» на базе построенной памяти клеточного автомата:

-  получение прогноза в виде нечеткого лингвистического множества;

- преобразование нечеткого лингвистического множества в числовое нечеткое множество, которое при необходимости с помощью процедуры дефазификации можно перевести в четкий числовой прогноз.

Этап 6. Валидация, т.е. получение оценок погрешности для полученного прогноза числового и лингвистического временных рядов.

Все этапы предлагаемой прогнозной модели были осуществлены на 10 временных рядах числа зарегистрированных больных в 9 разно профильных отделениях и итого по всем отделениям республиканской больницы КЧР за 2007-2009 гг.

Вторая группа проблем исследования связана с детальным предпрогнозным анализом временных рядов заболеваемостей с использованием математического аппарата фрактального и фазового анализа.

Исходными статистическими данными в настоящем исследовании являются подневные временные ряды , где индексом перенумерованы годы рассматриваемого периода длиной лет, а – количество жителей данного населенного пункта, обратившихся за медицинской помощью в -й день года .

С целью анализа динамики наблюдаемых количеств заболевания были введены обозначения для всех десяти временных рядов:

,– терапевтическое отделение,

,– отделение неврологии, 

,– отделение хирургии (взрослое),

,– нейрохирургическое отделение, 

,– отделение ЛОР (взрослое),

,– глазное отделение, 

,– отделение пульмонологии, 

,–  отделение кардиологии,

,– детское анестезиолого-реанимационное отделение, 

,– итого по всем отделениям.

Рассматривая численные значения статистических показателей всех 10 временных рядов (ВР), получаем:

– значения коэффициента асимметрии А по абсолютной величине далеки от нуля, т. е. эмпирические распределения не симметричны и относятся к классу распределений с «тяжелыми хвостами», в силу чего для их анализа и прогноза классическая методология прогнозирования приемлема в малой степени.

– коэффициент эксцесса Е отклоняется в меньшую сторону от значения коэффициента эксцесса, присущего нормальному распределению, этот факт объясняется тем, что область определения эмпирического распределения для рассматриваемых рядов в большинстве случаев принадлежит окрестности , где М – математическое ожидание, -  среднеквадратическое отклонение.

– большинство рассмотренных ВР отличаются повышенной вариабельностью, а именно, коэффициент вариации принимает значения из интервала (0,5; 1).

Для оценки глубины памяти временных рядов (численная оценка одной из фрактальных характеристик временного ряда, обладающего долговременной памятью) заболеваемостей, автором используется алгоритм последовательного анализа.

Из результатов выполненных расчетов можно сделать следующие выводы:

- глубина памяти конкретного временного ряда не является фиксированным числом, ее величина меняется вдоль рассматриваемого временного ряда, т.е. для различных его отрезков она является различной.

- для численного представления глубины памяти рассматриваемого временного ряда наиболее целесообразным является математический аппарат теории нечетких множеств

Для усиления свойства трендоустойчивости и, как следствие, повышения надежности прогнозирования в диссертации предлагается агрегирование временного ряда.

Выбирая конкретное значение параметра агрегирования q=7 рассматриваемые ВР можно разбить на недельные интервалы. Количество таких интервалов . Для обоснования адекватности использования агрегирования методом сложения уровней в интервалах для всех 10 временных рядов вычислены их статистические показатели, которые приведены в табл.1.

Применение указанной выше процедуры агрегирования в достаточной степени сохраняет характер поведения рассматриваемых временных рядов, точнее, сохраняет практически неизменными статистические характеристики динамики поведения этих временных рядов.

Таблица 1. Статистические показатели агрегированных недельным интервалом,  временных рядов , .

Наименование отделений республиканской больницы КЧР

Обозначение

агрегированного ВР

Статистические показатели

Терапевтическое

17,6

6,8

0,38

1,2

1,7

Неврология

28

7,04

0,25

-0,13

0,21

Хирургия

31,4

6,7

0,21

-0,08

0,23

Нейрохирургия

24

6,38

0,27

0,19

0,45

ЛОР

32,2

7,74

0,24

-0,15

0,77

Глазное

30,8

8,61

0,28

-0,7

0,8

Пульмонология

25,6

6,4

0,25

0,06

-0,07

Кардиология

28,5

7,03

0,19

0,20

0,99

Детское реанимационное отделение

6,41

3,35

0,52

2,29

14,2

ИТОГО (по всем отдел-ям)

430

64

0,15

-0,83

2,75

В результате использования процедуры агрегирования получено улучшение предпрогнозных характеристик, а именно таких характеристик как: трендоустойчивость, цикличность, сезонность и остаточность (случайность). Этот результат не противоречит содержательной сути рассматриваемых показателей, которые являются параметрами математической модели в процессе практической реализации 2-уровневого подхода к моделированию. Таким образом, появляются основания рассматривать процедуру агрегирования в качестве перспективного инструмента для улучшения предпрогнозных характеристик временных рядов, для которых классические подходы к прогнозированию оказываются недостаточно эффективными.

Осуществлена оценка цикличности исходных и агрегированных временных рядов заболеваемостей методом фазового анализа, с целью определения принципиальной возможности прогнозирования количества обращений за медпомощью больных по уровням: краткосрочный (подневный), среднесрочный (подневный или помесячный) и долговременный (сезонный) прогнозы.

Наиболее существенным здесь является то, что в агрегированном временном ряде практически полностью отсутствует оценка глубины памяти , что позволяет утверждать об улучшении предпрогнозной характеристики и трендоустойчивости, имеющем принципиально важное значение для дальнейшего прогнозирования.

Исследована иерархия цикличности временных рядов заболеваемостей.

Для различных экономических временных рядов достаточным является построение фазовой траектории в фазовом пространстве размерности . Рассматриваем эту фазовую траекторию в виде траектории, т.е. последовательности точек, перенумерованных индексом , где - ая точка имеет координаты: абсцисса – , ордината – , . В траектории каждая соседняя пара точек соединена звеном, т. е. отрезком или кривой. В этой траектории выделяем такие ее части, которые называются термином «квазициклы». Квазицикл временного ряда означает наличие в нем таких циклических компонент, которые различаются между собой по длине и периодичности.

Отметим две особенности этих квазициклов. Во-первых, практически для каждого квазицикла  его длина , чаще всего составляет 4 недели, т.е. несколько не достигает месячный период времени. С учетом этого факта можно говорить о “квазимесячной” цикличности понедельных временных рядов , . Во-вторых, для этих квазициклов существует дрейф, который имеет циклическую природу сезонности, что и обуславливает существование годового цикла на третьем уровне иерархии.

Иерархию цикличности временных рядов заболеваемости составляют подневные циклы 1- недельной длительности, понедельные квазициклы месячной (квазимесячной) длительности и помесячные квазициклы “сезонной” длительности. На каждом из трёх уровней иерархии всякое звено у подавляющего большинства циклов и квазициклов имеет направление вращения по часовой стрелке. Последнее имеет важное значение, когда модель прогнозирования базируется на разложении фазовых траекторий на квазициклы. Таким образом, из выявленной трёхуровневой иерархии цикличности рассмотренных ВР вытекает принципиальная возможность прогнозирования количества обращений за медпомощью на каждом из трех уровней: краткосрочный (подневный), среднесрочный (понедельный или помесячный) и долгосрочный (сезонный) прогнозы.

Содержательное описание модели иерархичности циклической компоненты рассматриваемых временных рядов можно представить следующим образом:

1. Нижний (первый) уровень иерархии составляют такие отрезки подневного временного ряда, которые имеют длительность одна неделя, т.е. нижний уровень состоит из квазициклов «недельной» длительности.

2. Средний (второй) уровень составляют такие квазициклы понедельного (т.е. агрегированного с недельным интервалом) временного ряда, длительность которых составляет порядка одного месяца; эта длительность претерпевает незначительные колебания в зависимости от сезона года. Иными словами, средний уровень состоит из квазициклов «месячной длительности».

3. Верхний (третий) уровень составляют такие квазициклы помесячного временного ряда длительностью порядка одного года. Иными словами, верхний уровень состоит из квазициклов «годичной» длительности. Структура этих квазициклов обусловлена факторами сезонности.

Разработана методика выявления и анализа циклической компоненты временных рядов количества людей, обратившихся за медицинской помощью, на базе фазовых траекторий и разложения их на квазициклы. Получаемая на базе этого разложения предпрогнозная информация представляет собой дополнительное знание о закономерностях динамики рассматриваемого временного ряда. Это знание может быть использовано для повышения точности и надежности нечеткого прогноза, получаемого на выходе клеточного автомата.

Выявлена трехуровневая иерархия циклической компоненты временных рядов заболеваемости. Структуру этой иерархии составляют подневные циклы 1-недельной длительности, понедельные квазициклы месячной (квазимесячной) длительности и помесячные квазициклы “сезонной” длительности. Выявленная трёхуровневая иерархия цикличности рассмотренных ВР дает принципиальную возможность прогнозирования количества обращений за медпомощью на каждом из трех уровней: краткосрочный (подневный), среднесрочный (понедельный или помесячный) и долгосрочный (сезонный) прогнозы.

Третья группа проблем исследования связана с методикой прогнозирования спроса на медицинские услуги в регионе на базе математической теории клеточных автоматов.

Предложен и детально разработан алгоритм клеточно-автоматной прогнозной модели спроса.

Шаг 1. Преобразование числового временного ряда в лингвистический временной ряд методом  огибающих ломанных.

В качестве примера, для целей иллюстрации, валидации и верификации прогнозной модели рассматриваем агрегированный временной ряд еженедельных показателей поступления больных в отделение пульмонологии республиканской больницы КЧР за период с 01.01.07 по 27.12.09.

,  ,

(1)

где индексом , перенумерованы недели каждого месяца этого периода.

С целью визуализации на рис.2 дано графическое представление этого ряда в виде гистограммы.

По результатам предпрогнозного фрактального анализа исследуемый временной ряд (1) обладает долговременной памятью, глубина которой оценена в терминах нечетких множеств.

Для отражения в клеточном автомате долговременной памяти, присущей рассматриваемому временному ряду, предлагается использовать интервальные значения прогнозируемых показателей, для чего всю область значений наблюдаемых показателей разделяем на 3 интервала: низкий уровень (Н), средний уровень (С), высокий уровень (В). Если каждому числовому значению элементов рассматриваемого временного ряда поставить в соответствие один из этих интервалов, то получим интервальный временной ряд или, в другой терминологии, лингвистический временной ряд.

Рис. 2. - Гистограмма агрегированного временного ряда еженедельных показателей поступления больных в отделение пульмонологии республиканской больницы КЧР за период с 01.01.07 по 27.12.09.

Автором предлагается строить лингвистический временной ряд вида  , . (2),  на базе интервального подхода путем построения верхней и нижней огибающих ломаных для столбцов гистограммы на рис.2. Предлагаемый алгоритм преобразования числового временного ряда в лингвистический временной ряд состоит из трех этапов.

Первый этап начинается с визуализации гистограммы, представляющей ряд (1). На этой гистограмме выделяем жирными точками столбики, представляющие явно большое (малое) количество зарегистрированных больных в течение наблюдаемой недели. Далее, соединяя соседние жирные точки пунктирными отрезками, получаем, как показано на рисунке 3, верхнюю огибающую ломанную (ВОЛ) и нижнюю огибающую ломанную (НОЛ).

На втором этапе последовательно для каждого столбика гистограммы рассматриваем отрезок, соединяющий точку его пересечения с НОЛ  точкой его пересечения с ВОЛ. Этот отрезок делим на три равновеликих интервала: нижний, средний и верхний. Отмечаем на каждом из таких отрезков концы среднего интервала, после чего каждую пару соседних верхних (нижних) концов средних интервалов соединяем пунктирным отрезком, в результате чего получаем границы срединной области гистограммы (СОГ).

На третьем этапе исследуемый временной ряд преобразуем в лингвистический временной ряд вида (2), осуществляя окрашивание каждого столбика гистограммы, как показано на рис.3. Рассматривая й столбик этой гистограммы, элемент заменяем термом , если верх столбика находится ниже СОГ, иначе заменяем термом  С, если его верх принадлежит СОГ и, наконец, заменяем термом В, если верх этого столбика находится выше СОГ. Работа третьего этапа, а вместе с ним и работа алгоритма заканчивается тогда, когда последний элемент ряда (1) заменяется соответствующим термом. Тем самым лингвистический временной ряд (2) считается построенным.

Полученный для агрегированного временного ряда еженедельного поступления больных в отделение пульмонологии (1) лингвистический ВР (2) представлен таблицей 2..

Временные ряды вида (1) и (2) обладают долговременной памятью. Последнее означает, что такие ряды аккумулируют предыдущую информацию о количестве поступивших больных и степень его влияния на последующее число поступления больных в отделение.

Таблица 2. .Лингвистический временной ряд еженедельной регистрации больных в отделении пульмонологии.

1

Н

21

В

41

В

61

Н

81

Н

101

В

121

С

141

С

2

С

22

Н

42

Н

62

С

82

С

102

С

122

В

142

Н

3

В

23

Н

43

С

63

С

83

В

103

С

123

Н

143

С

4

С

24

С

44

С

64

С

84

Н

104

С

124

Н

144

Н

5

В

25

Н

45

Н

65

С

85

С

105

Н

125

С

145

С

6

В

26

Н

46

С

66

Н

86

С

106

В

126

Н

146

Н

7

В

27

Н

47

В

67

В

87

С

107

В

127

С

147

В

8

С

28

С

48

Н

68

Н

88

С

108

С

128

С

148

С

9

В

29

Н

49

Н

69

С

89

Н

109

С

129

В

149

Н

10

С

30

Н

50

С

70

Н

90

С

110

В

130

С

150

С

11

Н

31

Н

51

С

71

Н

91

С

111

В

131

С

151

С

12

С

32

С

52

Н

72

В

92

С

112

В

132

Н

152

Н

13

С

33

Н

53

Н

73

С

93

В

113

В

133

С

153

Н

14

Н

34

С

54

В

74

Н

94

Н

114

Н

134

С

154

В

15

С

35

В

55

С

75

С

95

С

115

Н

135

Н

155

Н

16

С

36

Н

56

С

76

Н

96

С

116

С

136

В

156

С

17

С

37

С

57

С

77

С

97

Н

117

С

137

С

157

Н

18

Н

38

С

58

В

78

Н

98

Н

118

С

138

Н

19

Н

39

Н

59

С

79

Н

99

С

119

В

139

В

20

С

40

С

60

С

80

Н

100

В

120

С

140

Н

Автором сформулировано предложение представлять наличие в лингвистическом временном ряде долговременной памяти в терминах и понятиях клеточного автомата, в частности, линейного клеточного автомата. Работу клеточного автомата в рамках предлагаемой прогнозной модели организуем следующим образом.

Если в лингвистическом временном ряде (2) выделен отрезок , совпадающей с какой-либо фиксированной -конфигурацией вида (3),  т.е. , , то по отношению к следующему элементу , условимся говорить, что -конфигурация (3) переходит в состояние , т.е. в лингвистическую переменную , совпадающую с термом  .

В предлагаемом автором подходе базовым является следующее теоретическое предположение. Пусть последовательность ,  (4) неограниченно растет, т.е. в ряду , значение параметра .

Если в этой сколь угодно длинной последовательности некоторая конкретная фиксированная конфигурация (4) появляется, и при этом всякий раз после нее следует переход в одно и тоже состояние , то говорим, что конфигурация (3) обладает памятью.

Рис. 3. – Гистограмма начального отрезка лингвистического временного ряда числа зарегистрированных больных в отделении пульмонологии после этапов.

Пусть терм-множество имеет мощность . Тогда, если имеют место перемежающиеся переходы в два фиксированные состояния, то говорим, что -конфигурация (4) обладает частичной памятью. Если же фиксированная конфигурация демонстрирует переходы в каждое из трех состояний Н,С,В, то говорим, что данная конфигурация не обладает памятью. Эту память можно представить либо комбинаторно, либо в форме ориентированных двудольных графов.

Таблица 3 –  Статистика переходов и оценка памяти соответствующих конфигураций в ЛВР (2)

конфигурации

Всего конфигураций шт.

Всего переходов шт.

Из них переходов

Память

1-знач-ных шт.

2-знач-ных шт.

3-знач-ных шт.

Полная %

Частич- ная %

Отсутствие памяти %

1

3

156

0

0

3

-

-

100

2

9

151

0

1

8

-

11,1

88,9

3

26

151

4

9

13

15,4

34,6

50

4

61

152

31

23

7

51

38

11

5

98

149

73

23

2

74

23

3

6

126

149

112

13

1

89

10

1

7

141

145

138

3

-

97,8

2,2

-

8

143

146

140

3

-

97,9

2,1

-

9

145

146

144

1

-

99,3

0,7

-

10

145

146

144

1

-

99,3

0,7

-

11

145

146

144

1

-

99,3

0,7

-

12

145

145

145

-

-

100

-

-

Итого

1187

1782

1075

78

34

-

-

-

  Переходы всех конфигураций с частотами и частостями этих переходов представляют собой память клеточного автомата, являющуюся составной частью математической модели, предназначенной для прогнозирования лингвистического временного ряда (2).(Таблица 3) По составу представленной выше памяти клеточного автомата можно сказать, что выявлено наличие и глубина памяти лингвистического временного ряда (2). Длина отрезка лингвистического временного ряда, не превосходящая 12, определяет состояние прогнозируемого показателя на очередном временном шаге.

Шаг 2. Формирование прогнозных значений для лингвистического временного ряда, верификация и валидация прогнозной модели.

Для конкретного лингвистического временного ряда, представленного табл. 3 осуществим прогнозирование неизвестного терма на основании - конфигураций сформированного множества и с учетом вычисленных выше и представленных в табл.4 частостей, для , где глубина памяти в лингвистическом временном ряде (2).

Таким образом, прогнозное значение количества поступления больных в отделение пульмонология для представляется в виде нечеткого терм-множества . В лингвистических переменных этот прогноз можно сформулировать следующим образом: в первую неделю января 2010 года ожидается средний поток больных или, что менее вероятно, высокий, что соответствует реальности.

Таблица 4. Результат реализации процесса валидации прогнозной модели для отрезка ЛВР (2), состоящего из уровней 

Прогноз.

неделя

-

конфигура-ция

Прогнозное

нечеткое терм-множество

Исходные  термы

Исход.

числ. данные

ед.

Числен-ный

прог-ноз,

ед.

Пог-реш-ность

числ.

прог-ноз.

Ре-  зуль-

тат

вали-дации

По-греш- ность валида- ции

%

Прог-ноз линг-висти-ческий

1

2

4

5

6

7

8

9

10

11

157

Н Н В Н С

U={(Н;0,5), (С;0,37), (В;0,11)}

Н

16

24

50%

25

50%

Н

156

Н Н В Н

U={(Н;0,23), (С;0,7), (В;0,05)}

С

25

25

0%

25

0%

С

155

С С Н Н В

U={(Н;0,8),(С;0,13), (В;0,008)}

Н

22

24

9%

25

14%

С

154

С Н С С Н Н

U={(Н;0,19), (С;0,28), (В;0,53}

В

37

32

14%

35

5%

В

153

В С Н С СН

U={(Н;0,19), (С;0,60), (В;0,21)}

Н

21

25

19%

26

24%

С

152

В С Н С С

U={(Н;0,54), (С;0,32), (В;0,14)}

Н

21

24

14%

24

14%

Н

151

Н В С Н С

U={(Н;0,37), (С;0,48), (В;0,25)}

С

25

25

0%

25

0%

С

150

С Н В С Н

U={(Н;0,12), (С;0,45), (В;0,43)}

С

25

28

12%

29

16%

С

149

С Н В С

U={(Н;0,58), (С;0,32), (В;0,10)}

Н

21

23

10%

24

14%

Н

148

Н С Н В

U={(Н;0,38), (С;0,40), (В;0,22}

С

27

28

4%

27

0%

С

147

С Н С Н СН

U={(Н; 0,05), (С;0,46), (В;0,49)}

В

35

32

9%

29

0%

В

146

С Н С Н С

U={(Н;0,47), (С;0,33), (В;0,2)}

Н

21

23

10%

26

17%

Н

Итого

Средняя погрешность

12%

14%

9%

Шаг 3. Получение числового прогноза и оценка его точности.

Осуществим трансформацию прогнозного нечеткого лингвистического множества в числовой прогноз с помощью известной процедуры дефазификации нечеткого множества.

Пусть получено лингвистическое прогнозное значение

.

(5)

Приведем описание процесса преобразования нечеткого лингвистического множества (5) в числовое (классическое) нечеткое множество(НМ)

.

(6)

В качестве подходящих числовых значений элементов выбираются в лингвистическом временном ряде (2) ближайшие к элементам низкие, средние и высокие недельные потоки больных, которые затем усредняются:

;  ;.

Отсюда, с учетом представленных в нечетком лингвистическом множестве (5) значений функции принадлежности получаем искомый прогноз в виде НМ .

Согласно определению прогнозной модели, на ее выходе можно получить ВР прогнозных численных значений , , занумерованных тем же индексом, которым были занумерованы уровни в исследуемом временном ряде, в качестве примера. Тогда относительная погрешность прогнозирования для каждого наблюдения вычисляется по формуле . В качестве оценки точности прогнозирования принимаем среднее значение .

На основании валидации результатов лингвистического прогнозирования ВР числа зарегистрированных больных в отделении «Пульмонология» получена оценка средней погрешности лингвистического прогноза , т.е. в процессе валидации прогнозная модель выдала один неточный прогноз в лингвистических термах для .

В диссертации отражены результаты клеточно-автоматной прогнозной модели для агрегированных временных рядов количества поступивших больных во все отделения Карачаево-Черкесской республиканской больницы за период с 01.01.2007 г. по 27.12.2009 г.

Проведенные эксперименты показали, что предложенная двухуровневая модель отражает динамику изменения реального спроса на медицинские услуги, предлагаемые Центральной республиканской больницей для всего населения региона. Методика одинаково хорошо работает: как на краткосрочном периоде (горизонте), так и на среднесрочном, в зависимости от состава исходных данных: посуточный график, понедельный или помесячный.

Таким образом, планирующие органы здравоохранения  региона получают в свое распоряжение прогноз реальной потребности населения в услугах ЦРБ на предстоящие 1-3 года, причем дифференцированно по профилям отделений. Спрогнозированный спрос на услуги дает возможность обосновать (на основе действующих нормативов) потребность в ресурсах ЦРБ на тот же период. В частности, потребность в текущем финансировании на основную деятельность из средств республиканского бюджета.

Четвертая группа проблем исследования связана с определением приоритетных направлений вложения инвестиций в объекты здравоохранения.

Рассмотрим важную задачу планирования направлений инвестирования, т.е. выбора объектов вложения средств (одного из разнопрофильных отделений ЦРБ), когда объем финансирования в целом ограничен и сроки их освоения тоже ограничены среднесрочной перспективой. Ставится задача среднесрочного прогнозирования загрузки коечного фонда этого учреждения и наиболее приоритетных направлений вложения инвестиций при распределении ограниченного объема  бюджетного финансирования.

К настоящему времени основным подходом к оценке экономической эффективности вложений является максимизируемый подход на основе пропускной способности медучреждения, т.е. (МХ – математическое ожидание случайной величины занятости койко-мест за анализируемый период).

Очевидно, что единственного критерия недостаточно при сравнении разнопрофильных объектов вложений и многофакторности самого показателя заполненности койко-мест. Поэтому логичным представляется подход на основе многокритериального выбора альтернатив:

F(X) = (F1(X), F2 (X), …, Fn (X)),                 (7)

где Х = (х1, х2…,хm) – вектор характеристик наблюдаемого объекта;

(F1, F2,…,Fn)  - множество частных критериев, определяющих выбор (ранжирование)  объектов, задаваемых априори.

Для рассматриваемого объекта исходной информацией для анализа является статистика загрузки койко-мест в разрезе разнопрофильных отделений. Для уточнения вида функций F1, F2,…,Fn необходимо провести предварительный статистический анализ.

Для наглядности приведем пример анализ временных рядов ежедневного количества больных в отделении кардиологии – В1 (1) и в детском анестезиолого-реанимационном отделении (ДАРО) – В1 (2) за период с 01.01.2008 г. по 31.12.2010 г.

Для оценки меры риска, возникающего в планировании и финансировании деятельности учреждений здравоохранения, используем  вначале классический подход, опирающийся на анализ таких статистических характеристик  случайной величины (наблюдаемое количество заболеваний) как: математическое ожидание М, дисперсия D, среднеквадратическое отклонение , а также: коэффициенты вариации V , асимметрии А и эксцесса Е.

Обозначим: D(М) – дисперсия, вычисленная для всех тех значений случайной величины (СВ) Z, которые находятся в окрестности - дисперсия, вычисленная для всех таких значений  СВ Z, которые находятся за пределами окрестности справа от М; Е(М) – коэффициент эксцесса, вычисленный для всех тех значений СВ Z, которые находятся в окрестности ; - эксцесс, вычисленный для всех таких значений СВ Z, которые находятся за пределами окрестности справа от М (табл. 5.).

Таблица 5. Статистические характеристики двух отделений (кардиологии и ДАРО).

Отделения

D (M)

D3+

D3+/D

в %

Е(M)

Е 3+

Е 3+/ Е

в %

В1  (1)

8.82

1.68

19.04

1.83

11.8

644.8

В1  (2)

0.82

0.42

51.2

1.38

79.4

5753.6

Анализируя вычисленные статистические характеристики, можно утверждать, во-первых о неподчинении рядов В1(1) и В1(2) нормальному закону распределения и во-вторых, о наличии у этих распределений отчетливо выраженных правых «тяжелых хвостов». В пользу  первого утверждения  об отсутствии подчинения  нормальному закону  говорят значения  таких статистических  параметров, как коэффициент  асимметрии и, в особенности, коэффициент эксцесса Е, который для рассматриваемых  отделений  принимает  соответственно значения  Е>1.81  и Е>1.38. Напомним, что в случае нормального распределения коэффициент эксцесса всегда принимает  постоянное значение Е =3.

Изучение временных рядов посуточного нахождения больных в отделениях медучреждения позволяет не только прогнозировать этот показатель на ближайшее будущее (плановый период) подходящими адаптивными методами, но и оценить приоритетность вложения средств в развитие того или иного отделения в том же периоде, то есть ранжировать объекты инвестирования по критерию эффективности векторного вида

                     (8)

где (пропускная способность отделения, т.е. относительная заполненность коечного фонда);

- оценки максимального риска ошибочного ранжирования.

Критерий (8) назовем векторной целевой функцией  (ВЦФ) задачи классификации многомерных наблюдений, где объектами классификации являются разнопрофильные отделения крупного медучреждения регионального уровня, представленные своими временными рядами. В нашем  случае это В1 (1) и  В1 (2).

Учитывая тот факт, что эмпирические распределения рассматриваемых случайных величин (В1(1) и  В1(2)) являются асимметричными (в положительную сторону) и имеют  правосторонние «тяжелые хвосты», можем следующим образом  определить виды экстремума для рисковых критериев ВЦФ (8):

  max , А max , Е max ,               (9)         

Смысл вида экстремумов, определенных согласно (3), состоит практически в том, что, ранжируя рассматриваемые отделения  с приблизительно одинаковыми значениями критерия ожидаемого количества пациентов  М(Х)є{4.08; 0.92}, мы стремимся оценить максимальный риск  ошибки получения максимальной пропускной способности отделений, вклада «правых тяжелых хвостов». Проверим достаточность критериев (9).

Рассмотрим табл.6, представляющую значения критериев ВЦФ (2), для наблюдаемых отделений. По этой ВЦФ эти отделения  являются векторно-несравнимыми, т.к. В1(1) предпочтительней  В1(2) по критерию пропускной способности (с учетом дневного стационара и длительности пребывания больных), но В1  (1) имеет худшие показатели по всем другим  рисковым критериям по сравнению с отделением В1  (2).

Таблица 6. Значения критериев векторной целевой функции для 2 наблюдаемых отделений В1  (1) и В1  (2).

Отделения

МХ

А

Е

В1  (1)

4.08

176.8

1.65

13.6

В1  (2)

0.92

55.8

5.28

80.7

Таблица 6 демонстрирует неоднозначность решения задачи ранжирования отделений, из чего следует необходимость увеличения числа критериев в (8).

Учитывая вышеуказанную векторную несравнимость наблюдаемых отделений, осуществим R/S – анализ соответствующих временных рядов. Из визуализации этих  R/S – траекторий вытекает, что оба ряда имеют одинаковые циклы, по истечении которых происходит срыв с тренда этого цикла. Вместе с тем показатели Херста  для отделения  В1  (1) и для отделения В1  (2) принимают значения соответственно Н = 0,76 и  Н = 0,62 , т.е. первая из этих траекторий является более трендоустойчивой и, наоборот, для второй проявляется близость к хаотическому поведению. Иными словами, пополнение  ВЦФ пятым максимизируемым  критерием  F5 = Н max только усиливает предпочтительность отделения В1  (1) по сравнению с отделением В1  (2).

Окончательный вид ВЦФ для классификации  (упорядочения) разнопрофильных отделений

(10)

имеет смысл оценки максимального риска ошибки. Представленная реализация векторного подхода к оценке риска вместе  с R/S – анализом представляют инструментарий для ранжирования различных отделений по показателю спроса на их услуги. Для оценки  инвестиционной потребности объектов, при ограниченности общего финансирования, нужно учитывать «удельную стоимость» одного койко-места в разнопрофильных отделениях, при вариантах: простого расширения действующего коечного фонда и при условии модернизации (например, в форме весовых коэффициентов локальных критериев в ВЦФ (4), представленной в виде свертки).

ПУБЛИКАЦИИ АВТОРА ПО ТЕМЕ ДИССЕРТАЦИИ

Статьи в научных изданиях, рекомендованных ВАК РФ

  1. Биджиев А.З., Ильченко А.Н. Анализ спроса на медицинские услуги с применением векторной оценки риска и фрактального анализа временных рядов»/Вестник университета/Москва, Изд.дом ГОУВПО «ГУУ».-2010.- №1,-0,2 п.л.,-авт.-0,1 п.л.
  2. Биджиев А.З. Моделирование временных рядов заболеваемостей на базе фрактального анализа. Известия вузов. Северо-Кавказский регион. Приложение №3. – 2006.- 0,37 п.л.
  3. Биджиев А.З., Тебуева Ф.Б. Структурирование данных для дискретных эволюционных процессов и прогнозирование временных рядов// Гуманитарные социально-экономические науки.– 2006.-№5.- 0,25 п.л., авт.0,12 п.л.

Прочие публикации

  1. Биджиев А.З. Исследование задач дискретной оптимизации в условиях двухуровневого моделирования. М.:ВИНИТИ, 2006.Деп.№ 3351 от 15.10.06 г.–2,6 п.л.
  2. Биджиев А.З., Темирова М.А. Формирование данных для верхнего уровня моделирования на базе клеточно-автоматного прогнозирования. М.: ВИНИТИ, 2006.  Деп. № 305 от 23.03.2006 г.- 1,8 п.л., авт. 0,6 п.л.
  3. Биджиев А.З. Фазовые траектории и агрегирование как инструментарий для предпрогнозного анализа микро- и макроэкономических рядов. Научная мысль Кавказа. Приложение №5 – Ростов-на-Дону: Изд-во Северо-Кавказского центра высшей школы, 2006. – 0,56 п.л., авт. 0,28 п.л.
  4. Биджиев А.З., Темирова Л.Г. Иерархия цикличности временных рядов заболеваемости на базе фазового анализа//Электронный журнал/«Исследовано в России». – 2006. – С./http://zhurnal/ape/relarn/ru/articles/003/6016//pdf.-0,53 п.л., авт. 0,18 п.л.
  5. Биджиев А.З.,Тебуева Ф.Б. Использование агрегирования и клеточного автомата для прогнозирования временных рядов заболеваемости. Материалы конференции  Международной междисциплинарной научной конференции «Идеи синергетики в естественных науках». Вторые Курдюмовские чтения, Тверь: Твер.гос.ун-т, 2006.– 0,18 п.л., авт. 0,1 п.л.
  6. Биджиев А.З.,Темирова М.А. Адаптация клеточно-автоматной прогнозной модели для медицинских временных рядов с памятью. Материалы конференции Международной междисциплинарной научной конференции «Идеи синергетики в естественных науках». Вторые Курдюмовские чтения, Тверь: Твер.гос.ун-т, 2006.– 0,25 п.л., авт. 0,14 п.л.
  7. Биджиев А.З., Бобылева Е.В. Использование информационных технологий для моделирования медицинских временных рядов. Материалы VIII Международной научно-практической конференции «Экономико-организационные проблемы проектирования и применения информационных систем», Кисловодск, 27-29 октября 2005. – Ростов н/Д: Изд-во Рост. ун-та, 2005.- 0,18 п.л., авт. 0,1 п.л.
  8. Биджиев А.З., Темирова М.А. Двухуровневый подход к моделированию задач управления здравоохранением. Материалы Международной научно-практической конференции «Экономическое прогнозирование: модели и методы». Воронеж, 30-31 марта 2006 г., в 2 ч./ под ред.проф. В.В.Давниса. – Воронеж: ВГУ, 2006. – Ч.1. – 0,18 п.л., авт. 0,1 п.л.
  9. Биджиев А.З., Лукашов С.А. Иерархический подход к прогнозированию для принятия управленческих решений в сфере здравоохранения. Сб. трудов X Международной научно-практической конференции «Системный анализ в проектировании и управлении», Таганрог, 28 июня – 10 июля 2006 г. – Санкт-Петербург: Изд-во Политехнического университета, 2006.– 0,25 п.л., авт. 0,12 п.л.
  10. Биджиев А.З., Боташева Л.С. Роль национального приоритетного проекта «Здоровье» в развитии здравоохранения в регионе». Региональное приложение к журналу «Современные наукоемкие технологии» №3, Иваново. – 2009 г., -0,19 п.л., авт.0,1 п.л.





© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.