MODELLING TRENDS OF SOCIO-ECONOMIC SYSTEMS DEVELOPMENT BASED ON NEURAL NETWORKS
Authors:
1.
Astrakhan State University
2.
Astrakhan State Technical University
3.
Astrakhan State Technical University
(Professor of the Department of Production Management)
4.
Astrakhan State Technical University
Type:
Article
Pages:
from 53
to 59
Status:
Published
Received:
05.12.2017
Accepted:
25.12.2017
Published:
25.12.2017
Subject area:
VAC 08.00.05 Экономика и управление народным хозяйством
VAC 08.00.10 Финансы, денежное обращение и кредит
UDK [338.24.01:338.27]:[330.342.01:330.45]
GRNTI 06.52 Экономическое развитие и рост. Прогнозир-ние и планирование экономики. Экономич. циклы и кризисы
GRNTI 06.61 Территориальная структура экономики. Региональная и городская экономика
GRNTI 06.81 Экономика и организация предприятия. Управление предприятием
GRNTI 65.01 Общие вопросы пищевой промышленности
GRNTI 82.01 Общие вопросы организации и управления
GRNTI 83.01 Общие вопросы статистики
VAC 08.00.10 Финансы, денежное обращение и кредит
UDK [338.24.01:338.27]:[330.342.01:330.45]
GRNTI 06.52 Экономическое развитие и рост. Прогнозир-ние и планирование экономики. Экономич. циклы и кризисы
GRNTI 06.61 Территориальная структура экономики. Региональная и городская экономика
GRNTI 06.81 Экономика и организация предприятия. Управление предприятием
GRNTI 65.01 Общие вопросы пищевой промышленности
GRNTI 82.01 Общие вопросы организации и управления
GRNTI 83.01 Общие вопросы статистики
Language:
Russian
Keywords:
socio-economic system, forecasting models, neural networks, nonlinearity
Abstract (English):
When forecasting socio-economic processes the question of choosing a forecasting model that allows the most objectively reflect the development trends of socio-economic systems appears relevant. The most common forecasting models are: linear model, quadratic model, exponential model, autoregressive model, Holt-Winters model. They are based on extrapolation - extending into the future the trend observed in the past and present. The fundamental non-linearity of socio-economic systems that are managed under conditions of uncertainty and incomplete observability of processes of functioning, allowed to formulate the appropriateness of their prediction using neural networks. Comparative evaluation of the effectiveness of different prediction models was carried out by the example of forecasting of socio-economic development of the Astrakhan region in 2014-2015. As the initial data there were taken the following figures: GRP, industrial output, gross agricultural products, the amount of investments in fixed assets, volumes of construction works, the average monthly wages, the consumer price index, unemployment rate in 2001-2012. The obtained minimum values of the error in forecasting social-economic development of the region based on neural networks indicate a higher degree of objectivity of the results of neural network prediction, compared to other models.
When forecasting socio-economic processes the question of choosing a forecasting model that allows the most objectively reflect the development trends of socio-economic systems appears relevant. The most common forecasting models are: linear model, quadratic model, exponential model, autoregressive model, Holt-Winters model. They are based on extrapolation - extending into the future the trend observed in the past and present. The fundamental non-linearity of socio-economic systems that are managed under conditions of uncertainty and incomplete observability of processes of functioning, allowed to formulate the appropriateness of their prediction using neural networks. Comparative evaluation of the effectiveness of different prediction models was carried out by the example of forecasting of socio-economic development of the Astrakhan region in 2014-2015. As the initial data there were taken the following figures: GRP, industrial output, gross agricultural products, the amount of investments in fixed assets, volumes of construction works, the average monthly wages, the consumer price index, unemployment rate in 2001-2012. The obtained minimum values of the error in forecasting social-economic development of the region based on neural networks indicate a higher degree of objectivity of the results of neural network prediction, compared to other models.
Keywords:
socio-economic system, forecasting models, neural networks, nonlinearity
socio-economic system, forecasting models, neural networks, nonlinearity
Введение Социально-экономические системы (СЭС) представляют собой сложноинтегрированные системы, которые обладают рядом специфических особенностей: многомерностью, многообразием возможных форм связи элементов между собой, многокритериальностью, многократным изменением состояния структуры и состава системы, ее функций. В этой связи прогнозирование развития социально-экономических систем на основе экономико-математического моделирования является процессом, позволяющим уменьшить неопределенность будущего состояния системы. Прогнозирование как специфическая функция управления предполагает исследование еще не существующего объекта, что требует обоснования выбора метода и модели прогнозирования с учетом особенностей объекта и формулировки основных принципов, позволяющих создать конструктивную основу для разработки прикладных методов прогнозирования. Нейронная сеть как инструмент прогнозирования Прогнозирование в общем смысле есть экстраполяция прошлого и настоящего на будущее, т. е. продление в будущее тенденции, наблюдавшейся в прошлом (перспективная экстраполяция). Поскольку в действительности тенденция развития остается неизменной, то данные, получаемые путем экстраполяции ряда, следует рассматривать как вероятностные оценки. Следовательно, традиционный подход к экономическому прогнозированию основывается на двух допущениях: - используемая модель является адекватным отражением экономической системы; - структура экономики должна оставаться неизменной в будущем. Практическая разработка количественной модели предполагает построение общей тенденции изменения уровней временных рядов на основе аналитического выравнивания ряда динамики, сущность которого заключается в расчете общей тенденции развития как функции времени: Ut = f(t), где Yt - уровни динамического ряда, вычисленные по соответствующему аналитическому уравнению на момент времени t. Определение теоретических (расчетных) уровней Yt производится на основе адекватной математической модели, которая наилучшим образом аппроксимирует основную тенденцию ряда динамики. Наиболее распространенными моделями построения временных рядов для прогно-зирования являются: линейная, квадратичная, экспоненциальная, авторегрессия, модель Хольта - Винтерса, - основу которых составляют различные подходы к оценке и вычленению факторов, влияющих на поведение системы в прошлом и настоящем, и допущение, что они будут действовать и в будущем [1-8]. При этом возникает вопрос, насколько правомерно перенесение закономерностей, описывающих прошлое и настоящее, на будущее? Особую значимость данная проблема приобретает для прогнозирования социально-экономических систем, управление которыми всегда осуществляется в условиях неопределенности и неполной наблюдаемости процессов функционирования [9]. Используемые на практике методы прогнозирования СЭС по своему содержанию основываются на идеализации действительности (причина в разных условиях порождает одно и то же следствие), т. е. предполагают «линейность» развития и не учитывают внутренние процессы саморазвития, инициирующие новые ситуации и новые следствия, не связанные с предыдущими причинами. Нелинейность развития мира, в том числе и СЭС, является основным постулатом неодетерминизма, который рассматривает социально-экономические процессы как принципиально нелинейные [10-12] и в целом не отрицает наличия детерминизма в развитии природы и общества, но ограничивает его только короткими периодами «линейного» развития. Придерживаясь данных взглядов на природу причинности явлений, мы предлагаем использовать для прогнозирования развития СЭС нейронные сети. Применение нейронных сетей в качестве метода прогнозирования является попыткой упрощенного моделирования интеллектуальных и природных процессов, которые во многом носят случайный характер. Применение нейронных сетей оправдано в том случае, когда невозможно построить точную математическую модель исследуемого объекта или явления. Обладая свойствами искусственного интеллекта, нейронные сети способны обучаться (изменение весовых коэффициентов по определенному алгоритму), накапливать и обобщать имеющуюся информацию, использовать ее новые данные, в большинстве случаев давая хорошие результаты. Нейронные сети являются гибким инструментом, поэтому существует множество конечных моделей самих сетей и вариантов их применения [13-15]. Результаты прогнозирования на основе нейронных сетей Построение прогнозируемой области предполагает формирование совокупности показателей, характеризующих возможные траектории развития СЭС. В качестве объекта прогнозирования данного исследования выступает региональная социально-экономическая система. Построение динамических рядов для прогнозирования осуществлялось на основе системы показателей, отражающих в той или иной степени состояние и уровень социально-экономического развития Астраханской области в 2001-2012 гг. Сравнительная характеристика результатов прогнозирования на основе применения различных моделей представлена в таблице. В качестве оптимистичного прогноза развития региональной СЭС следует считать прогноз, составленный по результатам расчетов экспоненциальной модели, т. к. его основой является предположение о том, что все показатели на заданном участке времени (2013-2015 гг.) имеют тенденцию к росту. При этом динамика изменения показателей не является линейной зависимостью, что повышает объективность прогноза по сравнению с линейной регрессией, но оценка ошибок прогноза достаточно велика по сравнению с другими методами. Пессимистичный вариант прогноза СЭС представляет собой сформированную совокупность прогнозных значений показателей из всех расчетных моделей, имеющих наименьшую ошибку. Наиболее объективным прогнозом является прогноз, составленный на основе метода «нейронная сеть» (рис.). орпапочвлрплплродрдормждошмпрласл аврпбо лывопшжаг олывердш Результаты расчета прогнозных показателей Нейронные сети Ошибка 34,989 02 15,726 37 5,339 67 13,776 65 4,441 35 3 380,325 3,065 31 0,380 15 2015 185,432 8 73,121 4 27,112 9 63,378 9 17,365 8 17 518,16 107,752 3 1,700 50 Авторегрессия Ошибка 47,660 69 23,314 29 7,042 72 21,607 11 6,568 08 4 849,795 3,403 06 0,339 50 2015 265,175 2 30,056 75 -1,440 43 9,601 937 3,373 253 26181669 111,128 21 2,396 874 9 Экспоненциальная модель Ошибка 51,540 07 24,946 44 7,214 772 22,287 79 7,100 23 5 421,758 3,710 13 0,318 93 2015 389,901 6 176,093 5 56,588 4 164,959 4 47,887 5 45 062,46 104,741 1 1,720 45 Квадратичная модель Ошибка 50,993 39 25,060 13 7,495 23 22,409 2 6,778 99 5 192,389 3,687 711 0,348 05 2015 219,342 8 111,207 4 29,039 9 92,542 1 29,397 3 21 884,48 104,404 8 1,809 7 Линейная регрессия Ошибка 49,640 38 24,449 85 7,086 159 21,841 82 6,870 009 5 066,119 3 3,710 817 0,316 752 2015 221,134 112,031 8 29,526 88 93,310 21 29,220 84 22 052,27 104,445 3 1,762 704 Модель Хольта - Винтерса Ошибка 48,510 6 23,974 9 7,003 61 22,500 2 7,391 16 4 892,186 3,892 93 0,427 31 2015 258,391 2 129,930 1 38,024 1 88,678 3 15,086 9 23 514,36 103,230 3 1,341 40 Показатель Валовой региональный продукт (в текущих ценах), млрд руб. Объем отгруженных товаров собственного производства, млрд руб. Валовая продукция сельского хозяйства во всех категориях хозяйств, млрд руб. Инвестиции в основной капитал, млрд руб. Объем работ, выполненных по виду деятельности «строительство», млрд руб. Среднемесячная заработная плата, руб. Индекс потребительских цен (к соответствующему периоду предыдущего года), % Уровень зарегистрированной безработицы (на конец периода), % апрваер арвыкрв ваегв апшожщш юрдюшг доп Варианты прогноза развития региональной социально-экономической системы в 2015 г. Построение прогнозных значений на основе традиционных моделей (линейная регрессия, квадратичная зависимость, экспоненциальная модель, авторегрессия, метод Хольта - Винтерса) основаны на решении соответствующей системы уравнений и экстраполяции полученных значений коэффициентов на будущее. При этом базу расчетов составляет последовательное сравнение предыдущего значения показателя с последующим, т. е. выполняется процедура: … → Х2010 → →Х2011 → Х2012 → … → Хt и т. д., следовательно, сохраняется один раз выведенная зависимость - соответствие теории детерминизма. Нейронная сеть представляет собой высокопараллельную динамическую систему с топологией направленного графа, которая может получать выходную информацию посредством реакции ее состояния на входные воздействия, т. е. в нейронных сетях, используемых для прогнозирования, нейроны входного слоя воспринимают информацию о параметрах ситуации, а выходной слой сигнализирует о возможной реакции на эту ситуацию. Процедура прогнозирования социально-экономического развития региона на основе нейронных сетей заключается в следующем [15-18]: - создание и оптимизация выборки входных данных: ежегодные данные показателей состояния развития региональной СЭС за 2001-2012 гг.; - построение нейронной модели: выбор структуры нейронной сети (многослойный перцептрон, сети радиальной базисной функции, обобщенно-регрессионные нейронные сети, сети Кохонена, Элмана, Хопфилда и др.) и алгоритма обучения сети («с учителем» и «без учителя», обучение методом критики); - обучение нейронной сети; - тестирование нейронной сети, в процессе которого определяется качество прогно-зирования сети. Для поиска лучшей архитектуры и выбора оптимального метода обучения был использован модуль «Интеллектуальный исследователь задач» (Intelligent Problem Solver - IPS), который содержит программный пакет Statistica Neural Networks (SANN). Модуль IPS используется в процессе конструирования нейронной сети, позволяет автоматически выбрать тип сети, архитектуру и способ обучения, рассматривая поиск лучшего варианта как оптимизационную задачу. В результате IPS определил нейронную сеть с радиальными базисными функциями (РБФ) как лучшую для прогнозирования социально-экономического развития региона. В РБФ-сети активизация нейронов задается дистанцией между входным вектором и заданным в процессе обучения вектором-прототипом, а обучение происходит быстро и носит элементы как обучения «с учителем», так и «без учителя». Таким образом, полученные данным методом прогнозные значения являются результатом тенденции, которая отражает комплексное влияние факторов, обусловивших фактические значения всех показателей, что позволяет более точно построить уравнение для расчета прогнозных значений, что и подтвердили рассчитанные ошибки прогноза, имеющие минимальные значения по сравнению с другими методами. Выводы Традиционные модели прогнозирования (линейная регрессия, квадратичная зависимость, экспоненциальная модель, авторегрессия, метод Хольта - Винтерса) экстраполируют тенденции прошлого и настоящего развития СЭС на ее будущее состояние, т. е. прогнозирование осуществляется через анализ области возможного. Однако процесс развития социально-экономических систем обусловлен высокой степенью неопределенности будущих изменений и неполной наблюдаемостью процессов ее функционирования. При этом «социальность» процессов функционирования и значительная непредсказуемость влияния внешней среды позволяют говорить о принципиальной нелинейности развития СЭС. В этой связи использование нейронных сетей для прогнозирования СЭС, по своей сути являющихся нелинейными и «самообучающимися», позволяет повысить объективность прогноза на основе определения зависимости между входами и выходами в процессе обучения и учета большого количества переменных разной размерности.
1. Parsadanov G. A., Egorov V. V. Prognozirovanie nacional'noy ekonomiki. M.: Vysshaya shkola, 2002. 304 s.
2. Yanch E. Prognozirovanie nauchno-tehnicheskogo progressa. M.: Progress. 1974. 574 s.
3. Kantorovich G. G. Analiz vremennyh ryadov // Ekon. zh-l Vyssh. shk. ekonomiki. 2002. T. 6. № 2. S 251-273.
4. Hamilton J. D. Time Series Analysis. Princeton University Press, 1994. 816 p.
5. Boks Dzh., Dzhenkins G. Analiz vremennyh ryadov, prognoz i upravlenie. M.: Mir, 1974. 406 s.
6. Dzhon E. Hank, Artur Dzh. Rayts, Din U. Uichern. Biznes-prognozirovanie. M.: Izd-vo «Vil'yams», 2003. 656 s.
7. Armstrong J. S. Principles of Forecasting: a Handbook for Researchers and Practitioners. Boston, MA: Kluwer Academic Publishers, 2001. 864 p.
8. Karlina E. P., Epifanova N. Sh., Dolgova I. S., Pokrovskaya M. Yu. Razrabotka lineyki razvitiya otrasley i sub'ektov promyshlennosti Astrahanskoy oblasti // Vestn. Astrahan. gos. tehn. un-ta. Ser.: Ekonomika. 2013. № 2. S. 92-103.
9. Cygichko V. N. Prognozirovanie social'no-ekonomicheskih processov. M.: KomKniga. 2007. 240 s.
10. Evolyucionnaya epistemologiya i logika social'nyh nauk: Karl Popper i ego kritiki / sost. D. G. Lahuti, V. N. Sadovskogo, V. K. Finna; per. s angl. D. G. Lahuti; obsch. red. V. N. Sadovskogo. M.: Editorial URSS, 2000. 464 s.
11. Prigozhin I., Stengers I. Poryadok iz haosa: Novyy dialog cheloveka s prirodoy. M.: Progress. 1986. 432 s.
12. Delez Zh. Logika smysla. M.: «Raritet»; Ekaterinburg: «Delovaya kniga», 1998. 480 s.
13. Haykin S. Neural Networks - A Comprehensive Foundation, Second Edition. Pearson Education, Inc., 1999; Reprint, 2005. 82 p.
14. Galushkin A. Neyronnye seti. Osnovy teorii. M.: Goryachaya Liniya-Telekom, 2012. 496 s.
15. Borovikov V. Neyronnye seti. Statistica Neural Networks. Metodologiya i tehnologii sovremennogo analiza dannyh. M.: Goryachaya Liniya-Telekom, 2008. 392 s.
16. Epifanova N. Sh. Prognoz razvitiya promyshlennyh predpriyatiy na osnove postroeniya neyrosetey (na primere Astrahanskoy oblasti) // Aktual'nye problemy ekonomiki i prava. 2012. № 2. S. 30-35.
17. Karlina E. P., Akmaeva R. I., Epifanova N. Sh. Tehnologiya provedeniya forsayt-issledovaniy: ucheb.-metod. posob. SPb.: Izd-vo Politehn. un-ta, 2012. 150 s.
18. Babkin A. V., Karlina E. P., Epifanova N. Sh. Neural networks as a tool of forecasting of socioeconomic systems strategic development // Proceedings of the 28th International Business Information Management Association Conference - Vision 2020: Innovation Management, Development Sustainability, and Competitive Economic Growth. 2016. S. 11-17.
