Застосування ймовірнісно-статистичних моделей та інтелектуального аналізу даних для прогнозування контингенту одержувачів пенсій за віком в умовах системної невизначеності

Автор(и)

  • Олексій Борисович Зарудний Інститут телекомунікацій і глобального інформаційного простору НАН України, Україна https://orcid.org/0009-0008-7462-3899
  • Роман Григорович Коваль Інститут телекомунікацій і глобального інформаційного простору НАН України, Україна https://orcid.org/0009-0003-3821-3378

DOI:

https://doi.org/10.15587/2706-5448.2024.313960

Ключові слова:

мережа Байєса, невизначеність, пенсійна реформа, інтелектуальний аналіз даних, ймовірнісно-статистичні моделі, одержувачі пенсій

Анотація

Об’єктом дослідження є математичні моделі для прогнозування контингенту одержувачів пенсій в умовах невизначеності, спричиненої як реформуванням пенсійної системи, так і впливом збройної агресії. На основі дослідження статистичної інформації про структуру та динаміку контингенту одержувачів пенсій, запропоновано підхід до розкриття системної невизначеності у задачі прогнозування контингенту отримувачів пенсій. Дана робота є частиною дослідження застосування методів інтелектуального аналізу даних та математичного моделювання в інформаційній технології, призначеній до використання у пенсійній системі. Основна увага в даній роботі приділена прогнозуванню динаміки контингенту одержувачів пенсій за віком, зокрема прогнозуванню кількості новопризначених пенсій. Складність прогнозування контингенту одержувачів пенсій, зокрема за віком, пов’язана з тим, що необхідно забезпечити репрезентативність та варіабельність наборів даних. Крім того, потрібно враховувати те, що значна кількість факторів повинна бути включена в модель згідно з вимогами нормативних документів. Проблемним питанням є й те, що часові ряди досліджуваних показників, наприклад таких, як дані про страховий стаж застрахованих осіб (за результатами вибіркового дослідження), можуть містити значну (понад 40 %) пропусків, які заповнити можна лише на підставі первинних (паперових) документів. Тому вхідні набори даних сформовані з припущеннями стосовно ймовірності накопичення страхового стажу у різних груп застрахованих осіб. У роботі запропоновано аналітичний інструментарій, заснований на використанні ймовірнісно-статистичних моделей у формі мереж Байєса, призначений до використання у спеціалізованих системах підтримки прийняття рішень пенсійної системи України. Пропозиції, представлені в роботі дозволять підвищити стійкість пенсійної системи України, в тому числі шляхом більш точного визначення динаміки контингенту одержувачів пенсій, і, відповідно, витрат на виплату пенсій. Пропоновані моделі та методи можуть бути використані у складі систем підтримки прийняття рішень органів державного та публічного управління для аналізу результатів реформування системи пенсійного забезпечення.

Посилання

  1. Zelenko, V. (2023). Reformuvannia pensiinoi systemy Ukrainy u svitli yevropeiskykh standartiv. Lviv: LNU im. Ivana Franka, 202.
  2. Ministerka sotsialnoi polityky Maryna Lazebna: pro pensiinu reformu i zaprovadzhennia nakopychuvalnoi systemy (2021). Available at: https://www.msp.gov.ua/news/20328.html
  3. U Minsotspolityky spodivaiutsia zapustyty reformu solidarnoi pensiinoi systemy u lypni 2025 roku (2024). Available at: https://www.ukrinform.ua/rubric-society/3910430-u-minsocpolitiki-spodivautsa-zapustiti-reformu-solidarnoi-pensijnoi-sistemi-u-lipni-2025-roku.html
  4. Korporatyvnyi nederzhavnyi pensiinyi fond Natsionalnoho banku Ukrainy. Available at: https://knpf.bank.gov.ua
  5. Lypko, N. (2023). Analysis of the current state of the pension system in Ukraine and the search for the ways to reform IT. Economy and Society, 51. https://doi.org/10.32782/2524-0072/2023-51-44
  6. Maibutnie pensiinoi systemy Ukrainy: adekvatnist, okhoplennia ta stiikist (2019). Budapesht: Mizhnarodna orhanizatsiia pratsi, 90. Available at: https://www.ilo.org/uk/publications/maybutnye-pensiynoyi-systemy-ukrayiny-adekvatnist-okhoplennya-ta-stiykist
  7. Metodyka provedennia aktuarnykh rozrakhunkiv u systemi zahalnooboviazkovoho derzhavnoho pensiinoho strakhuvannia (2004). Postanova Kabinetu Ministriv Ukrainy No. 1677. 16.12.2004. Available at: https://www.kmu.gov.ua/npas/10301286
  8. Pro zatverdzhennia Poriadku provedennia aktuarnykh rozrakhunkiv u systemi zahalnooboviazkovoho derzhavnoho pensiinoho strakhuvannia (2005). Postanova pravlinnia Pensiinoho Fondu Ukrainy No. 12-1. 18.07.2005. Available at: https://zakon.rada.gov.ua/laws/show/z0840-05#Text
  9. Telichko, N. A. (2013). Actuarial methods to ensure of the pension systems financial sustainability. Visnyk Skhidnoukrainskoho nats. un-tu imeni Volodymyra Dalia, 3 (192), 164–171.
  10. Romanchuk, N. N. (2017). Tax-benefit model: methodological aspects of implementation. Ekonomika i suspilstvo, 11, 588–592.
  11. Modeling Pension Reform: The World Bank's Pension Reform Options Simulation Toolkit (2010). World Bank Pension Reform Primer Series, World Bank PROST Model. Available at: http://hdl.handle.net/10986/11074
  12. Pensions at a Glance 2021: OECD and G20 Indicators (2020). Paris: OECD Publishing, 224. https://doi.org/10.1787/ca401ebd-en
  13. Pensions Schemes and Projection Models in EU-25 Member States (2007). Occasional Papers, 35, 377. Available at: https://ec.europa.eu/economy_finance/publications/pages/publication10173_en.pdf
  14. Sze, M. (1993). The Process of Pension Forecasting. Journal of actuarial practice, 1 (1), 31–50. Available at: https://core.ac.uk/download/pdf/127444889.pdf
  15. Trukhan, S. V., Bidiuk, P. I. (2015). Methods of building mathematical models ofactuarial processes. Eastern-European Journal of Enterprise Technologies, 1 (4 (73)), 27–35. https://doi.org/10.15587/1729-4061.2015.36486
  16. Pro zahalnooboviazkove derzhavne pensiine strakhuvannia (2003). Zakon Ukrainy No. 1058-IV. 09.07.2003. Available at: https://zakon.rada.gov.ua/laws/show/1058-15#Text
  17. Ofitsinyi sait Pensiinoho fondu Ukrainy. Available at: https://www.pfu.gov.ua/statystyka/
  18. Stratehiia demohrafichnoho rozvytku Ukrainy na period do 2040 roku. Available at: https://www.msp.gov.ua/projects/870/
  19. Derzhavna sluzhba statystyky Ukrainy. Available at: http://www.ukrstat.gov.ua/
  20. Zvit pro robotu ta vykonannia biudzhetu Pensiinoho fondu Ukrainy u 2023 rotsi. Available at: https://www.kmu.gov.ua/storage/app/sites/1/17-civik-2018/zvit2023/zvit_PFU_2023_.pdf
  21. Zghurovskyi, M. Z., Pankratova, N. D. (2007). Osnovy systemnoho analizu. Kyiv: Vydavnycha hrupa BHV, 544.
  22. Zgurovsky, M. Z., Zaychenko, Y. P. (2016). The Fundamentals of Computational Intelligence: System Approach. Springer International Publishing, 375. https://doi.org/10.1007/978-3-319-35162-9
  23. Andreica, M., Popescu, М. E., Micu, D., Albu, E. (2016). Adaptive management procedural model for support of economic organizations. Proc of 10th International Management Conference «Challenges of Modern Management», 295–301.
  24. Dobrescu, E. (2017). Modelling an Emergent Economy and Parameter Instability Problem. Journal for Economic Forecasting of Institute for Economic Forecasting, 2, 5–28. Available at: https://ideas.repec.org/a/rjr/romjef/vy2017i2p5-28.html
  25. Bidyuk, P., Tymoshchuk, O., Kovalenko, A., Korshevnyuk, L. (2022). Systems and Methods for Decision Support. Kyiv: Polytechnika Publisher at the National Technical University of Ukraine «Igor Sikorsky KPI», 610.
  26. Zgurovsky, M. Z., Bidyuk, P. I., Terentiev, O. M., Prosyankina-Zharova, T. I. (2015). Bayesian Networks in Decision Support Systems. Kyiv: Edelweiss, 300.
  27. Holsapple, C. W., Winston, A. B. (1996). Decision Support Systems. Saint Paul: West Publishing Company, 850.
  28. Turban, E., Aronson, J. E. (2001). Decision Support Systems. New Jersey: Prentice Hall, 865.
  29. Borra, S., Dey, N., Bhattacharyya, S., Bouhlel, M. S. (2019). Intelligent decision support systems, Intelligent Decision Support Systems: Applications in Signal Processing. Berlin, Boston: De Gruyter, 183. https://doi.org/10.1515/9783110621105
  30. Alasiri, M. M., Salameh, A. A. (2020). The impact of business intelligence (BI) and decision support systems (DSS): exploratory study. International Journal of Management, 11 (5), 1001–1016.
  31. Friedman, N., Linial, M., Nachman, I., Pe’er, D. (2000). Using Bayesian Networks to Analyze Expression Data. Journal of Computational Biology, 7 (3-4), 601–620. https://doi.org/10.1089/106652700750050961
  32. Heckerman, D. (1997). Bayesian Networks for Data Mining. Data Mining and Knowledge Discovery, 1, 79–119. https://doi.org/10.1023/a:1009730122752
  33. Тrofimchuk, О., Bidyuk, P., Коzshukhivska, О., Коzshukhivskyy, А. (2015). Probabilistic and statistical uncertainty Decision Support Systems. Visnyk of Lviv Polytechnic National University, 826, 237–248.
  34. Gelman, A., Carlin, J. B., Stern, H. S., Rubin, D. B. (2000). Bayesian Data Analysis. New York: Chapman and Hall, CRC Press, 670.
  35. Jensen, F. V., Nielsen, Th. D. (2007). Bayesian Networks and Decision Graphs. New York: Springer, 457. https://doi.org/10.1007/978-0-387-68282-2
  36. Jilani, T., Najamuddin, M. (2014). A Review Adaptive Bayesian modeling for time series forecasting. Journal of Applied Environmental and Biological Sciences, 4 (7S), 99–106.
  37. Mani, S., McDermott, S., Valtorta, M. (1997). MENTOR: A bayesian model for prediction of mental retardation in newborns. Research in Developmental Disabilities, 18 (5), 303–318. https://doi.org/10.1016/s0891-4222(97)00012-7
  38. Gembarski, P. C., Plappert, S., Lachmayer, R. (2021). Making design decisions under uncertainties: probabilistic reasoning and robust product design. Journal of Intelligent Information Systems, 57 (3), 563–581. https://doi.org/10.1007/s10844-021-00665-6
  39. Bidyuk, P., Prosyankina-Zharova, T., Terentiev, O.; Hu, Z., Petoukhov, S., Dychka, I., He, M. (Eds.) (2019). Modelling Nonlinear Nonstationary Processes in Macroeconomy and Finances. Advances in Computer Science for Engineering and Education. ICCSEEA 2018. Advances in Intelligent Systems and Computing. Cham: Springer, 754, 735–745. Available at: http://doi.org/10.1007/978-3-319-91008-6_72
  40. GeNIe 2.0. Available at: https://genie.updatestar.com/en#google_vignette
  41. Brocklebank, J. C., Dickey, D. A. (2003). SAS System for Forecasting Time Series. Cary N C. SAS Institute Inc., 418.
  42. SAS Visual Analytics. SAS Institute. Available at: https://www.sas.com/ru_ua/software/visual-analytics.html
Application of probabilistic and stochastic models and data mining for forecasting the contingent of old age pension recipients in the context of systemic uncertainty

##submission.downloads##

Опубліковано

2024-10-25

Як цитувати

Зарудний, О. Б., & Коваль, Р. Г. (2024). Застосування ймовірнісно-статистичних моделей та інтелектуального аналізу даних для прогнозування контингенту одержувачів пенсій за віком в умовах системної невизначеності. Technology Audit and Production Reserves, 5(2(79), 56–62. https://doi.org/10.15587/2706-5448.2024.313960

Номер

Том 5 № 2(79) (2024): Інформаційно-керуючі системи

Розділ

Системи та процеси керування

Ліцензія

Авторське право (c) 2024 Oleksii Zarudnyi, Roman Koval

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.