Моделирование процесса развития производственных систем с использованием искусственных нейронных сетей (ИНС) и генетического алгоритма Текст научной статьи по специальности «Экономика и бизнес»

УДК 681.3.06

Моделирование процесса развития производственных систем с использованием искусственных нейронных сетей (ИНС) и генетического алгоритма

Белобородова Наталья Андреевна к.эк. н., доцент, зав. кафедрой “Информационные технологии в управлении” Институт управления, информации и бизнеса, г. Ухта, Республика Коми

E-mail: velbest@mail.ru

Аннотация. Предлагаемая технология моделирования процесса развития производственных систем в границах города с использованием аппарата искусственных нейронных сетей позволяет объективно решать задачи анализа факторов, определяющих рост производства в анализируемом периоде, определять варианты роста производства с учетом выпуска основных видов продукции.

Summary. The offered technology of modeling of development of production systems in city borders allows to solve with use of the device of artificial neural networks objectively problems of the analysis of the factors defining increase in production in the analyzed period, to define increase in production options taking into account release of main types of production

Ключевые слова: прогнозирование производства, прогнозное моделирование, модели развития производственных систем.

Keywords: production forecasting, look-ahead modeling, models of

development of production systems

Введение. В данной работе рассматриваются особенности управления развитием производственных систем на территории муниципального образования (МО), города.

Система управления развитием производства в границах города автором определяется как совокупность форм, методов, инструментов

реализации функций местных органов управления с целью создания эффективной экономической базы улучшения качества жизни населения.

Методика построения моделей развития производственных систем.

Процесс управления производством в границах муниципального образования (города) начинается с разработки прогнозов развития, и, как показано в работе [1,2], в настоящее время прогнозно-аналитические работы не удовлетворяют требованиям комплексности, достоверности и достаточной глубины прогнозирования, поэтому, в данной работе основное внимание уделяется вопросам совершенствования функции управления -прогнозированию развития территориальной производственной системы МО.

Данное исследование выполнено на примере города Ухты, Республики Коми. Город Ухта является одним из промышленных центров республики, управление городом осуществляется местной администрацией на территории муниципального образования “Городской округ “Ухта”. Производственный потенциал города представлен, в основном, предприятиями нефтедобывающей и нефтеперерабатывающей промышленности, предприятиями и организациями, входящими в газотранспортную систему, а также, предприятиями строительного комплекса (стройиндустрия), предприятиями по производству электро-и-теплоэнергии, предприятиями агропромышленного комплекса, предприятиями по производству услуг (связь, геофизика, транспорт и т.д.).

Анализ основных положений стратегии развития региона [1] позволил определить ключевые показатели, отражающие эффективность управления развитием производства:

■ отрасли производства, имеющие наибольшие показатели в динамике за анализируемый период, обеспечивающие наибольший эффект по занятости населения и сокращению безработицы, росту доходов населения и снижению уровня бедности, а также - максимальный вклад в бюджетный потенциал муниципального образования;

■ эффективность управления производственными ресурсами будет выше, если будет установлена и учтена зависимость положительной динамики ключевых показателей развития от роста производства; это позволит отработать модели управления в целях повышения качества жизни населения.

Современные условия развития, характеризующиеся

неравномерностью темпов развития производства, небольшой продолжительностью, а также неполнотой и противоречивостью знаний о происходящих явлениях и процессах, обуславливают поиск и применение адекватных инструментов прогнозирования - в таких условиях наиболее эффективны методы прогнозирования на основе технологий искусственного интеллекта - аппарата искусственных нейронных сетей (ИНС), нечетких множеств, генетических алгоритмов (ГА). Их использование в структуре управления способствует формированию новых знаний о состоянии и развитии территориальных производственных систем, дает возможность местным властям объективно оценить состояние социально-экономических процессов, сформировать информационную базу для принятия оптимальных управленческих решений по вопросам текущей ситуации и приоритетам перспективного развития отдельных предприятий и всей территории в целом.

В данной работе исследованы возможности искусственных нейронных сетей с целью построения моделей прогнозирования, исследование и использование которых позволяет определить “лучшие” (прогнозные) варианты развития производственной сферы МО.

На основании нормативных документов определяются показатели, характеризующие рост производства. В таблице 1 приведены наименования показателей производства, а также перечень переменных, поставленных в соответствие каждому из них; значения показателей изменяются с окончанием очередного периода наблюдения; каждый показатель из данного

списка может рассматриваться как фактор роста производства в экономике МО.

Таблица 1 - Кодирование переменных

Показатель Наименование переменной

объем производства (оборот организаций) Y

добыча нефти XI

производство бензина автомобильного Х2

производство дизельного топлива Х3

первичная переработка нефти Х4

производство мазута Х5

производство пиломатериалов Х6

производство стеновых материалов Х7

производство электроэнергии Х8

производство теплоэнергии Х9

производство мяса и мясопродуктов АПК Х10

производство хлеба и хлебобул. изделий АПК Х11

производство молока и мол. продуктов АПК Х12

производство скота и птицы: сельское хоз-во Х13

производство молока: сельское хоз-во Х14

капитальные вложения в произв.сферу Х15

производство услуг Х16

Пусть в соответствии с задачами моделирования производства У -прогнозируемый показатель, характеризующий рост производства на территории МО, представлен в денежном выражении. У рассматривается как зависимая переменная от остальных переменных, обозначенных

характеризующих производство основных видов продукции в базовых отраслях экономики МО:

Y = f (X),

где X - вектор входных параметров, характеризующий объем производства в отраслях экономики; У - вектор выходных параметров; f (X) -

преобразующая функция.

В ходе анализа и исследования динамики ключевых муниципальных показателей, предварительно определяются факторы роста производства, также рассчитываются их количественные и качественные характеристики.

Методика построения моделей роста производства включает последовательность следующих вычислительных процедур [1,3]:

■ исчисление прироста показателя У за анализируемый период;

■ определение пороговых значений показателя У;

■ преобразование абсолютных значений показателя У к бинарному виду (квантование показателей, бинаризация) на основе расчетных пороговых значений;

■ преобразование абсолютных значений каждого показателя Хі к бинарному виду (квантование, бинаризация) на основе рассчитанных пороговых значений;

■ определение количества ошибок на классифицированной последовательности У путем сравнения значений каждого Хі с данными У за анализируемый период;

■ определение предварительно списка факторов, определяющих рост производства путем выявления тех показателей, которые имеют наименьшее количество ошибок на классифицированной последовательности данных У за анализируемый период.

Выполним вычислительные процедуры, таблица 2:

Таблица 2 - Классификация интервалов роста производства________________

№ мес Прирост, млн. руб. Ускорение Индикатор

1 5543.552 - 0

2 6249.612 +706.06 1

3 6509.392 +259.78 1

28 9701.759 +71.213 0

29 9422.592 -279.167 0

Для каждого из шестнадцати показателей также определим величину порога, превышение которого должно совпадать со значением “1” индикатора и “0” в противном случае.

Сравнивая с Y данные классифицированной последовательности X i = 1, ..., m, определяем количество расхождений или ошибок. Анализ исходных данных выявил высокую степень зависимости роста производства от показателей производства мазута, стеновых материалов, инвестиций в производственную сферу, производства мяса и мясопродуктов в агропромышленном комплексе, производства хлеба и хлебобулочных изделий в агропромышленном комплексе, а также производства скота и птицы на убой в сельском хозяйстве. Соответственно для переменных Х5, Х7, Х10, Х11, Х13, Х15 количество ошибок минимально, соответственно - 10,12,14,10,14,14.

Таким образом, в результате выполнения процедур обработки данных выявляются те показатели Xi, которые влияют на рост Y (т.е. определяют значение “1”); формируется предварительно совокупность факторов производства, определяющих рост производства.

Результатом применения данной методики являются (предварительные) модели роста производства на территории МО.

Далее производится анализ и исследование предварительно полученных моделей роста производства, их количественных и качественных характеристик, уточнение параметров моделей, выбор моделей, наиболее адекватных исследуемому объекту. На данном этапе используются средства программы-нейросимулятора Neuro Pro 0.25.

Методика включает следующие операции:

■ формирование обучающего множества;

■ конструирование нейронной сети с помощью программы-нейросимулятора (выбор архитектуры ИНС);

■ обучение ИНС;

■ тестирование нейронной сети;

■ определение значимости показателей;

■ выбор модели роста, адекватной исследуемому объекту.

Результатом является обученная нейронная сеть, на основе которой

уточняются параметры исследуемой модели и определяются прогнозные варианты роста производства.

С помощью инструмента КеигоРго 0.25 построены, обучены и исследованы ИНС различной конфигурации. Результаты нейросетевого расчета параметров модели роста производства приведены в таблице 3.

Таблица 3 - Результаты нейросетевого расчета параметров модели роста

производства

№ п/п Оценка значимости Конфигу- рация ИНС Характерис тика функции активации Число циклов обучения Средняя ошибка тест-я

1 ИНС 1

4-9-1 0.1 14 0.075

Х5 = 0.9955

Х7 = 0.8868

Х11=1.0

Х13= 0.8706

2 ИНС 2

4-9-1 0.3 13 0.061

Х5 = 0.4344

Х7 = 0.5234

Х11 = 1.0

Х13 = 0.4573

3 ИНС 3

4-9-1 0.7 18 0.077

Х5 = 0.4090

Х7 = 0.5013

Х11= 1.0

Х13 = 0.5074

Согласно расчетам по ИНС совокупность показателей, определяющих рост производства (показатель оборота организаций) на территории МО

“Г ородской округ “Ухта” в анализируемом периоде, представлена переменными Х5, Х7, Х11, Х13.

Исследование модели с использованием ИНС показало, что факторами роста производства в анализируемом периоде на территории города Ухты являются: производство мазута, производство стеновых материалов,

производство хлеба и хлебобулочных изделий в агропромышленном комплексе, производство скота и птицы на убой в сельском хозяйстве, причем доходы от производства будут устойчиво расти не менее, чем на 247 тыс. рублей в месяц при условии, что производство мазута будет увеличиваться не менее, чем на 1.8 тыс. тонн в месяц, производство стеновых материалов должно расти не менее, чем на 0.19 млн. штук усл. кирпичей ежемесячно; рост производства хлеба и хлебобулочных изделий в агропромышленном комплексе (АПК) - не менее, чем на 0. 3 тонны в месяц, производство скота и птицы на убой в сельском хозяйстве - не менее, чем на 15.2 тонны в месяц.

Методика построения прогнозных вариантов роста производственной сферы экономики МО с использованием обученной нейронной сети осуществляется поэтапно, включает следующие операции:

1 этап: проверка прогнозной способности ИНС; подготовка данных в виде контрольного множества значений, учитывающих возможные варианты развития производства в отраслях экономики; опрос обученной ИНС и получение прогнозных значений;

2 этап: анализ и исследование полученных прогнозных вариантов роста производства.

3 этап: интерпретация полученных результатов.

В результате формируются прогнозные варианты роста производства; анализ и исследование моделей выявляет количественные, качественные характеристики экономического роста на территории МО.

ИНС, обученная для прогнозирования вариантов роста производства, имеет следующие характеристики:

• значимость показателей:

Х5 = 0.9955; Х7 = 0.8866; Х11 = 1.0; Х13 = 0.8706;

• конфигурация ИНС:

4-9-1; входной слой включает 4 нейрона, промежуточный слой состоит из 9 нейронов; выходной нейрон - один;

• функция активации - сигмоидная;

• алгоритм обучения - обратное распространение ошибки, число циклов обучения - 14, средняя ошибка тестирования - 0.075;

Для построения прогнозной модели предусмотрим возможные сочетания факторов роста производства, подготовим данные в виде контрольного множества значений для обученной нейронной сети, получим путем опроса сети прогнозируемые значения Y . Основываясь на данных опроса обученной ИНС, протестированной и проверенной на прогнозную способность, определяем варианты развития производственной сферы МО -таблица 4.

Таблица 4 - Прогнозные варианты роста производства

№ п/п Х5 Х7 Х11 Х13 Y

1 0 0 1 1 1.2

2 1 0 1 1 1.04

3 1 1 1 1 1.08

В таблице 4 представлены варианты развития производственной сферы экономики МО; наиболее предпочтительный тот, который не предусматривает спада производства в отдельных отраслях экономики МО (вариант 3, таблица 4). При этом рост дохода территории от производства (прогноз) составляет не менее, чем на 247 тыс. рублей в месяц при условии, что производство мазута (Х5) будет увеличиваться не менее, чем на 1.8 тыс. тонн в месяц, производство стеновых материалов (Х7) должно увеличиваться не менее, чем на 0.19 млн. штук усл. кирпичей ежемесячно; рост производства хлеба и хлебобулочных изделий в агропромышленном комплексе (АПК, Х11) не менее, чем на 0.3 тонны в месяц, производство скота и птицы на убой (Х13) - не менее, чем на 15.2 тонны в месяц.

Рост производства можно прогнозировать даже если в отдельных отраслях производства будет наблюдаться спад (варианты 1-2 таблицы 4).

Выбор из полученных вариантов, обеспечивающих ежемесячный прирост в отраслях производства остается за лицом, принимающим решения, исходя из предпочтений, отдаваемых тому или иному варианту с точки зрения его реализуемости.

Методика также использовалась для построения прогнозных моделей роста доходной части местного бюджета, роста доходов населения, сокращения безработицы.

Полученные на основе прогнозной модели варианты роста производства могут быть использованы для выработки управляющих решений.

Заключение. Таким образом, предлагаемая технология моделирования способствует повышению потенциала прогнозов развития производственной системы МО (города) за счет:

• определения значимых факторов роста производства;

• определения перспективных производств (“точек роста”);

• отслеживания структурных изменений в территориальной производственной системе;

Результаты применения технологии прогнозного моделирования на реальных данных социально-экономического развития МО “Г ородской округ “Ухта” в анализируемом периоде выявили параметры и факторы, определяющие рост производства, их взаимосвязь, количественные характеристики.

Список Литературы

1. Белобородова Н.А. Модели, методы и алгоритмы прогнозирования динамики развития муниципального образования с использованием информационных технологий (на примере города Ухты, Республика Коми) [Текст] / Н.А. Белобородова - Ухта: Институт управления, информации и бизнеса, 2010. - 318 с. - ВВК 978 - 5 - 9641 - 0025 - 6.

2. Белобородова Н.А. Модели прогнозирования развития экономики муниципального образования “Город Ухта” с использованием нейронных сетей [Текст] /Н.А. Белобородова // Сб. научных трудов: Материалы научнотехнической конференции, 16-18 апреля 2001 г. / УГТУ. Ухта, 2002. - С. 176180.

3. Щетинин В.Г. Анализ факторов экономического роста региона // Вопросы статистики. 1996. № 3. С. 40-46.

4. Щетинин В.Г. Самоорганизация минимальной нейронной сети // Нейроинформатика и ее приложения // СО РАН. Красноярск, 1996. С. 43-44.