CC BY
122pISSN 2073-039X Инвестиционный анализ
eISSN 2311-8725
ИСПОЛЬЗОВАНИЕ МЕТОДА НЕЙРОННЫХ СЕТЕЙ ДЛЯ ПРОГНОЗИРОВАНИЯ ЭФФЕКТИВНОСТИ ИНВЕСТИЦИОННЫХ ВЛОЖЕНИЙ*
Евгений Юрьевич ХРУСТАЛЁВ^, Олег Григорьевич ШРАМКО"
а доктор экономических наук, профессор, заведующий лабораторией,
Центральный экономико-математический институт Российской академии наук, Москва, Российская Федерация stalev@cemi.rssi.ru
ь главный государственный налоговый инспектор,
Межрайонная инспекция Федеральной налоговой службы № 7 по Московской области,
Коломна, Российская Федерация
dj-59@mail.ru
• Ответственный автор
История статьи:
Получена 05.07.2017 Получена в доработанном виде 13.07.2017 Одобрена 24.07.2017 Доступна онлайн 29.08.2017
УДК 332.1 JEL: О11
Ключевые слова: регион, экономические факторы, развитие, инвестиции
Аннотация
Предмет. Определение направлений инвестиционных вложений в региональную экономику субъектов Федерации.
Цели. Для определения направлений инвестиционных вложений следует выбрать регионы, способные в наибольшей степени эффективно реализовать поступающие финансовые средства для стимулирования реальных секторов экономики, формирования точек роста, которые могли бы повлечь за собой развитие региона в целом. Для решения данной проблемы необходимо разработать новый комплексный и точный инструментарий оценки потенциальных возможностей региональной экономической структуры.
Методология. Предложенная методология и реализующий ее инструментарий базируются на комплексном использовании метода нейронных сетей применительно к экономике региона. Предлагается использовать региональные экономические показатели, определяющие результативную составляющую, представленную валовым региональным продуктом. При этом сами показатели выбраны таким образом, что они характеризуют экономическое развитие в наибольшей степени.
Результаты. Для комплексной оценки эффективности инвестиционных вложений разработан метод, с помощью которого при ограниченном количестве исходных показателей, характеризующих экономическую деятельность региона, можно получить достаточно точные оценки результативности проводимой инвестиционной политики в отношении каждого субъекта Федерации. Перспективность данного подхода состоит в возможности моделирования регионального социально-экономического развития в ответ на возможные структурные изменения, происходящие в экономике региона и имеющие как внутренние, так и внешние причины. Предложенный метод позволяет определить наиболее целесообразное направление инвестиционных вложений для социально-экономического развития регионов, осуществить задачу по сглаживанию пространственной поляризации, которая в настоящее время имеет тенденцию к увеличению.
Выводы. Разработанный методический подход дает возможность оценить целесообразность кластерного объединения субъектов Российской Федерации и использования метода нейросетевого моделирования для совершенствования государственной инвестиционной политики.
© Издательский дом ФИНАНСЫ и КРЕДИТ, 2017
Для цитирования: Хрусталёв Е.Ю., Шрамко О.Г. Использование метода нейронных сетей для прогнозирования эффективности инвестиционных вложений // Экономический анализ: теория и практика. - 2017. - Т. 16, № 8. -С. 1438-1454.
https://doi.Org/10.24891/ea.16.8.1438
Актуальность исследования состоит в том, что в настоящее время проблема
* Статья подготовлена при финансовой поддержке Российского фонда фундаментальных исследований, грант № 17-06-00325-а «Финансово-экономический инструментарий и эконометрическая модель для оценки и прогнозирования доступности и стоимости заемного финансирования для предприятий России».
1438
дифференциации регионов по социально-экономическим показателям становится все более острой. Продолжающийся разрыв между развитыми и депрессивными регионами приводит к диспропорциям в общей структуре экономики государства,
накоплению проблем во всех сферах жизни, снижает уровень налоговых поступлений, как это указано в работах И.В. Горского [1], Е.В. Балацкого [2], П.А. Кадочникова с соавторами [3], А.Б. Гусева [4].
Данное явление вынуждает федеральный центр к финансовым вливаниям в региональную экономику для смягчения социальной напряженности. Не всегда такая помощь оказывается адресной и эффективной.
Поддержка заведомо угасающих предприятий и отраслей экономики только лишь продлевает неизбежные депрессивные процессы, приводит к выпуску неликвидной и не пользующейся спросом продукции как на внутреннем, так и на мировом рынках.
Эта проблема отражена такими авторами, как, например, И.А Бланк [5], П.Л. Виленский [6] и др. Но главное состоит в том, что неэффективная, безадресная помощь тормозит инновационное развитие экономической системы, приводит к иждивенческим настроениям, оттягивает реструктуризацию отраслевой экономики, которая произойдет неизбежно, только с более сильной социальной напряженностью, м и гр а ц и о н н ы м и п р о ц е с с а м и и значительными издержками во всех сферах жизненного пространства, что указано, например, в работах С.Г. Зеленской [7], З. Боди с соавторами [8], H.-H. Hoppe [9].
Рассмотрим комплексный метод (инструментарий), использующий возможности нейронных сетей для оптимизации инвестиционных вложений в экономику регионов.
Для демонстрации углубляющейся пр остранственной р егиональной дифференциации можно привести анализ стандартного отклонения такого важного признака, как валовой региональный продукт.
Динамика этого показателя в некоторых регионах Российской Федерации с 2008 по 2014 г. представлена в табл. 1.
На наш взгляд, показатели величины стандартного отклонения дают общее представление о распределении значений показателей валового регионального продукта относительно среднего, то есть позволяют определить, насколько велик разброс между регионами.
Вычисления произведены по следующей формуле:
£(*,-*J
где ^ - величина стандартного отклонения;
Xi - показатели валового регионального продукта каждого региона;
Хор - средний показатель валового регионального продукта за соответствующий год.
Результаты вычисления представлены на рис. 1. Данная диаграмма показывает динамику коэффициента вариации признака за период с 2008 по 2014 г. Обращает на себя внимание непрерывно возрастающая дисперсия такого важного показателя, как валовой региональный продукт.
Одним из вариантов сглаживания пространственной поляризации регионов являются инвестиционные вложения в экономику регионов в целях стимулирования экономических процессов и повышения уровня жизни населения, как указано в работах М.В. Глазырина [10], S.M. Bragg [11].
Помимо непосредственного стимулирования реальных секторов экономики особое значение приобретает формирование точек роста, которые могли бы повлечь за собой развитие региона в целом.
Из авторов, освещавших данный вопрос, следует упомянуть М.Г. Полозкова [12], .
Перевод России на инновационный путь развития, отказ от сырьевой экономики невозможен без масштабных инвестиций во
все сферы производства, обучения персонала, внедрения новых технологий [13, 14].
Эффективное социально-экономическое развитие субъекта Федерации приводит в свою очередь к еще большей заинтересованности потенциальных инвесторов как отечественных, так и зарубежных, в развитии инвестиционной деятельности. В то же время привлечение инвестиционных средств приводит к стимулированию хозяйственной активности на всех уровнях, создавая таким образом мультипликативный эффект [15].
Вместе с тем инвестиции в основной капитал составили с 2005 по 2014 г. соответственно 3 611,1 млрд руб., 9 152,1 млрд руб., 11 035,7 млрд руб., 12 586,1 млрд руб., 13 450,2 млрд руб., 13 557,5 млрд руб. Это составляет в процентах к предыдущему году в сопоставимых ценах 110,2%, 106,3%, 110,8%, 106,8%, 100,8%, 97,3% соответственно. В то же время степень износа основных фондов на конец года составила соответственно 45,2%, 47,1%, 47,9%, 47,7%, 48,2%, 49,4%.
На наш взгляд простые финансовые вливания в депрессивные регионы для стимулирования происходящих в них экономических процессов и поддержки уровня жизни населения не являются достаточно эффективными.
Инвестирование следует производить только там, где есть потенциальная возможность структурного развития, формирования точек роста и существенного прорыва в инновационном развитии.
Задача представляется непростой, требующей постоянной корректировки с учетом изменяющейся экономической составляющей как на внутреннем, так и на мировом рынках. Сложная и порой непредсказуемая динамика требует постоянного мониторинга и своевременного внесения корректив в процесс инвестирования.
Простая дифференциация субъектов Российской Федерации по такому
параметру, как валовой региональный продукт, или по какому-либо другому признаку, не является достаточно корректной.
Следует подчеркнуть, что имеются значительные различия между регионами по природно-климатическим, природно-ресурсным, демографическим и иным факторам. Поэтому затруднительно сравнивать регионы не только по уровню их развития, но и по возможностям их социально-экономического роста [16].
В настоящее время общепризнанной является следующая дифференциация субъектов Российской Федерации:
• регионы - локомотивы роста. Представителями этой группы являются такие субъекты Федерации, как Москва, Московская область, Краснодарский край, Ленинградская область и др. Характерен высокий темп валового регионального продукта и значительный потенциал развития;
• опорные регионы (Кемеровская, Сахалинская области, Республика Коми, Республика Саха (Якутия) и др.). Эта группа представлена в основном регионами, имеющими в своей экономике значительную природно-ресурсную составляющую;
• депрессивные регионы (Астраханская область, Алтайский край, Мурманская, Новгородская, Псковская области и др.). Эти регионы характеризуются низким уровнем жизни населения, дефицитом трудовых ресурсов, низкими или полностью отсутствующими темпами роста валового регионального продукта;
• особые регионы (Республика Ингушетия, Чеченская Республика).
В данном случае мы преследуем узконаправленную задачу: определить эффективность инвестиционных вложений. Поэтому кластеризация регионов неизбежно будет отличаться от общепринятой типологии регионов Российской Федерации.
Количество кластеров было ограничено тремя для удобства и наглядности проводимого анализа, а также с тем, чтобы придерживаться концепции общепринятой классификации.
Представляется целесообразным объединение регионов в следующие группы:
• регионы для приоритетного направления инвестиционных вложений;
• регионы с низкой результативностью от инвестиционных вложений;
• регионы, индифферентные к инвестиционным вложениям.
Кластеризация и в какой-то степени классификация регионов не являются самоцелью. К данным группам становится возможным приложить метод нейросетевого программирования для определения эффективности инвестиционных вложений.
Нами предлагается механизм определения эффективности инвестиционных вложений с помощью метода моделирования экономических систем.
Анализ проводился с использованием статистической программы StatSoft. Inc. (2011). STATISTICA (data analysis software system). Version 10. www.statsoft.com.
Нейронные сети как мощный метод моделирования экономических систем позволяет воспроизводить чрезвычайно сложные зависимости.
Их главное преимущество состоит в нелинейности исследуемых функций, что является аналогом значительной динамики и изменчивости современной экономической ситуации.
Таким образом, данный метод моделирования имеет значительные преимущества перед такими методами, как исследование множественной регрессии, дисперсионный анализ, общие линейные и нелинейные модели, анализ временных рядов и многие другие, что отражено в
работах таких авторов, как Ю.С. Соловьева с соавторами [17], В.М. Казиев [18].
Способность обучаться на примерах является одной из особенностей нейронных сетей. При этом подбираются представительные данные, а затем запускается алгоритм обучения, который автоматически воспринимает структуру данных. Допускается, что исследуемые данные могут быть зашумленными и неточными.
Входные переменные имеют определенную силу, называемую весом. Сила связи или вес представляется числом. Чем больше значение веса, тем сильнее его входной сигнал и, следовательно, тем большее влияние оказывает соответствующий вход на выходной результат сети.
Задача нейронной сети состоит в том, чтобы построить наиболее адекватную зависимость между входами и выходом путем подгонки и композиции различных функций по имеющимся примерам исходных данных (наблюдениям).
Обучение сети производилось на основе показателей социально-экономического развития регионов за 2010-2014 гг.
Для формирования нейронной сети выбраны представители из каждой группы, в частности, Московская область, Кемеровская область, Астраханская область, и на этих субъектах Федерации была произведена апробация нейронной сети.
Непрерывными входными переменными явились следующие:
• инвестиции в основной капитал в фактически действующих ценах, млн
руб.;
• количество предприятий и организаций,
ед.;
• среднегодовая численность занятых в экономике, тыс. чел.;
• численность персонала, занятого научными исследованиями и разработками, тыс. чел.;
• стоимость основных фондов на конец года, млн руб.
Непрерывные входные переменные выбраны в соответствии с теорией производственной функции Кобба -Дугласа [19].
Непрерывной входной переменной был выбран, естественно, показатель валового регионального продукта в миллионах рублей.
Из авторов, наиболее полно проводящих исследования в данном направлении, следует отметить Д.-Э. Бэстенс с соавторами [20].
Очень подробно использование методики нейросетевого моделирования рассмотрено в работе Ю.А. Кузнецова с соавторами1. Работа посвящена исследованию особенностей инновационного развития регионов России.
Проведенный анализ позволяет определить динамику инновационной активности субъектов Российской Федерации и выявить регионы, обладающие наибольшей и н н о в а ц и о н н о й а кти в н о с ть ю . Инструментом исследований в работе являются самоорганизующиеся карты Кохонена, реализованные в пакете Statistica.
Отличие нашей работы от упомянутой состоит в том, что при анализе используется сеть с управляемым обучением, которая вместе с входными переменными содержит также и соответствующие им выходные значения.
Таким образом, сеть должна восстановить отображение, переводящее первые во вторые, в то время как сеть Кохонена учится понимать саму структуру данных, распознавать кластеры в данных, а также
1 Кузнецов Ю.А., Перова В.И., Эйвазова Э.Н. Нейросетевое моделирование динамики инновационного развития регионов Российской Федерации // Региональная экономика: теория и практика. 2014. Т. 12. Вып. 4. С. 18-28.
устанавливать близость классов. Сеть Кохонена распознает кластеры в обучающих данных и относит все данные к тем или иным кластерам.
Мы ставили перед собой задачу экспериментально отразить изменения выходной переменной (валового регионального продукта) в зависимости от степени изменения входящих предикторов.
Общая схема нейронной сети [21] представлена на рис. 2.
Показатели для Московской, Кемеровской, Астраханской областей представлены в табл. 2-4.
В результате обучения выбрана нейронная сеть типа многослойного персептрона с наибольшей производительностью.
Для Московской области выбрана архитектура № 2, для Кемеровской области -№ 1, для Астраханской - № 3 (табл. 5-7).
Количество скрытых нейронов во всех случаях от трех до десяти. Ввиду отсутствия некоторых статистических показателей, произведена замена средним значением пропущенных данных.
Установлена зависимость увеличения валового регионального продукта от увеличения инвестиционных вложений при неизменности остальных показателей (входящих переменных). Гипотетическое увеличение показателей инвестиций производилось с шагом в два раза.
Для групп регионов динамика предполагаемого роста валового регионального продукта представлена в табл. 8.
Графически это можно представить с помощью программы Microsoft Excel (рис. 3-5).
Таким образом, на данном этапе исследования, нам представляется возможность оценить влияние одной из переменной (инвестиции) на предполагаемый интегративный результат (валовой региональный).
Анализ представлял собой кратное увеличение инвестиционных вложений и оценку выходного фактора.
В результате анализа можно сделать следующие выводы:
• наибольшая «степень отклика» наблюдается при инвестировании регионов, уже стоящих на высокой ступени социально-экономического развития. Поэтому можно использовать известное выражение: «помогать следует сильным». Очевидно, на данном этапе экономическая инфраструктура только данных субъектов Российской Федерации наиболее оптимально может реализовать и эффективно использовать инвестиционные средства;
• во всех группах регионов через некоторое время наблюдается резкое снижение отдачи от вложенных инвестиций. Данное явление связано скорее всего с тем обстоятельством, что без радикальной замены структуры экономики регионов, перепрофилирования отраслей, возможного перехода на инновационный путь развития невозможно дальнейшее поступательное движение даже с привлечением инвестиций.
Представляется перспективным использовать данный метод для анализа каждого субъекта Российской Федерации, учесть динамику изменчивой экономической ситуации, осуществить прогноз по другим показателям регионального социально-экономического развития.
Рыночную экономику, особенно на современном этапе глобализации и интеграции экономических систем, невозможно представить без грамотной и хорошо продуманной инвестиционной политики.
Это не только и даже не столько финансовые вложения, но и внедрение новых технологий, инновационных разработок, что приводит к модернизации производства.
С одной стороны, возникает заинтересованность потенциальных инвесторов в развитии хозяйственных связей, изменении структуры производства, повышении конкурентоспособности производства.
С другой стороны, инвестирование приводит к повышению благосостояния населения, уменьшению безработицы, повышению трудовой активности.
Таблица 1
Валовой региональный продукт регионов Российской Федерации с 2008 по 2014 г., млн руб.
Table 1
Gross regional product of regions of the Russian Federation from 2008 to 2014, million RUB
Объект анализа 2008 2009 2010 2011 2012 2013 2014
Белгородская область 319 071,4 304 343 397 069,9 511 663 546 151 569 414,1 619 388,1
Брянская область 127 019,5 126 199,3 144 264 179 920,9 209 824 223 324,3 243 026
Владимирская область 176 257,3 188 466,3 218 712,3 256 409,2 285 623 307 486 327 885,3
Воронежская область 289 322,3 302 510,1 328 770,8 447 155,4 568 613 606 667,7 709 068,3
Ивановская область 86 084,2 86 572,8 98 209 127 218,6 136 512 157 735,1 151 047
Магаданская область 41 948,5 48 128,4 58 174,3 75 147 76 875 88 490,1 97 015,6
Сахалинская область 335 878,4 392 311,7 492 730,3 596 906,8 641 603 673 775,4 793 481,6
Еврейская автономная 26 695,2 25 345,1 32 537,5 36 533,8 42 451 37 885,4 41 741,8
область
Чукотский автономный 30 699,1 45 397 41 974,2 44 756,9 48 852 46 989,7 56 556,2
округ
Величина стандартного 1 007 244 866 453 1 014 530 1 219 340 1 302 701 1 427 336 1 554 412
отклонения
Источник: Росстат
Source: Rosstat Таблица 2
Показатели по Московской области для формирования нейронной сети Table 2
Indicators for the Moscow oblast to build a neural network
Год ВРП, млн руб. Инвестиции в основной капитал, млн руб. Среднегодовая численность занятых в экономике, тыс. чел. Численность занятых научными исследованиями и разработками, тыс. чел. Количество предприятий и организаций, ед. Стоимость основных фондов на конец года, млн руб.
2010 1 832 867,3 394 284 2 905,9 84 574 224 181 4 442 527
2011 2 176 795,3 449 666 2 924,4 86 130 236 263 5 012 245
2012 2 357 081,9 516 872 2 933,9 86 349 235 814 5 109 551
2013 2 545 951,5 587 645 2 982,7 85 856 243 124 5 538512
2014 2 705 578,7 644 830 3 040,5 87 780 250 244 6 072 673
2015 - 640 320 3 071,2 85 864 259 804 -
Источник: Росстат
Source: Rosstat
Таблица 3
Показатели по Кемеровской области для формирования нейронной сети
Table 3
Indicators for the Kemerovo oblast to build a neural network
Год ВРП, млн руб. Инвестиции в основной капитал, млн руб. Среднегодовая численность занятых в экономике, тыс. чел. Численность занятых научными исследованиями и разработками, тыс. чел. Количество предприятий и организаций, ед. Стоимость основных фондов на конец года, млн руб.
2010 655 914,9 156 519 1 288,2 1 258 51 888 1 259 707
2011 751 198,4 214 780 1 301 1 231 51 212 1 406 912
2012 718 320,4 267 812 1 305,4 1 097 51 953 1 635 052
2013 667 950,5 217 711 1 303,2 1 232 50 631 1 900 837
2014 747 414,6 230 951 1 278,2 1 475 51 303 2 106 247
2015 - 162 059 1 238,2 1 491 52 012 -
Источник: Росстат
Source: Rosstat Таблица 4
Показатели по Астраханской области для формирования нейронной сети Table 4
Indicators for the Astrakhan oblast to build a neural network
Год ВРП, млн руб. Инвестиции в основной капитал, млн руб. Среднегодовая численность занятых в экономике, тыс. чел. Численность занятых научными исследованиями и разработками, тыс. чел. Количество предприятий и организаций, ед. Стоимость основных фондов на конец года, млн руб.
2010 144 888,8 59 863 447,7 917 18 204 623 538
2011 172 616,6 69 024 448,5 966 17 880 747 640
2012 209 654,4 81 665 442,5 1 014 17 952 808 160
2013 273 917,1 122 618 436,9 1 083 18 515 850 132
2014 288 951,6 116 856 436,4 904 18 736 912 746
2015 - 111 562 434,7 933 18 904 -
Источник: Росстат
Source: Rosstat
Таблица 5
Итоги моделей для Московской области
Table 5
The results of models for the Moscow oblast
N Архитектура Производит. обучения Ошибка обучения Контрольная ошибка Алгоритм обучения Функция активации скрытых нейронов
1 MLP 5-8-1 1 1 0 BFGS 158 Логистическая
2 MLP 5-10-1 1 0 0 BFGS 429 Экспонента
3 MLP 5-11-1 0,999775 34 646 874 149,9071 BFGS 21 Логистическая
4 MLP 5-10-1 1 109 0 BFGS 139 Гиперболическая
Источник: авторская разработка Source: Authoring
Таблица 6
Итоги моделей для Кемеровской области Table 6
The results of models for the Kemerovo oblast
N Архитектура Производит. обучения Ошибка обучения Контрольная ошибка Алгоритм обучения Функция активации скрытых нейронов
1 MLP 5-8-1 1 0 0 BFGS 24 Экспонента
2 MLP 5-9-1 1 0 0 BFGS 25 Экспонента
3 MLP 5-3-1 0,999579 894 821,4 0 BFGS 251 Тождественная
4 MLP 5-6-1 1 0 0 BFGS 30 Экспонента
5 MLP 5-5-1 1 0,2 0 BFGS 235 Гиперболическая
Источник: авторская разработка Source: Authoring
Таблица 7
Итоги моделей для Астраханской области Table 7
The results of models for the Astrakhan oblast
N Архитектура Производит. обучения Ошибка обучения Контрольная ошибка Алгоритм обучения Функция активации скрытых нейронов
1 MLP 5-7-1 0,994609 12 349 000 1,04237 BFGS 16 Гиперболическая
2 MLP 5-5-1 0,999994 22 331 29,68317 BFGS 16 Экспонента
3 MLP 5-6-1 1 0 0 BFGS 22 Тождественная
4 MLP 5-10-1 1000 2 151 0,06757 BFGS 20 Гиперболическая
5 MLP 5-11-1 1 0 0 BFGS 142 Гиперболическая
Источник: авторская разработка Source: Authoring
Таблица 8
Динамика предполагаемого роста ВРП в зависимости от увеличения инвестиций, млн руб.
Table 8
Changes in GRP projected growth depending on an increase in investment, million RUB
Динамика увеличения инвестиционных вложений Показатели предполагаемого роста ВРП
Наблюдение для первой для второй для третьей для первой для второй для третьей
группы группы группы группы группы группы
регионов регионов регионов регионов регионов регионов
1 394 284 156 519 59 863 1 832 867 625 914,9 144 888,8
2 788 564 313 038 119 726 2 683 870 751 198,4 217 400,4
3 1 577 128 626 076 239 452 3 663 007 751 198,4 288 646,5
4 3 154 256 1 252 152 478 904 4 022 958 751 198,4 288 950,3
5 6 308512 2 504 304 957 808 4 099 611 751 198,4 288 950,4
6 12 617 024 5 008 608 1 915 616 4 103 648 751 198,4 288 949,8
7 25 234 048 10 017 216 3 831232 4 103 660 500 779,6 288 947,8
Источник: авторская разработка Source: Authoring
Рисунок 1
Величина стандартного отклонения показателя ВРП с 2008 по 2014 г., млн руб. Figure 1
Standard deviation from the GRP indicator for 2008-2014, million RUB
3 000 000
2 500 000 2 000 000 1 500 000 1 000 000 500 000
о -1-1-1-1-1-1-1
2008 2009 2010 2011 2012 2013 2014
Источник: авторская разработка Source: Authoring
Рисунок 2
Общая схема нейронной сети Figure 2
General scheme of neural network
Нейронная сеть
Источник: авторская разработка Source: Authoring
Рисунок 3
Динамика предполагаемого роста ВРП в зависимости от увеличения инвестиций первой группы регионов, млн руб.
Figure 3
Changes in GRP projected growth depending on an increase in investments of the first group of regions, million RUB
30 000 000 25 000 000 20 000 000 15 000 000 10 000 000
5 000 000
0 H-^-1-1-1-1-1
1 2 3 4 5 6 7
— — — ВРП Инвестиции
Источник: авторская разработка Source: Authoring
Рисунок 4
Динамика предполагаемого роста ВРП в зависимости от увеличения инвестиций второй группы регионов, млн руб.
Figure 4
Changes in GRP projected growth depending on an increase in investments of the second group of regions, million RUB
12 000 000
10 000 000
8 000 000
6 000 000 4 000 000 2 000 000
0
1 2 3 4 5 6 7
— — — ВРП Инвестиции
Источник: авторская разработка Source: Authoring
Рисунок 5
Динамика предполагаемого роста ВРП в зависимости от увеличения инвестиций третьей группы регионов, млн руб.
Figure 5
Changes in GRP projected growth depending on an increase in investments of the third group of regions, million RUB
4 500 000 4 000 000 3 500 000 3 000 000 2 500 000 2 000 000 1 500 000 1 000 000 500 000 0
1 2 3 4 5 6 7
— — — ВРП Инвестиции
Источник: авторская разработка Source: Authoring
Список литературы
1. Горский И.В. Налоговый потенциал в механизме межбюджетных отношений // Финансы. 1999. № 6. С. 27-30.
2. Балацкий Е.В. Эффективность фискальной политики государства // Проблемы прогнозирования. 2000. № 5. С. 32-45.
3. Кадочников П., Луговой ОСинельников СШкребела Е. Моделирование динамики налоговых поступлений, оценка налогового потенциала территорий. М.: ИЭПП, 1999. 237 с.
4. Гусев А.Б. Налоги и экономический рост: теории и эмпирические оценки. М.: Экономика и право, 2003. 317 с.
5. Бланк И.А. Основы инвестиционного менеджмента: в 2-х томах. Киев: Эльга-Н, Ника-Центр, 2004.
6. Виленский П.Л., Лившиц В.Н., Смоляк С.А. Оценка эффективности инвестиционных проектов: теория и практика. М.: Поли Принт Сервис, 2015. 1300 с.
7. Зеленская С.Г. Инвестиционный потенциал развития регионов: налоговая нагрузка // Инновационный Вестник Регион. 2007. № 2. С. 43-46.
8. Боди З., Кейн А., Маркус А. Принципы инвестиций. М.: Вильямс, 2002. 348 с.
9. Hoppe H.-H. The Economics and Sociology of Taxation. Journal des Economistes et des Etudes Humaines, 1990, vol. 1, no. 2, рр. 61-90.
10. Глазырин М.В. Социально-производственный комплекс - системная основа модернизации и саморазвития. М: Наука, 2012. 311 с.
11. Bragg S.M. Financial Analysis: Second Edition: A Business Decision. Colorado, Accounting Tools, 2014, 2nd edition, 342 p.
12. Полозков М.Г. Проблемы выравнивания социально-экономической асимметрии территорий // Научные записки Сибирской академии государственной службы. Сер.: Региональная экономика. 2003. № 2. C. 81-84.
13. Хрусталёв Е.Ю. Финансово-экономические аспекты формирования региональной инфраструктуры двойного назначения // Вооружение и экономика. 2008. № 1. С. 75-86. URL: http://www.viek.ru/vie_08_1.pdf
14. Уколов В.Ф. Формирование стратегии социально-экономического развития территорий регионального значения. М.: Государственный университет управления, 2014. 135 с.
15.НовиковД.А. Теория управления организационными системами. М.: Физматлит, 2007. 584 с.
16. Иванова Е.И., Хрусталёв Е.Ю. Методология организации и использования информационных ресурсов для управления региональной экономикой // Информационные ресурсы России. 2008. № 3. С. 2-7.
17. Соловьева Ю.С., Грекова Т.И. Моделирование экономических процессов с применением нейросетевых технологий // Вестник Томского государственного университета. Управление, вычислительная техника и информатика. 2009. № 3. С. 49-57.
18. Казиев В.М. Введение в системный анализ и моделирование. М.: Интернет-Университет информационных технологий, 2013. 475 с.
19. Geoff Renshaw. Maths for Economics. New York, Oxford University Press, 2005, pp. 516-526.
20. Бэстенс Д.-Э., Ван ден Берг В.-М., Вуд Д. Нейронные сети и финансовые рынки: принятие решений в торговых операциях. М.: ТВП, 1997. 236 с.
21. Гальберштам Н.М., Баскин И.И., Палюлин В.А.,Зефиров Н.С. Нейронные сети как метод поиска зависимостей структура - свойство органических соединений // Успехи химии. 2003. Т. 72. № 7. С. 706-727.
Информация о конфликте интересов
Мы, авторы данной статьи, со всей ответственностью заявляем о частичном и полном
отсутствии фактического или потенциального конфликта интересов с какой бы то ни было
третьей стороной, который может возникнуть вследствие публикации данной статьи.
Настоящее заявление относится к проведению научной работы, сбору и обработке
данных, написанию и подготовке статьи, принятию решения о публикации рукописи.
pISSN 2073-039X eISSN 2311-8725
Investment Analysis
USING THE NEURAL NETWORK METHOD TO FORECAST INVESTMENT EFFICIENCY Evgenii Yu. KHRUSTALEV3^, Oleg G. SHRAMKOb
a Central Economics and Mathematics Institute, RAS, Moscow, Russian Federation stalev@cemi.rssi.ru
b District Inspectorate of Federal Tax Service No. 7, Kolomna, Moscow Oblast, Russian Federation dj-59@mail.ru
• Corresponding author
Article history:
Received 5 July 2017 Received in revised form 13 July 2017 Accepted 24 July 2017 Available online 29 August 2017
JEL classification: 011
Keywords: economic factor, development, investment
Abstract
Subject The article is dedicated to identifying the areas of investment in the economy of subjects of the Russian Federation.
Objectives The purpose of the study is to develop new comprehensive and accurate tools to assess the potential of regional economic structure to determine the areas of investment. Methods The proposed methodology and tools for its implementation rest on integrated use of the neural network method as applied to the region's economy.
Results For the purpose of integrated evaluation of investment efficiency, we developed a method that helps obtain quite accurate figures of investment policy efficiency in respect of each subject of the Russian Federation, using a limited number of initial indicators of economic activity in the region. This approach enables to determine the most appropriate areas of investing for socio-economic development of regions, to smooth the spatial polarization that currently tends to increase.
Conclusions and Relevance Our methodological approach makes it possible to assess the expediency of clustering the constituent entities of the Russian Federation and using the neural network modeling to perfect the State investment policy.
© Publishing house FINANCE and CREDIT, 2017
Please cite this article as: Khrustalev E.Yu., Shramko O.G. Using the Neural Network Method to Forecast Investment Efficiency. Economic Analysis: Theory and Practice, 2017, vol. 16, iss. 8, pp. 1438-1454. https://doi.org/10.24891/ea.16.8.1438
Acknowledgments
The article was supported by the Russian Foundation for Basic Research, grant No. 17-06-
00325-a Financial and Economic Tools and an Econometric Model to Assess and Forecast the
Availability and Cost of Debt Financing for Russian Companies.
References
1. Gorskii I.V. [Taxable capacity in the mechanism of inter-budget relations]. Finansy = Finance, 1999, no. 6, pp. 27-30. (In Russ.)
2. Balatskii E.V. [The efficiency of the fiscal policy of the State]. Problemyprognozirovaniya = Problems of Forecasting, 2000, no. 5, pp. 32-45. (In Russ.)
3. Kadochnikov P., Lugovoi O., Sinel'nikov S., Shkrebela E. Modelirovanie dinamiki nalogovykh postuplenii, otsenka nalogovogo potentsiala territorii [Modeling the dynamics of tax revenue, assessment of taxable capacity of territories]. Moscow, Gaidar Institute Publ., 1999, 237 p.
4. Gusev A.B. Nalogi i ekonomicheskii rost: teorii i empiricheskie otsenki [Taxes and economic growth: Theory and empirical estimates]. Moscow, Ekonomika i pravo Publ., 2003, 317 p.
5. Blank I.A. Osnovy investitsionnogo menedzhmenta [Fundamentals of investment management]. Kiev, El'ga-N, Nika-Tsentr Publ., 2004.
6. Vilenskii P.L., Livshits V.N., Smolyak S.A. Otsenka effektivnosti investitsionnykhproektov: teoriya ipraktika [Evaluating the efficiency of investment projects: Theory and practice]. Moscow, Poli Print Servis Publ., 2015, 1300 p.
7. Zelenskaya S.G. [Investment potential of regional development: Tax burden]. Innovatsionnyi Vestnik Region, 2007, no. 2, pp. 43-46. (In Russ.)
8. Bodie Z., Kane A., Marcus A.J. Printsipy investitsii [Essentials of Investments]. Moscow, Vil'yams Publ., 2002, 348 p.
9. Hoppe H.-H. The Economics and Sociology of Taxation. Journal des Economistes et des Etudes Humaines, 1990, vol. 1, pp. 61-90.
10. Glazyrin M.V. Sotsial'no-proizvodstvennyi kompleks - sistemnaya osnova modernizatsii i camorazvitiya [Socio-industrial complex as a system-based modernization and self-development]. Moscow, Nauka Publ., 2012, 311 p.
11. Bragg S.M. Financial Analysis: Second Edition: A Business Decision. Colorado, Accounting Tools, 2014, 2nd edition, 342 p.
12. Polozkov M.G. [The problem of leveling the social and economic asymmetry of territories]. Nauchnye zapiski Sibirskoi akademii gosudarstvennoi sluzhby. Ser.: Regional'naya ekonomika = Proceedings of Siberian Academy of Public Service. Series: Regional Economy, 2003, no. 2, pp. 81-84. (In Russ.)
13. Khrustalev E.Yu. [Economic and financial aspects of forming the dual-use regional infrastructure]. Vooruzhenie i Ekonomika, 2008, no. 1, pp. 75-86. (In Russ.) URL: http://www.viek.ru/vie_08_1.pdf
14. Ukolov V.F. Formirovanie strategii sotsial'no-ekonomicheskogo razvitiya territorii regional'nogo znacheniya [Forming a strategy of social-economic development of territories of regional significance]. Moscow, State University of Management Publ., 2014, 135 p.
15. Novikov D.A. Teoriya upravleniya organizatsionnymi sistemami [Theory of organizational systems control]. Moscow, Fizmatlit Publ., 2007, 584 p.
16. Ivanova E.I., Khrustalev E.Yu. [A methodology for information resources organization and use to control the regional economy]. Informatsionnye resursy Rossii = Information Resources of Russia, 2008, no. 3, pp. 2-7. (In Russ.)
17. Solov'eva Yu.S., Grekova T.I. [Construction of the models of behavior of the economic processes by neuronet technologies]. Vestnik Tomskogo gosudarstvennogo universiteta. Upravlenie, vychislitel'naya tekhnika i informatika = Tomsk State University Journal. Control, Computer Engineering and Computer Science, 2009, no. 3, pp. 49-57. (In Russ.)
18. Kaziev V.M. Vedenie v sistemnyi analiz i modelirovanie [Introduction to the systems analysis and modeling]. Moscow, Internet-Universitet informatsionnykh tekhnologii Publ., 2013, 475 p.
19. Renshaw G. Maths for Economics. New York, Oxford University Press, 2005, pp. 516-526.
20. Baestaens D.E., Van den Bergh W.M., Wood D. Neironnye seti i finansovye rynki: prinyatie reshenii v torgovykh operatsiyakh [Neural Network. Solutions for Trading In Financial Markets]. Moscow, TVP Publ., 1997, 236 p.
21. Halberstam N.M., Baskin I.I., Palyulin V.A., Zefirov N.S. [Neural networks as a method for elucidating structure-property relationships for organic compounds]. Uspekhi khimii = Russian Chemical Reviews, 2003, vol. 72, no. 7, pp. 706-727. (In Russ.)
Conflict-of-interest notification
We, the authors of this article, bindingly and explicitly declare of the partial and total lack of actual or potential conflict of interest with any other third party whatsoever, which may arise as a result of the publication of this article. This statement relates to the study, data collection and interpretation, writing and preparation of the article, and the decision to submit the manuscript for publication.
