Ключові слова
прогнозування соціальних потреб
кризові умови
біженці
міжнародні економічні відносини
кількісні моделі
експертні оцінки
соціальна підтримка
Як цитувати
Анотація
У сучасному світі глобальні кризи, такі як війни, пандемії та міграційні потоки, створюють складні виклики для соціально-економічного планування. Зокрема, нестабільні умови обмежують ефективність традиційних методів прогнозування соціальних потреб, які базуються на історичних даних. У статті аналізується застосування гібридного методу прогнозування, що поєднує кількісні моделі часових рядів та експертні оцінки. Метою дослідження є підвищення точності прогнозування та адаптивності соціальних програм у кризових умовах. Розроблений гібридний метод складається з двох основних блоків: прогнозного, який використовує кількісні моделі часових рядів (ARIMA, SARIMA), та експертного, що інтегрує якісні оцінки фахівців. Застосування методу дозволяє враховувати раптові зміни в соціально-економічних умовах, недоступні для традиційних моделей. На основі міжнародного досвіду продемонстровано успішність гібридного підходу. Наприклад, у Сирії він сприяв оперативному плануванню гуманітарної допомоги, зокрема у сфері охорони здоров'я та продовольчого забезпечення. У Польщі та Німеччині метод використовується для прогнозування потреб біженців у житлі, освіті та інтеграції до ринку праці. Проведене дослідження показало, що гібридний метод дозволяє значно знизити похибку прогнозування порівняно з традиційними підходами. Модельний приклад для оцінки потреб у житлових послугах для внутрішньо переміщених осіб у військових умовах демонструє зменшення середньої похибки прогнозу з 2,33% (метод ARIMA) до 1,97% завдяки використанню гібридного підходу. Це забезпечує більш точне планування соціальних ресурсів, підвищуючи ефективність програм підтримки. Гібридний метод прогнозування є ефективним інструментом для визначення соціальних потреб у кризових умовах. Його застосування забезпечує точність прогнозів, гнучкість моделей та можливість адаптації до нових умов. Результати дослідження свідчать про доцільність використання цього методу у міжнародних програмах соціальної підтримки, зокрема для країн, які переживають збройні конфлікти чи приймають значну кількість біженців. Рекомендовано впроваджувати гібридні підходи у практику роботи міжнародних організацій, таких як ООН та Європейський Союз, а також у національні стратегії соціально-економічного планування. Це дозволить зменшити соціальну напругу, оптимізувати розподіл ресурсів та сприяти досягненню сталого розвитку.
Посилання
1. Dobrovolska, O., Kolotilina, O., & Ostapenko, M. (2024). Forecasting macroeconomic dynamics in Ukraine: The impact of a full-scale war. SocioEconomic Challenges (SEC), 8(3), 211–237. https://doi.org/10.61093/sec.8(3).211-237.2024
2. Wicke, L., Dhami, M. K., Önkal, D., & Belton, I. K. (2022). Using scenarios to forecast outcomes of a refugee crisis. International Journal of Forecasting, 38(3), 1175–1184. https://doi.org/10.1016/j.ijforecast.2019.05.017
3. Durairaj, D. M., & Mohan, B. K. (2022). A convolutional neural network-based approach to financial time series prediction. Neural Computing and Applications, 34(16), 13319–13337. https://doi.org/10.1007/s00521-022-07143-2
4. Mulesa, O., Geche, F., Batyuk, A., & Buchok, V. (2017, September). Development of combined information technology for time series prediction. In Conference on Computer Science and Information Technologies (pp. 361–373). Cham: Springer International Publishing. https://doi.org/10.1007/978-3-319-70581-1_26
5. Abdollahi, H. (2020). A novel hybrid model for forecasting crude oil price based on time series decomposition. Applied Energy, (267), 115035. https://doi.org/10.1016/j.apenergy.2020.115035
6. Willekens, F. (1994). Monitoring international migration flows in Europe: Towards a statistical database combining data from different sources. European Journal of Population/Revue Européenne de Démographie, 10(1), 1–42. https://doi.org/10.1007/BF01268210
7. Chukwuere, J. E. (2024). Conceptualizing predictive conceptual model for unemployment rates in the implementation of Industry 4.0: Exploring machine learning techniques. arXiv preprint. https://doi.org/10.32388/E0D5TO.2
8. Thayyib, P. V., Thorakkattle, M. N., Usmani, F., Yahya, A. T., & Farhan, N. H. (2023). Forecasting Indian goods and services tax revenue using TBATS, ETS, neural networks, and hybrid time series models. Cogent Economics & Finance, 11(2), 2285649. https://doi.org/10.1080/23322039.2023.2285649
9. Kykyna, Y., & Mulesa, O. (2024). Hybrid method of forecasting social service needs. Science and Technology Today, 5(33), 1190–1199. https://doi.org/10.52058/2786-6025-2024-5(33)-1190-1199
10. Bennett, C. (2002). United Nations Office for the Coordination of Humanitarian Affairs (UNOCHA) orientation handbook. United Nations Office for the Coordination of Humanitarian Affairs (UNOCHA). https://digitallibrary.un.org/record/503265?v=pdf
11. Ahmad, A., Rassa, N., Orcutt, M., Blanchet, K., & Haqmal, M. (2021). Urgent health and humanitarian needs of the Afghan population under the Taliban. The Lancet, 398(10303), 822–825. https://doi.org/10.1016/S0140-6736(21)01963-2
12. Zakirova, S. (2023). Ukrainian refugees from the war: Analysis of informational support resources. Academic Papers of The Vernadsky National Library of Ukraine, (67), 54–81. https://doi.org/10.15407/np.67.054 (in Ukrainian)
13. Horobets, O. (2015). Ukrainian migrants in Poland: Social aspects of resource use. In Proceedings of the Fourth International Scientific and Practical Conference in Memory of Honorary Professor of TNTU, Academician of the NAS of Ukraine Chumachenko Mykola Grygorovych "Innovative Aspects of Resource Use" (pp. 133–134) (in Ukrainian)
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial 4.0 International License.
Авторське право (c) 2024 Євгеній Б. Кикина