НЕЙРОННЫЕ СЕТИ В ЭКОНОМИЧЕСКОМ АНАЛИЗЕ: ПЛЮСЫ И МИНУСЫ Текст научной статьи по специальности «Компьютерные и информационные науки»

трудно поддается лечению, буквально разрушает без того ослабленный организм.

Больные особенно чувствительны к вирусам за счет снижения иммунной системы , уменьшения количества антител. Врачи связывают осложнение течения вирусной инфекции на фоне метаболического синдрома постоянным приемом инсулина, препаратов для антигипертензивной терапии.

В первые дни заражения коронавирусом симптомы у диабетиков первого и второго типа не отличаются специфичностью, но постоянно нарастают. Кашель становится более частым, сопровождается болью в грудине, одышкой. Указывать на COVГО-19 могут боли в мышцах, суставах , больные перестают чувствовать запахи , вкусы, исчезает обоняние, нарушается стул, появляется тошнота.

Развитие осложнений, возникших при пневмонии, характеризуется учащением пульса, одышкой даже при отсутствии физической активности, посинением носогубного треугольника.Больным коро-навирусом и сахарным диабетом показан обильный питьевой режим, прием иммуномодулирующих препаратов для стимуляции системного иммунитета. Больным рекомендуется постоянно контролировать уровень гликоиндекса, так как резко возрастает угроза коматозного состояния, кетоацидоза.

Министерством здравоохранения Северной Осетии за период пандемии было зарегистрировано 70 пациентов умерших от COVID-19 , 14 из которых были больны Сахарным диабетом что , составляет 20% из общего числа умерших. Данная статистика позволяет сделать вывод: необходимо задуматься какую опасность несёт COVID-19 для больных СД и предпринять меры для сохранения демографии населения.

Мы решили провести социологический опрос среди жителей Северной Осетии, страдающих сахарным диабетом. В связи с тем распространили анкеты, в которых поинтересовались: насколько серьезно больные СД относятся к новому вирусу, соблюдают ли они самоизоляцию, носят ли маски в общественных местах, нуждаются ли в посещении врачей в период самоизоляции.

По итогам опроса мы обнаружили, что 70% диабетиков не понимают насколько опасен COVID-19 для их здоровья, всего 20% соблюдают самоизоляцию, только 60% носят маски в общественных

местах и целых 80% нуждаются в консультациях врачей.

Проанализировав данные опроса, мы пришли к выводу , что для поддержания демографического положения в Северной Осетии необходимо предпринять профилактические меры.

Нами предлагается обязать СМИ распространить информацию об опасности заражения диабетиков новым вирусным штаммом, призвать здоровых граждан внимательнее относиться к близким с сахарным диабетом, обеспечить всех, стоящих на учёте в эндокринологическом диспансере многоразовыми масками и антисептиками, врачам проводить онлайн консультации, для того чтобы больные лишний раз не покидали жилище и не взаимодействовали с возможными носителями вируса.

Самим больным рекомендуем без надобности не выходить из дома, носить маски в общественных местах, ежедневно проводить анализ сахара в крови, не забывать пить витамины для поддержания иммунитета, регулярно проветривать помещение, прислушиваться к рекомендациям врачей, следить за питанием , не нарушать диету.

Только соблюдая эти несложные правила , мы сможем предотвратить ухудшение демографического положения республики Северная Осетия-Алания.

Пандемия несомненно сказалась на демографическом положении больных сахарным диабетом, 20% умерших от Covid-19 граждан страдали данным хроническим заболеванием. Так как на территории Северной Осетии и без того высокий уровень больных диабетом, мы должны более ответственно отнестись к их здоровью особенно в период пандемии, им в свою очередь необходимо прислушаться к рекомендациям. Только так мы сможем остановить спад демографии диабетиков по время пандемии ТО\ТО-19.

СПИСОК ЛИТЕРАТУРЫ:

1. [https://стопкоронавирус.рф/faq/]

2. [https://covid19.rosminzdrav.ru ]

3. [https://minzdrav.gov.ru ]

4. [www.minzdravrso.ru]

5. [https://www.vluki.ru/news/2016/11/14/4586 73.html,https://www.diacheck.ш/Ыogs/stati-sm-dia-chek/koronavirus-i-diabet]

NEURAL NETWORKS IN ECONOMIC ANALYSIS: PROS AND CONS

Khamkhoev F.

Ph. D., associate Professor Ingush state University

НЕЙРОННЫЕ СЕТИ В ЭКОНОМИЧЕСКОМ АНАЛИЗЕ: ПЛЮСЫ И МИНУСЫ

Хамхоева Ф.Я.

к.э.н., доцент

ФГБО ВО «Ингушский государственный университет»

Abstract

The article discusses the use of neural networks in economic analysis. In Economics, artificial intelligence is used to optimize production, analyze product and financial flows, analyze marketing research, and even predict the behavior and reaction of the target audience to the release of new products. only a wide range of tasks solved by neural networks is Considered. Conclusions are given about the direction of the possibility of using neural networks in the direction of a common management and software model-the information environment used by enterprises in the future.

Аннотация

В статье рассмотрены вопросы применения нейросетей в экономическом анализе. В экономике искусственный интеллект используется для оптимизации производства, анализа товарных и финансовых потоков, анализа маркетинговых исследований, и даже прогнозирования поведения и реакции целевой аудитории на выпуск новых продуктов. Рассмотрен круг задач решаемых нейронными сетями. Даны заключения о возможности использования нейросетей в общей управляющей и программно- информационной среде предприятия.

Keywords: select neural network technologies, neural network roll theoretical, neuropackage, mathematical take models and methods for modeling then, computational techno-knowledge Logies, instrumental systems for neural network evaluation analysis.

Ключевые слова: нейросетевые технологии, нейронные сети, нейропакет, математические модели и методы моделирования, вычислительные технологии, инструментальные системы нейросетевого анализа.

Нейросетевые технологии предоставляют сегодня широкие возможности и в настоящее время широко используются при решении самых разных задач. Они активно применяются там, где обычные алгоритмические решения оказываются неэффективными или вовсе невозможными. В мире накоплен громадный опыт применения нейросетей. Это автоматизация процессов распознавания образов, адаптивное управление, аппроксимация функционалов, прогнозирование, создание экспертных систем, организация ассоциативной памяти и многие другие приложения.

Нейронные сети - это компьютерные алгоритмы построенные по принципу работы человеческого мозга, которые позволяют анализировать колоссальные объемы информации. Нейронные сети не программируются, а обучаются по тому же принципу что и человек, и так же как человек они принимают решения на основе предыдущего опыта. Задачи по вычислению компьютером решаются за доли секунды в отличие от человека, но распознавание образов и анализ данных может занимать иногда по нескольку дней. С помощью нейронных сетей получилось использовать все преимущества работы компьютера и мозга. За последние несколько лет нейронные сети нашли применение во многих сферах нашей жизни к некоторым из них можно отнести обработку текстов, распознавание образов, анализ данных, принятие некоторых решений, анализ и прогнозирование событий на основе имеющихся данных.

Нейронные сети применяют во многих сферах жизни людей, и экономика не стала исключением. В экономике искусственный интеллект уже используется для оптимизации производства, анализа товарно- финансовых потоков, анализа маркетинговых исследований, и даже прогнозирования поведения и реакции целевой аудитории на выпуск новых продуктов.

Нейросети отлично показывают себя в решении различных экономических задач. Являются незаменимыми при обработке больших объемов данных, без которых зачастую бывает непросто дать

адекватную оценку ситуации на рынке и в компании. Все эти примеры говорят о том, что нейронные сети неизбежно придется изучать, развивать и больше внедрять на практике. Нейросети используют для автоматизации различных бизнес-процессов что положительно сказывается на работе компании: экономится время, деньги и человеческие ресурсы.

Данную технологию можно использовать для:

• анализа надежности компании и для определения вероятности возможности ее банкротства;

• банковским организациям для оценки риска предоставления клиенту кредита и оценки его платежеспособности;

• прогнозирования изменения стоимости акций в определенный период времени;

• прогнозирования риска намеченной сделки;

• предсказания возможных мошеннических действий;

В то время как на западе применение нейронных сетей уже достаточно обширно, в России же еще некоторое время назад найти хороший нейро-пакет было весьма непросто. Однако к настоящему времени появились обнадеживающие результаты решения различных аналитических задач с элементами нейротехнологий в условиях российской действительности. Сегодня аналитики могут выбрать себе систему построения прогнозов соответственно решаемым задачам. Широкий круг задач, решаемый нейронными сетями, не позволяет в настоящее время создавать универсальные, мощные сети, вынуждая разрабатывать специализированные сети, функционирующие по различным алгоритмам. [1] Тем не менее, тенденции развития нейросетей растут с каждым годом. Нейронные сети вошли в практику везде, где нужно решать задачи прогнозирования, классификации или управления. Такой впечатляющий успех определяется причинами:

1. Богатые возможности.

Нейронные сети - исключительно мощный метод моделирования, позволяющий воспроизводить чрезвычайно сложные зависимости. В частности,

нейронные сети нелинейны по свой природе. На протяжение многих лет линейное моделирование было основным методом моделирования в большинстве областей, поскольку для него хорошо разработаны процедуры оптимизации. В задачах, где линейная аппроксимация неудовлетворительна (а таких достаточно много), линейные модели работают плохо. Кроме того, нейронные сети справляются с "проклятием размерности", которое не позволяет моделировать линейные зависимости в случае большого числа переменных.

2. Простота в использовании.

Нейронные сети учатся на примерах. Пользователь нейронной сети подбирает представительные данные, а затем запускает алгоритм обучения, который автоматически воспринимает структуру данных. При этом от пользователя, конечно, требуется какой-то набор эвристических знаний о том, как следует отбирать и подготавливать данные, выбирать нужную архитектуру сети и интерпретировать результаты, однако уровень знаний, необходимый для успешного применения нейронных сетей, гораздо скромнее, чем, например, при использовании традиционных методов статистики. Совершенно очевидно, что свою силу нейронные сети черпают, во-первых, из распараллеливания обработки информации и, во- вторых, из способности самообучаться, т.е. создавать обобщения. Под термином обобщение понимается способность получать обоснованный результат на основании данных, которые не встречались в процессе обучения. Эти свойства позволяют нейронным сетям решать сложные задачи, которые на сегодняшний день считаются трудноразрешимыми. Однако на практике при автономной работе нейронные сети не могут обеспечить готовые решения. Их необходимо интегрировать в сложные системы. [2]

Нейронные сети привлекательны с интуитивной точки зрения, ибо они основаны на примитивной биологической модели нервных систем. Нейронные сети представляют собой новую и весьма перспективную вычислительную технологию, дающую новые подходы к исследованию динамических задач в финансовой области. Первоначально нейронные сети открыли новые возможности в области распознавания образов, затем к этому прибавились статистические и основанные на методах искусственного интеллекта средства поддержки принятия решений и решения задач в сфере финансов.

Способность к моделированию нелинейных процессов, работе с зашумленными данными и адаптивность дают возможности применять нейронные сети для решения широкого класса финансовых задач. В последние несколько лет на основе нейронных сетей было разработано много программных систем для применения в таких вопросах, как оценка вероятности банкротства банка, операции на товарном рынке, оценка кредитоспособности, контроль за инвестициями, размещение займов.

На рынке появляется огромное количество как универсальных нейропакетов, которые зачастую

используются для решения задач технического анализа, так и специализированных экспертных систем и нейропакетов для решения многих других, зачастую более сложных и трудно формализуемых задач из финансовой области. Те банки и крупные финансовые организации, которые уже используют нейронные сети для решения своих задач, понимают, насколько эффективным средством могут быть нейронные сети для задач с хорошей статистической базой, например, при наличии достаточно длинных временных рядов, в том числе и многомерных. При этом в качестве потребителя такой информации выступают либо люди, хорошо знающие потенциальные возможности нейронных сетей, либо решающие такие задачи традиционными методами и вынужденные искать другие, более эффективные способы решения задач.[3]

Нейронные сети хорошо работают в условиях резких движений цен, зашумленности и противоречивости данных и являются отличным дополнением к классическому теханализу, который на современных рынках все чаще перестает работать или выдает противоречивые сигналы. Развитие нейронных сетей вызвало немало энтузиазма и критики. Некоторые сравнительные исследования оказались оптимистичными, другие - пессимистичными. Множество надежд в отношении нейронных сетей сегодня связывают именно с аппаратными реализациями, но пока время их массового выхода на рынок, видимо, еще не пришло. Но все это только вопрос времени. [4] Разработка теоретических аспектов создания, обучения и функционирования нейросетей, нейрокомпьютеров и неироинтеллекта представлена в фундаментальных работах таких авторов, как Р. Вильяме, П.Вербос, Р.Земел, Йох-Хан Пао, Т. Кохоннен, Э.Минай, Ф.Розенблатт, Е.Хинт. Различные аспекты приложения моделей искусственного интеллекта к проблемам управления и прогнозирования поведения анализа хозяйственных структур, представлены в работах работы

A.Н.Аверкина, Р.А. Алиева, А.Н. Борисова, Т.А. Гаврилова, В.И. Глушкова, В.Н. Захарова, И.В. Еж-ковой, В.В. Ермоленко, О.И. Ларичева, Б.Г.Лит-вака, К.Е. Левитина, В.А. Маковского, В.П. Мешал-кина, К. Нейлора, Э.В. Попова, Д.А. Поспелова,

B.Ф. Хорошевского.

Однако, следует отметить, что значительное количество работ, посвященных моделированию экономических систем, не касающихся проблематики искусственного интеллекта, связаны в основном с использованием динамических моделей управления, задач оптимизации, моделей и алгоритмов принятия решений на разных уровнях про-мышленно экономической системы. Работы же в области искусственного интеллекта для анализа больших хозяйственных структур, как правило, касаются приложения моделей и методов обработки знаний к конкретным управляемым или исследуемым объектам. Вместе с тем, пока недостаточное внимание уделено теоретическим и методологическим основам неиромоделирования для анализа больших хозяйственных структур.

Интерес представляет также методология и технология включения таких моделей в общую управляющую и программно-информационную среду предприятия как объекта управления и создание теоретических основ для анализа больших хозяйственных структур на основе пространственно-распределенного представления материального потока с использованием комплекса взаимодействующих нейросетей.

Достижение поставленной цели требует решения следующих задач:

- Разработки подхода к созданию инструментальной системы нейросетевого анализа, который позволит принять решения на основе моделирования и анализа факторов экономической среды в условиях влияния факторов риска, для решения неординарных и слабоформируемых задач;

- Формулировки проблемы выбора интеллектуальной инструментальной системы принятия решений к нейросетевому прогнозированию финансовых временных рядов и оценки кредитоспособности, в условиях влияния факторов неопределенности, большой размерности задачи.

- Разрешения проблемы сопряжения инструментальных средств выбора модели с существующими технологиями обработки экономической информации.

Теоретическая значимость поставленных задач заключается в том, что предложенные решения выступят в качестве научной основы дальнейшего развития парадигмы нейросетевого моделирования для анализа больших хозяйственных структур и управления экономической системой предприятия, изучение которой требует моделирования факторов экономической среды, с учетом трудно формализуемых, вербальных и "мягких" факторов в условиях ограниченности статистических данных, неэргодичности и нестационарности материальных и финансовых потоков.[5]

К основным преимуществам нейронных сетей можно отнести:

• способность обучаться на множестве примеров в тех случаях, когда неизвестны закономерности развития ситуации и функции зависимости между входными и выходными данными. В таких случаях (к ним можно отнести до 80% задач финансового анализа) неприменимы традиционные математические методы;

• способность успешно решать задачи, опираясь на неполную, искаженную и внутренне противоречивую входную информацию;

• возможно

• сть эксплуатации обученной нейронной сети любыми пользователями;

• возможность исключительно легко подключать нейросетевые пакеты к базам данных, электронной почте и автоматизировать процесс ввода и первичной обработки данных;

• внутренний параллелизм, присущий нейронным сетям, позволяющий практически безгранично наращивать мощность нейросистемы, т.е. сверхвысокое быстродействие за счет использова-

ния массового параллелизма обработки информации;

• толерантность к ошибкам — работоспособность сохраняется при повреждении значительного числа нейронов;

• способность к обучению — программирование вычислительной системы заменяется обучением;

• способность к распознаванию образов в условиях сильных помех и искажений.

Данные подходы определят стратегическое направление в области разработки

методов более полного учета существенных факторов внутренней и внешней среды, обусловливающих формирование эффективных решений в экономической системе.

Все это позволит разработать и внедрить в практику нейросетевые методы анализа больших хозяйственных структур в условиях динамики экономической системы в целом. Математические модели и методы позволят принимать решения как в условиях, когда влияющие факторы известны, так и в условиях ограниченного наличия информации, следовательно, возможностью реального применения нейронных сетей и их взаимодействия с информационной системой предприятия. Исследования в области нейронных сетей в основном достаточно наглядны. По сравнению с другими вычислительными методами в статистике и науке они имеют значительные преимущества. Так, у моделей на основе нейронных сетей очень гибкие теоретические требования; кроме того, им необходимы совсем небольшие объемы предварительных знаний относительно формирования задачи.[6] Жесткая конкуренция ставит перед современным бизнесом проблемы, которые могут быть эффективно решены современными средствами анализа данных. Технология нейронных сетей позволяет анализировать информацию, прогнозировать развитие и минимизировать риски при принятии решений, что позволяет строить бизнес на строго научной основе достаточно грамотно и эффективно.

СПИСОК ЛИТЕРАТУРЫ:

1. Хамхоева Ф.Я. «Возможности применений нейросетей в экономическом анализе», Финансовая экономика №6

2. Джонс, М. Т. Программирование искусственного интеллекта в приложениях М. Тим Джонс ; Пер. с англ. А. И. Осипов. - 2-е изд. - М. : ДМК Пресс, 2011. - 312 с.

2. Ясницкий, Л. Н. Искусственный интеллект. Элективный курс : учеб. пособие Л. Н. Яс- ницкий. - М.: БИНОМ. Лаборатория знаний, 2012. - 197 с.

3. Барский А.Б. Нейронные сети: распознавание, управление, принятие решений. - М.: Финансы и статистика, 2007.

4. Серебрякова Т.А Нейросетевые технологии в банковской деятельности Сборник материалов XXXV Международной научно-практической конференции "Актуальные вопросы экономических наук" Новосибирск 30 декабря 2013 г.

5. Кальченко Д. Нейронные сети на пороге будущего «КомпьютерПресс». - 2005.