Abstract and keywords
Abstract (English):
The task about granting the budgetary credits to regions is considered, its mathematical formulation is given and features of decision are distinguished. The examples of socio-economic development indicators of regions are given. Due to weak structuring of budgetary crediting problem the system approach to its decision is offered. The basic groups of the factors influencing decision-making are formed. These factors determine the financial state of the regions, their economic situation and regional processes in the social sphere. The assessment of socio-economic indices and coordination of decisions on each group of the factors are executed by means of neuro-fuzzy network. Network structure reflects the qualified expert knowledge in the field of the region budgetary crediting, presented in the form of fuzzy variables and fuzzy rules. The architecture of the network is developed and the features of its training are explained.

Keywords:
decision-making, budgetary crediting, indicators of socio-economic development, neuro-fuzzy network
Text
Введение Основным направлением работы при повышении эффективности решений, принимаемых органами государственной власти, является совершенствование системы государственного и регионального управления на основе ее информатизации, развития программно-алгоритмического обеспечения процесса принятия управленческих решений, внедрения современных информационно-коммуникационных и интеллектуальных технологий. Основное внимание должно уделяться повышению качества обработки информации [1, 2]. Особенно наглядно это проявляется при решении задач регионального управления, связанного с распределением ресурсов между регионами [3]. Одна из таких задач - задача бюджетного кредитования, когда решение принимается в зависимости от социально-экономической ситуации в регионе. Целью нашего исследования являлось изучение возможности повышения объективности процесса принятия решений по бюджетному кредитованию регионов на основе системного подхода и применения современных интеллектуальных технологий. Особенности задачи бюджетного кредитования Задача бюджетного кредитования субъектов Российской Федерации может быть сформулирована следующим образом: распределить заданный объем V финансовых кредитных средств между m регионами. При этом решение о предоставлении регионам кредитов принимается на основе анализа множества показателей социально-экономической ситуации , где n - количество групп показателей. Каждая группа включает li показателей, где , т. е. , …, . Сумма предоставляемых регионам кредитов не должна превышать заданный общий объем кредитов V из федерального бюджета: . Решение по j-му региону, , имеет вид Необходимо также определить объемы кредитов , для регионов с положительным решением, исходя из их особенностей. На принятие решения о предоставлении региону бюджетного кредита влияет большое количество факторов [4]. Кроме бюджетных показателей, могут учитываться социальные показатели (средняя продолжительность жизни в регионе, доля населения, живущего за порогом бедности), экономические показатели (доля в экспорте продукции обрабатывающей промышленности, ассигнования на науку), природные условия (специфика климатических и экологических условий, присутствие определенных природных и ресурсных факторов) и др. Возможен учет показателей, связанных с местными региональными особенностями (социально-экономическая структура региона, приоритеты экономической деятельности, специфика управления инновационными процессами в регионе, национальные и исторические особенности). Учитываемые факторы имеют разную природу и различно влияют на принятие решения. Таким образом, в основе решения задачи о бюджетном кредитовании регионов лежит анализ показателей социально-экономического развития с учетом политических, правовых и других отношений, существующих в конкретном регионе и его окружении [5, 6]. Сложность рассматриваемой задачи обусловлена многоаспектностью процессов, происходящих в регионе (экономических, социальных и т. п.), и их взаимосвязанностью; большим количеством разнородных факторов, многие из которых трудно оценить количественно; наличием неопределенных, не поддающихся количественному анализу закономерностей, зависимостей, признаков, характеристик, определяющих социально-экономическое состояние региона. В результате рассматриваемая задача становится слабоструктурированной, поэтому для ее решения используются методы экспертной оценки [1, 3, 5]. Предлагаемое решение Выделение существенных факторов. Для повышения эффективности процесса принятия решений были выделены существенные факторы, которые в большей степени влияют на решения [7]. Эти факторы (показатели) были распределены по трем группам: группа Х1 - факторы, определяющие финансовое состояние регионов; группа Х2 - факторы, определяющие экономическую ситуацию в регионах; группа Х3 - факторы, определяющие региональные процессы в социальной сфере. Каждый учитываемый показатель был нормирован в диапазоне от 0 до 1. Примеры нормирования показателей приведены в табл. 1-3 (верхний индекс - это номер показателя в группе). Таблица 1 Показатель дефицита бюджета Результаты расчета Индекс предельного объема дефицита бюджета недотационного/дотационного региона России £ 15 % > 15 % высокодотационного региона России £ 10 % > 10 % Значение 1 0 Индекс предельного объема дефицита бюджета (Iдеф.б) определяется как , где Vдеф.б - дефицит бюджета субъекта РФ; Vсобств - поступления от продажи акций и иных форм участия в капитале, находящихся в собственности субъекта РФ; Vост - объем снижения остатков средств на счетах по учету средств бюджета субъекта РФ; Vдох - итоговый объем доходов региона; Vпост - безвозмездные поступления. Таблица 2 Показатель валового регионального продукта Результаты расчета Валовый региональный продукт ВРП ³ 100 ВРП < 100 Значение 1 0 Таблица 3 Показатель дефицита общеобразовательных организаций Результаты расчета Дефицит общеобразовательных организаций Значение 0,3 1 0,3 0 Показатель дефицита общеобразовательных организаций определяется как , где - изменение количества обучающихся по сравнению с предыдущим периодом; ИЧОО - изменение числа общеобразовательных организаций. Далее задача бюджетного кредитования регионов представляется в виде взаимосвязанной иерархии задач меньшей трудоемкости (рис. 1): - на первом уровне анализируются показатели внутри выделенной группы и по результатам анализа принимается частное решение; - на втором уровне осуществляется обобщение результатов и принимается единое согласованное решение; - на третьем уровне (при положительном решении) рассчитывается объем бюджетного кредита. Рис. 1. Иерархическая совокупность задач при бюджетном кредитовании Для согласования экспертных решений по каждой группе показателей применяется нейро-нечеткая сеть (ННС). Архитектура ННС. Пусть существует неизвестная целевая зависимость - отображение , значения которой известны только на объектах обучающей выборки размерностью r. Применение нейро-нечеткой сети позволяет аппроксимировать неизвестное отображение в виде алгоритма . Для этого используется множество нечетких правил следующего вида: где - соответствующие нечеткие множества со своей лингвистической областью определения; ; ; t - количество лингвистических терминов. Отметим, что в общем случае база правил содержит правил, однако она может быть улучшена за счет удаления неиспользуемых правил. При решении задачи бюджетного кредитования регионов в структуре ННС отражаются знания квалифицированных специалистов (экспертов), представленные в форме нечетких переменных и нечетких правил [8]. Нейро-нечеткая сеть (рис. 2) имеет три входа - x1, x2 и x3 (принятые решения по каждой из трех групп анализируемых параметров), каждый вход описывается тремя лингвистическими терминами («Отрицательное», «Неопределенное», «Положительное»). Рис. 2. Архитектура нейро-нечеткой сети Основные этапы нечеткого логического вывода [9], распределенные по слоям ННС, реализуются следующим образом: - введение нечеткости выполняется слоем входных функций принадлежности , и , осуществляющих преобразование каждого из четких входных значений x1, x2 и x3 в степень истинности соответствующей предпосылки для каждого правила; - нечеткому логическому выводу соответствует слой нечетких правил , который по степени истинности предпосылок , , , , формирует подзаключения по каждому из правил; - композиция (агрегирование) подзаключений нечетких правил производится слоем выходных функций принадлежности для формирования нечетких подмножеств B1, B2, B3 (заключений); - агрегирование нечетких подмножеств B1, B2, B3 и приведение к четкости выполняется в выходном слое и приводит к формированию выходного четкого значения y. Так как в архитектуре нейро-нечеткой сети используются нечеткие правила, основанные на знании экспертов в области бюджетного кредитования регионов, то для обучения целесообразно выбрать метод обучения с учителем, например метод минимизации среднеквадратичной ошибки [10]. В качестве функций активации нейронов предпочтительнее выбрать сигмоидальные, а в качестве функций принадлежности можно выбрать, например, Z-образные и S-образные функции. Обучение ННС позволяет не только настроить веса связей (т. е. откорректировать достоверность отдельных нечетких правил), но и устранить противоречивость системы нечетких правил в целом. При достаточном объеме обучающей выборки ННС автоматически преобразует скрытые (в данных обучающей выборки) закономерности в систему правил нечеткого логического вывода. Выводы По результатам исследования можно сделать следующие выводы: - применение разработанной нейро-нечеткой сети повышает объективность процесса принятия решений по бюджетному кредитованию регионов по сравнению с методом экспертного опроса; - включение нечеткой логики в состав нейросетевых средств позволяет учитывать априорный опыт экспертов в области бюджетного кредитования, реализовывать нечеткое представление информации, извлекать знания из входных неполных и не вполне достоверных данных.
References

1. Il'in N. I., Demidov N. N., Popovich P. N. Razvitie sistem special'nogo informacionnogo obespecheniya gosudarstvennogo upravleniya. M.: MediaPress, 2009. 229 s.

2. Buldakova T. I., Dzhalolov A. Sh. Analiz informacionnyh processov i vybor tehnologiy obrabotki i zaschity dannyh v situacionnyh centrah // Nauch.-tehn. inform. Ser. 1, Organizaciya i metodika informacionnoy raboty. 2012. № 6. S. 16-22.

3. Kovalenko E. G. Regional'naya ekonomika i upravlenie. SPb.: Piter, 2005. 288 s.

4. Buldakova T. I., Dzhalolov A. Sh. Analysis of Data Processes and Choices of Data-processing and Security Technologies in Situation Centers // Scientific and Technical Information Processing. 2012. Vol. 39, no. 2. P. 127-132.

5. Mitrofanov I. V., Ivanov N. P., Mitrofanova I. A. Region: upravlenie, politika, ekonomika: ucheb. M.: Direkt-Media, 2014. 600 s.

6. Andieva E. Yu., Semenova I. I. Podderzhka prinyatiya resheniy v sisteme kreditovaniya. Omsk: SibADI, 2010. 168 s.

7. Buldakova T. I., Dzhalolov A. Sh. Sistemnyy podhod k resheniyu zadachi byudzhetnogo kreditovaniya regionov // Matematicheskie metody v tehnike i tehnologiyah: sb. tr. XXIX Mezhdunar. nauch. konf. T. 2. SPb.: SPbGTI(TU), 2016. S. 179-180.

8. Dzhalolov A. Sh. Metodika vybora tehnologiy Data Mining dlya obespecheniya prinyatiya resheniy pri regional'nom upravlenii // Nauka i obrazovanie v XXI veke: sb. nauch. tr. Mezhdunar. nauch.-prakt. konf. Ch. 15. Tambov, 2014. S. 50-52.

9. Buldakova T. I., Mikov D. A. Ocenka informacionnyh riskov v avtomatizirovannyh sistemah s pomosch'yu neyro-nechetkoy modeli // Nauka i obrazovanie. 2013. № 11. S. 295-310.

10. Kruglov V. V., Dli M. I., Golunov R. Yu. Nechetkaya logika i iskusstvennye neyronnye seti: ucheb. posobie. M.: Fizmatlit. 2001. 224 s.


Login or Create
* Forgot password?