CC BY
91
УДК 338.27;336.221.4;004
ПРЕДПОСЫЛКИ ФОРМИРОВАНИЯ В РОССИЙСКОЙ ФЕДЕРАЦИИ СОЦИАЛЬНО-ЭКОНОМИЧЕСКОГО ПРОГНОЗИРОВАНИЯ НА ОСНОВЕ АППАРАТА ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ PRECONDITIONS OF FORMATION IN THE RUSSIAN FEDERATION SOCIO-ECONOMIC FORECASTING ON THE BASIS OF THE ARTIFICIAL
NEURAL NETWORKS
Деменко Александр Евгеньевич,
аспирант кафедры «Экономика и управление
народным хозяйством» ФГБОУ ВПО «Югорский государственный университет» e-mail: demenkoae@mail.ru
Исламутдинов Вадим Фаруарович,
кандидат экономических наук, доцент, заведующий кафедрой «Экономики» ФГБОУ ВПО «Югорский государственный университет» e-mail: v_islamutdinov@ugrasu.ru
Аннотация. В данной статье рассмотрены предпосылки формирования в Российской Федерации системы социально-экономического прогнозирования на основе аппарат искусственных нейронных сетей. Проанализирован зарубежный опыт в данной сфере. Обозначены возможные проблемы введения такой системы и преимущества от использования аппарата нейронных сетей и центров обработки данных. Также рассмотрены современные программные комплексы, которые могут быть использованы в сфере социально-экономического прогнозирования. Предложена авторская модель бюджетно-налогового прогнозирования с использованием искусственных нейронных сетей, адаптированная к российским
реалиям.
Summary. In this article considered the preconditions of formation of the Russian Federation system of socio-economic forecasting on the basis of the artificial neural networks. Analyzes the foreign experience in this sphere. Indicate possible problems in implementing such a system and the benefits from the use of the neural networks and data centers. Also considered the modern software that can be used in the sphere of socioeconomic forecasting. An author's model of budget and taxation forecasting using artificial neural networks, adapted to the Russian reality.
Ключевые слова. Социально-экономическое прогнозирование, программные решения в среде нейросетевого прогнозирования, бюджетно-налоговое прогнозирование, искусственные нейронные сети, центры обработки данных.
Keywords. Socio-economic forecasting, software solutions in the environment of a neural network forecasting, budget and taxation forecasting, artificial neural networks, data centers.
В процессе решения стратегической задачи поступательного экономикосоциального развития Российской Федерации, необходимо, последовательно проводить эффективную государственную микро- и макроэкономическую политику, построенную на основе научно-обоснованных и апробированных практически механизмов современного микро- и макроэкономического регулирования экономики России. Для решения этой проблемы исключительно важными задачами являются: применение современных механизмов социально-экономического
прогнозирования экономики государства, обеспечение экономической стабильности, сбалансированность бюджетной и налоговой систем страны посредством совершенствования процесса бюджетирования и налоговой системы.
Индикативные показатели экономического роста в Российской Федерации в наибольшей степени зависят от экономической конъюнктуры и ситуации на мировых финансовых, товарных и сырьевых рынках. В тоже время, факторы экономического роста напрямую связаны с гибкостью и прозрачностью национальной налоговой системы, состояния государственного бюджета, объемов и динамики инвестиций в экономику страны и расходов по социальным
обязательствам государства, развитием национальной кредитной и банковской систем, повышения роли реального сектора экономики и других определяющих факторов, напрямую связанных с уровнем и качеством жизни граждан. Несомненно, все перечисленные факторы, влияют на выбор, совершенствование и использование государственного механизма социально-экономического прогнозирования.
В условиях постоянной изменчивости экономической и социальной ситуации, процессы прогнозирования и планирования предстают в новом свете. Теперь это не просто средство констатации факта и своеобразной отчётности о проделанной работе, a реальный механизм экономического воздействия и рычаг управления различными процессами, происходящими в обществе. В связи с этим данная тема научного исследования имеет высокую степень актуальности и значимости.
Одной из проблем построения объективного социально-экономического прогноза является выбор метода прогнозирования. При этом, например, В. Цигичко определяет метод прогнозирования как «совокупность приемов и способов мышления, позволяющих на основе анализа ретроспективных данных, экзогенных (внешних) и эндогенных (внутренних) связей объекта прогнозирования, а также их измерений в рамках рассматриваемого явления или процесса вывести суждения определенной достоверности относительно его (объекта) будущего развития» [19]. В настоящее время, по оценкам зарубежных и отечественных ученных, насчитывается не менее 20 методов прогнозирования, при этом число базовых составляет не более
15. Методы социально-экономического прогнозирования можно разделить на два общих вида: формализованные и интуитивные. Когда невозможно учесть влияние многих факторов из-за значительной сложности объекта прогнозирования используются интуитивные методы прогнозирования. В свете этого различаются коллективные и индивидуальные экспертные оценки. Индивидуальных экспертные оценки включают: метод написания сценария, основанием которого является определение логики явления или процесса во времени при различных условиях аналитический метод, при использовании которого осуществляется логический анализ какой-либо прогнозируемой ситуации, вследствие чего составляются аналитические докладные записки; метод «интервью», в соответствии с которым
осуществляется непосредственный контакт эксперта со специалистом по схеме «вопрос - ответ»;.
Методы коллективных экспертных оценок включают в себя: метод
«коллективной генерации идей» («мозговая атака»), «комиссий», матричный метод, метод «Дельфи». Основание этой группы методов является то, что при коллективном мышлении: 1. как правило, выше точность результата; 2. вследствие обработки индивидуальных независимых оценок экспертов могут возникнуть продуктивные идеи.
Фактографические методы как класс объединяет следующие три подкласса: методы аналогий, статистические и опережающие методы. Методы аналогий, которые направлены на выявление сходства в закономерностях развития различных процессов. К ним относятся методы исторических и математических аналогий. Методы математических аналогий в качестве аналога для объекта используют объекты другой физической природы, других областей науки и техники, которая имеет математическое описание процесса развития, совпадающие с объектом прогнозирования. Основой опережающих методов прогнозирования являются определенные принципы специальной обработки научно-технической информации, которые учитывают свойство информации опережать прогресс науки и техники.
При этом в последнее время широко применяются методы социальноэкономического прогнозирования сопряженные с применением электронновычислительных машин посредствам программных решений.
Перспективны интерактивные методы прогнозирования с использованием баз эконометрических данных, имитационных (в том числе на основе применения метода Монте-Карло, т.е. метода статистических испытаний) и экономикоматематических динамических моделей, сочетающих экспертные, статистические и моделирующие блоки.
При этом следует отметить относительную недостаточность перечисленных методов прогнозирования. Например, А. Н. Бирюков по поводу методов моделирования отмечает, что «в тяжелых условиях моделирования...традиционные методы не перспективны в силу нарушения практически всех предпосылок метода
наименьших квадратов. Предпочтение отдается интеллектуальным методам, в частности нейросетевыми и нейро-нечетким» [20].
Действительно, одним из достаточно новых средств экономического прогнозирования являются искусственные нейронные сети. Рассмотрим подробнее механизм их использования в социально-экономическом прогнозировании.
Постановкой задачи в интеллектуальном анализе данных является выявление латентных закономерностей и правил в наборах данных. Продолжительное время основным инструментом интеллектуального анализа данных была традиционная математическая статистика, но следует отметить, что зачастую она не в состоянии решить задачи, встречающиеся в реальной жизни. Использование математической статистики в основном распространено при проверке заранее сформулированных гипотез (verification-driven data mining).
Первоначально применение нейронных сетей в интеллектуальном анализе данных вызывало скептическое отношение, ввиду недостатков, присущих нейронным сетям: сложная структура, плохая интерпретируемость и долгое время обучения. Однако их преимущества, такие как, высокая допустимость к зашумленным данным и низкий коэффициент ошибок, непрерывное усовершенствование и оптимизация различных алгоритмов обучения сетей, алгоритма извлечения правил, алгоритма упрощения сетей, делают нейронные сети все более и более перспективным направлением [21].
Искусственные нейронные сети являются достаточно новой и весьма перспективой информационно-вычислительной технологией, открывающей совершенно новые подходы к исследованию динамических систем в области экономики. Изначально при помощи искусственных нейронных сетей открыли новые возможности в области распознавания образов, потом были созданы основанные на методах искусственного интеллекта статистические средства поддержки принятия управленческих решений, а также разработана технология решения задач в экономической и финансовой сферах.
Искусственные нейронные сети (далее - ИНС) — математически-обоснованные модели, в том числе их аппаратные или программные реализации, в основу построения которых заложен принцип функционирования и организации
биологических нейронных сетей, то есть сетей нервных клеток в живом организме. Понятие искусственных нейронных сетей возникло в ходе изучении процессов головного мозга, а также при попытке моделированиях данных процессов. Изначально, первая такая попытка - это нейронные сети Маккалока и Питтса [12]. В дальнейшем, когда были разработаны алгоритмы обучения, полученные модели стали применяться также и в практических целях, в том числе в задачах управления, прогнозирования, для распознавания образов др.
Система соединённых и тесно взаимодействующих между собой достаточно простых процессоров (искусственных нейронов) по своей сути является искусственной нейронной сетью. В сравнении с процессорами, используемыми в персональных компьютерах, данные процессоры, как правило, довольно просты. Каждый такой процессор искусственной нейронной сети взаимодействует только с сигналами, которые периодически к нему поступают, и сигналами, которые он периодически отправляет иным процессорам. И, в тоже время, локально простые процессоры, являясь соединёнными в достаточно большую сеть с управляемым взаимодействием, вместе способны выполнять достаточно сложные алгоритмы и решать многоуровневые задачи.
Нейронные сети не являются программируемыми в привычном смысле этого слова, они - обучаемы. Одно из основополагающих преимуществ нейронных сетей перед традиционными вычислительными алгоритмами - возможность обучения. С технической точки зрения обучение заключается в поиске коэффициентов связей между нейронами. Выявление сложной зависимости между входными и выходными данными, а также выполнение обобщений - одна из задач процесса обучения искусственных нейронных сетей. Это обозначает, что в случае успешного прохождения процесса обучения нейронная сеть сможет вернуть верный результат, основываясь на данных, которые могут отсутствовать в обучающей выборке, в том числе при «зашумленных», неполных данных или данных, имеющих частичное искажение.
В целом отличие нейронных сетей от традиционных моделей прогнозирования состоит в учете большого количества информации (тысячи и десятки тысяч данных за десятилетия), в связи с этим повышается точность прогноза. Точность прогноза
на один год, выполненного с помощью нейронных сетей может составлять более 90%.
Возможность применять искусственные нейронные сети для решения широкого класса управленческих и экономических задач обуславливается способностью к моделированию нелинейных процессов в работе с адаптивностью и «зашумленной» информацией. В последние десятилетие на базе нейронных сетей разработаны многочисленные программные средства для применения в таких областях, как оценка вероятности банкротства банка, операции на товарном рынке, контроль над инвестициями, оценка кредитоспособности и размещение займов.
Необходимость использования нейронных сетей в экономической области обуславливается вовсе не тем, чтобы заменить традиционные методы. Это еще одно из возможных простых средств для решения задач, и цель данной статьи -показать, в какой мере нейросетевой подход может быть применен к задачам социально-экономического прогнозирования и попытаться обосновать эффективность искусственных сетей в сравнению с эффективностью других методов прогнозирования.
Основываясь на некоторых исследованиях, можно прийти к общему выводу о том, что у искусственных нейронных сетей наблюдаются довольно хорошие предпосылки к отражению свойств разрывности, наблюдаемых в нашем мире [17]. Неудивительно, что на исследования в данной области выделяются значительные денежные средства. Например, в Японии на десятилетнею программу было выделено около 400 миллионов долларов, на пятилетнею программу в Соединенных Штатах Америки - порядка 300 миллионов долларов, финансирование в странах Европы достигает около 100 миллионов долларов [5].
Тем не менее, обладая большим преимуществом, нейронные сети имеют и ряд недостатков, таких как необходимость большого количества статистических данных для проведения анализа, сложность разработки так как охватывают множество разнообразных отраслей знаний и требует привлечения большого количества ученых, затратность создания и большая стоимость внедрения. В связи с эти и встаёт вопрос об экономической обоснованности разработки и внедрения.
Следует отметить ряд существующих программных решений в области нейросетевого прогнозировании:
1. NeuroShell.
Универсальный пакет, который предназначен для нейросетевого анализа данных. С помощью данного программного комплекса можно решать широкий спектр задач, в том числе широко распространенные задачи, такие как прогнозирование курсов валют (облигаций, цен на нефть, фьючерсов, акций, и т. д.), а также менее распространенные задачи, такие как обратные задачи в геофизике и другие сложные задачи.
2. Neural Networks.
STATISTICA Neural Networks - разработанный фирмой StatSoft универсальный пакет нейросетевого анализа. Данный программный комплекс может работать как в рамках систем Quick STATISTICA или STATISTICA, так и как самостоятельное приложение.
Данное программное решение включает самые мощные и современные алгоритмы обучения сети (включая методы Левенберга-Маркара и сопряженных градиентов); выборочное обучение фрагментов нейронной сети; возможность создавать сложные сети различных архитектур, которые практически не ограниченны в размерах комбинаций; встроенная система Нейро-Мастер - Network Wizard, которая помогает пользователю выбирать параметры и принимать решения, полный контроль над выбором функций активации и т. д.
Практика применения искусственных нейронных сетей в социальноэкономическом прогнозировании в России и за рубежном.
В качестве отечественного опыта можно привести пример Ханты-Мансийского автономного округа - Югры. Учёными Югорского государственного университета разработана и внедряется система прогнозирования, количества рабочих кадров необходимых для планомерного и эффективного функционирования экономики в прогнозном периоде, основанная на применении аппарата искусственных нейронных сетей. В процессе прогнозирования специалистам удалось связать более 2000 параметров, влияющих на количество необходимых
кадров в экономики автономного округа. [22,23]. Также ведутся работы в распространении опыта применения аппарата нейронных сетей на прогнозирование комплексного социально-экономического развития территорий.
Хрестоматийным примером успешного применения нейросетевых вычислительных технологий в сфере экономики является область управления кредитными рисками. В современной банковской системе, чтобы оценить вероятность собственных убытков при случае несвоевременного возврата заёмных средств, в подготовительном процессе выдачи кредита, проводятся сложные статистические расчеты, в том числе и по финансовой надежности и оценки кредитных рисков кредитуемого. Базисом данных расчетов, как правило, является оценка динамике развития компании, кредитная история, стабильность основных финансовых показателей предприятия, а также многочисленные другие факторы.
Достаточно известный банк Соединенных Штатов Америки апробировал данный метод нейросетевых вычислений, придя к следующему выводу: одноименные задачи расчета финансовой надежности и кредитных рисков решаются быстрее и точнее по уже проделанным расчетам подобного рода. К примеру, при оценки ста тысячи банковских счетов система, построенная на базе нейронных вычислений, определила порядка девяноста процентов возможных неплательщиков по кредитным займам.
Другой достаточно важной областью применения неросетевых вычислений в экономической сфере, а именно в финансовой области это моделирования процесса прогнозирования ситуаций на фондовых рынках. Классический подход к данной задаче в своей основе содержит жестко фиксированный наборе, так называемых, «правил игры», со временем потеря эффективности которых обуславливается изменений условий торгов на фондовых биржах. Кроме того, при наступлении ситуаций, требующих мгновенного принятия решений системы, базирующиеся на таком подходе, оказываются слишком медленными для этого. Из-за этого лидирующие японские компании, совершающие операции на рынках ценных бумаг, решили применять методы нейросетевых вычислений. В типично структурируемую систему, основанную на базе искусственных нейронных сетей, ввели данные общим объемом за тридцать три года деловой активности нескольких компаний, в том
числе включая предыдущую стоимость акций, уровни доходов, реализационный и внереализационный обороты и т. д. Система искусственной нейронной сети, самообучаясь на реальных примерах, показала лучшее быстродействие и большую точность прогнозирования и в сравнении со статистическими подходами определила улучшение результативности в целом на девятнадцать процентов.
Одной из новых сфер применения искусственных нейронных сетей в социально-экономическом прогнозировании является сфера бюджетно-налогового прогнозирования. По мнению А. Н. Бирюкова, «в последние годы в бюджетноналоговой сфере за рубежом стали активно применять экспертные системы поддержки принятия решения, в том числе и с использованием искусственного интеллекта» [20].
Рассмотрим нидерландский опыт применения искусственных нейронных сетей в бюджетно-налоговом прогнозировании.
Постановка задача строиться на том, чтобы построить модель ежемесячного прогноза валового поступления налогов и сборов (RECEIPT) на среднесрочный период. Нетто-показатель должен быть равен брутто-показателю включая сумму платежей на государственное страхование, которые начисляются на пропорциональной основе в расчёте двадцать семь процентов от общей суммы налогов и сборов в рассматриваемом периоде.
В данной модели представлены 13 переменных.
1. Календарный эффект (КЭф)
2. Официальная оценка валовой годовой брутто-суммы налогов.
3. Сезонность (С).
4. Число рабочих дней в месяце (ЧРД).
5. Совокупное потребление (СП).
6. Ставка МБК.
7. Совокупные вложения в ценные бумаги с фиксированным доходом (INV)
8. Уровень безработицы (УБ).
9. Амстердамский индекс курсов акций (ИКА).
10. Предложение денег (M1).
11. Показатель фазы цикла деловой активности (ЦДА).
12. Погода: температура (Т).
13. Погода: осадки (О).
После перемасштабирования их значения будут лежать в интервале от 0 до 1, при помощи кросс-корреляционного анализа исследованы связи целевой переменной (общей суммы поступлений налогов и сборов) со значениями, сдвинутыми назад во времени, для каждой из переменных.
Внедрение данной нейронной модель показывает лучшие результаты, чем OLS-регрессия и ARIMA и как на обучающих, так и на новых данных. При этом, однако, из-за небольшого объема базы данных не удается применить полноценное подтверждающее множество, и поэтому обучающее множество было оптимизировано по отношению к тестовому множеству [5].
Была сделана попытка выяснить структуру реализуемого отображения. Через значения векторов весов-состояния и через веса непосредственных связей исследована доля вклада каждой переменной, что позволило получить представление как о нелинейных, так и о линейных компонентах модели. По всей видимости, число рабочих дней, календарные эффекты и температура могут влиять на значения целевой переменной отрицательно, тогда как увеличение потребления и годового правительственного прогноза приводит к росту целевого значения. Остальные переменные активны при любых значениях целевой переменной. Такое сложное влияние переменных едва ли уловимо средствами регрессионного анализа. Различие между нелинейными и линейными компонентами, скорее всего, несколько преувеличено.
Министерство финансов Нидерландов в данное время пробует различные способы улучшения нейросетевой модели. Показатели работы сети могут улучшиться после разбиения целевой переменной на составные части, потому что, например, на размер налогов на наследство влияют одни факторы, а на размер -налога с продаж совсем другие. Иной способ состоит в том, чтобы свести целевую переменную к совокупности банковских счетов. Так как разные группы налогоплательщиков перечисляют налоги на разные счета, каждый из этих счетов имеет свои особенности, которые можно учесть. Далее, можно включить сюда сдвинутые назад значения целевой переменной или разности. Еще одна
возможность состоит в том, чтобы включить в число входов оценку, полученную с помощью модели АВДМА. Далее следуя идее Фуллертона, из прогнозов, которые были получены разными методами, тем или иным способом можно составить один более надежный прогноз [6].
Механизм применения автоматизированной системы сбора и обработки статистической информации на основе искусственных нейронных сетей в реалиях российской экономики.
Для успешной функционирования механизма автоматизации сбора статистической информации и её анализа на основе аппарата искусственных нейронных сетей необходимо создать всероссийские центры обработки данных, которые будут являть огромными аналитическими и прогнозными центрами. Центр (хранения и) обработки данных или дата-центр (далее - ЦОД/ЦХОД) — это специализированное здание для размещения коммуникационного и серверного оборудования (хостинга), а также подключения абонентов к каналам корпоративных сетей или сети Интернет.
Основная функция дата-центров - хранение, обработка, и распространение информации, как правило, в интересах государства или корпоративных клиентов.
В соответствии с Постановление Правительства Российской Федерации от 5 декабря 2011 года № 995 «Об осуществлении бюджетных инвестиций в проектирование и строительство объектов капитального строительства - центров обработки данных, подведомственных Федеральной налоговой службе» начато строительство трёх федеральных ЦОДов в городе Дубне, в посёлке Ерзовка Волгоградской области, а также в городе Городце. Общая сумма заложенных инвестиций в объекты капитального строительства более 19 миллиардов рублей.
Дата-центры ориентированы на решение экономических задач посредством предоставления информационных услуг. Консолидация больших вычислительных мощностей, а также средств хранения данных в центрах обработки данных за счет возможности эффективного использования технических средств позволяет сократить затраты на совокупную стоимость использования и владения 1Т-
инфраструктурой, например, за счёт перераспределения нагрузок, а также при сокращении расходов на администрирование.
Таким образом, вся информация должна поступать в ЦОД, в котором она бы анализировалась и перерабатывалась на основе аппарат искусственных нейронных сетей (Схема). При этом ЦОД должен содержать два сегмента: транзакционный сегмент данных, в котором осуществляется первоначальная обработка и хранение данных, и аналитических сегмент, в котором данные должны анализироваться на основе аппарат нейронных сетей.
В целом искусственные нейронные сети, обладая целым рядом преимуществ, имеют и свои недостатки: во-первых, необходимость большого числа
статистических данных, во-вторых, достаточно большие затраты на разработку. Поэтому нецелесообразно внедрять аппарат нейронных сетей только на уровне не ниже регионального.
На наш взгляд, система должна действовать следующим образом: создаются крупные ЦОДы (возможно один или несколько на всю территорию Российской Федерации), в центрах обработки данных создаются отделы для каждого региона, либо должны создаваться небольшие дата-центры на территории субъекта РФ, в дата-центры поступает информация о деятельности всех предприятий напрямую посредствам телекоммуникационных каналов связи (закрытые каналы связи, либо зашифрованная передача по средствам сети Интернет). В современных условиях практически каждая организация имеет автоматизированные программы бухгалтерского учёта. Для данных программ могут создаваться плагины, которые автоматически раз в месяц (или раз в три месяца) отправляли информацию в региональный дата-центр и дублировать её в муниципалитеты. Эта информация обрабатывается и пересылается во всероссийский ЦОД, который её собирает со всех регионов Российской Федерации, обрабатывает, анализирует и составляет прогноз на основе аппарата искусственных нейронных сетей, в том числе учитывая состояние экономики внешнего мира.
Схема- Механизм прогнозирование и сбора статистических данных на основе анализа информации центрами обработки данных при помощи аппарата искусственных
нейронных сетей
Также данные функции может выполнять Министерство экономического развития Российской Федерации. В этом процессе также задействованы Федеральное казначейство, формирующее планы бюджетных расходов и доходов; Росстат, собирающий статистические показатели; Федеральная налоговая служба, прогнозирующая поступления налоговых платежей. На основе данной информации Правительство Российской Федерации принимает наиболее важные стратегические решения, а также планирует свою деятельность (утверждает бюджет, проводит оперативные бюджетно-налоговые реформы и т. д.). Далее в региональные дата-
центры отправляется прогноз развития экономической ситуации в целом по России, а также общемировые тенденции развития. Прогноз составляется на 3 месяца, 1 год и на 2-3 года, а возможно и на больший период времени. В региональных дата-центрах эта информации перерабатывается с учётом особенностей каждого конкретного субъекта Российской Федерации и отправляется в муниципальные образования, там уже дорабатывается с учётом особенностей каждого муниципалитета, в дальнейшем на основе этой системы в налоговых органов прогнозируется объём налоговых поступлений с учётом особенностей регионального и муниципального законодательства. В Правительство Российской Федерации передаётся прогноз развития экономики в целом, а также прогноз доходов и расходов бюджета, в правительства субъектов Российской Федерации передаются данные, необходимые для расчёта прогноза развития экономики региона, которые дорабатываются с учётом специфики субъекта федерации.
Весь процесс должен быть автоматизирован и занимать с момента сбора до получения прогнозной информации при составлении прогноза на 3 месяца не более одной недели, при годовом прогнозе - не более 1 месяца. В конечном итоге, данная система сможет собирать актуальную и упорядоченную статистическую информацию, в том числе обрабатывать данные Росстата. А разработка прогнозов этой системой заменит прогнозные отделы в департаментах, службах, министерствах и повысит эффективность экономического планирования, что улучшит экономическую ситуацию как в регионах, так и в целом по стране.
На современно этапе развития экономики Российской Федерации имеются хорошие предпосылки для внедрения данного комплекса. Но имеется и ряд проблем: большие расходы на внедрение системы, работа многих высококлассных специалистов в различных сферах, законодательные проволочки. Данные проблемы, в свете инновационной стратегии развития России, постепенно преодолеваются, и уже начато строительство крупных ЦОДов. И, на наш взгляд, в конечном итоге, мы придём к подобной системе прогнозирования, что достаточно в большой степени автоматизирует и повысит точность как социально-экономического прогнозирования, так и экономической ситуации в целом.
В результате внедрения данного механизма образуется единая автоматизированная система сбора статистической информации центрами обработки данных, что позволит максимально оптимизировать сбор, обработку и хранение статистической информации и сократить расходы на содержание действующей статистической службы.
Внедрение данной системы, конечно, затратно и достаточно масштабно, но данная мера позволит практически полностью автоматизировать процесс сбора и упорядочивания статистической информации, сократить время процесса анализа и прогнозирования экономического ситуации, уменьшить расходы на содержания прогнозных служб, улучшить качество и сократить сроки составления прогнозов, в том числе повысить актуальность прогнозных данных. В конечном итоге повысится точность и обоснованность принятия управленческих решений органами власти и управления всех уровней, в том числе в сфере налогового администрирования и увеличения количества поступлений налогов и сборов в бюджетную систему Российской Федерации.
Список используемых источников
1. Анисимов С.А, Остапенко В.В. Проблемы прогнозирования налоговых
поступлений [Электронный ресурс] Режим доступа:
http://www.auditfin.eom/fin/2003/1/fin_2003_01_rus_01_04, свободный.
2. Анисимов С.А, Анализ и прогнозирование налоговых поступлений [Электронный ресурс]: Режим доступа: http://www.netnalogu.ru/content/analiz.shtml, свободный.
3. Барский А. Б. Нейронные сети: распознавание, управление и принятие решений. - М: Финансы и статистика, 2004. - 176 с.
4. Беркинблит М. Б. Нейронные сети [Электронный ресурс] Режим доступа: http://www.neuralnetwork.ru/berken12, свободный
5. Беркинблит М. Б. Искусство анализа данных на компьютере
[Электронный ресурс] Режим доступа: http://www.neuralnetwork.ru/berken23,
свободный.
6. Бэстенс Д.-Э., Ван ден Берг В.-М., Вуд Д. Нейронные сети и финансовые рынки: принятие решений в торговых операциях. - Москва: ТВП, 2005. — 236 с.
7. Ванугов И. В. Налоги и налоговый потенциал региона [Текст]. - Нижний Новгород: ИД Гладкова, 2006. - 72 с.
8. Ежов А. А., Шумский С. А. Нейрокомпьютинг и его применение в экономике и бизнесе. - Москва: Конса, 2007. - 322 с.
9. Коломиец А.Л. Мельник А.Д. О понятиях налогового и финансового
потенциалов региона [Текст]//Налоговый вестник. 2008. № 1.
10. Коломиец А.Л. Анализ концептуальных подходов и методов оценки
налогового потенциала регионов [Текст]//Налоговый вестник. №(51)2. 2008.
11. Кириллова О.С. Экономический потенциал как база оценки налогового
потенциала региона [Текст]//Финансы и Кредит2005. № 6.
12. Недосекин А. О. Нечётко множественный анализ риска фондовых [Электронный ресурс] Режим доступа: http://www.pizdanet/454/rte12, свободный.
13. Островский С. Л. Нейронные сети для обработки информации [Электронный ресурс] Режим доступа: http://www.neuralag.ru/ostr42, свободный
14. Паскачев А.Б., Садыгов Ф.К., Мишин В.И., Саакян Р.А., Бессчетная О.А., Засько В.Н., Новикова А.И. Анализ и планирование налоговых поступлений [Текст]: Теория и практика. — М.: Издательство экономико-правовой литературы, 2007. - 421 с.
15. Паскачев А. Б. Налоговый потенциал экономики России [Текст]. - М.: ИД Мелап, 2007. - 396 с.
16. Прокопенко Р.А. Понятие и роль налогового потенциал в
экономическом развитии региона [Электронный ресурс]: Режим доступа:
http://www.rae.ru, свободный.
17. Уоссермен Ф. Нейрокомпьютерная техника. Теория и практика
[Электронный ресурс] Режим доступа: http://www.neuralnetwork.ru/yosserm,
свободный.
18. Хайкин С. Нейронные сети (полный курс) [Электронный ресурс] Режим доступа: http://www.neuralag.ru/xaik21, свободный.
19. Цыгичко В. Основы прогнозирования систем. - М.: Финансы и статистика, 1986.
20. Бирюков А. Н. Нейросетевое моделирование в бюджетно-налоговой системе регионального и муниципального уровней. Автореферат диссертации на соискателя ученой степени доктора экономических наук. Перьм, 2011.
21. Xianjun Ni Research of Data Mining Based on Neural Networks // World Academy of Science, Engineering and Technology. - 2008. - № 39.
22. Тей Д.О., Русанов М.А., Татьянкин В.М. Прогнозирование потребностей региональной экономики в подготовке квалифицированных кадров с учетом миграции населения // Вестник Югорского государственного университета. - 2011. -Выпуск 4 (23). С. 129-132.
23. Карминская Т.Д., Алексеев В.И. Гибридная модель прогнозирования потребностей в квалифицированных кадрах для социально-экономических систем регионального уровня управления // Известия ОрелГТУ. - 2009. - № 2/52(563) - С.3-
11.
