CC BY
8Ученые записки Таврического национального университета им. В.И. Вернадского Серия «Экономика и управление». Том 23 (62). 2010 г. № 3. С. 3-11.
УДК 519.8; 336.01
НЕЙРОМЕРЕЖЕВА МОДЕЛЬ ФАКТОРНОГО АНАЛ1ЗУ ШВЕСТИЦШНО1 ПРИВАБЛИВОСТ1 ТЕРИТОР1Й УКРА1НИ Альошин С.П., Отщенко О.А.
Полтавський нщюнальний техтчний утверситет 1мет Юр1я Кондратюка, м. Полтава, Украта E-mail: aleshsp@ukr.net
В статп запропоновано використання методу штучного штелекту з метою оцшки швестицшно! привабливосп територш Украши. Проведено факторний аналiз швестицшно! привабливост на прикладi Полтавсько! област з використанням програмного пакету Statistica neural network. Встановлено адекватнiсть запропоновано! моделi оцшки iнвестицiйно! привабливостi. Виявлено показники iнвестицiйно! привабливосп, що справляють найбiльший вплив на рiвень швестицшно! привабливосп Полтавсько! областi станом на 2008 рж.
Ключов1 слова: гнвестицшна привабливгсть, факторний аиалiз, штучний штелект, нейроннi мереж!
Постановка проблеми.
Формування ефективного управлшня швестицшною привабливютю вимагае нових п1дход1в до !! оцшки та прогнозування, оскшьки традицшш статистичш та математичш методи не здатш визначити глибину потенцшних деформацш в р1вш швестицшно! привабливосп територш, врахувати динамшу цього процесу протягом тривалого перюду. В умовах невизначеносп, за високо! вартосп експериментальних даних або складносп отримання достатньо! !х кшькосп, не можливо побудувати обгрунтовану модель для доведения статистичних та математичних гшотез оцшки швестицшно! привабливосп. До того ж, особливо небезпечно використання традицшних метод1в !! оцшки на малих статистичних виб1рках, оскшьки отримаш закони розподшу дослщжуваних величин можуть бути нестшкими.
Отже, юнуе проблема адекватно! оцшки поточного стану швестицшно! привабливосп, прогнозу динамши !! розвитку та обгрунтування ефективного способу визначення оптимального керуючого набору показниюв швестицшно! привабливосп. Ключовим питанням на вс1х трьох етапах сто!ть завдання оцшки ступеню впливу фактор1в iнвестицiйно! привабливосп на штегральний показник iнвестицiйно! привабливосп територiй. Враховуючи, що кшьюсть факторiв iнвестицiйно! привабливостi, як правило, досягае декшькох десяткiв [1] та вони найчастше впливають один на одного, а частину з них не вдаеться оцшити точно, рiшення доводиться приймати в умовах високо! невизначеносп.
Ситуащя ускладнюеться рiзноманiттям вхщних даних, !х р!зною природою i складнютю подання математичного опису !х взаемовпливу [2]. Це знижуе ефективнiсть традицшних методiв вирiшення под!6них завдань i вимагае пошуку нових шдход!в у по6удов! математичних моделей дослiджуваних процешв та залучення сучасних iнформацiйних технологш аналiзу даних [3, 4].
Аналiз наукових розробок Морозова А. [1], Хайкина С. [2], Ляхова А., Альошина С. [3, 4] дозволяе зробити висновок про те, що ршення даного завдання вбачаеться у застосуванш штелектуальних технологiй оброки даних. Це шдтверджуеться низкою публiкацiй, де обгрунтовано застосування нейромережевих
технологш у формат пакеив техшчного аналiзу систем шдтримки прийняття рiшень в умовах невизначеност при вирiшеннi фiнансово-економiчних задач (прогнозування обсягiв продажу, очiкуваного прибутку та курсiв акцiй, оцiнка фшансово! стiйкостi пiдприeмства, розрахунок допустимих ризиюв). Отже, метою даноТ статт е обгрунтування доцiльностi застосування методу штучного штелекту для оцiнки ступеня впливу факторiв на стан швестицшно! привабливосп територiй.
Викладення основних результатiв дослщження.
Для побудови нейромережево! моделi факторного аналiзу вхiдних даних пропонуеться використовувати стандарты технологи Statsoft у формат модуля Statistika Neural Network i забезпечити умови адекватностi моделi реальним процесам в рамках вимог завдання.
Важливим завданням факторного аналiзу швестицшно! привабливостi територiй е адекватний вибiр оцiночних параметрiв, на основi яких буде проводитися дослiдження. Беручи до уваги нормативы документи, дослiдження втизняних та зарубiжних науковцiв i практиюв у цiй сферi, досвiд експер^в, а також проведену нами систематизащю комплексу показникiв швестицшно! привабливостi територш [5, 6, 7, 8, 9], слщ видiлити найбiльш суттевi: наявшсть дешевих факторiв виробництва, якiсть та вартють робочо! сили, ринок збуту, транспортш комушкаци та засоби зв'язку.
Найважлившим показником, що дозволяе ощнити iнвестицiйну привабливiсть територiй, е наявшсть дешевих факторiв виробництва. Це пов'язано з тим, що саме цей параметр суттево впливае на собiвартiсть виробництва чи послуг. Отже, першу групу оцiночних параметрiв становлять: поивш площi, наявнiсть горючих корисних копалин, наявнiсть будiвельних корисних копалин, забiр води iз природних водних об'екпв.
Другу групу параметрiв утворюють показники якосп та вартостi робочо! сили, а саме: середньомюячна заробiтна плата по регюну, чисельнiсть дослiдникiв наукових органiзацiй, чисельнiсть докторiв наук, яю зайнятi в економiцi Укра!ни, чисельшсть кандидатiв наук, зайнятих в економщ Укра!ни.
Для комплексно! оцiнки швестицшно! привабливосп територiй Укра!ни, на наш погляд, слщ використовувати показники ринку збуту, оскшьки саме вони вщображають витрати, як очiкують потенцiйного швестора та здатнiсть населення споживати продукщю чи послуги. Таким чином до третьо! групи включаемо наступнi показники: чисельшсть наявного населення, витрати та доходи населення, загальш обсяги експорту та iмпорту товарiв та послуг.
Суттевий вплив на iнвестицiйну привабливють територiй мають транспортнi комунiкацi!, оскшьки вони справляють безпосередню дiю на розмiр витрат виробництва чи послуг. Тому, на нашу думку, для ощнки транспортних комушкацш слiд скористатися оцшочними параметрами, серед яких: перевезення вантаж1в автомобiльним транспортом, експлуатацiйна довжина залiзничних колiй. Постiйно зростае роль засобiв зв'язку - спецiальних швидюсних методiв передачi iнформацi!. У зв'язку з цим, до системи оцшочних параметрiв потрiбно ввести декiлька показниюв, що визначають рiвень забезпечення територш Укра!ни телекомунiкацiйними засобами зв'язку, а саме: основш телефоннi апарати мюько! та
НЕЙРОМЕРЕЖЕВА МОДЕЛЬ ФАКТОРНОГО АНАЛ1ЗУ ШВЕСТИЦШНО1 ПРИВАБЛИВОСТ1ТЕРИТОР1Й УКРА1НИ
сшьсько! мереж1, введення в дда мiських автоматичних телефонних станцш за регiонами.
Отже, сформувавши набiр оцiночних параметрiв, проведемо ан^з факторiв швестицшно! привабливостi Полтавсько! обласп. З метою пiдвищення точностi ощнювання необхiдно забезпечити достатнiй обсяг вибiрки, тому пропонуемо аналiзувати обранi показники як мшмум за останнi 9 роюв. Для аналiзу застосуемо масив показниюв (iндикаторiв), що характеризують швестицшну привабливiсть Полтавсько! областi, а також показники швестицш в основний каттал за кiлька рокiв, вiдповiднi масиву iндикаторiв (табл. 1).
Необидно побудувати нейроштьову модель факторного аналiзу масиву iндикаторiв з метою диференцiйовано! ощнки впливу кожного з них на штегральний рiвень iнвестицiйно! привабливостi, дати !х кiлькiсну оцiнку i побудувати варiацiйний ряд для всього масиву вхщних даних. Це дозволить провести редукщю вхiдного вектора керуючих факторiв (знизити його розмiрнiсть), що з економiчно! точки зору дозволить визначити фактори, яю справляють найбiльший вплив на рiвень iнвестицiйно! привабливостi в поточному перюдь З точки зору формалiзацi! процесу редукцi! вхiдних даних необхщно знайти вiдображення вхiдного вектора даних на прогнозований обсяг швестицш у виглядi багатовимiрно! регресi!, побудувати варiацiйний ряд значущостi факторiв i вибрати !х мiнiмальну кiлькiсть при допустимому ступеш зниження адекватностi математично! моделi.
Таким чином, в узагальненш формi завдання представляеться у виглядк
F:X ^ Y , X сШm, Y сШ , (1)
ma^^^ ' max '
де: F- функщонал перетворення простору факторiв, пов'язаних з цшьовим станом залежностi;
V = F I nm I (2)
у 1 при m = 1, M; М < M вих.'
де: х - значення вхiдного фактору;
m - номер фактору;
М - розмiрнiсть видного вектора даних (факторiв) до аналiзу; M вих. - шсля аналiзу.
Методом дослщження виступае факторний аналiз даних на основi синтезу багатовимiрно! регреси в нейромережевому формат навчання з учителем. Для цшей аналiзу регiон представлений статистичними даними на яких мережа буде навчатися (показники швестицшно! привабливосп) та керуючим фактором, що виступае в якост учителя (кiлькiсть швестицш в основний каттал).
В якост шструменту реалiзацi! запропоновано використання модуля Statistika Neural Network пакету техшчного аналiзу даних StatSoft.
Данi таблиц 1 дозволяють сформувати навчальну множину вигляду
(X ^ Ш m, Ymax ^ Ш ) згiдно з умовою задачi (1).
Таблиця 1
Показники швестицшно! привабливост Полтавсько! област
Роки/ Показники Середньом1сячна заробггна плата по регюну, грн./особу Чисельшсть дослвднишв наукових оргашзацш, оаб « 'Е-« я" о • с й О й & й 1 ^ HS Н 'А о •У ЗЛ о 5 * s ^ f? ¡в 6 * 8 Ч Чисельшсть кандидапв наук, зайнятих в економщ Укра1ни, ос1б Чисельшсть наявного населения, тис. ос1б Витрати населення грн./особу Загальш обсяги експорту товар1в та послуг млн. дол. США Загальш обсяги 1мпорту товар1в та послуг грн.,млн. дол. США Доходи населення грн./особу
2000 220 1011 134 1129 1673,5 1468,6 440,7 210,6 1536,3
2001 292 243 141 1179 1652,2 1796 735,4 183,9 2007,7
2002 354 801 159 1304 1630,1 3314,8 877,8 192 3048,1
2003 437 874 162 1321 1609,4 3848,8 1033,2 311 3560,1
2004 560 716 178 1342 1590,5 4607 1398,7 526,5 4568,8
2005 758 691 182 1386 1572,5 6237,8 1910,2 544 6653,5
2006 961 649 194 1485 1554,9 7877,5 1898,3 725,5 8170,8
2007 1243 698 207 1505 1540,5 10700,1 3042,6 999,3 10382,3
2008 1661 759 206 1575 1524,9 14572,8 2615,9 1433,3 14209,9
Продовження таблицi 1
Роки/ Показники а г о л а 'Й .3 'о о П Горюч1 корисш копалини в репош, кшьшсть родовищ Буд1вельш корисш копалини, кшьшсть родовищ Заб1р води 1з природних водних об'екпв, млн. м.куб. Перевезення вантаж^в автомоб1льним транспортом, млн.т Експлуатацшна довжина зал1зничних кол1й, тис. км Довжина автомобшьних дорщ тис. км Основш телефонш апарати м1сько! та с1льсько! мереж! тис. шт. Введення в дш мюьких автоматичних телефонних станц1й за рег1онами, тис.номер1в 1нвестици в основний каттал на одну особу
2000 1559 * * 295 95,3 853 8,8 280 6,6 864
2001 1591 * * 284 90,5 854 8,8 298 15,8 862,9
2002 1589 * * 278 87,5 853 8,8 313 20,7 1137,6
2003 1481 340 125 287 85,2 853 8,8 330 35,4 1355,5
2004 1607 231 125 275 95,6 853 8,8 354 8,1 1834,5
2005 1576 234 125 253 108,9 853 8,8 372 22,6 2383,7
2006 1599 220 126 348 115,5 853 8,8 386 15,3 3091
2007 1647 222 129 378 122,2 852 8,8 400 15,6 4375,5
2008 1702 227 129 271 130,4 852 8,9 414 15,6 5853
Примггка: складено автором за даними Держкомстату Украши [11 с. 45, 109, 110, 176, 178, 207, 345; 12 с. 106, 252, 268, 270, 282, 283, 436, 437, 619, 620, 13 с. 27; 14 с. 45, 344; 15 с. 667, 668; 16 с. 43; 17 с. 43; 18 с. 41; 19 с. 105, 253, 268, 271, 436, 437, 619, 620; 20 с. 35, 42, 79, 81; 21 с. 34, 35, 41, 90, 91; 22 с. 32, 42, 81, 84; 23 с. 32, 42, 81, 87] *Даш ввдсутш
НЕЙРОМЕРЕЖЕВА МОДЕЛЬ ФАКТОРНОГО АНАЛ1ЗУ1НВЕСТИЦ1ЙНО1 ПРИВАБЛИВОСТ1ТЕРИТОРШ УКРА1НИ
Як зазначено в [4], пошук вщображення (1) за умови (2) зводиться до опису цшьово! функци на мовi шформативних ознак, побудовi моделi нейронно! мереж^ И навчання, вибору оптимально! аритектури мережi, побудови варiацiйного ряду агломеративним методом вщбору змiнних.
Враховуючи той факт, що вектор вхiдних даних (показники швестицшно! привабливостi Полтавсько! обласп) формуеться величинам рiзними за природою, дiапазоном змiн i метричних шкал, обов'язковою е а процедура стандартизации Це перетворення всiх вихiдних значень елемеипв вхiдного вектора - показниюв iнвестицiйно! привабливостi територi! (не звертаючи уваги на !х початковий розподш i одиницi вимiрювання), що призводить до набору порiвняних елементiв з розподшу iз нульовим середнiм i стандартним вiдхиленням рiвним 1. Вона спрощуе механiзм порiвняння змiнних i виконуеться майстром рiшень - спещальною програмою пакета. Застосування стандартизацi! до вихщних даних робить результати статистичних методiв незалежними вiд !х ампл^уд i одиниць вимiру. Заповнивши таблицю вихiдних даних, провiвши !х стандартизащю, задавши i, навчивши ансамбль мереж в режимi багатовимiрно! регресi!, отримаемо результат, воображений у таблицi 2.
Таблиця 2
Нейронна мережа швестицшно! привабливост Полтавсько! областi (розраховано за допомогою програми STATISTICA Neural Network)
Результат роботи моделей (Полтавська область.stw]
N Архитектура Производительность обуч. Контр, производительность Тест. производительность Ошибка обучения Контрольная ошибка Тестовая ошибка Виды Скрытые(1) Скрытые(2)
1 РБФ 17:17-4-1:1
2 МП 10:10-5-1:1 0,085117 0,103619 0,469839 0,033707 0,028942 0,037853 10 5 0
3 Линейная 13:16-1:1 0,000000 0,071421 0,253897 0,000000 0,022746 0,050831 13 0 0
4 Линейная 17:17-1:1 0,000000 0,069870 0,251321 0,000000 0,022252 0,049757 17 0 0
5 МП 5:5-3-1:1 0,039115 0,081631 0,258584 0,013231 0,021307 0,038857 5 3 0
Ансамбль нейромережевих моделей з кшькох варiантiв (у нашому прикладi !х 5) дозволяе вибрати модель з допустимою продуктивнютю та помилками на навчальному, контрольному i тестовому множинах. Критерп продуктивностi дозволяють контролювати ефектившсть регресi! роботи нейронних мереж. Вони були задаш Хайкiним С. [2] та Боровшовим В. [10] i вважаються задовiльними, якщо знаходяться на рiвнi < 0,2. За результатами роботи нейронно! мережi показниюв iнвестицiйно! привабливостi Полтавсько! областi доцшьно обрати першу мережу РБФ (радiальна базисна функцiя), оскiльки вона забезпечуе задовшьну тестову, контрольну та навчаючу продуктивнiсть. До того ж, важливу роль мае
помилка навчання, яка показуе збiжнiсть iтерацiйного процесу налаштування синапатичних коефiцieнтiв, помилка на контрольнш множинi, що вiдповiдаe за яюсть роботи нейронно! мережi та помилка на тестовш множинi, яка вщображае здатнiсть моделi до узагальнення. Для нашого дослiдження ми приймаемо помилки на рiвнi < 0,1 (10%). Результати помилок за РБФ на вшх трьох множинах дозволяють стверджувати про адекватнiсть обрано! нейромережево! моделi оцiнки iнвестицiйно! привабливостi Полтавсько! областi.
Наступним кроком аналiзу показниюв iнвестицiйно! привабливостi Полтавсько! областi е диференщальна оцiнка !х детермiнуючо! сили, ступеню iндивiдуального впливу на цшьову функцiю. Природним способом при цьому може стати той, який гарантуе вибiр найкращо! видно! множини i полягае вiн у навчаннi нейронних мереж за допомогою всiх наявних пiдмножин. У нашому випадку це апрюрш данi кiлькостi iнвестицiй в основний каштал в перiод 2000-2008 р. При цьому е можливють будувати мереж з рiзними входами i вiзуально визначати кращi з них, виключаючи входи з малими вагами. Майстер рiшень пакету техшчного аналiзу STATISTICA Neural Network володiе вiдповiдним програмним iнструментарiем. Найбiльш важливою опцiею при цьому е аналiз чутливостi факторiв. Основним параметром чутливост е «Вщношення». Для кожно! змшно! нейронна мережа перевiряе, що буде, якщо ця змiнна стане недоступною. Недоступнють змiнно!, що використовуеться в модел^ викликае змiни в загальнш продуктивностi виходячи з детермiнуючо! сили чинника. Значимi змiннi мають великий рiвень вiдношення. Це говорить про те, що продуктившсть мережi без вщповщно! змiнно! сильно змiнюеться. Якщо «Вщношення» дорiвнюе одиницi або нижче, то доцiльно виключити змiнну без втрати продуктивность Скористаемося цим аналггичним iнструментарiем для вирiшення нашо! задачi i отримаемо результати, вiдображенi в таблицях 3 та 4.
Таблиця 3
Аналiз чуттевостi показникiв швестицшно! привабливостi Полтавсько! областi
(розраховано за допомогою программ STATISTICA Neural Network)
Анализ чуттевост! -1 -5 (Полтавоька область.stw)
Середньомочна Чисельысть Чисвльжоть Чиоельн!сть 1иоельн1сть Витрати Загальж Загальш Доходи nociBHi Горюч1 Буд1вельн!
зароб1тна плата доолщнинв догорю наук, кандидата наявного 1аоелення обсяги обсяги ¡мпорту населения ПЛ0Щ|, корисн! кориш
по репону. наукових яи зайнят! в наук, населения, грн./особу вкопорту товар!в та грн./особу га копалини копалини,
грн.асоиу органвацй, економщ заннятих в тис. 0ci6 товар в та послуг в репож, нльноть
ociB Украши, онб економц послуг он. млн.дол СШ/1 нльноть родовищ
Украши, oci6 млн.дол.США родовищ
Отношение.1 I 1258898 II ИИ НИМИ |1| II я
Отношение.2 3,676405 1,532721 1,033937 1,054755 6,974816
Отношение.3 1,966225 1,151729 1,999767 1,534375 6,911770 1,325423 1,291611 1,069127 2,645413 1,672267 6,939482
Отношение.4 1,913092 1,134341 1,844615 1,563453 6,961251 1,380081 1,433973 1,031556 1,939605 1,157253 6,952715
Отношение.5 5,515609 1,884683 4,241815 2,139396 1,339084
--
НЕЙРОМЕРЕЖЕВА МОДЕЛЬ ФАКТОРНОГО АНАЛ1ЗУ1НВЕСТИЦ1ЙНО1 ПРИВАБЛИВОСТ1ТЕРИТОРШ УКРА1НИ
З таблиць 3 та 4 випливае, що таку змшну як, загальш обсяги експорту TOBapiB та послуг, можна не враховувати в подальшому дослщженш без втрати шформативносп.
Таблиця 4
Аналп чуттевосп показниюв швестицшно! привабливост1 Полтавсысо! област1
Буд1вельш 3a6ip води ¡з Перевезення Експлуатацшна Довжина Основш Введения
корисш природних в а maxi в довжина автомобшьних телефоны в д1ю
копалини, водних автомобшьним залйзничних flopir, тис. км апарати MiCbKHX
кшыасть оБ'екпв, млн. транспортом, колш, тис. км MicbKoi та томатични;
родовищ м.куб. млн.т сшьсько! элефонних
мереж1 тис. станцш
шт. за
зепонами,
nc.HOMepiB
1,290345 1.255284 1.084717 1.220114 1.239652 1.315688 _1
1,131046 1,544055 1,160093 1,513843 0,873878
0,939482 1,066544 1,180212 1,357003 1 ,662239 0,960847
0,952715 0,924721 1 ,073484 1,292024 1 ,551562 1 ,590949 0,953796
Висновки.
Результати факторного аналiзу швестицшно! привабливостi дозволяють стверджувати, що обрана нейромережева модель РБФ е адекватною для оцшки швестицшно! привабливостi Полтавського регiону. Також за результатами аналiзу чуттевостi факторiв встановлено показники, яю мають низьку шформатившсть i можуть бути виключенi в подальшому дослщженш.
Зазначений пiдхiд до аналiзу швестицшно! привабливостi територiй забезпечуе достатню якiсть та адекватнiсть обраного методу, який дозволяе диференцшовано оцшювати силу впливу факторiв швестицшно! привабливост на цiльову функцiю.
Наукова новизна статп полягае в обrрунтуваннi практичного застосування нейроемуляторiв середи StatSoft для оцшки швестицшно! привабливост територiй Укра!ни шляхом розпiзнавання iнформативностi показникiв швестицшно! привабливосп.
Продовження дослiджень доцшьно в напрямку побудови комплексно! нейромережево! моделi кластеризаци та прогнозування швестицшно! привабливосп територiй Укра!ни на основi статистично! теори розпiзнавання образiв та ефективного прогнозування шляхом багатовимiрного регресшного аналiзу в середовищi iнтелектуальних технологш STATISTICA Neural Network.
Список л^ератури
1. Морозов А.А. Состояние и перспективы нейросетевого моделирования СППР в сложных социотехнических системах /. А.А. Морозов, В.П. Клименко, А. Л. Ляхов, С.П. Алёшин // Математичш машини i системи. - 2010. - № 1.- С. 127 - 149.
2. Хайкин С. Нейронные сети: полный курс / С.Хайкин - М.: Издательский дом "Вильямс", 2006. -1104 с.
3. Проблема моделирования сложных социотехнических систем. V дистанционная научно-практическая конференция с международным участием / Системы поддержки принятия решений. Теория и практика. СППР ИПММС НАН Украины, Киев, 2009. - C. 31- 34.
4. Ляхов А.Л. Интеллектуальный анализ данных в прикладных экономических задачах / А.Л. Ляхов, С.П. Алёшин // Науковий вгсник Полтавського национального техшчного ушверситету. Економика та регюн - 2009. - № 4(23). - С. 140 - 147.
5. Онщенко О.А. Методичш аспекти комплексно! оцшки швестицшно! привабливостi територш / О.А. Онщенко // Економiчний простiр. - 2010. - № 40. - С. 132-146
6. Porter M. The competitive advantage of nations / M. Porter. - New York: Free Press. - 1990, 857 p.
7. The Global Competitiveness Report 2009-2010 / Klaus Schwab. - World economic forum: [Електронний ресурс] - Режим доступу до журналу: http://www.weforum.org/en/initiatives/gcp/Global%20Competitiveness%20Report/index.htm
8. World competitiveness Yearbook 2010 (WCY) / Jesus Guevara, Greenlee Textron [Електронний ресурс] -Режим доступу до журналу: http://www.imd.ch/research/publications/wcy/Factors_and_criteria.cfm
9. Череп А.В. 1нвестознавство: Шдручник / А.В. Череп. - К.: Кондор, 2006. - 398 с.
10. Боровиков В.П. Нейронные сети. Neural networks: методология и технологии современного анализа данных / В.П. Боровиков - М.: Горячая линия - Телеком, 2008. - 392 с.
11. Регюни Украши 2009, частина I : статистики Украши, 2009. - 369 с.
12. Регюни Украши 2009, частина II статистики Украши, 2009. - 758 с.
13. Регюни Украши 2007, частина I : статистики Украши, 2007. - 498 с.
14. Регюни Украши 2008, частина I : статистики Украши, 2008. - 368 с.
15. Регюни Украши 2008, частина II статистики Украши, 2008. - 804 с.
16. Регюни Украши 2006, частина I : статистики Украши, 2006. - 367 с.
17. Регюни Украши 2005, частина I : статистики Украши, 2005. - 369 с.
18. Регюни Украши 2004, частина I : статистики Украши, 2004. - 369 с.
19. Регюни Украши 2004, частина II статистики Украши, 2004. - 985 с.
20. Наукова та шновацшна дiяльнiсть в Украш : [стат. зб. / упоряд. 1.В. "1нформацшно - видавничий центр Держкомстату Украши", 2003. - 349 с.
21. Наукова та шновацшна дiяльнiсть в Украш : [стат. зб. / упоряд. 1.В. "1нформацшно - видавничий центр Держкомстату Украши", 2004. - 357 с.
22. Наукова та шновацшна дiяльнiсть в Украш : [стат. зб. / упоряд. 1.В. "1нформацшно - видавничий центр Держкомстату Украши", 2007. - 348 с.
23. Наукова та шновацшна дiяльнiсть в Украш : [стат. зб. / упоряд. 1.В. "1нформацшно - видавничий центр Держкомстату Украши", 2008. - 363 с.
[стат. зб. за ред. О.Г. Осауленко]. - К.
[стат. зб. за ред. О.Г. Осауленко]. - К.
[стат. зб. за ред. О.Г. Осауленко]. - К.
[стат. зб. за ред. О.Г. Осауленко]. - К.
[стат. зб. за ред. О.Г. Осауленко]. - К.
[стат. зб. за ред. О.Г. Осауленко]. - К.
[стат. зб. за ред. О.Г. Осауленко]. - К.
[стат. зб. за ред. О.Г. Осауленко]. - К.
[стат. зб. за ред. О.Г. Осауленко]. - К.
Державний комггет Державний комггет Державний комггет Державний комггет Державний комлет
Державний комггет Державний комггет
- К.
- К.
ДП ДП
Калачова]. Калачова]. Калачова]. - К. ДП Калачова]. - К. ДП
Поступила в редакцию 01.12.2010 г.
Альошин С.П. Нейросетевая модель факторного анализа инвестиционной привлекательности территорий Украины / С.П. Альошин, Е.А. Онищенко // Ученые записки ТНУ им. В.И. Вернадского. Серия: Экономика и управление. - 2010. - Т. 23 (62), № 3. - С. 3-11.
В статье предложено использование метода искусственного интеллекта для оценки инвестиционной привлекательности территорий Украины. Проведен факторный анализ инвестиционной привлекательности на примере Полтавской области с использованием программного пакета Statistica neural network. Установлено адекватность предложенной модели оценки инвестиционной привлекательности. Выявлены показатели инвестиционной привлекательности, которые оказывают наибольшее влияние на уровень инвестиционной привлекательности Полтавской области по состоянию на 2008 год.
НЕЙРОМЕРЕЖЕВА МОДЕЛЬ ФАКТОРНОГО АНАЛ1ЗУ1НВЕСТИЦ1ЙНО1 ПРИВАБЛИВОСТ1ТЕРИТОРШ УКРА1НИ
Ключевые слова: инвестиционная привлекательность, факторный анализ, искусственный интеллект, нейронные сети.
Aloshin S.P. Neural network model of the Ukrainian territory investment attractiveness factor analysis /
S.P. Aloshin, E.A. Onishchenko // Uchenye zapiski TNU. Series: Economy and management. - 2010. - Vol. 23 (62), # 3. - Р. 3-11.
The article is offered the implementation of artificial intelligence methods for assessment the Ukrainian territories investment attractiveness. Factor analysis of Poltava region investment attractiveness was done with the help of Statistica neural network software package. The adequacy of the proposed model of investment attractiveness estimation was determined. The indicators of investment attractiveness, which have the greatest impact on the level of Poltava region investment attractiveness in the year 2008, were identified. Key words: investment attractiveness, factor analysis, artificial intelligence, neural networks.
