CC BY
20Э. Ц. Садыкова 1, Г. А. Айдаев2
ПРИМЕНЕНИЕ НЕЙРОЭВОЛЮЦИОННОГО ПОДХОДА ДЛЯ ПРОГНОЗИРОВАНИЯ СОЦИАЛЬНО-ЭКОНОМИЧЕСКОГО РАЗВИТИЯ ТЕРРИТОРИИ
В условиях постоянной изменчивости экономической и социальной ситуации процессы прогнозирования и планирования становятся реальным механизмом экономического воздействия и рычагами управления развитием общества. Одной из проблем построения объективного социально-экономического прогноза является выбор метода прогнозирования. В последнее время широко используются методы социально-экономического прогнозирования с применением ЭВМ. Наиболее перспективными являются интерактивные методы прогнозирования с использованием концепции многомерных хранилищ данных, а также интеллектуальные методы, в частности нейросетевые и нейро-нечеткие [1].
Отметим, что широко используемые методы моделирования отражают усредненные характеристики выборки изучаемых явлений, которые при исследовании сложных ситуаций могут не совсем точно отражать анализируемые явления. Например, общие социально-экономические тенденции, обусловленные трансформационными процессами в экономике, можно описать известными статистическими методами. Более сложны ситуации, когда речь идет о возможностях и направлениях формирования стратегии устойчивого развития при разработке программ перспективного социально-экономического развития региона.
Эти проблемы можно решить, применяя нейронные сети, являющиеся кибернетическим методом в технологии Data Mining. Нейронные сети — это обобщенное название нескольких групп алгоритмов, которые обладают такими ценными свойствами, как обучение на примерах и умение извлекать скрытые закономерности из большого числа исходных данных. Несомненным достоинством нейронных сетей является и то, что при неполноте или некоторой противоречивости исходных данных, когда связь между входной и выходной информацией нельзя установить традиционными методами анализа, нейронная сеть способна автоматически настроиться на нее с принятой степенью точности. Важной особенностью нейронных сетей является способность различать признаки приближения кризисных ситуаций. Кроме того, 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 перспективным направлением [2]. В целом, нейронные сети хорошо подходят для распознавания образов и решения задач классификации и прогнозирования. Поэтому применение нейронных сетей для прогнозирования процессов развития изучаемых объектов является наиболее эффективным методическим подходом.
Однако использование существующих систем интеллектуального анализа, информационного моделирования и программных решений для информационных потребностей исследования социально-экономических проблем развития территорий изучено недостаточно. Data Mining-
1 Эржена Цыреновна Садыкова, заведующая лабораторией региональных экономических систем Байкальского института природопользования Сибирского отделения РАН, д-р экон. наук.
2 Геннадий Архипович Айдаев, ведущий научный сотрудник лаборатории региональных экономических систем Байкальского института природопользования Сибирского отделения РАН, д-р экон. наук.
технологии широко применяются в торговой, банковской, финансовой и социальной сферах, в образовании, здравоохранении и медицине, биологии, энергетике [3-6].
Data Mining-технологии входят в состав аналитической подсистемы, которая является неотъемлемым компонентом систем поддержки принятия решений, и могут использоваться государственными структурами управления. Методы интеллектуального анализа являются более мощными информативными средствами, чем традиционные методы, способными обеспечить аналитическую обработку процессов планирования и прогнозирования социально-экономического развития района.
В настоящей работе для моделирования социально-экономических процессов территории принят Селенгинский административный район Республики Бурятия. В работе применялся многослойный персептрон (MLP) — полносвязная нейронная сеть прямого распространения сигнала (без обратных связей), в которой входной сигнал преобразуется в выходной, проходя последовательно через несколько слоев, причем существуют всевозможные связи предыдущих слоев с последующими.
Важным параметром функционирования нейронной сети является используемая активаци-онная функция. В качестве функции, на основе которой определяется значение выхода нейрона из его состояния, в многослойном персептроне используется нелинейная функция —логистическая функция или сигмоид, формула которой имеет вид [7]
где а — коэффициент, определяющий крутизну сигмоидальной функции. Если а велико, fприближается к функции ступенчатого типа. Небольшие значения а дают более пологий наклон.
f (x) = 0,5 +-1-,
1 + e~a x
Основное достоинство этой функции в том, что она дифференцируема на всей оси абсцисс и имеет простую производную, которая выражается через саму функцию. Производная сигмоида имеет вид
f' (x) = а (0,5 + f (x)) ■ (0,5 — f (x)).
На результаты обучения огромное влияние оказывает подбор начальных значений весов сети. Выбор начальных значений, достаточно близких к оптимальным, значительно ускоряет процесс обучения. К сожалению, не существует универсального метода подбора весов, гарантирующего нахождение наилучшей начальной точки для любой решаемой задачи.
Удаление стартовой точки активации нейронов от зоны насыщения достигается путем ограничения диапазона случайных значений. Почти все оценки нижней и верхней границ диапазона допустимых значений лежат в интервале (0,1). Хорошие результаты дает равномерное распределение весов, нормализованное для каждого нейрона по амплитуде где n n— количество входов нейрона.
2
<°n =-у,
(nn Г
Прогнозирование социально-экономических показателей Селенгинского района Республики Бурятия проводилось по данным, представленным администрацией района. В процессе вычислительных экспериментов выполнялись построение архитектуры и обучение нейронной сети для задачи прогнозирования значений временного ряда. Особенностью исходных данных являлось то, что временной ряд представлял собой выборку малого размера, т. е. <=30. Поэтому для выполнения прогноза за основу был взят временной ряд, содержащий информацию за четырнадцать лет (2000-2013 гг.).
В Селенгинском районе производятся шлакоблоки, стеновой камень и кирпич, электроэнергия; добывается уголь; организованы металлообработка, обработка древесины и производство изделий из дерева; есть литейное производство и пищевая промышленность.
В районе представлены следующие организации промышленности:
• производство и распределение электроэнергии, газа и воды («Гусиноозерская ГРЭС» ОАО «ИНТЕР РАО — Электрогенерация»);
• добыча полезных ископаемых (ООО «Бурятуголь», ООО «Баин-Зурхе»);
• пищевая промышленность (СПоК «Берилл», ООО СХК «Байкал-Вита», СПоРК «Гэлэг»);
• металлургия (ООО «Гусиноозерское литье»);
• обработка древесины и производство изделий из дерева;
• промышленность строительных материалов (ООО «Техпром», ООО СК «Мегаполис»).
Общий объем отгрузки промышленного производства за 2013 г. составил 6809,0 млн рублей. С использованием уравнения тренда и возможностей компьютерной обработки данных с помощью эволюционных вычислений были выполнены прогнозные расчеты основных показателей социально-экономического развития района на 2015, 2016 и 2020 гг. (см. таблицу).
Прогноз основных показателей социально-экономического развития Селенгинского района Республики Бурятия
Показатель 2015 2016 2020
Развитие промышленного производства
Объем отгрузки, млн р. 9217,2 10131,5 17052,9
Среднемесячная заработная плата в промышленности, р. 36495,5 41842 71410,1
Производство и распределение электроэнергии, газа и воды
Объем отгрузки, млн р. 8371,8 9876,2 19154,2
Добыча полезных ископаемых
Объем отгрузки, млн р. 1422,4 1500,1 1843,8
Производство пищевых продуктов
Объем произведенной продукции, млн р. 60,57 68,11 110,8
Торговля и потребительский рынок
Оборот розничной торговли, млн р. 3633,9 4256,8 8256,1
Объем платных услуг, млн р. 299,1 337,4 567,8
Оборот общественного питания, млн р. 385,6 452,82 928,72
Инвестиции в основной капитал
Объем инвестиций, млн р. 5481,68 6408,08 13024,7
Показатели оценки социально-демографической ситуации
Численность населения, тыс. чел. 44,29 43,94 42,7
Численность занятых в экономике, тыс. чел. 19,26 19,59 21,15
Уровень общей безработицы, % 6,13 6,35 7,4
Среднемесячная заработная плата, р. 34702,65 39495,09 66670,23
В современных условиях прогнозирование социально-экономического развития региона — это часть государственного регулирования региональной экономики, определяющая направления
развития региона и структурных составляющих. На основе обоснованного прогноза уточняются программные мероприятия и приоритеты в перспективном развитии региона. Методология прогнозирования выстраивается на основе цикличности развития системы.
Согласно результатам расчета, прогнозируемый объем отгрузки промышленной продукции в среднем составляет 112,6 %, среднемесячная заработная плата — 114,4 % (см. таблицу).
Основным видом экономической деятельности в Селенгинском районе является производство и распределение электроэнергии, газа и воды (более 60 % всего объема производимой продукции). За анализируемый период кривая по этому виду имеет повышающую тенденцию стоимостного показателя с качественной характеристикой модели. Уравнение имеет вид полинома второй степени (см. рисунок). Тенденция к повышению производства и распределения электроэнергии, газа и воды на перспективу сохранится. В среднем прогнозируемое увеличение за год составляет около 18 % и к 2020 г. достигнет 19154 млн рублей (см. таблицу).
Основной Основной Основной Основной Основной Основной Основной Основной
0е 0° ОоЛ" О01" сР С? О^ 0е" 0° 0°" ОсЛ" С?" о°
♦ Ряд1 -Полиномиальная (Ряд1)
Тенденция развития производства и распределения электроэнергии, газа и воды за 2000-2013 гг.
Далее, в сфере добывающей промышленности (добыча угля) предполагаются относительно невысокие темпы роста. Средний ежегодный прирост добычи полезных ископаемых составит чуть больше 5 %: если в 2013 г. — 991 млн рублей, то в 2020 г. следует ожидать 1843,8 млн рублей. При расчете показателей развития учитывалась тенденция инфляционных процессов.
Производство пищевых продуктов (переработка дикоросов, молочная продукция, рыба) осуществляется двумя организациями района. Дальнейшее развитие предполагает рост производства данных видов продуктов, поскольку район располагает для этого необходимой базой. По полученным данным, объем продукции, произведенной пищевой промышленностью, может составить 110,8 млн рублей к 2020 г.
Развитие торговли и потребительского рынка характеризуется тенденцией повышения, связанной с развитием торговли и инфляционными процессами.
Согласно прогнозу, объем инвестиционных ресурсов в экономику района может составить на 2020 г. 13024,7 млн рублей. Величина прогнозного показателя по объему вливания в экономику района объясняется тем, что эволюционные вычисления определенным образом сглаживают резкие изменения показателя объема инвестиций ретроспективной информации.
Социально-демографическая ситуация в Селенгинском районе, по прогнозным данным, характеризуется снижением численности населения района, что связано с отрицательной динамикой, наблюдавшейся за анализируемый период, и инерционностью прошлых лет. В целом, за прошедший период произошла трансформация воспроизводственных процессов — снизилась рождаемость и увеличился миграционный отток населения.
Таким образом, прогноз социально-экономического развития района в долгосрочной перспективе, построенный на основе нейроэволюционного подхода, свидетельствует о возможностях применения данной методики для прогнозирования развития территории. При этом построение прогноза основных социально-экономических параметров можно осуществить быстро, корректно и наглядно, что позволит уменьшить риск при принятии решений. В первую очередь это важно для государственных структур, осуществляющих разработку программных документов социально-экономического развития региона на перспективу.
Список литературы
1. Бирюков, А. Н. Нейросетевое моделирование в бюджетно-налоговой системе регионального и муниципального уровней: автореф. дисс. ... д-ра экон. наук / А. Н. Бирюков. — Пермь, 2011.
2. Xianjun Ni Research of Data Mining Based on Neural Networks // World Academy of Science, Engineering and Technology. — 2008.
3. Горбань, А. Н. Нейронные сети на персональном компьютере / А. Н. Горбань, Д. А. Рос-сиев. — Новосибирск: Наука, 1996.
4. Кулагин, В. П. Особенности использования технологий OLAP для задач образовательной статистики / В. П. Кулагин, В. Я. Цветков, Т. В. Булгакова // Вопросы Интернет-образования. — 2002. — № 9.
5. Ноженкова, Л. Ф. Системы и технологии многоуровневой информационно-аналитической поддержки территориального управления / Л. Ф. Ноженкова // Информационно-аналитические системы и технологии в здравоохранении и обязательном медицинском страховании: труды Всерос. конф. — Красноярск: Изд-во КМИАЦ, 2002.
6. Киселев, М. Средства добычи знаний в бизнесе и финансах/М. Киселев, Е. Соломатин // Открытые системы. — 1977. — № 4. — С. 41-44.
7. Сактоев, В. Е. Устойчивое развитие региональной экономической системы с экологической регламентацией/В. Е. Сактоев, Э. Ц. Садыкова. — М.: ЗАО «Изд-во «Экономика», 2011. — 295 с.
