Психология личности

Юношеский возраст  уже мало отличается от зрелого (взрослого), который начинается с 21—22 лет. Главная отличительная черта этого периода — повышенная эмоциональность и как следствие — более низкая психофизиологическая устойчивость по сравнению с более зрелыми людьми. 

Юношеский период —  это переход от «школьной жизни», по которой человека ведут наставники, к жизни взрослой, самостоятельной. Такой переход разные молодые люди проходят с разной скоростью, причем девушки несколько быстрее. Переход этот касается как биологической стороны юношеского организма (завершается половое созревание, окончательно формируется скелет), так и социально-психологической, личностной. Юноши и девушки самореализуются, осуществляют свои планы, осваивают профессии. Возрастает степень самостоятельности молодых людей — вплоть до материального самообеспечения. 

Вместе с тем, обладая  всеми правами взрослого человека, юноши и девушки часто не могут найти себя во взрослой жизни, что порождает особый внутренний кризис — кризис сознания. Он похож на подростковый, но имеет свои качественные особенности. Основная причина его в том, что юноши не могут сразу добиться больших успехов, например, в профессиональной деятельности, в отношениях с людьми и т.д. Освоение профессии требует каждодневного рутинного труда, умения правильно распределять и расходовать свой большой запас жизненных сил, однако в силу недостаточной эмоциональной устойчивости молодых людей (это основная психофизиологическая особенность возраста) им трудно смириться с этим обстоятельством. Эмоциональная сфера юношества требует результата «сразу и здесь», если преобразований, го революционных и т.д. По этой же психофизиологической причине юношам и девушкам легче дается работа интересная, а не полезная и нужная. Это сказывается и на сфере личных взаимоотношений. Юношеский максимализм может погубить в самом начале замечательное чувство любви, сказаться и на семейно-брачном союзе, прочность которого зависит от длительных и совместных усилий по его созданию. 
 
 

Методы прогнозирования  экономических показателей функционирования организации  

Прогнозирование бизнес-показателей  функционирования организации в современных условиях играет ключевую роль. Любой руководитель, стремящийся к достижению высоких целей, желает предвидеть изменения во внешней среде и адекватно на них реагировать, упреждая возможные нежелательные последствия. Все современные методы прогнозирования показателей функционирования организации условно можно разделить на несколько групп:  

1.     Эконометрические  методы  

2.     Регрессионные  методы прогнозирования  

3.     Методы  Бокса-Дженкинса (ARIMA и ARMA)  

4.     Нейросетевые методы прогнозирования  

Методы прогнозирования  показателей функционирования организации  по сути являются методами прогнозирования  временных рядов. Рассмотрим их более  подробно.  

1. Эконометрические  методы - относятся к категории  формальных (аналитических) методов, позволяющих получать прогнозы различных социально-экономических показателей, а также анализировать качество полученных прогнозов на основе некоторых формальных статистических критериев[1]. В свою очередь эконометрические методы делятся на ряд групп:  

1.1.    "Наивные"  модели прогнозирования. При их  создании предполагается, что некоторый  последний период прогнозируемого  временного ряда лучше всего  описывает будущее этого прогнозируемого  ряда, например Y(t+1)=Y(t) – “завтра будет как сегодня”.  

1.2.   Средние  и скользящие средние. В данном  случае прогнозная модель выглядит  следующим образом Y(t+1)=(1/(t))*[Y(t)+Y(t-1)+...+Y(1)] - "завтра будет как было в среднем за последнее время". Такая модель более устойчива к флуктуациям, поскольку в ней сглаживаются случайные выбросы относительно среднего. Ряд усредняется по достаточно длительному интервалу времени. Однако, как правило, значения временного ряда из недалекого прошлого лучше описывают прогноз, чем более старые значения этого же ряда. В этом случае для прогнозирования используется модель скользящего среднего Y(t+1)=(1/(T+1))*[Y(t)+Y(t-1)+...+Y(t-T)], смысл которой заключается в том, что модель видит только ближайшее прошлое (на T отсчетов по времени в глубину) и, основываясь только на этих данных, строит прогноз.  

3. Методы Бокса-Дженкинса  (ARIMA и ARMA). Разработаны в середине 90-х годов прошлого века и дают очень хорошие результаты. Здесь нет четкой модели прогноза. Алгоритм, подстраивая внутренние параметры, сам выбирает наиболее подходящую модель прогнозирования. Иерархия моделей Бокса-Дженкинса определить как  

AR(p)+MA(q)->ARMA(p,q)->ARMA(p,q)(P,Q)->ARIMA(p,q,r)(P,Q,R)->... , где  

AR(p) -авторегрессионая модель порядка p.  

MA(q) -модель со скользящим средним порядка q.  

4. Нейросетевые методы  прогнозирования. В настоящее  время самым перспективным количественным  методом прогнозирования является  использование нейронных сетей.  Существует два основных преимущества  нейросетевого метода прогнозирования:  

Относительно легко  исследовать зависимость прогнозируемой величины от независимых переменных. 

Построение нейросетевой модели происходит адаптивно во время  обучения, без участия эксперта в  отличие от математических моделей.  
 
 

Существует два  основных варианта использования нейронных сетей при прогнозировании параметров и показателей функционирования организации:  

Использование многослойных персептронов (MLP) - использование обычного персептрона с одним, двумя, или (в крайнем случае) тремя скрытыми слоями. При этом на входы нейронной сети обычно подается набор параметров, на основе которого (по мнению эксперта) можно успешно прогнозировать. Выходом обычно является прогноз сети на будущий момент времени.  

Использование нейронных  сетей с общей регрессией GRNN и GRNN-GA - Несмотря на то, что принцип обучения и применения таких сетей в корне отличается от обычных персептронов, внешне сеть используется таким же образом, как и обычный персептрон. Если персептрон во время обучения запоминал предъявляемые примеры постепенно подстраивая свои внутренние параметры, то сети с общей регрессией запоминают примеры в буквальном смысле. Каждому примеру - отдельный нейрон в скрытом слое сети, а затем, во время применения сеть сравнивает предъявляемый пример с примерами, которые она помнит. Смотрит, на какие из них текущий пример похож и в какой степени и на основе этого сравнения выдаст ответ.  
 

В настоящее время  можно с уверенностью сказать, что  использование нейронных сетей  при прогнозировании дает ощутимое преимущество по сравнению с более простыми статистическими методами.