CC BY
19ПРИМЕНЕНИЕ КОГНИТИВНЫХ ТЕХНОЛОГИЙ ДЛЯ РЕШЕНИЯ ПРОБЛЕМ ПРОГНОЗИРОВАНИЯ РЕГИОНАЛЬНОГО РАЗВИТИЯ
APPLICATION OF COGNITIVE TECHNOLOGIES FOR SOLVING PROBLEMS OF FORECASTING REGIONAL DEVELOPMENT
Аверкин AH. - к.ф.-м.н., доцент, профессор кафедры когнитивной экономики. Российский экономический университет имени Г.В. Плеханова
Алибалаева Л.И. - ассистент кафедры когнитивной экономики. Российский экономический университет имени Г.В. Плеханова
Шарафутдинова А.Р. - ассистент кафедры когнитивной экономики. Российский экономический университет имени Г.В. Плеханова
Averkin AN. - Cand. Sc. (Physics and Mathematics), Associate Professor, Professor of the Department for Cognitive Economics, Plekhanov Russian University of Economics
Alibalaeva L.I. - Assistant Lecturer of the Department for Cognitive Economics, Plekhanov Russian University of Economics
Sharafutdinova A.R. - Assistant Lecturer of the Department for Cognitive Economics, Plekhanov Russian University of Economics
Аннотация
В статье описаны основные проблемы регионального развития в России. Выделены недостатки существующих методов прогнозирования. Описана альтернативная гибридная модель для поддержки принятия решений и прогнозирования развития региона, основанная на нечеткой когнитивной карте и нечетких нейронных сетях.
Abstract
The article describes the main problems of regional development in Russia. The authors specify the disadvantages of existing methods of forecasting. The alternative hybrid model is described for decision support and forecasting the development of regions, based on fuzzy cognitive map and fuzzy neural networks.
Ключевые слова:
1. Системы поддержки принятия решений
2. Прогнозирование регионального развития
3. Нечеткая когнитивная карта
4. Нечеткая нейронная сеть
5. Когнитивные технологии
Key words:
1. Decision support systems
2. Forecasting of regional development
3. Fuzzy cognitive map
4. Fuzzy neural network
5. Cognitive technologies
Переход к новым экономическим отношениям, базирующимися на рыночных принципах, изменение геополитического положения России, кризис, затронувший все стороны жизни российского общества, обусловили изменение критериев и факторов территориального развития, создали качественно новую среду для решения социальных и экономических проблем регионов и их взаимодействия [1].
Региональная политика является необходимым условием преодоления социально-экономического кризиса, упрочения территориальной целостности страны и, в конечном счете, повышения уровня жизни ее граждан.
Основным средством повышения эффективности территориальных планов и основой для принятия управленческих решений является прогнозирование социально-экономического развития региона в едином народнохозяйственном комплексе страны [2].
Прогнозирование социально-экономического развития является отправной точкой работы по управлению региональным развитием. На
основе обоснованного прогноза определяются цели социально-экономического развития регионов, уточняются программные мероприятия и приоритеты в развитии регионально-хозяйственного комплекса [3].
По оценкам отечественных и зарубежных ученных, в настоящее время насчитывается свыше 20 методов прогнозирования, однако число базовых значительно меньше (15-20). Многие из этих методов относятся скорее к отдельным приемам и процедурам, учитывающим нюансы объекта прогнозирования. Другие представляют собой набор отдельных приемов, отличающихся от базовых или друг от друга количеством частных приемов и последовательностью их применения.
В существующих источниках представлены различные классификационные принципы методов прогнозирования. Одним из наиболее важных классификационных признаков методов прогнозирования является степень формализации, которая достаточно полно охватывает прогностические методы. Вторым классификационным признаком можно назвать общий принцип действия методов прогнозирования, третьим - способ получения прогнозной информации. На рис. 1 представлена классификационная схема методов прогнозирования [4, с. 31].
Рис. 1. Классификационная схема методов прогнозирования
Специфика современной региональной экономической системы заключается в ее вовлечении в процессы глобализации, в возрастании межрегиональной конкуренции. Однако используемые в настоящее время прогнозы регионального развития практически совершенно игнорируют данные процессы, замыкаются исключительно на внутреннем развитии без учета влияния глобальных изменений в экономике [2].
Сложности анализа процессов и принятия управленческих решений в таких областях как экономика, социология, региональное развитие и т.д., обусловлены рядом особенностей, присущих этим областям, а именно:
• многоаспектностью происходящих в них процессов (экономических, социальных и т. п.) и их взаимосвязанностью; в силу этого невозможно вычленение и детальное исследование отдельных явлений - все происходящие в них явления должны рассматриваться в совокупности;
• отсутствием достаточной количественной информации о
динамике процессов, что вынуждает переходить к качественному анализу таких процессов;
• изменчивостью характера процессов во времени.
В силу указанных особенностей подобные системы называются слабоструктурированными системами. В них характеристики ситуации могут быть представлены лишь качественно. Кроме того, анализу ситуаций и выработке вариантов решений должна предшествовать формализация модели ситуации, т.е. выявление основных факторов, связей между ними и силы влияния одних факторов на другие. В слабоструктурированных ситуациях этот процесс должен происходить в тесном контакте с экспертами, причем для сколько-нибудь сложных предметных областей такая работа без серьезной компьютерной поддержки оказывается очень трудоемкой. Современные СППР, предназначенные для работы в таких ситуациях, помимо использования методов анализа, оценки и выработки решений, должны включать методы структуризации ситуации, развитый пользовательский интерфейс для работы с экспертами, средства редактирования и настройки моделей, а также визуализации всего
39
процесса построения модели, анализа результатов моделирования их интерпретации и объяснения. Архитектуры систем моделирования слабоструктурированных ситуаций, удовлетворяющие указанным требованиям, в настоящее время находятся на этапе становления [7].
В качестве альтернативы предлагается использование гибридной когнитивной модели прогнозирования регионального развития, основанной на сочетании методологий нечеткого когнитивного моделирования и нечеткой нейронной сети.
Сегодня одним из наиболее перспективных направлений научных исследований в области анализа, прогнозирования и моделирования экономических явлений и процессов является нечеткая логика (fuzzy logic), основоположником которой является Лотфи Заде (Lotfi Zadeh) [5,6]. Нечетко-множественные модели, зачастую представленные в виде программного обеспечения для персональных компьютеров, позволяют как менеджерам различного уровня, так и собственникам предприятий принимать экономически грамотные решения.
Когнитивное моделирование предназначено для структуризации, анализа и принятия управленческих решений в сложных, быстроизменяющихся и неопределенных ситуациях (экономических, социально-политических, экологических и т.п.), при отсутствии количественной информации о происходящих ситуациях и опыта поведения в таких ситуациях
Когнитивный подход к анализу и моделированию сложной проблемной ситуации позволяет дать описание внутренней структуры исследуемой ситуации и различных процессов, протекающих в ней и их взаимодействие и взаимозависимости с внешним миром.
Методология нечеткого когнитивного моделирования основана на представлении знаний о ситуации в виде знакового орграфа, который называется когнитивной картой. При построении когнитивной матрицы необходимо определить, какой из факторов является причиной, а какой - следствием. При установлении влияния необходимо определить, усиливающее или ослабляющее действие окажет усиление фактора-причины на фактор-следствие.
Факторы, или, как их еще называют, концепты, могут быть описаны в качестве математических переменных, принимающих значение заданного множества, с другой стороны их возможно задать
как лингвистические переменные, принимающие одно из значений нечеткого множества.
В гибридной модели предлагается реализация возможности формирования причинно-следственных связей между концептами и присвоения весов с помощью нечеткой нейронной сети.
Нейронные сети представляют собой вычислительные технологии, позволяющие создавать новые подходы к решению динамических задач. Методология нейросетевой модели состоит в том, что на основе имеющихся данных прошедших итераций и построенной сети, осуществляется ее обучение. На этапе обучения происходит вычисление синоптических коэффициентов в процессе решения нейронной сетью задач (классификации, предсказания временных рядов и т.д.), в которых нужный ответ определяется не по правилам, а с помощью примеров, сгруппированных в обучающие множества [8]. Таким образом, можно сказать, что существует некий «учитель», который подает на вход сети вектор исходных данных, а на выходной узел сообщает желаемое значение результата вычислений.
Результатом моделирования является выработка стратегии целенаправленного развития региона и прогноз, который проводится на когнитивных моделях, где модель региона взаимодействует с моделью экономической, социальной, политической среды и других факторов задаваемых в модели. Таким образом, гибридная модель позволит проводить сценарный анализ развития региона на основе исторических данных с учетом экспертных оценок влияния внешней среды и происходящих в ней изменений на управление ситуацией, а также таящихся угроз и возможностей их снижения. Основываясь на полученных знаниях, возможно принятие обоснованных решений для управления происходящими процессами в регионе с минимизацией возможности проявления неблагоприятных событий.
Библиографический список
1. Т. Г. Линник. Регулирование регионального развития // Журнал "Налоги. Инвестиции. Капитал". №3-4 2002г.
2. http://prognoz.org - Проблемы разработки регионального социально-экономического прогноза. Т.А. Неклюдова, Челябинский государственный университет.
3. Сафонова З.А. Проблемы прогнозирования социально-экономического развития региона //Материалы III международной научной студенческой конференции «Научный потенциал студенчества в XXI веке». Том третий. Экономика. Ставрополь: СевКавГТУ, 2009. 217 с.
4. Основы экономического и социального прогнозирования / Под редакцией Мосина Н. - М.: Высшая школа, 1985.
5. Заде JI. А. Основы нового подхода к анализу сложных систем и процессов принятия решений / Пер. с англ. // Математика сегодня. - М.: Знания, 1974. - С. 5-49.
6. Zadeh L. Fuzzy Logic and Approximate Reasoning // Synthesis -1975.-Vol. 80. - P. 407-428.
7. Кулинич A.A. Разработка принципов и методов построения программных систем поддержки принятия решений в слабо структурированных ситуациях на основе моделирования знаний эксперта/ Автореферат - РАН, 2003 г.
8. Бэстенс Д.-Э., ван ден Берг В.-М., Вуд Д. Нейронные сети и финансовые рынки: принятие решений в торговых операциях. -Москва: ТВП, 1997. - хх, 236 с.
Контактная информация:
E-mail: averkin2003@inbox.ru
Тел: +7 (905) 753-88-02, e-mail: leyla.alibalaeva@gmail.com
Тел.: +7 (926) 633-99-74, e-mail: shannar07@gmail.com
Contact links:
E-mail: averkin2003@inbox.ru
Tel.: +7 (905) 753-88-02, e-mail: leyla.alibalaeva@gmail.com
Tel.: +7 (926) 633-99-74, e-mail: shannar07@gmail.com
