Библиографическое описание:

Кашинцев Н. П. Моделирование регионального развития на основе нейросетевых технологий // Молодой ученый. — 2015. — №22. — С. 405-412.

 

 

Динамично меняющаяся внешняя среда и ускорение процессов модернизации отраслевой структуры регионального хозяйства повышают требования к научной обоснованности и корректности методов прогнозирования социально-экономического развития в системе стратегического управления регионом.

В стратегическом управлении среди методов прогнозирования развития регионов широко используется программно-целевой метод. Важную роль в обеспечении пропорциональности, сбалансированности региональной экономики играет балансовый метод, основанный на системе территориальных балансов. Находят применение также методы экспертных оценок, экстраполяции, эконометрического моделирования. Довольно часто используется нормативный метод, основанный на системе экономических и социальных норм и нормативов. Однако в решении задач регионального прогнозирования и моделирования еще слабо используются научно-технические достижения, созданные развитием информационных технологий и основанные на применении искусственных нейронных сетей (ИНС).

Нейронные сети дают наилучшие результаты по сравнению с другими методами именно тогда, когда связи в системе трудно прослеживаются и не поддаются анализу, число их огромно, «правила игры» указать практически невозможно, а входные данные зашумлены и противоречивы. Кроме того, нейрокомпьютеры достаточно просты для использования рядовыми пользователями [7, с 87].

На основе изучения основных стратегических документов развития отраслей федерального и регионального уровня была сформирована система показателей, всесторонне характеризующая текущее состояние отраслей народного хозяйства. При этом порядок отбора показателей предусматривал необходимость выделения минимального числа значимых параметров, характеризующих основные стороны социально-экономической жизни региона, и на этой системе проверки различных вариантов дальнейшего развития.

Таким образом, база данных по основным видам экономической деятельности содержит следующий перечень основных индикаторов, которые можно разделить на информационные блоки (табл. 1).

Таблица 1

Информационно-аналитическая система экономических показателей

Блок

Показатели

МУНИЦИПАЛЬНЫЙ УРОВЕНЬ

1. Промышленность

Объем отгруженных товаров в добыче полезных ископаемых, млн. руб.

Объем отгруженных товаров в обрабатывающих производствах, млн. руб.

Объем отгруженных товаров в производстве и распределении электроэнергии, газа и воды, млн. руб.

2. Сельское хозяйство

Объем производства продукции сельского хозяйства, млн. руб.

3. Лесное хозяйство

Объем производства по виду деятельности «Лесозаготовки», тыс. плотн. куб. м

4. Транспорт

Грузооборот автомобильного транспорта, т-км

5. Потребительский рынок товаров и услуг

Оборот розничной торговли, млн. руб.

Оборот общественного питания, млн. руб.

Объем платных услуг населению, млн. руб.

6. Управляющие переменные

Курс доллара США, руб. за доллар

Ставка рефинансирования ЦБ РФ, %

Цена на нефть на мировом рынке, долл. США за баррель

Цена на природный газ на мировом рынке, долл. США за млн. MBTU

7. Дополнительные показатели

Кодировка месяца (1 до 12)

РЕГИОНАЛЬНЫЙ УРОВЕНЬ

8. Строительство

Объем работ, выполненных в строительстве, млн. руб.

Ввод в действие жилых домов, тыс. кв. м

9. Рынок труда

Потребность организаций в работниках, заявленная в службы занятости, тыс. чел.

Общая численность безработных, тыс. чел.

10. Социальная сфера

Среднедушевые денежные доходы населения, руб.

Номинальная среднемесячная заработная плата, руб.

11. Финансы

Величина кредитных вложений, млн. руб.

Инвестиции в основной капитал организаций области, млн. руб.

Доходы бюджета, млн. руб.

12. Внешнеэкономическая деятельность

Внешнеторговый оборот, млн. долл. США

13. Управляющие показатели

Курс доллара США, руб. за доллар

Ставка рефинансирования ЦБ РФ, %

Цена на нефть на мировом рынке, долл. США за баррель

Цена на природный газ на мировом рынке, долл. США за млн. MBTU

14. Дополнительные показатели

Кодировка месяца (1 до 12)

 

В целом, информационная база составлена в соответствии с основным требованием к информационной системе макроэкономического прогнозирования — это необходимость охвата и отражения всех отраслей хозяйства территории по минимальному кругу сводных показателей, и описания структуры хозяйственного, социального и финансового комплексов региона. Информационная база составлена по Вологодской области за период с января 2005 г. по июль 2015 г. и имеет дискретность 1 месяц (127 наблюдений).

При построении экспериментального прогноза развития области на перспективу (до 2020 года), исходя из вероятностного характера функционирования экономики, были выделены два сценария развития: базовый (инерционный) и ресурсный (направлен на увеличение эффективности использования ресурсов территории). Они различаются по прогнозным посылам переменных, принятым в данной модели в качестве входных (Input). Каждый из этих прогнозных сценариев предполагает конкретный выбор приоритетов экономического развития, который, так или иначе, будет сделан в предстоящем прогнозном периоде.

Управляющие переменные задавались исходя из условий снижения конкурентоспособности отраслевых производств в связи с вводимыми ограничениями со стороны зарубежных стран, что в первую очередь повлияет на внешнеторговый оборот, как России в целом, так и Вологодской области. Снижения цены на энергоресурсы и экспортируемые товары на мировых рынках. При этом инфляция превышает уровень 10 %. В то же время завершаются масштабные национальные и региональные проекты. Среднегодовые колебания курса доллара на уровне 65 рублей. Ставка рефинансирования до 2020 года зафиксирована на уровне 8,25 %.

Базовый сценарий основывается на текущих тенденциях. Для количественной оценки данного сценария использовался экспоненциальный тренд данных входных и управляющих переменных за некоторый предыдущий период и пролонгировался на необходимый прогнозный временной отрезок. Для построения ресурсного сценария рассматривалась вариация прогнозируемой величины входных переменных и, исходя из нее экспертно, определялись границы коридора, внутри которого эта величина должна изменяться.

Для обучения нейронной сети использовался квазиньютоновский алгоритм BFGS. В Statistica 10.0 имеется аппаратная реализация данного алгоритма, поэтому расчет был произведен в ее статистическом пакете NeuralNetworks. Схема нейросетевого моделирования регионального развития приведена на рисунке 1.


Рис. 1. Схема нейросетевого прогнозирования регионального развития


Как показывают результаты расчетов в рамках базового сценария на муниципальном уровне, санкционная политика окажет существенное влияние на ключевые отрасли промышленности области, что приведет к снижению объем производства промышленной продукции в 2020 г. относительно 2015 г. на 2 %, сельского хозяйства на 11,6 %. Рост объема общественного питания и оборота розничной торговли составит 2,8 % и 15,1 % соответственно (табл. 2).

Повешение уровня использования ресурсов территории позволит увеличить объемы производства товаров и услуг в ключевых видах деятельности Вологодской области. Относительно базового сценария к 2020 г. объем отгруженных товаров в промышленности увеличится на 22,8 млрд. руб., в сельском хозяйстве на 0,9 млрд. руб. и лесном — на 1,6 млн. плотн. куб. м.

Таблица 2

Темпы роста (снижения) значений показателей социально-экономического развития Вологодской области на муниципальном уровне по базовому сценарию (в действующих ценах)

Базовый сценарий

Показатель

2015

2016

2017

2018

2019

2020

июль

авг.

сент.

окт.

ноя.

дек.

Объем отгруженных товаров в добыче полезных ископаемых, млн. руб.

244,6

292,2

330,6

349,2

405,4

432,8

428,0

391,3

409,2

425,7

427,7

Объем отгруженных товаров в обрабатывающих производствах, млрд. руб.

275,4

315,4

346,3

369,9

382,4

413,3

338,8

394,5

215,0

294,7

410,9

Объем отгруженных товаров в производстве и распределении электроэнергии, газа и воды, млрд. руб.

21,4

23,9

27,0

30,3

33,5

36,2

28,4

29,6

33,5

30,8

29,0

Объем производства продукции сельского хозяйства, млрд. руб.

13,2

16,9

20,5

21,4

22,7

24,3

21,8

23,2

21,7

21,9

21,5

Объем производства по виду деятельности «Лесозаготовки», млн. плотн. куб. м

7,7

8,1

9,3

10,1

10,9

12,4

13,2

12,6

13,0

12,7

12,9

Грузооборот автомобильного транспорта, млн. т-км

260,6

303,7

349,1

406,0

469,3

562,7

451,1

523,3

443,0

522,9

440,4

Оборот розничной торговли, млрд. руб.

14,7

14,3

13,9

13,6

13,7

18,5

20,2

20,9

21,1

21,2

21,3

Оборот общественного питания, млн. руб.

503,2

537,6

553,3

563,9

550,5

596,9

617,1

626,6

627,1

619,2

613,7

Объем платных услуг населению, млрд. руб.

17,0

13,9

12,7

13,0

12,9

13,1

12,9

12,8

12,7

13,0

13,1

Ресурсный сценарий

Объем отгруженных товаров в добыче полезных ископаемых, млн. руб.

252,9

300,1

339,6

357,1

419,2

440,5

431,8

399,6

413,7

430,4

436,2

Объем отгруженных товаров в обрабатывающих производствах, млн. руб.

284,7

327

358,9

376,5

392,3

425,3

349,1

401,4

223,8

307,1

426,9

Объем отгруженных товаров в производстве и распределении электроэнергии, газа и воды, млн. руб.

22,1

25,1

28,2

31,1

35,8

38,2

30

32,6

35,2

34,6

32,8

Объем производства продукции сельского хозяйства, млн. руб.

13,7

17,3

21,6

22,5

23,1

25

22,3

24,8

23,1

22,9

22,4

Объем производства по виду деятельности «Лесозаготовки», тыс. плотн. куб. м

8,39

9,54

11,40

11,58

12,73

14,22

15,40

14,02

14,66

13,91

14,57

Грузооборот автомобильного транспорта, т-км

260,6

303,7

349,1

406,0

469,3

562,7

451,1

523,3

443,0

522,9

440,4

Оборот розничной торговли, млн. руб.

14,7

14,3

13,9

13,6

13,7

18,5

20,2

20,9

21,1

21,2

21,3

Оборот общественного питания, млн. руб.

503,2

537,6

553,3

563,9

550,5

596,9

617,1

626,6

627,1

619,2

613,7

Объем платных услуг населению, млн. руб.

17,0

13,9

12,7

13,0

12,9

13,1

12,9

12,8

12,7

13,0

13,1

* — значение показателя в текущем месяце

 

В таблице 3 представлена архитектура ИНС с наилучшей производительностью для прогнозирования показателей на региональном уровне на период до 2020 года. Оптимальная совокупность показателей качества ИНС достигается с архитектурой вида MLP 72–144–10 (многослойный перцептрон) с активационной функцией гиперболический тангенс нейронов на скрытом слое и логистической на выходном слое.

Таблица 3

Нейронная сеть с наилучшими показателями производительности

Net. name

Training perf.

Test perf.

Training error.

Test error.

Training algorithm

Error function

Hidden activation

Output activation

MLP 72–144–10

0,9660

0,9312

0,0223

0,0158

BFGS

SOS

Tanh

Logistic

 

В качестве функции активации для нейронов скрытого слоя использовался гиперболический тангенс, имеет вид .

Логистическая (сигмоидная) функция используется в качестве функции активации для нейронов выходного слоя, имеет вид .

В рамках базового сценария развития на региональном уровне можно резюмировать рост к 2020 г. объем строительных работ увеличится по сравнению с 2015 годом на 19,2 %. Реализация политики импортозамещения потребует привлечения в экономику дополнительных объемов кредитных вложения и инвестиций в основной капитал. Следствием данных процессов станет сохранение и увеличение доходов бюджета к 2020 г. В то же время на протяжении всего периода на рынке труда будут наблюдаться колебания потребности организаций в работниках и общей численности безработных в пределах 9–13 и 8–10 тыс. человек соответственно (табл. 4).

Таблица 4

Темпы роста (снижения) значений показателей социально-экономического развития Вологодской области на региональном уровне (в действующих ценах)

Базовый сценарий

Показатель

2015

2016

2017

2018

2019

2020

июль

авг.

сент.

окт.

ноя.

дек.

Объем работ, выполненных в строительстве, млн. руб.

14973

19141

24231

29300

33802

37480

42198

44470

45014

44833

44699

Ввод в действие жилых домов, тыс. кв. м

471

513

571

612

658

778

473

498

468

495

466

Потребность организаций в работниках, заявленная в службы занятости, чел.*

10173

11520

13234

11275

8164

6228

6022

9109

5335

6347

9928

Общая численность безработных, тыс. чел.*

9788

9145

8492

7970

7611

7613

8247

10251

10880

9821

8670

Среднедушевые денежные доходы населения, руб.*

27354

24965

24709

24851

24233

43136

48170

51557

53091

54001

56645

Номинальная среднемесячная заработная плата, руб.*

26986

25530

26190

26614

25166

37246

38366

39548

41089

43139

45748

Величина кредитных вложений, млн. руб.

65604

66191

69523

66980

68031

68797

76065

84950

87188

82564

80230

Инвестиции в основной капитал организаций области, млн. руб.

23748

26363

35269

37791

40060

51147

54142

56779

58627

65317

62597

Доходы бюджета, млн. руб.

27551

32355

35406

40466

44773

50901

52595

51957

52055

51870

51832

Внешнеторговый оборот, млн. долл. США

3289

3823

4291

4836

5286

5830

4223

5579

4954

5473

4269

Ресурсный сценарий

Объем работ, выполненных в строительстве, млн. руб.

15452

19851

25135

30732

34388

38976

43845

45398

46544

46766

46937

Ввод в действие жилых домов, тыс. кв. м

477

552

588

641

679

757

491

547

443

565

496

Потребность организаций в работниках, заявленная в службы занятости, тыс. чел.*

10621

12880

13638

11177

8216

6032

6989

9796

5746

6268

10846

Общая численность безработных, тыс. чел.*

9387

8055

8828

7236

7949

7167

7738

9709

10294

9283

8538

Среднедушевые денежные доходы населения, руб.*

27085

25094

25347

25135

24061

44542

49274

52487

54371

55030

58772

Номинальная среднемесячная заработная плата, руб.*

27499

26075

26168

27769

25416

37674

39564

40991

41953

43420

46211

Величина кредитных вложений, млн. руб.

69737

70038

73952

71479

72593

73120

80517

89531

92484

87534

85940

Инвестиции в основной капитал организаций области, млн. руб.

25933

28841

38750

41672

43254

55523

59063

62761

64842

71504

68924

Доходы бюджета, млн. руб.

29948

35896

38124

43054

48256

55933

57174

56264

56943

56169

56380

Внешнеторговый оборот, млн. долл. США

3361

3501

4248

4933

5311

5961

4609

5978

5389

5861

4475

* — значение показателя в текущем месяце

 

Изменение параметров в рамках ресурсного сценария на муниципальном уровне найдет непосредственное отражение на региональном. Увеличение использования ресурсов потребует в первую очередь финансового обеспечения и трудовых ресурсов, как следствие данных процессов станет рост доходной части бюджета и внешнеторгового оборота.

Для оценки достоверности получаемых результатов прибегнем к классическим статистическим и эконометрическим методам, полагая, что начать анализ адекватности модели необходимо с прямой верификацией модели. В качестве конкурирующей модели была взята классическая линейная регрессионная модель. Мерой качества подгонки являлся коэффициент детерминации () и коэффициент вариации (V):

,(1)

,(2)

,(3)

где: k, y — текущее фактическое и расчетные значения соответственно; n — число обучающих пар; σ — среднеквадратическое отклонение; x — расчетное значение;  — выборочное среднее; p — число наблюдений.

Чем ближе к 1, тем лучше качество подгонки, линия регрессии более точно аппроксимирует исходный временной ряд. В качестве исходного временного ряда для сравнения выберем динамику среднедушевых денежных доходов по Вологодской области за 2005 — 2015 гг.

Используя корреляционно-регрессионный анализ, на основе статистических данных, получено следующее уравнение множественной линейной регрессии динамики среднедушевых денежных доходов населения региона (4):

y = 149,09·x + 4989,2R² = 0,82(4)

где: х — ретроспективный период, год; y — размер среднедушевых денежных доходов населения, руб.

Величина коэффициента детерминации позволяет сделать вывод: модель неудовлетворительно описывает динамику результирующего показателя. Данное уравнение объясняет только 82 % связей. Продолжая анализ модели, заметим, что ее прогнозные качества определяются существенными процессами автокорреляции остатков (т. е. систематичности отклонений зависимой переменной от линии регрессии). Вместе с тем значение коэффициента V составляет 38 %.

Для ретроспективного анализа возьмем все тот же показатель динамики среднедушевых денежных доходов населения региона, для которой выполним ретроспективный прогноз на 6 месяцев 2014 и 2015 гг. в рамках представленной в работе модели и линейной регрессионной (табл. 5).

Таблица 5

Фактические и прогнозные значения величины среднедушевых денежных доходов населения Вологодской области c августа 2014 г. по июль 2015 г.

Месяц

Факт

Прогноз 1*

Прогноз 2*

Руб.

Отклонение, %

Руб.

Отклонение, %

август

21771

22181

1,9

21557

1,0

сентябрь

20609

21189

2,8

21697

5,3

октябрь

22137

22301

0,7

21836

1,4

ноябрь

22290

22542

1,1

21976

1,4

декабрь

37282

36767

1,4

22115

40,7

январь

16925

16730

1,2

22254

31,5

февраль

25354

24526

3,3

22394

11,7

март

25626

26675

4,1

22533

12,1

апрель

27800

28198

1,4

22672

18,4

май

22761

23044

1,2

22812

0,2

июнь

26108

25759

1,3

22951

12,1

июль

27354

26948

1,5

23091

15,6

В среднем за год

24668

24738

1,8

22324

12,6

* — Прогноз 1 (нейросетевая модель), Прогноз 2 (линейна регрессионная модель)

 

Приведенные в таблице данные показывают, что прогнозные расчеты по представленной в работе модели более точны. Так, прогнозный расчет среднедушевых денежных доходов в ретроспективном периоде отклоняется от фактического значения в среднем за год на 1,8 %. Исходя из этого можно сделать вывод о возможности использования нейросетевой модели для прогнозирования социально-экономического развития региона. Ретроспективный прогноз, выполненный с помощью линейной регрессионной модели, обладает низким качеством, о чем свидетельствуют отклонения в течение всего периода.

По результатам исследования можно сделать следующие выводы.

  1.      Нейросетевые технологии позволяют решать плохо формализуемые задачи управления сложными динамическими объектами в тех нередких случаях, когда априорные «жесткие» модели и алгоритмы не адекватны реальному состоянию управляемого процесса. Нейронные сети позволяют установить зависимости между интересующими показателями (входными и выходными) без явного указания вида этих зависимостей. В этом смысле нейронные сети рассматриваются как универсальное средство многофункциональной аппроксимации. Потенциальные приложения искусственных нейронных сетей просматриваются в тех задачах, когда в силу неопределенности, например из-за недостатка информации, традиционные решения не эффективны, а обычные вычисления непомерно трудоемки или же не адекватны решаемой задаче.
  2.      Предлагаемая система прогнозных показателей регионального уровня прогнозирования удовлетворяют требованиям, возникающим при работе по трем взаимосвязанным направлениям: анализу ретроспективы, оценке текущего состояния, прогнозу на перспективу. Охватывает виды экономической деятельности по минимальному кругу сводных показателей и отражают структуру хозяйственного, социального и финансового комплексов региона.
  3.      Характеризуя разработанную модель социально-экономического развития региона, необходимо отметить следующие моменты:

          модель является отражением реальной двухуровневой социально-экономической системы региона;

          модель учитывает развитие ключевых видов деятельности в регионе под влиянием внешних факторов;

          модель ориентирована на реально доступную на муниципальном и региональном уровне информацию;

          модель допускает использование минимального числа экзогенных (внешних, задаваемых пользователем) параметров;

          модель может легко модифицироваться под конкретные задачи с изменением временного шага (год, месяц, квартал), детализацией отраслевой структуры экономики, расширением блока экономических регуляторов.

Для более полного и адекватного отображения социальной составляющей развития региона необходимо добавить в модель экспертные данные из области социологии и факторные переменные.

Полученные предварительные результаты свидетельствуют о возможности применения нейросетевых моделей для прогнозирования социально-экономических показателей, зависящих от множества факторов, на средне- и долгосрочную перспективу. Вместе с тем данные модели должны пройти многократную аналитическую проверку и прямую верификацию на основе классических статистических и эконометрических методах.

 

Литература:

 

  1.      Галушкин, А. И. Нейрокомпьютеры. Кн. 3: Учебное пособие для вузов [Текст] / Общая ред. А. И. Галушкина. — М.: ИПРЖР, 2000. — 528 с.
  2.      Горбань, А Н. Обучение нейронных сетей [Текст] / А. Н. Горбань. — М.: СП «ParaGraph», 1990. — 160 с.
  3.      Гранберг, А.Г Основы региональной экономики [Текст] / А. Г. Гранберг. — М.: ГУ-ВШЭ, 2000. — 495 с.
  4.      Кашинцев, Н. П. Нейросетевое моделирование регионального развития как инструмент стратегического управления [Текст] / Н. П. Кашинцев, Р. Ю. Селименков // Известия ВУЗов. Серия «Экономика, финансы и управление производством». — 2015. — № 2(24). — С. 141–152.
  5.      Круглов, В. В. Искусственные нейронные сети. Теория и практика [Текст] / В. В. Круглов, В. В. Борисов. — М.: Горячая линия — Телеком, 2001. — 382 с.
  6.      Нейронные сети [Текст]. Statistica Neural Networks: Пер с англ. — М.: Горячая линия — Телеком, 2000. — 182 с.
  7.      Степанова, Е. Н. Нейросетевое прогнозирование социально-экономического развития региона [Текст] / Е. Н. Степанова. — Вологда: ВНКЦ ЦЭМИ РАН, 2004. — 104 c.
  8.      Хайкин, С. Нейронные сети: полный курс [Текст] / Хайкин С. — М.: Вильямс, 2006. — 1103 с.

Обсуждение

Социальные комментарии Cackle