CC BY
2
Б01 10.46320/2077-7639-2024-1-122-6-13
Программное и нейросетевое обеспечение деятельности региональных экономических систем в современной цифровой среде
Семенихина Н.Б., Имамов М.М.
Современные программные и нейросетевые средства обеспечивают эффективность цифровизации как процесса трансформации экономических процессов на всех уровнях национальной экономики. Объектом исследования выступает цифровая экономика. Предметом исследования выступают средства цифровизации: программные и нейросетевые. Цель исследования - рассмотреть использование программных и нейросетевых средств обеспечения деятельности региональных экономических систем в современной цифровой среде. В статье раскрывается содержание понятия нейронная сеть, виды нейронных сетей и их графическая интерпретация. Нейронные сети вносят революционные изменения в область экономического моделирования, обеспечивая повышение точности и предсказуемости экономических прогнозов, имитируя функции человеческого мозга, позволяя анализировать обширные объемы сложных данных и выявлять значимые закономерности и идеи. Одним из значительных достоинств нейронных сетей в экономическом моделировании является их способность анализировать нелинейные взаимосвязи между переменными. Нейронные сети обладают высокой адаптивностью и гибкостью, способны динамически изменять свою структуру и веса в ответ на новые данные, что обеспечивает непрерывное обучение и развитие.
ДЛЯ ЦИТИРОВАНИЯ ГОСТ 7.1-2003
Семенихина Н.Б., Имамов М.М. Программное и нейросетевое обеспечение деятельности региональных экономических систем в современной цифровой среде // Дискуссия. -2024. - Вып. 122. - С. 6-13.
КЛЮЧЕВЫЕ СЛОВА
Многослойный перцептрон, сверточная нейронная сеть, рекуррентная нейронная сеть, экономическая модель, экономическая система.
,1Е1_: 010, 014, 033
DOI 10.46320/2077-7639-2024-1-122-6-13
Software and neural network support of regional economic systems activity in modern digital environment
Semenikhina N.B., Imamov M.M.
Modern software and neural network tools ensure the effectiveness of digitalisation as a process of transformation of economic processes at all levels of the national economy. The object of the study is the digital economy. The subject of the study is the means of digitalisation: software and neural network. The purpose of the study is to examine the use of software and neural network tools to support the activities of regional economic systems in the modern digital environment. The article reveals the content of the concept of neural network, types of neural networks and their graphical interpretation. Neural networks bring revolutionary changes in the field of economic modelling, providing increased accuracy and predictability of economic forecasts, imitating the functions of the human brain, allowing to analyse vast amounts of complex data and identify significant patterns and ideas. One of the significant advantages of neural networks in economic modelling is their ability to analyse non-linear relationships between variables. Neural networks are highly adaptive and flexible, able to dynamically change their structure and weights in response to new data, which enables continuous learning and development.
FOR CITATION APA
Semenikhina N.B., Imamov M.M. Software and neural network support of regional economic systems activity in modern digital environment. Diskussiya [Discussion], 122, 6-13.
KEYWORDS
Multilayerperceptron, convolutional neural network, recurrent neural network, economic model, economic system.
JEL: 010, O14, 033
ВВЕДЕНИЕ
Современные достижения в области технологии глубокого обучения, обеспечиваются высокой эффективностью глубоких нейронных сетей, которые демонстрируя свою эффективность вызвали значительный интерес научного сообщества к их применению в цифровой экономике. С начала XXI века цифровая экономика демонстрирует стремительное развитие и универсализацию цифровой среды, создавая благоприятную среду для эффективного ресурсного распределения и максимального использования сравнительных преимуществ
новых технологий. Цифровая экономика эффективно содействует уменьшению уровня бедности, обеспечивает гармоничное региональное развитие, сокращает разрывы между регионами: «...создание интеллектуальной системы управления на основе искусственных нейронных сетей. Главной инновационной составляющей такой системы является возможность к самоорганизации и к самообучению. Чтобы такая нейронная сеть заработала, её нужно сначала - обучить с помощью мощного программного обеспечения. Нейронные сети являются огромным вычислительным комплексом с большим числом
параллельно функционирующих простых процессоров. Процессоры связаны между собой» [1, с. 149]. В настоящее время понятие глубокой нейронной сети до сих пор лишено однозначного определения, так в широком смысле понятия понимается, что оно охватывает как конкретные виды сетей, такие как сверточные и рекуррентные нейронные сети, так и различные структуры, включая ограниченные машины Больцмана и блоки долговременной и кратковременной памяти, которые часто встречаются в практических применениях глубоких нейронных сетей. С учетом динамичного развития цифровых технологий в условиях экономической глобализации, информационные технологии проникают и интегрируются в различные сферы жизни, трансформируя национальную экономику, выступая важным триггером экономического роста, оказывая влияние не только на производство и управление бизнесом, но также на занятость, образование и обеспечение жизнедеятельности граждан страны. Основная цель развития программного и нейросетевого обучения на производстве заключается в поддержке национального экономического развития и плавном продвижении процесса цифровой трансформации в различных регионах страны. Несмотря на сложности, такие как геополитическая напряжённость, санкци-онное давление на национальную экономику и медленная индустриальная трансформация, Россия обеспечивает динамичный рост интеграции ресурсов данных и реализации потенциала новых технологических инноваций.
ОСНОВНАЯ ЧАСТЬ
Экономический рост и развитие представляет собой неотъемлемую основу для обеспечения регионального экономического и социального прогресса, но при этом существуют значительные различия как между странами и регионами, так и внутри них. В развивающихся регионах актуальны вопросы повышения темпов экономического роста для сближения с более развитыми регионами, а также корректировки экономической структуры, уменьшения внутренних разрывов и повышения уровня социального благосостояния граждан. Устранение технологического разрыва при сохранении стабильного экономического развития является одной из важных задач, которой уделяет внимание правительство любой страны и цифровая экономика, как новая форма экономики, выступает драйвером роста различных сфер общественной жизни, изменяя способы социальной организации, оказывая существенное влияние на экономический рост с точки зрения
экономической теории и политических систем: «Особая роль в обеспечении устойчивого развития общества отводится предприятиям и организациям разных сфер деятельности, широко использующим международные и национальные стандарты на системы менеджмента в качестве интегрирующих компонентов для осуществления своих инициатив, как в вопросах непрерывности, так и в вопросах цифровой трансформации бизнеса» [2, с. 5].
ГЛУБОКИЕ НЕЙРОННЫЕ СЕТИ И ИХ МОДЕЛЬ
Модель глубокой нейронной сети базируется на идее иерархической обработки визуальной информации, аналогичной функционированию человеческого мозга: «Глубокие нейронные сети в настоящее время становятся одним из самых популярных подходов при решении различных практических задач из самых разнообразных областей, таких как распознавание изображений и речи, обработка естественного языка, компьютерное зрение, медицинская информатика и др.» [3, с. 1]. Подобная модель, начиная с исходных данных, автоматически выявляет важные признаки иерархии через многослойную структуру и выполняет классификацию на выходном слое, что позволяет избегать ручного труда по проектированию функций, получении ключевых характеристик на каждом слое после предварительной обработки данных и более эффективном обучении на распределенных данных. По сравнению с поверхностными моделями, глубокие нейронные сети могут обеспечить более детальное и эффективное решение сложных нелинейных проблем. В настоящее время исследования алгоритмов и приложений глубоких нейронных сетей достигли значительных успехов, превратившись в эффективные инструменты для классификации изображений, распознавания речи и других областей с хорошими результатами, отличающихся по своей структуре и параметрам от других моделей глубокого обучения. Глубокая нейронная сеть (англ. DNN) представляет собой форму искусственной нейронной сети (ИНС) с несколькими слоями между входом и выходом. Методы машинного обучения, включая глубокие нейронные сети, активно применяются в широком спектре областей, таких как распознавание образов, обработка естественного языка и компьютерное обучение, оказывая значительное влияние на нашу повседневную жизнь. Концепция нейронных сетей в значительной степени основана на принципах нейробиологии: «Это шанс перейти от «вертикальной эволюции» биологических видов, занимавшей сотни миллио-
нов лет, к «горизонтальной эволюции», которую биологи смогут осуществить за считанные годы. В этом стремительно развивающимся направлении науки, которое может подарить людям многие дополнительные годы активной, здоровой жизни (по сравнению с нынешним поколением...)» [4, с. 21-22], когда высокоуровневый биологический нейрон обрабатывает входные сигналы через синапсы, а затем производит единый поток активации через аксон, аналогично, искусственные нейронные сети объединяют несколько входных данных, категоризируют шаблоны и производят соответствующий выход.
Глубина нейронной сети относится к уровню сложности архитектуры по количеству слоев и единиц в каждом слое, поэтому применение глубоких нейронных сетей позволяет управлять большими объемами данных, строить более точные модели и выявлять закономерности высокого уровня. Важными этапами нейронных сетей являются обучение (или тренировка) и вывод (или прогнозирование), ориентированные на этап разработки, а не производства или применения. Разработчики формируют архитектуру сети, определяя количество слоев и их тип, в то время как обучение настраивает веса для достижения желаемого результата.
ТИПЫ ГЛУБОКИХ нейронных сетей
Существует три основных типа глубоких нейронных сетей, которые широко используются в настоящее время:
1. Многослойный перцептрон (англ. MLP)
Многослойный перцептрон (MLP) представляет собой один из классов прямого распространения искусственных нейронных сетей. MLP является простейшей формой глубокой нейронной сети и состоит из последовательности полностью связанных слоев. Этот тип нейронных сетей позволяет справляться с высокими вычислительными требованиями, что делает его доступным для применения в различных задачах машинного обучения - рисунок 1.
2. Сверточные нейронные сети (англ. CNN)
Сверточная нейронная сеть (англ. CNN или
ConvNet) является еще одним классом глубоких нейронных сетей, который широко используется в области компьютерного обучения, которые обладают способностью автоматически извлекать существенные признаки из изображений или видео для выполнения различных задач, таких как классификация изображений, аутентификация лиц и сегментация изображений. В отличие от MLP, где используются полностью связанные слои, в CNN присутствуют сверточные слои, ко-
Рисунок 1. Многослойный перцептрон (MLP)
Источник: разработано авторами.
Рисунок 2. Сверточная нейронная сеть (англ. CNN)
Источник: составлен авторами по данным: [Электронный ресурс]. - Режим доступа: https://habr.com/ru/ articLes/348000/?utm_source=habrahabr&utm_medium=rss&utm_campaign=348000.
торые извлекают простые функции из входных данных через операции свертки.
3. Рекуррентные нейронные сети (ИНЫ)
Рекуррентная нейронная сеть (ИНЫ) представляет собой еще один класс искусственных нейронных сетей, использующих последовательную подачу данных и разработанных для работы с последовательными входными данными, такими как временные ряды. Эти нейронные сети принимают текущие и предыдущие выборки как входные данные, и связи между узлами формируют ориентированный граф во временной последовательности, где каждый нейрон ИЫЫ обладает
внутренней памятью, сохраняющей информацию о предыдущих вычислениях.
Цифровая экономика выступает важным фактором экономического прогресса, среди главных целей которой - стимулирование инноваций в производстве, что достигается через использование цифровых технологий, сетевых методов и интеллектуального управления процессами производства, которые должны соответствовать текущим тенденциям эффективного распределения ресурсов, автоматизации производства и укреплению связей между предприятиями.
Рисунок 3. Рекуррентная нейронная сеть (англ. RNN)
Источник: составлено авторами по данным: [Электронный ресурс]. - Режим доступа:Ьир5://ие1.епдагс1еп.ги/18-1:сЛо/ shema-rekurrentnoj-nejronnoj-seti.htmL.
В рамках цифровой экономики следует выделить следующие ключевые аспекты использования программного и нейросетевого обеспечения деятельности региональных экономических систем:
Программное и нейросетевое обеспечение деятельности региональных экономических систем активно способствует принятию инновационных методов и технологий производства через эффективное применение информационных продуктов и сервисов в результате которого активно внедряется Интернет во все аспекты потребительской жизни, что в свою очередь расширяет потенциал конечных пользователей.
Программное и нейросетевое обеспечение деятельности региональных экономических систем также способствует модернизации структуры потребления, включая, так как благодаря цифровым технологиям, таким как Интернет, процесс трансграничных транзакций становится легким и быстрым.
Одним из значимых аспектов цифровой экономики и использование программных и нейро-сетевых средств является их воздействие на экономическое развитие различных регионов через интеграцию цифровых технологий, особенно Интернета, которая объединяет регионы, уничтожает географические барьеры и создает благоприятные условия для развития экономической деятельности в реальном времени.
Нейронные сети вносят революционные изменения в область экономического моделирования, обеспечивая повышение точности и предсказуемости экономических прогнозов. Эти мощные вычислительные модели разработаны для имитации функций человеческого мозга, позволяя анализировать обширные объемы сложных данных и выявлять значимые закономерности и идеи. Одним из значительных достоинств нейронных сетей в экономическом моделировании является их способность анализировать нелинейные взаимосвязи между переменными. В отличие от классических эконометрических моделей, которые основаны на линейных предположениях, нейронные сети не навязывают ограничений на данные, что позволяет учесть более сложные зависимости и эта уникальная способность позволяет экономистам и исследователям выявлять тонкие нюансы взаимосвязей, что ранее могло остаться незамеченным, обеспечивая глубокое понимание экономической динамики: «На современном этапе анализа экономических систем представляют интерес процессы моделирования, направленные на выявление характерных закономерностей во временной
динамике индекса производства обрабатывающей промышленности и обеспечивающие возможности его прогнозирования» [5, с. 2159].
Нейронные сети обладают высокой адаптивностью и гибкостью, способны динамически изменять свою структуру и веса в ответ на новые данные, что обеспечивает непрерывное обучение и развитие. Такая адаптивность оказывается невероятно полезной в условиях изменяющихся экономических сценариев, позволяя нейронным сетям оперативно приспосабливаться к новым тенденциям и закономерностям, предоставляя возможность интегрировать новую информацию, которая гарантирует актуальность экономических моделей на основе нейронных сетей, отображая текущие состояния региональной экономики.
Еще одним значимым применением нейронных сетей в экономическом моделировании является прогнозирование экономических показателей, обучаясь на исторических данных, нейронные сети могут выявлять закономерности и связи, лежащие в основе экономических переменных, что обеспечивает точное прогнозирование будущих тенденций, что способствует принятию обоснованных решений и приводит к принятию необходимых мер для минимизации потенциальных рисков со стороны региональных властей, финансовых учреждений, регуляторных органов.
Нейронные сети вызвали революцию в различных областях человеческого опыта и их потенциал в экономике несомненно значителен, так внедрение нейронных сетей в экономические модели обеспечивает ценные прогнозы и информацию, что помогает предприятиям и политикам принимать обоснованные решения.
Алгоритм использования программных и ней-росетевых средств для моделирования поведения экономических систем можно разделить на следующие этапы:
Предварительная обработка данных - имеет критическое значение провести предварительную обработку данных перед внедрением модели нейронной сети, чтобы обеспечить качество и актуальность экономической модели. Этот этап включает очистку данных, заполнение пропущенных значений, нормализацию объектов и избавление от выбросов - обработка данных способствует повышению эффективности модели и уменьшению систематической ошибки.
Выбор и проектирование функций имеет важное значение для успешной работы нейронной сети, включая определение ключевых переменных, способствующих нужному прогнозу или анализу.
Разработка функций позволяет создать новые переменные, отражающие важные взаимосвязи в экономических данных и для извлечения значимых функций могут использоваться методы, такие как анализ главных компонент (PCA) или автоэнкодеры.
Построение подходящей архитектуры нейронной сети является ключом к максимизации ее прогностической способности, что включает в себя выбор количества слоев, типов слоев, количества нейронов в слоях и функций активации. Различные архитектуры, такие как многослойные нейронные сети, рекуррентные нейронные сети (RNN) или сверточные нейронные сети (CNN), могут быть применены в зависимости от требований экономической задачи.
После определения архитектуры модели важно обучить нейронную сеть с использованием соответствующих алгоритмов оптимизации, например таких как стохастический градиентный спуск (англ. SGD). Для предотвращения переобучения могут быть использованы методы регуляризации, например, отсев или L1/L2 регуляризация. Оценка производительности модели с использованием критериев, таких как средне-квадратическая ошибка (англ. MSE) или точность, позволяет настроить гиперпараметры для достижения оптимальных результатов.
Обеспечение интерпретируемости нейронной сети имеет важное значение в экономических приложениях и для понимания принципов работы и интерпретации прогнозов могут использоваться методы, такие как послойное распространение релевантности (англ. ЬИР) или карты значимости.
ЗАКЛЮЧЕНИЕ
Цифровая экономика является движущей силой трансформации современных экономических систем, которая активно содействует процессу инноваций в производстве, модернизации потребления и развитию межрегиональных связей, что в целом способствует устойчивому экономическому прогрессу и переходу к новым уровням развития национальной экономики. Вклад нейронных сетей в экономическое моделирование несомненно существенен, повышая точность и предсказуемость, выявляя нелинейные зависимости и совершенствуя прогностические возможности, эти вычислительные модели предоставляют экономистам мощное оружие для глубокого понимания сложных экономических систем. В условиях дальнейшего развития области искусственного интеллекта, нейронные сети, несомненно, будут играть все более важную роль в экономических исследованиях и в процессе принятия обоснованных решений.
Список литературы
1. Першина Т. А. Инновационное развитие энергетической системы как фактор повышения социально-экономической безопасности / Т. А. Першина, И. С. Укустов // Развитие территориальных социально-экономических систем: вопросы теории и практики: сборник научных статей XIV Международной научно-практической конференции молодых учёных, Екатеринбург, 15 - 16 декабря 2016 года. - Екатеринбург: Институт экономики Уральского отделения РАН, 2016. -С. 148-150. - EDN ZCZJAD.
2. Современное общество в условиях цифровой экономики: монография / Е. А. Анциферова, А. С. Бактымбет, Л. И. Бирюкова [и др.]. - Пенза: «Наука и Просвещение» (ИП Гуляев Г.Ю.), 2020. - 140 с. - ISBN 978-5-00159-560-1. -EDN EGZTYR.
3. Сай Ван К. Глубокие нейронные сети для предсказательного технического обслуживания // Моделирование, оптимизация и информационные технологии. - 2019. - Т. 7, № 4(27). -
С. 8-9. - ОС! 10.26102/2310-6018/2019.27.4.011. - ЕОМ
4. Стратегическая стабильность, искусственный интеллект и управление рисками военных конфликтов / Г. Г. Малинецкий, В. В. Кульба, Т. С. Ахромеева, С. А. Торопыгина // Проблемы управления безопасностью сложных систем: Материалы XXX! международной конференции, Москва, 13 декабря 2023 года. - Москва: Институт проблем управления им. В. А. Трапезникова РАН, 2023. - С. 13-25. - ОС! 10.25728/ iccss.2023.87.61.001. - ЕОМ
5. Болдыревский П. Б. Кластерный анализ и нейросетевое моделирование динамики индекса промышленного производства обрабатывающей промышленности России / П. Б. Болдыревский, А. К. Игошев, Л. А. Кистанова // Экономический анализ: теория и практика. - 2019. - Т. 18, № 11(494). - С. 2158-2171. -ЕОМ МТО^.
References
1. Pershina T. A. Innovative development of the energy system as a factor in improving socio-economic security / T. A. Pershina, I. S. Ukustov // Development of territorial socio-economic systems: issues of theory and practice: a collection of scientific articles of the XIV International Scientific and Practical Conference of Young Scientists, Ekaterinburg, 15-16 December 2016. - Ekaterinburg: Institute of Economics of the Ural Branch
of the Russian Academy of Sciences, 2016. - C. 148-150. -EDN ZCZJAD.
2. Modern society in the digital economy: a monograph / E. A. Antsiferova, A. S. Baktymbet, L. I. Biryukova [et al.]. -Penza: "Science and Enlightenment" (IP Gulyaev G.Yu.), 2020. -140 c. - ISBN 978-5-00159-560-1. - EDN EGZTYR.
3. Sai Wang K. Deep neural networks for predictive maintenance // Modelling, Optimization and Information Technology. -2019. - T. 7, № 4(27). - C. 8-9. - DOI 10.26102/23106018/2019.27.4.011. - EDN ZDKYRX.
4. Strategic stability, artificial intelligence and risk management of military conflicts / G. G. Malinetsky, V. V. Kulba, T. S. Akhromeeva, S. A. Toropygina // Problems of security management of complex systems: Proceedings of the XXXI International Conference, Moscow, 13 December
2023. - Moscow: Institute of Management Problems named after V. A. Trapeznikov, 2023. - C. 13-25. - DOI 10.25728/ iccss.2023.87.61.001. - EN YRLDBW.
5. Boldyrevsky P. B. Cluster analysis and neural network modelling of the dynamics of the industrial production index of the Russian manufacturing industry / P. B. Boldyrevsky, A. K. Igoshev, L. A. Kistanova // Economic Analysis: Theory and Practice. -2019. - T. 18, № 11(494). - C. 2158-2171. - EDN NTQVTS.
Информация об авторах
Семенихина Н.Б., кандидат экономических наук, доцент кафедры учета, анализа и аудита Казанского федерального университета (г. Казань, Российская Федерация).
Имамов М.М., доктор экономических наук, кандидат юридических наук, профессор, заведующий кафедрой Проектного менеджмента и оценки бизнеса Института управления, экономики и финансов Казанского Федерального (г. Казань, Российская Федерация).
Information about the authors
Semenikhina N.B., Ph.D. in Economics, Associate Professor of the Department of Accounting, Analysis and Audit of Kazan Federal University (Kazan, Russian Federation).
Imamov M.M., Doctor of Economics, Ph.D. in Law, Professor, Head of the Department of Project Management and Business Evaluation of the Institute of Management, Economics and Finance of the Kazan Federal University (Kazan, Russian Federation).
© Семенихина Н.Б., Имамов M.M., 2024. © Semenikhina N.B., Imamov M.M., 2024.
