CC BY
30
DOI: 10.24412/2309-4788-2021-11303
Ю.С. Положенцева - к.э.н., доцент кафедры региональной экономики менеджмента, доцент, Юго-Западный государственный университет, polojenceva84@mail.ru,
Y.S. Polozhentseva - Candidate of Economic Sciences, Associate Professor of the Department of Regional Economics and Management, Southwest State University;
О.В. Согачева - к.э.н., доцент кафедры региональной экономики менеджмента, доцент, Юго-Западный государственный университет, sogachova@mail.ru,
O.V. Sogacheva - Associate Professor of the Department of Regional Economics and Management, Candidate of Economic Sciences, Southwest State University;
А.А. Ярошенко - магистр кафедры региональной экономики менеджмента, Юго-Западный государственный университет, nastya.anastasia.00@mail.ru,
A.A. Yaroshenko - master of the Department of Regional Economics and Management, Southwest State University.
ПРОГНОЗИРОВАНИЕ ДИНАМИКИ ВАЛОВОГО РЕГИОНАЛЬНОГО ПРОДУКТА С ИСПОЛЬЗОВАНИЕМ
АППАРАТА НЕЙРОННЫХ СЕТЕЙ FORECASTING THE DYNAMICS OF THE GROSS REGIONAL PRODUCT USING THE NEURAL NETWORK APPARATUS
Аннотация. Нейросети удобны и точны в построении прогнозов. В наше время существует множество вариантов применения прогнозов, однако в последние годы именно прогнозирование с использованием нейросети все чаще используется для прогнозирования различных экономических показателей, в том числе валовой региональный продукт.
Целью исследования является прогнозирование валового регионального продукта Курской области на основе применения нейросетей с различными типами обучения.
В исследовании проведен анализ основных факторов, влияющих на ВРП Курской области, построен прогноз развития данного показателя в 2019 - 2021 гг., а также на основе сравнения полученных прогнозов выбран оптимальный тип нейросети для прогнозирования. Проведена оценка полученного прогноза на основе сравнения с данными Росстата.
Abstract. Neural networks are convenient and accurate in the construction of forecasts. In our time, there are many options for using forecasts, but in recent years it is precisely the prediction using the neural network that is increasingly used to predict various economic indicators, including gross regional product.
The aim of the study is to predict the gross regional product of the Kursk region based on the use of neural networks with various types of training.
The study analyzed the main factors influencing GRP of the Kursk region, built a forecast of the development of this indicator in 2019-2021, and also on the basis of a comparison of the obtained forecasts, the optimal type of neural network for forecasting was chosen. The obtained forecast was evaluated on the basis of comparison with Rosstat data.
Ключевые слова: прогнозирование, нейронные сети, валовой региональный продукт, экономическое развитие.
Keywords: forecasting, neural networks, gross regional product, economic development.
Благодарности. Исследование выполнено в рамках государственного задания Юго-Западного государственного университета, код проекта - 0851-2020-0034
В настоящее время нейросети набирают все большую популярность - сложно сказать, в какой сфере их сейчас не используют. Нейросети помогают людям в решении многих проблем и задач, они удобны в использовании и готовы быть отредактированы в любой момент, а также - с течением времени -непрерывно учиться и совершенствоваться [1,2]. Первостепенной задачей при прогнозировании при помощи нейронных сетей, а также при применении других методов прогнозирования сначала находятся результирующие показатели и факторы которые оказывают наибольшее влияние, но при этм не имеют корреляции между собой.
Одним из ключевых макроэкономических показателей развития регионов является валовой региональный продукт (ВРП), он оказывает огромное влияние на развития региона и темпы его экономического роста. В нашем исследовании прогнозирование ВРП на основе нейронных сетей осуществляется в разрезе Центрально-Черноземного экономического района (ЦЧЭР), куда входят Белгородская, Воронежская, Курская, Липецкая и Тамбовская области. ЦЧЭР имеет довольно большое значение в хозяйственной структуре Российской Федерации. Это обусловлено как географическим положением, так и производственными мощностями, находящимися на его территории и вкладом экономик этих регионов в формирование ВВП Российской Федерации. Проведем сравнительный анализ валового регионального продукта данных областей (рисунок 1)
Как видно по данным рисунка, на протяжении 9 лет значения валового регионального продукта неуклонно росли во всех регионах. Наибольший прирост ВРП в Курской области - с 2010 по 2018 гг. данный показатель вырос в 4 раза. Также большие приросты в Белгородской и Воронежской областях - там ВРП вырос в 3 раза.
На 2018 год регионами с самым большим ВРП оказались Белгородская и Воронежская область. Их валовой региональный продукт на 2018 год составлял 865,979 и 943,596 млрд. руб. соответственно. Эксперты утверждают, что это связано с резким подъемом производства и развития данных регионов. К тому же не последнюю роль сыграли инвестиции.
1000
900
100
о
2010 2011 2012 2013 2014 2015 2016 2017 2018 Год
Рисунок 1 - Динамика ВРП областей Центрально-Черноземного экономического района [3]
На валовой региональный продукт влияют множество факторов, в результате проведения сравнение и обработки рядов динамики нами были выделены 7 ключевых показателей (рисунок 2).
Рисунок 2 - Независимые показатели, влияющие на ВРП
Для построения нейросети была использована программа SPSS Statistics. Программа IBM SPSS Statistics предлагает построение нейронных сетей с 3 типами обучения:
- пакетное (в сети используется весь набор обучающих данных, который учитывет усредненые данные и изменения параметров сети в соответствии с ошибкой) (рисунок 3);
Рисунок 3 - Диаграмма нейронной сети с пакетным типом обучения - интерактивное (градиент вычисляется для каждого наблюдения обучающей выборки) (рисунок 4);
Рисунок 4 - Диаграмма нейронной сети с интерактивным типом обучения
- мини-пакетное (вычисление градиента осуществляется по очереди на различных фрагментах обучающей выборки) (рисунок 5) [4].
Смещений
Построив все 3 нейросети был сделан вывод, что наиболее приближенными к реальным данным являются данные НС с пакетным типом обучения (таблица 1).
Таблица 1 - Сравнительный анализ ретроспективных значений ВРП Курской области
Год Исходные значения, миллиардов рублей (фактические данные) Ретроспективные значения, полученные в моделях, миллиардов рублей
Нейросеть с пакетным типом обучения Нейросеть с интерактивным типом обучения Нейросеть с мини-пакетным типом обучения
2010 193,649 234,36 213,93 216,51
2011 228,851 224,74 215,35 235,72
2012 248,213 253,72 213,90 245,94
2013 271,543 260,86 213,90 264,34
2014 298,287 297,84 214,07 272,61
2015 336,999 333,82 309,04 342,16
2016 362,394 372,05 392,40 369,99
2017 387,31 378,74 395,69 394,00
2018 428,441 431,13 379,72 412,87
Согласно данным, полученным при помощи нейросети с пакетным типом обучения, значимыми факторами для Курской области являются:
- обрабатывающие производства;
- затраты на внедрение;
- использование цифровых технологий.
При помощи метода экстраполяции тренда построим прогнозные значения данных факторов, на основе них получим прогноз. Получится нейросеть представленная на рисуноке 6. Следующим этапом является расчет прогнозных значений посредством множественной линейной регрессии.
¡Смещение]
Злгшгыи^
Рисунок 6 - Диаграмма о нейронной сети с мини-пакетным типом обучения
При проведении анализа полученных данных (сопоставлении исходных данных с полученными прогнозными значениями, а также вычислении их темпов роста) выяснилось, что темп роста ВРП по НС с пакетным типом обучения составляет в 2019 г. - 105,5 %, 2020 г. - 105,4 % и в 2021 г. - 104,5 %, а по МЛР -в 2019 г. - 103,1 %, 2020 г. - 106,1 % и в 2021 г. - 105,8 % (таблица 2). Это говорит о том, что в прогнозе НС наблюдается более плавное увеличение, а в прогнозе по МЛР - более резкое. При этом мы замечаем, что первое прогнозное значение у МЛР более близко к реальным значениям, однако общий прогноз более правдоподобный у нейросети.
Таблица 2 - Сопоставление прогнозов ВРП Курской области
Год Исходные данные ВРП
2010 193,649
2011 228,851
2012 248,213
2013 271,543
2014 298,287
2015 336,999
2016 362,394
2017 387,31
2018 428,441
Методы прогнозирования
Год Нейронная сеть с пакетным типом обучения Темп роста, % Множественная линейная регрессия Темп роста, %
2019 451,95 105,5 441,874 103,1
2020 476,23 105,4 469,007 106,1
2021 497,47 104,5 496,140 105,8
Для того чтобы выбрать наиболее подходящий прогноз нами было принято решение сравнить наши данные с данными ученых-экономистов (таблица 3).
Итак, согласно прогнозу социально-экономического развития Курской области на 2019 год и плановый период 2020 и 2021 годов, в 2019 году по базовому варианту ВРП прогнозируется на уровне 101,7 %, в 2020 году - 101,3 %, в 2021 году - 101,0 %. Таким образом мы видим, что наиболее близким прогнозом к представленному Администрацией Курской области [5] является прогноз по нейросети.
Таблица 3 - Сравнение прогнозных значений темпов роста ВРП Курской области
Год Прогноз социально-экономического развития Курской области, % Нейронная сеть с пакетным типом обучения, % Множественная линейная регрессия, %
2019 101,7 105,5 103,1
2020 101,3% 105,4% 106,1%
2021 101,0% 104,5% 105,8%
После построения прогнозов и последующего анализа полученных данных выяснилось, что
наиболее точным является прогноз, построенный нейросетью с пакетным типом обучения. Данный вывод был сделан на основе сравнения темпов прироста прогнозов ВРП за 2019-2021 гг. по нейросети и по данным, полученным в ходе прогнозирования множественной линейной регрессией, а также сравнения со статистическими прогнозными данными Росстата.
Источники:
1. Классификация искусственных нейросетей -Информационный Аналитический портал [Электронный ресурс] -Режим доступа URL: https://mining-cryptocurrency.ru/nejronnye-seti/#i-7.
2. И.А. Чубукова Data Mining технологий [Электронный ресурс] - Режим доступа URL: https://intuit.ru /goods_store/ebooks/8148.
3. Федеральная служба государственной статистики. [Электронный ресурс]. Режим доступа: https://www.gks.ru/.
4. Сорокин С.В., Сорокин А.С. Использование нейросетевых моделей в поведенческом скоринге // С.В. Сорокин, А.С. Сорокин - Прикладная информатика / Journal of applied informatics Vol. 10. No. 2 (56). 2015 [Электронный ресурс] -Режим доступа. - URL: https://cyberleninka.ru/article/n/ispolzovanie-neyrosetevyh-modeley-v-povedencheskom-skoring.
5. Распоряжение Администрации Курской области «О проекте прогноза социально-экономического развития Курской области на 2019 год и на плановый период 2020 и 2021 годов» [Электронный ресурс]// Администрация Курской области официальный сайт. -Режим доступа. - URL: https://adm.rkursk.ru/index.php?id=1072& mat_id=84389.
References:
1. Classification of artificial neural networks-Information Analytical portal [Electronic resource] - Access mode URL: https://mining-cryptocurrency.ru/nejronnye-seti/#i-7.
2. I.A. Chubukova Data Mining technologies [Electronic resource] - Access mode URL: https://intuit.ru/goods_ store/ebooks/8148.
3. Federal State Statistics Service. [Electronic resource]. Access mode: https://www.gks.ru/.
4. Sorokin S. V., Sorokin A. S. The use of neural network models in behavioral scoring / / S. V. Sorokin, A. S. Sorokin-Applied Informatics / Journal of applied informatics Vol. 10. No. 2 (56). 2015 [Electronic resource] - Access mode. -URL: https://cyberleninka.ru/article/n/ispolzovanie-neyrosetevyh-modeley-v-povedencheskom-skoringe.
5. Order of the Administration of the Kursk region " On the draft forecast of socio-economic development of the Kursk region for 2019 and for the planning period of 2020 and 2021" [Electronic resource] / / Administration of the Kursk region official website. - Access mode. - URL: https://adm.rkursk.ru/index.php?id=1072&mat_id=84389.
DOI: 10.24412/2309-4788-2021-11304
Н.К. Сердюкова - к.э.н., заведующий кафедрой гостиничного и ресторанного бизнеса, ФГБОУ ВО Сочинский государственный университет,
N.K. Serdyukova - Associate Professor, Head of the Department of Hotel and Restaurant Business, Sochi State University, nserdyukova@sutr.ru;
Л.М. Романова - к.э.н., доцент кафедры гостиничного и ресторанного бизнеса, ФГБОУ ВО Сочинский государственный университет,
L.M. Romanova - Associate Professor, Department of Hotel and Restaurant Business, Sochi State University, lmrom@mail.ru;
Д.А. Сердюков - старший преподаватель кафедры управления и технологий в туризме и рекреации, ФГБОУ ВО Сочинский государственный университет,
D.A. Serdyukov - Senior Lecturer, Department of Management and Technology for Tourism and Service, Sochi State University, serdyukov@sutr.ru.
ТЕОРЕТИЧЕСКИЕ И ПРИКЛАДНЫЕ ПОДХОДЫ К ФОРМИРОВАНИЮ СТРАТЕГИИ РАЗВИТИЯ И ПРОДВИЖЕНИЯ ГОСТИНИЧНОГО ПРЕДПРИЯТИЯ THEORETICAL AND APPLIED APPROACHES TO THE FORMATION OF A STRATEGY FOR THE DEVELOPMENT
AND PROMOTION OF A HOTEL ENTERPRISE
Аннотация. В настоящей статье представлены результаты исследования современного инструментария продвижения гостиничного предприятия на основе разработки актуальной стратегии развития отеля и разработаны рекомендации по совершенствованию системы продвижения отеля на основе цифровых инструментов. На основе изучения деятельности отеля определено, что одной из эффективных стратегий позиционирования и продвижения на гостиничном рынке для независимого отеля является стратегия софт-брендинга, основанная на выделении и усилении уникальности отеля и его эксклюзивности для гостей по сравнению с сетевыми отелями. Исследование показало, что перспективным направлением стратегии развития и продвижения независимого отеля является стратегия софт-брендинга, основанная на выделении эксклюзивных преимуществ, уникальности отеля в восприятии гостей. В статье представлены результаты разработки стратегии развития и продвижения на примере независимого отеля горного кластера курорта Красная Поляна. Анализ цифрового туристского рынка, интернета и социальных сетей как площадки продвижения современного отеля показал, что на сегодня российский рынок характеризуется высоким уровнем проникновения интернета (85 %), социальных сетей (67,9 %) и мобильных устройств. Авторы делают вывод что при формировании эффективной стратегии продвижения отеля на рынке внут-
