авторефераты диссертаций БЕСПЛАТНАЯ БИБЛИОТЕКА РОССИИ

КОНФЕРЕНЦИИ, КНИГИ, ПОСОБИЯ, НАУЧНЫЕ ИЗДАНИЯ

<< ГЛАВНАЯ
АГРОИНЖЕНЕРИЯ
АСТРОНОМИЯ
БЕЗОПАСНОСТЬ
БИОЛОГИЯ
ЗЕМЛЯ
ИНФОРМАТИКА
ИСКУССТВОВЕДЕНИЕ
ИСТОРИЯ
КУЛЬТУРОЛОГИЯ
МАШИНОСТРОЕНИЕ
МЕДИЦИНА
МЕТАЛЛУРГИЯ
МЕХАНИКА
ПЕДАГОГИКА
ПОЛИТИКА
ПРИБОРОСТРОЕНИЕ
ПРОДОВОЛЬСТВИЕ
ПСИХОЛОГИЯ
РАДИОТЕХНИКА
СЕЛЬСКОЕ ХОЗЯЙСТВО
СОЦИОЛОГИЯ
СТРОИТЕЛЬСТВО
ТЕХНИЧЕСКИЕ НАУКИ
ТРАНСПОРТ
ФАРМАЦЕВТИКА
ФИЗИКА
ФИЗИОЛОГИЯ
ФИЛОЛОГИЯ
ФИЛОСОФИЯ
ХИМИЯ
ЭКОНОМИКА
ЭЛЕКТРОТЕХНИКА
ЭНЕРГЕТИКА
ЮРИСПРУДЕНЦИЯ
ЯЗЫКОЗНАНИЕ
РАЗНОЕ
КОНТАКТЫ


Pages:     | 1 || 3 | 4 |

«МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ ИНСТИТУТ УПРАВЛЕНИЯ, ИНФОРМАЦИИ И БИЗНЕСА ...»

-- [ Страница 2 ] --

12. O6 - O Результаты изучения системы управления экономикой МО “Город Ухта”, ее функций, информационных потоков (документо оборот) и информационных связей показывают, что основное внимание местных органов власти уделяется следующим задачам:

проведению прогнозно-аналитических работ по эффективному использованию экономической базы и трудовых ресурсов;

формированию прогнозов социально-экономического развития территории;

контролю за сроками и объемом налоговых поступлений и контролю за своевременным погашением задолженности предприятий перед бюджетами разного уровня;

контролю за единой политикой цен и тарифов;

организации и ведению государственной регистрации и учета работы по геологическому изучению, добыче полезных ископаемых, водных объектов;

координации деятельности предприятий всех форм собственности, ведущих работу по использованию недр;

контролю за рациональным использованием минерально сырьевой базы экономики;

организации, государственной регистрации и ведению на территории муниципального образования предприятий всех форм собственности и лиц, занимающихся индивидуальной трудовой деятельностью.

В числе основных методов воздействия на процессы функционирования и развития экономики муниципального образования “Город Ухта” можно выделить: формирование и размещение муниципального заказа;

контроль за сроками и объемом налоговых поступлений от предприятий;

контроль за своевременным погашением задолженности предприятий перед бюджетами различного уровня;

регламентация порядка предоставления хозяйствующими субъектами должной информации при формировании местного бюджета;

прогнозирование социально экономического развития территории (разрабатываются краткосрочные и среднесрочные прогнозы развития);

воздействие на муниципальное хозяйство и частное предпринимательство.

В механизме управлении экономикой МО “Город Ухта” проявляется действие разнообразных экономических элементов регу лирующего и стимулирующего характера, среди которых наиболее распространены такие, как реструктуризация задолженности в бюджет, налоговые льготы, акции, муниципальный заказ (например, на внутригородские пассажирские перевозки), кредиты, передача инфраструктуры органам местного самоуправления.

Вместе с тем, широко используются административные регуляторы (например, регуляторы цен, тарифов, предприниматель ства, лицензирования и др.).

В управления экономикой МО “Город Ухта” важное место от водится прогнозированию социально-экономического развития – по методике Министерства экономики Республики Коми разрабатыва ются краткосрочные прогнозы (на квартал, на полгода, на девять месяцев, на год и с уточнением), среднесрочные прогнозы с упреж дением на два года;

задачей прогнозов является выявление наиболее вероятной динамики развития хозяйства и его состояния в будущем.

Среди ключевых инструментов механизма управления можно отметить: мониторинг экономических и социальных процессов, прогнозы социально-экономического развития территории, планирование и исполнение бюджета, управление собственностью (ведение реестра имущества, учет муниципальной собственности, арендные ставки).

Используя данные методы и инструменты механизма управления, муниципалитет, как правило, ставит следующие цели:

достижение устойчивого экономического роста территории, наполнение бюджета, обеспечение полной занятости трудоспособного населения, обеспечение определенного уровня доходов населения (не ниже прожиточного минимума), обеспечение стабильности цен и тарифов на основные товары и услуги.

Вместе с тем, следует отметить ряд серьезных недостатков в механизме управления экономикой города:

1) не обеспечивается уровень стратегического управления городом;

– механизм управления экономикой муниципального образования “Город Ухта” направлен на решение текущих социально экономических проблем города, поэтому основной формой управления является оперативное управление, которое используется для решения неотложных и срочных задач. В рамках оперативного управления решаются, главным образом, задачи, связанные с финансовым регулированием, наполнением бюджета.

2) не вырабатываются методы и инструменты воздействия на промышленный комплекс города;

– базовыми, градообразующими отраслями экономики муниципального образования “Город Ухта” являются отрасли топливно-энергетического комплекса;

они формируют промышленную структуру территории;

рост объема производства в базовых отраслях экономики города является “мультипли катором” экономического роста и фактором устойчивого и социально- экономического развития территории в целом;

– в настоящее время развитие экономики города и его составляющих остается нестабильным – в первую очередь, сказывается влияние того фактора, что основу экономики составляет нефтедобыча и нефтепереработка;

колебания цен на нефть на мировом рынке сообщает нестабильность развитию экономике города, в связи с этим, неустойчива и социальная обстановка.

3) неполная реализация управленческих функций – не опре делены количественно цели перспективного социально экономического развития муниципального образования;

не разрабатываются долгосрочные прогнозы развития эконо мики города;

не используются в полной мере возможности прогнозирования и данных социально - экономического мониторинга развития территории, не применяются новые информационные технологии в управлении.

Общий итог перечисленных недостатков – местные власти не обладают видением долгосрочных перспектив развития города, не знают, сколько и какой продукции необходимо произвести в текущем году, через год, через два года и т.д., чтобы обеспечить социально экономическое развитие территории;

не имеют инструментов для выявления “точек роста” и перспективных производств;

не имеют инструментов, использование которых могло бы дать информацию о предвидении неблагоприятных тенденций и факторов развития территории.

Таким образом, имеются серьезные недостатки в механизме управления экономикой на муниципальном уровне, что обуславливает необходимость его совершенствования применительно к рыночным условиям развития.

Одним из направлений совершенствования механизма управления экономикой муниципального образования является повышение информированности местных властей о состоянии и развитии социально-экономических процессов на подведомственной территории за счет усиления потенциала прогнозирования производства в экономике МО. Учитывая тот факт, что основу экономики города составляет индустриальный комплекс, усиление потенциала прогнозирования производства должно обеспечить совершенствование механизма управления за счет:

прогнозов объема производства по отдельным (основным) ви дам продукции в краткосрочном, среднесрочном, долгосрочном периоде;

определения значимых факторов роста производства в экономике города;

определения перспективных производств;

отслеживания структурных изменений в экономике города;

разработки моделей устойчивого роста экономики города с учетом выявления особенностей, объективно отражающих состояние социально-экономических процессов территории;

определения воздействия на экономическое и социальное развитие мер государственной и региональной политики.

Отсюда – уточнение постановки задачи для дальнейшего исследования: должны быть созданы и опробованы средства и инструменты, которые способствуют повышению информирован ности местных властей о развитии производства в экономике МО “Город Ухта”.

Управление – информационный процесс, поэтому результатив ность управления (его функций) в значительной мере зависит от уровня его информационного обеспечения – в связи с этим, в первую очередь, актуализируются вопросы совершенствования прогнозиро вания на базе новых информационных технологий.

Усиление потенциала прогнозирования производства в экономике муниципального образования может быть обеспечено применением различных методик разработки прогнозов. В связи с этим рассмотрим методы социально-экономического прогнозиро вания с целью выбора такого метода прогнозирования производства, который удовлетворяет вышеперечисленным требованиям.

Выводы 1. Существующие противоречия, когда муниципальные образования обладают развитым производственным потенциалом, и, в то же время, имеют ряд проблем в обеспечении социально экономического развития территории, обуславливают необходимость совершенствования механизма управления экономикой на местном, муниципальном уровне применительно к рыночным условиям.

2. Раскрытие сущности механизма управления экономикой муниципального образования, выявление его особенностей, структуры, свойств, функций, а также создание теоретической конструкции механизма управления экономикой МО, позволяет определить направления совершенствования механизма управления (функции управления, совокупность способов, методов, инструментов управления, обеспечивающих подсистем).

3. В рыночных условиях развития предпосылкой формирования эффективного механизма управления экономикой МО являются повышение эффективности прогнозирования муниципального развития, которое может быть обеспечено за счет средств и инструментов информационных технологий управления (элементов искусственного интеллекта, баз данных, автоматизированных систем и т.д.), которые способствуют получению новых знаний о перспективах развития территории.

4. На примере МО “Город Ухта” рассмотрен практически действующий механизм управления, выявлены его недостатки, которые обуславливают необходимость совершенствования прогнозирования производства, так как город имеет развитый производственный потенциал, который определяет уровень его социально-экономического развития.

Глава II. Методика прогнозного моделирования производства в экономике муниципального образования с использова нием информационной технологии нейронных сетей 2.1. Базовые понятия теории нейронных сетей применительно к управлению экономическими процессами Усиление потенциала прогнозирования производства в экономике муниципального образования обусловлено рыночными условиями ее развития и обеспечивается применением различных методик разработки прогнозов.

Основной целью прогнозирования является разработка прогнозной модели объекта исследования [33,36,69,76,86,89].

Под моделью понимается математическое описание процесса или объекта, алгоритмическое описание объекта, графическое представление объекта (процесса) в виде блок-схемы;

кривая, представляющая процесс и ряд других форм и понятий. В терминах теории моделирования модель определяется как “… явление, предмет, установка, знаковое образование или условный образ (описание, схема и т.д.), находящиеся в некотором соответствии с изучаемым объектом и способные замещать его в процессе исследования, давая информацию об объекте”. В свою очередь, модель прогнозирования – это модель объекта, исследование которой дает возможность получить информацию о возможных состояниях объекта в будущем и (или) путях достижения этих состояний [89].

Модель прогнозирования можно рассматривать как производную от метода, используемого для прогнозирования. Под методами прогнозирования понимается совокупность приемов мышления, способов, позволяющих на основе анализа информации о прогнозном объекте вынести достоверное суждение о будущем развитии объекта. Тип применяемого метода прогнозирования зависит от типа исследуемого объекта, цели прогнозирования, от периода упреждения, степени формализации, точности прогноза и др. [18]. Наибольшее значение для экономического прогнозирования представляют модели описания процессов производства, экономических закономерностей, развития научных исследований.

Прогнозы могут быть классифицированы по различным признакам следующим образом.

По цели прогнозирования: поисковые, нормативные прогнозы.

Цель поискового прогнозирования – выяснить, как будет развиваться исследуемый объект при сохранении существующих тенденций. Нормативные прогнозы разрабатываются на базе заранее поставленных целей. Их задача – определить пути и сроки достижения поставленных целей. Поисковые прогнозы отталкиваются при определении будущего состояния от его прошлого и настоящего, то нормативные осуществляются в обратном порядке: от заданного состояния в будущем к существующим тенденциям и их изменениям в свете поставленной цели.

По периоду упреждения: оперативные (текущие), кратко-, средне-, долгосрочные прогнозы с периодом упреждения в пределах месяца - для оперативных прогнозов, в пределах года – для краткосрочных прогнозов, в пределах пяти лет – для среднесрочных прогнозов, от пяти до 15 лет – для долгосрочных прогнозов.

Временные промежутки прогнозов зависят от характера и цели прогнозирования.

По природе объекта прогнозирования: социально экономические, научно-технические, изобретения и открытия, военно-политические, естественно-природные и т.д. Характер объекта прогнозирования, в основном, определяет выбор аппарата прогнозирования. В свою очередь, объекты прогнозирования могут быть классифицированы:

по уровням хозяйственной деятельности (хозяйствования) экономика Российской Федерации (РФ) в целом;

экономика субъектов РФ (республик в составе РФ, краев, областей, автономных образований, районов, городов и др.);

отрасли народного хозяйства;

предприятия (фирмы) различных форм собственности;

по производственным ресурсам: инвестиции (капитальные вложения);

природные ресурсы;

технологии и образование;

трудовые ресурсы;

информационные ресурсы;

по сферам деятельности: материальное производство;

торговля;

нематериальное производство.

В сферах производства можно выделить отрасли деятельности, например, промышленность, строительство, сельское хозяйство. В нематериальном производстве можно выделить научную деятельность, образование и др. [18].

по масштабности объектов прогнозирования: локальные и сублокальные (производственный участок, рабочее место), субглобальные и глобальные (цех, сеть авиалиний, спрос на продукцию предприятий, предприятие, транспортная сеть региона), суперглобальные (отрасль, крупное предприятие) [69];

по сложности объекта прогнозирования: сверхсложные, когда учитываются взаимосвязи между переменными в описании объекта прогнозирования;

сложные, когда необходимо учитывать взаимосвязи и совместное влияние нескольких переменных;

простые, когда анализируются парные взаимосвязи в описании объекта прогнозирования;

по степени детерминированности: детерминированные (описание объектов в детерминированном виде с удовлетворительной точностью);

стохастические (в описании объектов учитывается случайная составляющая в соответствии с требуемой точностью);

смешанные (объекты с характеристиками как детерминированного, так и стохастического характера).

по характеру развития во времени: дискретные (объекты, регулярная составляющая (тренд) которых изменяется скачками в фиксированные моменты времени);

периодические, когда объекты описываются непрерывной функцией во времени;

циклические, когда объекты прогнозирования имеют регулярную составляющую в виде периодической функции времени;

по степени информационной обеспеченности: с полным обеспечением количественной информацией, в объеме достаточном для реализации статистических методов прогнозирования;

с неполным обеспечением количественной информацией, когда допускается использование статистических методов прогнозирования, но заданная точность упреждения на заданное время не обеспечивается.

Согласно классификации объектов прогнозирования социально-экономическое прогнозирование можно отнести: по природе объекта прогнозирования – к субглобальным объектам;

по масштабности – к сложным объектам;

по детерминированности – к смешанным;

по характеру развития во времени – к циклическим;

по информационной обеспеченности – к качественным объектам прогнозирования [69].

По результатам классификации объектов прогнозирования могут быть определены и рекомендованы к использованию методы прогнозирования.

В соответствии с представленной классификацией в ходе данного исследования могут быть использованы следующие методы прогнозирования: экстраполяция, регрессионные модели, многофакторные модели, исторические аналогии, экспертные методы, сценарии, прогнозный граф, морфологический анализ и др.

В настоящее время, по оценкам специалистов, насчитывается свыше 150 различных методов разработки прогнозов [69].

По степени формализации методы прогнозирования можно разделить на интуитивные (экспертные), формализованные;

экспертные методы базируются на оценках экспертов (индивидуальных или групповых), формализованные методы базируются на использовании фактографической информации – к ним относятся прежде всего статистические методы, в том числе экстраполяционные (экстраполяция динамических рядов, по огибающим кривым и т.д.), регрессионные, эконометрические методы.

Большой класс методов составляют методы логического моделирования, к которым относятся, в частности, методы прогнозирования по аналогии, методы построения сценария, дерева целей и дерева решений, матриц взаимодействия и т.д.

Важную группу представляют методы стохастического моделирования: методы имитационного моделирования, прогнозирование на основе марковских процессов.

Большой класс составляют методы структурного моделирования, которые включают балансовые и оптимизационные методы (используются для целевого прогнозирования, позволяют отыскивать условия достижения цели).

Необходимо отметить, что современные методы прогнозирования базируются, в основном, на использовании аппарата точных наук, в первую очередь, математики. В таком случае, модели, отражающие те или иные экономические явления или процессы выражаются в математической форме.

В соответствии с этим выделим основные характеристики экономико-математической модели.

Во-первых, она отражает определенные экономические явления качественного содержания, выраженные в тех или иных единицах измерения. Эти величины являются параметрами модели.

Во-вторых, в модель входят определенные количественные связи и зависимости между параметрами. Это могут быть балансовые соотношения, определяющие структуру моделируемого процесса, или же более сложные зависимости, которые связывают результаты процессов с вызывающими их определенными причинами.

В-третьих, модель определяет область допустимых значений параметров моделей во времени, пространстве, объеме.

В-четвертых, модель должна представлять собой систему взаимосвязанных параметров, зависимостей и ограничений с определенными входами и выходами [33].

Построение экономико-математической модели подразде ляется на четыре основных этапа.

Первый этап – спецификация, когда производится формализация основных экономических переменных и на основе исходных допущений и предложений отыскиваются математические уравнения. Второй этап – идентификация, которая заключается в том, что необходимо найти значения параметров уравнений, полученных на первом этапе. Третий этап – верификация, состоящая в определении и выборе критериев для оценки качества результатов спецификации и идентификации, т.е. того, насколько они являются адекватными моделями реальных экономических процессов.

Четвертый этап – предсказание, представляющее процедуру определения будущих значений переменных, входящих в эконометрическую модель [33].

Разработка экономико-математических моделей получила широкое распространение в России и за рубежом в виде попыток построения экономических моделей в масштабах не только отдельных предприятий (фирм), но и всего общества. В частности, это “модели воспроизводства” Я. Тинбергена, сконструированные им в работе “Экономические циклы США за 1919-1932 гг.”, а также “модель воспроизводства США” (1955), разработанная Л. Клейном и А. Гольдбергером [33]. Другое направление экономико математического моделирования связано с построением моделей по методу баланса произведенных затрат и выпущенной продукции (анализ “затраты-выпуск”). В этой области наиболее известные исследования проводил В.Леонтьев, который опубликовал работы “Структура американской экономики в 1919-1929 гг.” (1941) и “Исследование структуры американской экономики” (1953).

Экономико-математическое моделирование используется также в расчетах народнохозяйственного оптимума математическими методами линейного программирования для определения целесообразного варианта распределения материальных и трудовых ресурсов, обеспечивающих максимальный прирост национального дохода. Для этой цели используются межотраслевые балансы, линейные уравнения или неравенства, отражающие верхние и нижние границы изменения отдельных переменных [33].

Следует также отметить, что экономико-математические методы и модели широко применяются для анализа рынка.

Посредством математического аппарата изучается влияние эволюции дохода на потребительский спрос. С этой целью разрабатываются “коэффициенты эластичности”, отражающие, например, процент роста или падения спроса на данную продукцию в зависимости от изменения дохода. Эти коэффициенты позволяют прогнозировать трансформацию отдельных сторон потребления населения, изменение спроса на те или иные товары, услуги и т.п.

В настоящее время одно из направлений экономико математического моделирования и прогнозирования представлено нейросетевыми методами и моделями при разработке прогнозов.

Главной отличительной чертой нейросетевых методов прогнозирования является их высокая точность - так, при построении социально-экономических прогнозов точность прогноза около 50% считается удовлетворительной, порядка 70% – хорошей [69], в то же время методы прогнозирования на основе нейронных сетей обеспечивают точность прогнозирования от 90% и выше, что обуславливает их широкое распространение. Как показывает опыт экономически развитых стран, успешное применение нейросетевых методов и моделей для прогнозирования возможно только на основе комплексного использования информационных технологий в управлении – автоматизированных информационных систем, баз данных, новых информационных технологий.

Новые информационные технологии поставляются в виде программных продуктов – по сути, они являются полуфабрикатами и для решения конкретных экономических, финансовых, управленческих задач на их основе необходимо создание новых технологий, реализованных в виде программно-методических продуктов. В качестве новых информационных технологий используются не только нейронные сети, но и системы на основе нечеткой логики, системы визуального динамического моделирования и др.

В настоящее время наиболее распространенными средствами для решения задач моделирования и прогнозирования в экономике являются нейронные сети. Они особенно востребованы в условиях нестабильности развития экономических процессов в переходном периоде.

Теория нейронных сетей разрабатывалась особенно интенсивно – в конце 50-х и начале 60-х гг. Отечественные и зарубежные ученые Маккалох У., Хебб Д., Розенблатт Ф., Хьюбел Д., Визель Т., Дж. Хопфильд, Волгин Л.И., Галушкин А.И., Горбань А.И., Дунин-Барковский В.А., Ивахненко А.Г., Каляев А.В., Кохонен Т., Минский М., Неймарк С.О., и др. выполнили множество фундаментальных работ [15,16,29,30,31,32,40,41,42,43,45,64,73,79,83].

Накопление теоретических знаний способствовало тому, что в последнее десятилетие нейронные сети все более активно применяются для решения различных прикладных задач в том числе, и в экономике.

Назначение нейронных сетей – решение задач, для которых не найдены алгоритмы решений и входные данные неполны, противоречивы. Нейронные сети применяются тогда, когда неизвестны зависимости между входными и выходными данными. В таких ситуациях не справляются как традиционные математические, так и экспертные системы. Нейронные программные и аппаратные средства сегодня используются в банках, страховых и финансовых компаниях, в промышленных и государственных организациях.

Нейронные сети широко применяются для решения таких задач, как: прогноз макроэкономических показателей региона, области, района;

прогноз экономической активности на следующий месяц, биржевые прогнозы, анализ биржевых и рыночных тенденций, кредитное планирование, оценка кредитных рисков, планирование инвестиций, прогноз цен на целый спектр продукции и на недвижимость, прогноз курсов валют, “сценарные” расчеты по принципу “что, если… ?”, планирование денежных потоков, планирование и распределение ресурсов и т.д.

Все задачи, решаемые с помощью нейронных сетей, можно свести к четырем классическим постановкам [30,31,32]:

1) распознавание образов (предсказание для объекта значения некоторого его целевого признака);

2) предсказание значения числового (порядкового или количественного) признака для объекта;

3) динамическое прогнозирование значения числового признака объекта, использующее временные измерения значений этого же признака (анализ временных рядов);

4) автоматическая группировка объектов.

Каждая из перечисленных постановок сводится к задаче заполнения пропусков в таблице данных. При автоматической группировке объектов в таблицу добавляется новый столбец, содержащий информацию о разбиении всего множества объектов на группы похожих. Для иных постановок прогнозируются неизвестные значения признаков у тех объектов, где имеется пропущенная информация. Для этого требуется нахождение зависимостей в таблице данных [10,12,30,31,32]. При этом появляются следующие специфические особенности: таблица данных априорно является неполной, поскольку невозможно в общем случае описать все независимые и зависимые признаки, существенные для моделирования объекта или процесса. Это связано и с ограниченным представлением о моделируемом объекте, и с ограничениями на возможность получения необходимых данных.

При изучении сложных объектов возникают большие трудности при задании исходной системы признаков для их описания. Поэтому в признаковом пространстве может быть много “дублирующих” и “шумящих” признаков. В результате проблема выбора наиболее информативной подсистемы признаков приобретает важное значение, поскольку уменьшение числа признаков часто улучшает качество решения (и сокращает экономические и временные затраты на измерения или сбор информации).

Необходимо также иметь возможность определения значимости каждого признака для принятия решения и выделения минимально необходимого набора базовых признаков для прогнозирования целевого признака с заданной точностью. В связи с этим можно сформировать список требований, которым удовлетворяет нейросетевой метод обработки информации [10,12,30,31,32]:

1) работа при отсутствии некоторых значений в таблице обрабатываемых данных;

2) работа в случае, если число измеренных признаков превышает число наблюдений, и число наблюдений достаточно мало;

3) обеспечение возможности обработки разнотиповых данных;

4) достаточно высокая вычислительная эффективность;

5) простота получения результата и простота интерпретации результатов.

Для характеристики системы понятий, описания принципов и методов функционирования нейронных сетей в теории нейронных сетей используется так называемый нейробиологический подход.

Теория нейронных сетей определяет также базовые методы и этапы обработки данных с помощью искусственных нейронных сетей.

Искусственные нейронные сети, а в более общем случае – и вся нейроинформатика, появились при попытке моделирования мозга на основе кибернетических идей. В основе всего нейросетевого подхода лежит идея построения вычислительного устройства из большого числа параллельно работающих простых элементов – нейронов. Эти нейроны функционируют независимо друг от друга и связаны между собой однонаправленными каналами передачи информации – синапсами (как и при именовании нейрона, здесь взяты нейробиологические термин и абстракция).

Нейронная сеть характеризуется типом используемых нейронов, их числом, топологией соединения, включая число слоев, и набором алгоритмов обучения. Нейронная сеть имеет по аналогии с ее биологическими прототипами следующие преимущества:

1) высокоэффективная параллельно - последовательная обработка информации, максимальный потенциальный параллелизм и наиболее эффективное использование любой параллельной вычислительной архитектуры по сравнению с другими вычислительными технологиями;

2) высокая надежность и устойчивость к отказам отдельных элементов, составляющих нейронную сеть;

3) место программирования занимает процесс обучения (или настройки) нейронной сети;

под обучением понимается процесс адаптации нейронной сети для достижения минимума некоторого оценивающего функционала – например, качества решения сетью поставленной задачи.

В нейронной сети выделяется группа входов и группа выходов. По входным рецепторам нейронная сеть принимает информацию и затем, пропуская эту информацию через себя и, преобразуя ее с помощью процессорных элементов, генерирует выходные сигналы.

Нейронная сеть представляет собой совокупность нейронов, соединенных между собой и с внешней средой с помощью связей, определяемых весовыми коэффициентами. В зависимости от функций, выполняемых нейронами в сети, можно выделить три их типа:

входные нейроны, на которые подается вектор, кодирующий входное воздействие или образ внешней среды;

в них обычно не осуществляется вычислительных процедур, а информация передается с входа на выход путем изменения их активации;

выходные нейроны, выходные значения которых представляют выходы нейронной сети.

промежуточные нейроны, составляющие основу нейронных сетей, в которых осуществляются преобразования.

С точки зрения топологии можно выделить две базовые архитектуры искусственных нейронных сетей – слоистые и полносвязные сети.

В слоистых сетях нейроны расположены в несколько слоев.

Нейроны первого слоя получают входные сигналы, преобразуют их и через точки ветвления передают нейронам второго слоя. Далее срабатывает второй слой и т.д. до k-го слоя, который выдает выходные сигналы. Если не оговорено противное, то каждый выходной сигнал i-го слоя подается на вход всех нейронов i+1-го (где k – количество слоев нейронной сети, i – текущий, изменяется от 1 до k). Число нейронов в каждом слое может быть любым и никак заранее не связано с количеством нейронов в других слоях.

Стандартный способ подачи входных сигналов: все нейроны первого слоя получают каждый входной сигнал.

В полносвязных сетях каждый нейрон передает свой выходной сигнал остальным нейронам, включая самого себя. Выходными сигналами сети могут быть все или некоторые выходные сигналы нейронов после нескольких тактов функционирования сети. Все входные сигналы подаются всем нейронам.

.

Выходные.

сигналы.

Входные сигналы...........................

Слой 1 Слой 2 Слой k Рис. 2.1. Слоистая нейронная сеть Элементы слоистых и полносвязных сетей могут выбираться по-разному. Cтандартный выбор – нейрон с неоднородным адаптивным линейным сумматором на входе.

Наиболее широко обучаемые нейронные сети используются для решения задач прогнозирования и классификации.

Задачи прогнозирования являются, по-существу, задачами построения регрессионной зависимости выходных данных от входных. Нейронные сети могут эффективно строить сильно нелинейные регрессионные зависимости. При решении задач классификации нейронная сеть строит разделяющую поверхность в признаковом пространстве, а решение о принадлежности ситуации тому или иному классу принимается самостоятельным, не зависящим от сети устройством – интерпретатором ответа сети [29,30,31,32].

Наиболее простой интерпретатор возникает в задаче бинарной классификации (классификации на два класса). В этом случае достаточно одного выходного сигнала сети, а интерпретатор относит, например, ситуацию к первому классу, если выходной сигнал меньше нуля, и ко второму, если он больше или равен нулю.

Классификация на несколько классов требует усложнения интерпретатора. Широко используется интерпретатор "победитель забирает все", где число выходных сигналов сети равно числу классов, а номер класса будет соответствовать номеру нейрона, выдавшего максимальный выходной сигнал. Одна нейронная сеть может одновременно предсказывать несколько чисел, либо одновременно решать задачи и прогнозирования, и классификации.

На веса синапсов сети обычно наложены требования принадлежности некоторому диапазону значений. Наиболее часто используемые нелинейные функции нейронов также обычно выдают значения из некоторого диапазона. Это приводит к тому, что обычно нельзя подавать сети входные сигналы в их истинном диапазоне величин и получать от сети выходные сигналы в требуемом диапазоне. Поэтому перед подачей сети входных сигналов их необходимо нормировать, например, в диапазон значений [-1,1] или [0,1], либо делать так, чтобы входные сигналы не слишком сильно выходили за пределы этих отрезков. Наиболее просто нормировку можно выполнить так [12]. Каждая компонента входного вектора данных xi заменяется величиной:

xi max xi min xi / xi (2.1) max xi min xi / где max xi и min xi – соответственно максимальное и минимальное значения для данной компоненты, вычисленные по всей обучающей выборке. По этой же формуле пересчитываются и компоненты векторов ответов.

Широко используется также следующий алгоритм преобразования (бинаризации) входных данных в диапазон значений [0,1] – [104,105,106,107,108]. Вычисляется величина ускорения аi для каждого из элементов обучающей выборки:

аi = y i – yi -1, при i = 1, …n;

(2.2) где yi – изменение (прирост) значения элемента обучающей выборки. Далее вычисленные значения аi располагаются в убывающем порядке. Это необходимо для того, чтобы определить пороговую величину а*, при которой число интервалов N0 с величиной ускорения аi а* отличалось бы от числа интервалов N1, для которых аi = а* не более чем на 1:

а*: N0 – N1 =1, для нечетного n = N0 + N1;

(2.3) а*: N0 – N1 = 0, для четного n;

(2.4) Можно нормировать и по-другому, например, пересчитывать выборку так, чтобы разброс данным был единичным. Подбор алгоритма преобразования данных (нормирования) зависит от условий конкретной задачи.

Необходимо обратить внимание, что любое изменение обучающей выборки должно соответственно менять и правило нормирования данных. Поэтому поступают обычно так: берут данные из существующего на настоящий момент задачника и нормировку не меняют, а если предполагается, что поступят сильно отличающиеся данные, величины для нормирования задаются пользователем по его оценкам. Иными словами, эти величины должны определяться в момент создания сети и в дальнейшем не зависеть от обучающей выборки [29,30,31,32].

Выходные сигналы сети должны нормироваться в диапазон истинных значений по обращенным формулам.

Для сетей-классификаторов нормировка выходных сигналов не нужна, поскольку пользователь получает не собственно выходные сигналы сети, а результат отнесения ситуации интерпретатором ответа к тому или иному классу. Здесь каждый выходной вектор задачника преобразуется так, чтобы правильно обрабатываться интерпретатором ответа. Например, при классификации на три класса и интерпретаторе "победитель забирает все" номер класса будет кодироваться вектором из трех чисел, где компонента вектора, соответствующая номеру класса, имеет значение 1, а остальные две – 1.

Другой проблемой является ситуация, когда в таблице данных имеются пробелы. Вместо таких отсутствующих компонент данных можно подавать нуль, можно исключать некомплектные вектора из обучающей выборки, можно перед обучением сети решать задачу заполнения пробелов в данных некоторыми правдоподобными значениями.

Нейронные сети способны к обучению. Сеть обучается (настраивается), чтобы для некоторого множества входов давать желаемое (или, по крайней мере, сообразное с ним) множество выходов. Каждое такое входное (или выходное) множество рассматривается как вектор. Обучение осуществляется путем последовательного предъявления входных векторов с одновременной подстройкой весов в соответствии с определенной процедурой. В процессе обучения веса сети постепенно становятся такими, чтобы каждый входной вектор вырабатывал выходной вектор.

Различают алгоритмы обучения с учителем и без учителя [29,30,31,32,40,41,42,43]. Обучение с учителем предполагает, что для каждого входного вектора существует целевой вектор, представляющий собой требуемый выход. Предъявляется выходной вектор, вычисляется выход сети и сравнивается с соответствующим целевым вектором, разность (ошибка) с помощью обратной связи подается в сеть, и веса изменяются в соответствии с алгоритмом, стремящимся минимизировать ошибку. Векторы обучающего множества предъявляются последовательно, вычисляются ошибки и веса подстраиваются для каждого вектора до тех пор, пока ошибка по всему обучающему массиву не достигнет приемлемо низкого уровня.

Обучение с учителем, критиковалось за свою биологическую неправдоподобность, несмотря на многочисленные прикладные достижения, поскольку обучение без учителя является намного более правдоподобной моделью обучения в биологической системе.

Развитая Кохоненом и многими другими, она не нуждается в целевом векторе для выходов и, следовательно, не требует сравнения с предопределенными идеальными ответами. В таком случае обучающее множество состоит лишь из входных векторов.

Обучающий алгоритм подстраивает веса сети так, чтобы получались согласованные выходные векторы, т.е. чтобы предъявление достаточно близких входных векторов давало одинаковые выходы.

Процесс обучения, следовательно, выделяет статистические свойства обучающего множества и группирует сходные векторы в классы.

Предъявление на вход вектора из данного класса даст определенный выходной вектор, но до обучения невозможно предсказать, какой выход будет производиться данным классом входных векторов.

Следовательно, выходы подобной сети должны трансформироваться в некоторую понятную форму, обусловленную процессом обучения.

Когда в сети только один слой, алгоритм ее обучения с учителем очевиден, так как правильные выходные состояния нейронов единственного слоя заведомо известны, и подстройка синаптических связей идет в направлении, минимизирующем ошибку на выходе сети. В многослойных сетях оптимальные выходные значения нейронов всех слоев, кроме последнего, как правило, неизвестны, и двух- или более слойный персептрон уже невозможно обучить, руководствуясь только величинами ошибок на выходах нейронной сети. Один из вариантов решения этой проблемы – разработка наборов выходных сигналов, соответствующих входным, для каждого слоя нейронной сети, что, конечно, является очень трудоемкой операцией и не всегда это осуществимо. Второй вариант – динамическая подстройка весовых коэффициентов синапсов, в ходе которой выбираются, как правило, наиболее слабые связи и изменяются на малую величину в ту или иную сторону, а сохраняются только те изменения, которые повлекли уменьшение ошибки на выходе всей сети. Очевидно, что данный метод, несмотря на свою кажущуюся простоту, требует громоздких рутинных вычислений. И, наконец, третий, более приемлемый вариант – распространение сигналов ошибки от выходов нейронной сети к ее входам, в направлении, обратном прямому распространению сигналов в обычном режиме работы. Этот алгоритм обучения нейронной сети получил название процедуры обратного распространения и широко применяется в программах – нейроимитаторах. Согласно методу наименьших квадратов, минимизируемой целевой функцией ошибки нейронных сетей является величина:

( y (j,Np) d j, p ) E ( w) (2.5) 2 j,p (N) где y j, p – реальное выходное состояние нейрона j выходного слоя N нейронной сети при подаче на ее входы p-го образа;

djp – идеальное (желаемое) выходное состояние этого нейрона.

Суммирование ведется по всем нейронам выходного слоя и по всем обрабатываемым сетью образам. Минимизация определяется методом градиентного спуска, что означает подстройку весовых коэффициентов следующим образом:

E wijn ) ( (2.6) wij Здесь wij – весовой коэффициент синаптической связи, соединяющей i-ый нейрон слоя n-1 с j-ым нейроном слоя n, – коэф фициент скорости обучения, 01.

Частная производная функции ошибки:

E E dy j s j wij y j ds j wij (2.7) Здесь под yj, как и раньше, подразумевается выход нейрона j, а под sj – взвешенная сумма его входных сигналов, то есть аргумент активационной функции. Так как множитель dyj/dsj является производной этой функции по ее аргументу, из этого следует, что производная активационной функция должна быть определена на всей оси абсцисс. В связи с этим функция единичного скачка и прочие активационные функции с неоднородностями не подходят для рассматриваемых нейронных сетей. В них применяются такие гладкие функции, как гиперболический тангенс или классический сигмоид с экспонентой. В случае гиперболического тангенса:

dy 1 s2 (2.8) ds Третий множитель sj/wij, равен выходу нейрона предыду щего слоя yi(n-1).

Что касается первого множителя в (2.9), он раскладывается следующим образом:

E dyk sk E E dyk ( n1) w y j yk dsk y j yk dsk jk (2.9) k k Здесь суммирование по k выполняется среди нейронов слоя n+1.

Введя новую переменную:

E dy j (jn ) y j ds j (2.10) мы получим рекурсивную формулу для расчетов величин j(n) слоя n из величин k(n+1) более старшего слоя n+1.

dy (jn ) (kn1) w(jk 1) j n (2.11) k ds j Для выходного же слоя:

dyl ( N ) ( yl( N ) d l ) (2.12) l dsl Теперь мы можем записать (2.6) в развернутом виде:

wijn) (jn) yi( n1) ( (2.13) Иногда для придания процессу коррекции весов некоторой инерционности, сглаживающей резкие скачки при перемещении по поверхности целевой функции, (2.9) дополняется значением изменения веса на предыдущей итерации:

wijn) (t ) ( wijn) (t 1) (1 ) (jn) yi( n1) ) ( ( (2.14) где – коэффициент инерционности;

t – номер текущей итерации.

Таким образом, полный алгоритм обучения нейронных сетей с помощью процедуры обратного распространения строится так:

1. Подать на входы сети один из возможных образов и в режиме обычного функционирования нейронных сетей, когда сигналы распространяются от входов к выходам, рассчитать значения последних. Напомним, что:

M y ( n 1) wijn ) ( n) ( s (2.15) j i i где M – число нейронов в слое n-1 с учетом нейрона с постоянным выходным состоянием +1, задающего смещение;

yi(n =xij(n) – i-ый вход нейрона j слоя n.

1) yj(n) = f(sj(n)), (2.16) где f() – сигмоид.

yq(0)=Iq, (2.17) где Iq – q-ая компонента вектора входного образа.

2. Рассчитать (N) для выходного слоя по формуле (2.12).

Рассчитать по формуле (2.13) или (2.14) изменения весов w(N) слоя N.

3. Рассчитать по формулам (2.11) и (2.13) (или (2.11) и (2.14)) соответственно (n) и w(n) для всех остальных слоев, n = N - 1,..., 1.

4. Скорректировать все веса в нейронной сети.

wijn) (t ) wijn) (t 1) wijn) (t ) ( ( ( (2.18) 5. Если ошибка сети существенна, перейти на шаг 1. В противном случае – окончание процедуры обучения.

Нейронная сеть должна быть гибкой, чтобы научиться правильно решать все примеры обучающей выборки - поэтому в нейронной сети должно быть достаточное количество нейронов и связей. На основании обучающей выборки достаточно сложно определить, сколько слоев и нейронов сети необходимо. Поэтому обычно обучают сеть со структурой, предлагаемой программой нейроимитатором по умолчанию, а в дальнейшем, если сеть не может обучиться, пробуют обучить сеть большего размера. Практически не встречается ситуации, когда требуется нейронная сеть с более чем сотней нейронов – обычно хватает нескольких десятков нейронов и даже меньшего числа.

Обучающая выборка может быть противоречива [104,105,106,108], то есть, в обучающей выборке присутствуют задачи с одинаковыми условиями, но разными ответами (одинаковыми входными векторами данных, но разными выходными). Таким задачам нейронная сеть обучиться не может.

Здесь возникает проблема разрешения такой противоречивой ситуации. Появление таких конфликтных примеров может, допустим, означать недостаточность набора входных признаков, поскольку при расширении признакового пространства конфликтным примерам могут соответствовать разные значения добавляемого признака и критическая ситуация будет исчерпана. В любом случае пользователь должен решить эту проблему, хотя бы даже простым исключением конфликтных примеров из задачника.

После обучения нейронной сети необходимо провести ее тестирование на тестовой выборке для определения точности решения не входивших в обучающую выборку задач. Точность решения очень сильно зависит от репрезентативности обучающей выборки. Обычно при решении различных неформализованных задач в разных проблемных областях точность в 70-90% правильных ответов на тестовой выборке соответствует проценту правильных ответов при решении этих же задач специалистом-экспертом.

При работе с нейронными сетями возможно выполнить упрощение нейронных сетей, то есть сокращение множества параметров сети и входных сигналов. При этом преследуются несколько целей:

1) упрощение последующей аппаратной реализации нейронной сети;

2) сокращение объема используемой памяти и повышение быстродействия программ–нейроимитаторов;

3) удешевление процесса сбора данных за счет сокращения их объема;

4) возможность решения задачи на основе меньшего объема входных данных.

Упрощение (контрастирование) нейронной сети строится как последовательный процесс исключения из сети наименее значимого элемента и дальнейшего доучивания сети. Если после шага упрощения невозможно доучивание сети до требуемой точности, то возвращаемся к сети, полученной на предыдущем шаге, и завершаем процесс упрощения.

Нейронные сети позволяют определить значимость параметров и входных сигналов сети.

У нейронной сети имеется набор n-мерных векторов данных xi, i=1,..,N (задачник) с координатами xji, j=1,..,n, m-мерный вектор параметров a с координатами ak, k=1,..,M, и некоторая функция оценки H(x,a), оценивающая работу сети с параметрами a на векторе данных x. Требуется выделить у сети наименее значимые параметры ak и сигналы xj и модифицировать систему, отбрасывая эти параметры и компоненты данных.

Для каждого ak определено некоторое значение ak0 и сокращение ak означает приравнивание ak=ak0. Аналогично для каждой компоненты данных xj и любого примера xi определено xji0 и отбрасывание j-ой компоненты данных для i-го примера означает приравнивание xj = xji0.

Такая процедура допускает очень большую свободу в доопре делении процедуры сокращения описания. В качестве простейшего 1 n базового варианта будем иметь в виду ak0=0 и x j n p 1 x j для i0 p всех i (параметры обращаются в нуль, данные заменяются средними по выборке). В случае данных, отнормированных, например, в диапазон [-1,1], в качестве xji0, естественно, принимается нуль.

Показатели значимости вычисляются в два этапа: сначала они вычисляются для одного вектора данных (примера), а потом – по всей выборке. Для данного xp значимости ak и xj оцениваются так:

H x p, a ak x ak ak ;

p (2.19) ak H x p, a p x j x jp 0.

xj xp (2.20) x j Здесь – вычисленные в линейном приближении абсолютные величины изменения H при сокращении описания, частные производные вычисляются при двойственном функционировании.

Значение функции оценки должно быть ненулевым. Оценка по всему задачнику производится с использованием некоторой нормы, например, с использованием нормы в виде суммы модулей:

x j x j x p ak ak x p ;

(2.21) p p или максимума модулей:

x j max x j x p ak max ak x p ;

(2.22) В случае работы с системой, которая меняет свои параметры, например, в ходе обучения, к моменту принятия решения о значимости может быть накоплена информация о частных производных H в разных точках a=a1,..,aq. Тогда показатели значимости для одного вектора данных вычисляются так:

1 q H x p,a s ak x ak ak ;

p (2.23) a k q s 1 q H x p, a s xj x xj xj p p p (2.24) x j q s Усредняются абсолютные значения производных, а приращения берутся в той точке, в которой будет проводиться процедура сокращения. Далее для всей выборки показатели значимости усредняются в одной из норм.

Использование вычисленных таким образом показателей значимости часто позволяет очень сильно сократить как число входных сигналов сети (остается только минимально необходимый для правильного решения задачи набор признаков), так и число элементов сети.

Выбор нейросимулятора и его обоснование.

Для решения конкретной задачи с использованием нейросетевых методов обработки данных используются программы – нейросимуляторы.

Нейросимуляторами обычно называют программы моделирования нейронной сети, понимая под этим программную оболочку, эмулирующую для пользователя необходимую среду. В настоящее время нейронные сети широко используются как универсальное средство для решения задач моделирования, прогнозирования, классификации и идентификации в экономике. Но также широко используются для решения такого класса задач интерполяционные многочлены, ряды Фурье, рекурсивные функции, сети Петри. С помощью нейронных сетей можно точно аппроксимировать любую непрерывную функцию и имитировать любой непрерывный автомат. Это и слишком много - никому не нужен столь широкий класс функций, и слишком мало, так как далеко не все важные задачи ставятся как задачи аппроксимации. В конечном итоге решение практически любой задачи можно описать, как построение некоторой функции, перерабатывающей исходные данные в результат, но такое очень общее описание не дает никакой информации о способе построения этой функции. Поэтому необходимо указать, как использовать свойства и возможности, предоставляемые нейронными сетями, для решения конкретной задачи. Именно здесь, при рассмотрении методов настройки нейронных сетей для решения конкретных задач, должны выявиться реальные рамки их применения. Такие реальные рамки изменяются со временем из-за открытия новых методов и решений. Поэтому, необходимо среди современных приложений, программ неросимуляторов, найти подходящие, которые позволяют для поставленной проблемы отыскать наиболее эффективное решение.


Широкое применение нейронных сетей в прогнозировании начинается с 1990 г., когда фирма Сalifornia Scientific Software выпускает коммерческий пакет прикладных программ Brain Maker.

Используемая конструкция нейронной сети делала его надежным и удобным в работе;

для его освоения от аналитика не требовалось специальных познаний ни в программировании, ни в математике. С тех пор появилось большое количество подобных систем, реализующих современные алгоритмы. В настоящее время широко распространены такие нейропакеты, как Neural10, NeuroPro, QwikNet, Neural Planner, Mpil, Braincel, Fuzzy Logic Toolbox и др. В связи с этим встала необходимость выбора нейропакета, который оптимально подходил для решения поставленной задачи.

В результате обзора и изучения спектра программных продуктов, реализующих построение и обучение нейронных сетей, в результате изучения их свойств и возможностей в условиях конкретной задачи, был выбран пакет NeuroPro версии 0.25 (© Царегородцев В. Г.).

В качестве основных критериев выбора рассматривались:

1. Бесплатное распространение программных пакетов, так называемое «free distributed software» (поскольку приобретение коммерческого программного обеспечения не представляется возможным).

2. Удобный интерфейс пользователя.

3. Наличие средств представления промежуточных и выходных данных (вербализация и визуализация).

4. Наличие руководства пользователя на русском языке.

NeuroPro представляет собой менеджер обучаемых искусственных нейронных сетей, работающий в среде MS Windows 95/NT и позволяющий производить такие базовые операции, как создание нейропроектов, подключение файлов (баз) данных в формате dBase, FoxBase, FoxPro, Clipper, Paradox;

редактирование файла данных – изменение существующих значений и добавление новых записей в базу данных;

сохранение файлов данных в другом формате.

Кроме того, в режиме нейрообработки данных, пакет позволяет осуществлять добавление в проект нейронной сети слоистой архитектуры с числом слоев нейронов от 1 до 10 и числом нейронов в слое до 100;

обучение нейронной сети решению задачи прогнозирования или классификации;

тестирование нейронной сети на файле данных и получение статистической информации о точности решения задачи;

вычисление показателей значимости входных сигналов сети и сохранение значений показателей значимости в текстовом файле на диске;

упрощение нейронной сети;

назначение требуемой точности прогноза и настройку нейронной сети.

2.2. Методика прогнозного моделирования производства в экономике муниципального образования с использованием нейронной сети Одна из попыток создания механизма управления экономикой Чили 70-х годов принадлежит английскому кибернетику Стаффорду Биру [15,16]. Им были предложены ставшие широко известными принципы управления, в основе которых лежат нейрофизиологические механизмы. Модели производственных систем рассматривались им, как очень сложные отношения между входами (потоками ресурсов) внутренними, невидимыми элементами и выходами (результатами). Входами моделей служили достаточно обобщенные индексы, основные из которых оперативно отражали объем выработки конкретного производства, испытываемую потребность в ресурсах и производительность. Решения, предлагаемые для эффективного функционирования такого рода систем, принимались после, как были найдены и обсуждены все возможные в данной ситуации варианты. Наилучшее решение принималось большинством голосов, участвующих в обсуждении менеджеров и экспертов. С этой целью в системе была предусмотрена ситуационная комната, оснащенная соответствующими техническими средствами. Предложенный С.

Биром подход к созданию системы управления, оказался эффективным для управления крупными производственными объединениями (сталелитейная корпорация), и, в целом, экономикой Чили 70-х годов.

Аналогичные принципы были использованы в методе группового учета аргументов (МГУА) украинским кибернетиком А.

И. Ивахненко [40,41,42] для моделирования экономики Англии.

Совместно с экономистами (Паркс и др.) предложившими более двухсот независимых переменных, влияющих на валовой доход, им было выявлено несколько (пять-шесть) главных факторов, которые с высокой степенью точности определяют значение выходной переменной. На основе этих моделей были выработаны различные варианты воздействий на экономику с целью увеличения экономического роста при различных нормах сбережений, уровнях инфляции и безработицы.

Предложенный А.И. Ивахненко [40,41,42] метод группового учёта аргументов основывается на принципе самоорганизации моделей сложных, и в частности, экономических систем, и позволяет определять сложные скрытые зависимости в данных, которые не обнаруживаются стандартными статистическими методами. Этот метод успешно использовался А.И Ивахненко для оценки состояния экономики и прогнозирования ее развития в таких странах, как США, Великобритания, Болгария и Германия. А.И. Ивахненко использовал большое количество независимых переменных (от пятидесяти до двухсот), описывающих состояние экономики и влияющих на валовой доход в исследуемых странах. На основе анализа этих переменных с использованием метода группового учета аргументов выявлялись главные, значимые факторы, с большой степенью точности определяющие значение выходной переменной (валовой доход).

Исследования в этом направлении оказали стимулирующее влияние на развитие нейросетевых методов, интенсивно применяемых в последнее время в связи с их способностью извлекать опыт и знания из небольшой классифицированной последовательности. Нейронные сети после обучения на таких последовательностях способны решать сложные неформализуемые задачи так, как это делают эксперты на основе своих знаний и интуиции. Эти преимущества становятся особо значимыми в условиях переходной экономики, для которой характерна неравномерность темпов развития, различные темпы инфляции, небольшая продолжительность, а также неполнота и противоречивость знаний о происходящих экономических явлениях.

Широко известны работы В.Г. Щетинина [104,105,106,107,108], который успешно применил принципы самоорганизации моделей сложных экономических систем для построения нейронной сети для решения задач анализа и моделирования развития экономики Мордовии и Пензенской области.

С учетом существующих подходов к решению задач прогнозирования и моделирования производства в экономике муниципального образования на основе информационных технологий, с учетом постановки задач исследования, а также с учетом требований к нейросетевой обработке данных, рекомендуется методика, которая имеет следующие основные характеристики:

представляет собой развитие экономико-математического моделирования социально-экономических процессов;

направлена на построение прогнозной модели производства в экономике МО с учетом перспективы объема производства по основным видам выпускаемой продукции;

основана на методах нейроматематики;

в настоящее время имеет большое распространение в связи с рыночными условиями развития экономики;

точность прогнозирования обеспечивается на уровне 90% и выше;

предполагает использование программ-генераторов искусственных нейронных сетей.

С учетом методики и опыта В.Г. Щетинина [104,105,106,107,108] по применению нейронных сетей для моделирования социально-экономического развития региона, рекомендуется общая логическая последовательность важнейших операций прогнозно-аналитических работ, которая должна включать следующие этапы:

формирование системы показателей, определяющих развитие производства в экономике муниципального образования, которые будут подвергнуты моделированию;

прогнозное моделирование производственного сектора экономики муниципального образования;

интерпретацию полученных результатов.

Первый этап включает процедуры формирования системы показателей, характеризующих состояние производства с учетом выпуска основных видов продукции;

необходимо выполнить:

предобработку данных показателей, квантование их;

формирование обучающего множества;

моделирование нейронной сети с помощью программы нейросимулятора;

тестирование нейронной сети;

проверку прогнозной способности нейронной сети;

получение наиболее значимых факторов, определяющих развитие экономики муниципального образования.

Результатом первого этапа является обученная нейронная сеть, на основе которой можно формировать прогнозы и модели производства в экономике города.

Второй этап проводимых исследований – построение модели роста объема производства в экономике города на основе обученной нейронной сети и с учетом значимых факторов, определяющих рост производства;

формирование возможных вариантов развития производства. Результатом второго этапа является модель производства в экономике муниципального образования.

Третий этап – интерпретация полученных результатов на основе анализа вариантов роста производства, полученных с помощью нейросетевых средств;

этот этап проводится непосредственно специалистом администрации, который разрабатывает прогноз муниципального развития.

Обоснование выбора входных и выходных переменных.

Для разработки прогноза социально-экономического развития территории муниципального образования “Город Ухта” используются показатели, перечень которых определен на основании Закона РК № 33-Р3 от 8 июля 1999 г. “О прогнозировании и программах социально экономического развития в Республике Коми”, Распоряжения главы РК №632-р от 4.05.2000г., а также методических рекомендаций Министерства экономики Республики Коми. Это следующие показатели:


объём промышленного производства – это основной показатель экономического развития территории. Динамика объемов промышленного производства, в целом, определяет экономическое развитие муниципального образования “Город Ухта”. Этот показатель представлен в денежном выражении и включает составляющие показатели развития производства, которые дают представление об объемах производства основных видов продукции на территории МО “Город Ухта”:

добыча нефти (тыс. тонн);

первичная переработка нефти (тыс. тонн);

производство дизельного топлива (тыс. тонн);

производство бензина автомобильного (тыс. тонн);

производство стеновых материалов (млн. шт. кирпича);

выработка пиломатериалов (тыс. м3);

производство деловой древесины (тыс. м3).

объём продукции АПК (агропромышленного комплекса) и его составляющие:

цельномолочная продукция (тонн);

хлебобулочные изделия (тонн);

мясо и субпродукты I категории (тонн).

сельскохозяйственная продукция представлена:

скот и птица в живой массе (тонн);

молоко (тонн).

капитальные вложения, его слагаемые:

объёмы капитальных вложений в производственную сферу (тыс. руб.);

объёмы капитальных вложений в непроизводственную сферу (тыс. руб.).

объем услуг (млн. руб.).

средняя заработная плата (руб.) – один из показателей, который отражает уровень благосостояния населения муниципального образования “Город Ухта”.

стоимость минимальной потребительской корзины (руб.) – показатель уровня благосостояния населения.

показатель занятости населения включает в себя:

численность экономически активного населения (тыс. чел.);

численность людей, занятых во всех видах экономической деятельности (тыс. чел.);

общая численность неработающих (тыс. чел.);

численность людей, имеющих статус безработных (чел.).

розничный товарооборот во всех каналах реализации (тыс. руб.) характеризует активность торговых предприятий и покупателей.

Базовыми, градообразующими отраслями экономики муниципального образования “Город Ухта” являются отрасли топливно-энергетического комплекса, они формируют промышленную структуру территории. Рост производства в базовых отраслях экономики города является “мультипликатором” экономического роста и фактором устойчивого и социально экономического развития территории в целом. Развитие экономики города и его составляющих остается нестабильным – в первую очередь, сказывается влияние того фактора, что основу экономики составляет нефтедобыча и нефтепереработка;

колебания цен на нефть на мировом рынке сообщает нестабильность развитию экономике города, в связи с этим, неустойчива и социальная обстановка.

Поэтому для решения задач достижения устойчивого экономического роста, увеличения доходной части бюджета, формирования надежной финансово-экономической базы развития территории необходимо обеспечить устойчивый рост производства в базовых отраслях экономики города. В связи с этим основное внимание в процессе исследования уделяется прогнозированию производства основных видов продукции в экономике муниципального образования.

В процессе проведения исследования каждому фактору поставлена в соответствие переменная, значение которой изменяется с окончанием очередного периода (табл. 2.1).

Таблица 2. Кодирование переменных Наименование Показатель переменной объём промышленного производства Y добыча нефти X производство бензина автомобильного X производство дизельного топлива X первичная переработка нефти X Продолжение табл. 2. производство деловой древесины X производство пиломатериалов X производство стеновых материалов X производство хлеба и хлебобулочных изделий X производство мяса и мясопродуктов X производство молока и молочных продуктов X сельское хозяйство: скот и птица X сельское хозяйство: молоко X капитальные вложения в производственную сферу X объем услуг Х При разработке методики учитываются следующие исходные положения:

данные социально-экономического ежемесячного мониторинга, используемые в ходе прогнозного моделирования развития производства муниципального образования “Город Ухта”, объективно отражают социально - экономические процессы, происходящие на данной территории;

с помощью нейронной сети можно прогнозировать любой из представленных показателей, нейронная сеть выведет зависимости между входными переменными и прогнозируемым показателем (целевой функцией), не принимая во внимание их физический смысл;

в этом случае интерпретация такого прогноза ложится на специалиста, выполняющего прогноз;

в приведённом исследовании переменная Y – прогнозируемый показатель;

обозначает объём промышленного производства в анализируемом периоде (в денежном выражении) и выбрана в качестве выходной или зависимой от всех остальных, которые обозначены через Хi. Этот выбор обоснован тем фактом, что Ухта является промышленным городом и развитие экономики муниципального образования обуславливается ростом промышленного производства в городе.

нейронная сеть обрабатывает не абсолютные значения переменных, а квантованные, относительно порогового значения. В результате квантования переменные из абсолютного значения преобразуются в логические. Такой подход обусловлен тем, что дискретное множество значений логических переменных дают легко интерпретируемые значения прогнозных показателей. В данном исследовании переменные подвергались квантованию согласно алгоритма бинаризации на основе пороговой функции: (2.1) - (2.4).

2.3. Модели производства в экономике муниципального образования “Город Ухта” На конкретных материалах социально-экономического развития муниципального образования “Город Ухта” последовательно продемонстрируем методику прогнозного моделирования производства с учетом объемов выпуска по основным видам продукции.

Для обработки была взята база данных показателей социально экономического развития муниципального образования “Город Ухта” за 1999 год и первое полугодие 2000 года.

Для составления обучающей выборки, необходимой для построения и реализации нейронной сети, использовались данные статистики за 12 месяцев 1999 года. Для прогноза и тестирования правильности работы нейронной сети были использованы статистические данные, характеризующие социально-экономическое положение муниципального образования “Город Ухта” в первом полугодии 2000 года. На основе приведенных данных выполнялись работы по построению модели роста производства в промышленности, агропромышленном комплексе и сельском хозяйстве с применением технологии искусственных нейронных сетей.

Согласно постановке задачи Y – прогнозируемый показатель, характеризует рост производства в экономике МО;

Y рассматривается как зависимая переменная от остальных переменных, которые обозначены через Хi и характеризуют производство основных видов продукции.

Предобработка данных проводится с целью получить значения каждого показателя, характеризующие рост производства, в соответствии с требованиями к нейросетевой обработке данных.

Предобработка данных включает последовательность следующих вычислительных процедур:

1) исчисление прироста показателя Y за анализируемый период;

2) определение пороговых значений показателя Y;

3) преобразование абсолютных значений показателя Y к бинарному виду (квантование показателей, бинаризация) на основе расчетных пороговых значений;

4) преобразование абсолютных значений каждого показателя Хi к бинарному виду (квантование, бинаризация) на основе рассчитанных пороговых значений;

5) определение количества ошибок на классифицированной последовательности Y путем сравнения значений каждого Хi с данными Y за анализируемый период;

6) определение предварительного списка факторов, определяющих рост производства, путем выявления тех показателей, которые имеют наименьшее количество ошибок на классифицированной последовательности данных Y за анализируемый период Предварительный анализ значений ежемесячных макро экономических показателей социально-экономического развития муниципального образования “Город Ухта”, показал, что прирост некоторых из них больше, а других – меньше. С целью понять происходящие явления необходимо выявить зависимости этих показателей – для этого вычислим ежемесячные изменения (прирост) показателя объема выпускаемой продукции в денежном выражении, вычисления представим в табл. 2.2;

согласно алгоритма бина ризации, квантования: (2.2) - (2.4) получим значение индикатора в четвертом столбце таблицы. Появление значения 1 индикатора озна чает, что величина ускорения объема промышленной продукции бу дет не менее 8.8 млн. рублей (пороговое значение – 8.8) – табл. 2.2.

Таблица 2. Классификация интервалов роста объема промышленного производства № месяца Прирост Ускорение Индикатор 1 116.1 - 2 100.9 - 15.2 3 115.1 + 14.2 4 123.9 + 8.8 5 122.1 - 1.8 6 118.0 - 4.1 7 170.6 + 52.6 8 262.7 + 92.1 9 163.0 - 99.7 10 197.0 + 34.0 11 197.0 0 12 227.4 + 30.4 13 273.9 + 46.5 14 271.9 - 2.0 15 332.7 + 60.8 16 189.0 - 143.0 17 277.4 + 88.4 18 249.3 - 28.1 Для каждого из четырнадцати показателей также определим величину порога, превышение которого должно совпадать со значением 1 индикатора и 0 - в противном случае;

при этом число ошибок на всех 18 точках классифицированной выборки должно быть наименьшим.

Результаты квантования m = 14 первичных (исходных) пере менных хi, i = 1, …, m представлены в табл. 2.3 и в Приложении 1.

Таблица 2. Результаты квантования статистических данных за 1999 год Месяц Х X1 X2 X8 Y Январь 1 0 0 0 Февраль 0 0 0 0 Март 1 0 1 1 Апрель 1 1 1 1 Май 0 0 1 0 Июнь 0 0 0 0 Июль 1 0 1 1 Август 1 0 1 0 Сентябрь 0 0 1 0 Октябрь 0 1 1 1 Ноябрь 0 1 0 0 Декабрь 0 1 0 1 Для построения краткосрочного прогноза роста объема выпускаемой продукции на первый квартал 2000 года рассмотрим квантованные данные за 12 месяцев 1999 года, предшествующие прогнозируемому периоду.

Уже предварительный анализ исходных данных выявил высокую степень зависимости объема производства продукции (в денежном выражении) от добычи нефти (переменная X1 - 3 ошибки), производства хлеба и хлебобулочных изделий (Х8 – 3 ошибки), объема производства молока в сельском хозяйстве (Х12 - 2 ошибки).

Значит, показатели, определяющие рост объема промышленной продукции в городе Ухта в 1999 году, это: добыча нефти, производство хлеба и хлебобулочных изделий (АПК), производство сельскохозяйственной продукции – молока.

Первым опытом нейросетевой обработки входных данных (data neuroprocessing) стало построение нейронной сети с использованием пакета NeuroPro 0.25 и эксперименты с ее обучением. В качестве “учебника” была определена последовательность из 12 векторов (12 месяцев 1999 года).

Количество входных переменных – 3, количество выходных переменных 1. В качестве целевой функции прогноза, рассматривалось получение прогноза роста объема промышленного производства в первом квартале 2000 года.

В качестве обучающей последовательности на вход нейросети подаётся вектор {X1, X8, X12} и одномерный вектор {Y}, всего за январь, февраль, март, апрель, май, июнь, июль, август, сентябрь, октябрь, ноябрь, декабрь 1999 года. В качестве целевой функции прогнозирования выбран показатель объема промышленного производства за первый квартал 2000 года.

Нейронная сеть была построена средствами нейросимулятора Neuro Pro 0.25;

методом подбора определена структура нейронной сети - двухслойная сеть, каждый слой содержит по 10 нейронов.

В процессе построения нейронной сети использовались общие рекомендации разработчиков пакета NeuroPro 0.25 (Help пакета). Для построения нейронной сети использовались значения настройки, задаваемые NeuroPro 0.25 по умолчанию.

Предварительный этап – этап анализа обучающей выборки данных (множества значений) на непротиворечивость данных. В нашем случае выборка не содержит противоречивые данные.

Программа – нейросимулятор NeuroPro версии 0.25 проводит обучение нейронных сетей с использованием методов минимизации функции ошибки. Сеть была обучена, результат обучения проверен тестированием сети, результаты удовлетворительные.

Следующий этап нейросетевой обработки данных средствами NeuroPro версии 0.25 – этап получения прогноза на первый квартал 2000 года.

Результаты прогноза не совпадают с фактическими данными статистики за 2000 год, Согласно [104,105,106,107,108] такая ситуация возможна в следующих случаях:

1) недостаточно факторов в обучающей выборке;

2) некорректность статистических данных;

3) статистические данные не отражают реальные социально экономические процессы, происходящие на данной территории.

В таких случаях рекомендуется [104,105,106,107,108] расширить количество признаков выборки, если это не дает результата – удалить конфликтные примеры из обучающей выборки.

Пересматриваем состав переменных, последовательно дополняя его переменными, имеющими большее (на 1) количество ошибок на классифицированной последовательности, добиваясь правильных результатов тестирования нейронной сети и уточнения прогноза. Результирующая система признаков представлена переменными Х1, Х2, Х8, Х12. В процессе подготовки обучающего множества критерием правильного подбора системы признаков является безошибочные результаты тестирования и точность получаемого прогноза.

В качестве обучающей последовательности на вход нейросети подаётся вектор {X1, Х2, X8, X12} и одномерный вектор {Y}, за месяцев 1999 года, прогнозировался показатель объема промышленного производства за первый квартал 2000 года.

Нейронная сеть построена средствами Neuro Pro 0.25;

структура сети - двухслойная сеть, каждый слой содержит по нейронов. Процесс построения нейронной сети последовательно продемонстрирован в Приложении 2 (Приложение 2.1-2.8).

Результаты прогноза совпадают с фактическими данными статистики за 2000 год, что говорит о прогнозной способности созданной нейронной сети. С помощью обученной нейронной сети, формирующей правильные прогнозы, можно построить модель, определяющую рост объема производства на территории МО "Город Ухта“. Для этого предусмотрим все возможные значения факторов – табл. 2.4.

Подготовим данные в виде контрольного множества значений для обученной нейронной сети, получим путем опроса сети про гнозируемые значения Y – занесем последним столбцом в табл. 2.4.

Таблица 2. Таблица возможных сочетаний факторов развития № п/п Х X1 X2 X8 Y 1 0 0 0 0 2 0 0 0 1 3 0 0 1 0 4 0 0 1 1 5 0 1 0 0 6 0 1 0 1 7 0 1 1 0 8 0 1 1 1 9 1 0 0 0 10 1 0 0 1 11 1 0 1 0 12 1 0 1 1 13 1 1 0 0 14 1 1 0 1 15 1 1 1 0 16 1 1 1 1 По результатам, полученным с помощью обученной нейронной сети, можно видеть, что наиболее предпочтительным является вариант роста объема производства, не предусматривающий спада производства в отдельных отраслях промышленности. В таком случае модель роста производства в 1999 году, полученная с применением нейросетевых методов обработки статистических данных характеризуется следующими параметрами:

1) факторы, обеспечивающие рост производства на территории МО “Город Ухта” в 1999 году: добыча нефти, производство бензина, производство молока в сельском хозяйстве и производство хлеба и хлебобулочных изделий в агропромышленном комплексе;

2) прирост производства (прогноз) в первом квартале 2000 года составит не менее 8. 8 млн. рублей в месяц, если добыча нефти составит не менее 52.5 тыс. тонн в месяц, производство бензина – не менее 28.1 тонн в месяц;

производство молока в сельском хозяйстве – не менее 481 тонны в месяц;

производство хлеба и хлебобулочных изделий (АПК) - не менее 925 тонн в месяц.

Для получения прогноза на второй квартал 2000 года, обратимся к данным таблиц (Приложение 1), предварительно определим значимые показатели, определяющие в анализируемом периоде рост объема производства в экономике города.

По данным 12 месяцев 1999 года и первого квартала 2000 года состав значимых факторов изменился - предварительный анализ исходных данных выявил высокую степень зависимости объема промышленной продукции от добычи нефти (переменная X1 - ошибки), объема производства дизельного топлива (переменная Х3 - ошибки), объема производства молока и молочных продуктов (в АПК, переменная Х10 – 4 ошибки), объема производства в сельском хозяйстве (молока, переменная X12 – 2 ошибки) – табл. 1-14 Приложения 1.

В качестве “учебника” была определим последовательность из 15 векторов (12 месяцев 1999 года, первый квартал 2000).

Количество входных переменных - 4 (табл. 2.5), количество выход ных переменных - 1. В качестве целевой функции прогноза, рассмат ривалось получение прогноза роста объема промышленного произ водства во втором квартале 2000 года.

Методом подбора построим нейронную сеть, состоящую из слоев по 10 нейронов в каждом слое. Процесс генерации нейронной сети последовательно представлен в Приложении 2.

Нейронная сеть обучена на обучающей выборке, результаты тестирования удовлетворительные, можно перейти к следующему этапу обработки данных – проверке прогнозной способности нейронной сети.

Результаты прогноза совпадают с фактическими данными статистики за второй квартал 2000 года, что говорит о прогнозной способности нейронной сети. Теперь можно построить модель, определяющую рост объема производства на территории МО "Город Ухта“ за предшествующие 1 год и 3 месяца.

Таблица 2. Результаты квантования статистических данных за 1999 г. – I кв. 2000 г.

№ мес. Х X1 X3 X10 Y Январь 1 1 0 0 Февраль 0 0 0 0 Март 1 0 1 1 Апрель 1 1 1 1 Май 0 1 0 0 Июнь 0 0 0 0 Июль 1 0 0 1 Август 1 1 0 0 Сентябрь 0 0 0 0 Октябрь 0 1 0 1 Ноябрь 0 0 0 0 Декабрь 0 1 0 1 Январь 1 1 1 1 Февраль 0 0 0 1 Март 1 1 1 1 Для построения различных вариантов развития составим таблицу возможных сочетаний значений значимых факторов (табл.

2.6), сформируем в формате, необходимом для обработки обученной нейронной сетью, путем опроса нейронной сети получим недостающие значения Y. Сравним имеющиеся данные за 2000 год, убедимся, что прогнозные значения нейронной сети и имеющиеся расчетные показатели – совпадают.

Таблица 2. Таблица возможных сочетаний факторов развития производства на II кв. 2000 г.

№ п/п Х X1 X3 X10 Y 1 0 0 0 0 2 0 0 0 1 3 0 0 1 0 4 0 0 1 1 5 0 1 0 0 6 0 1 0 1 7 0 1 1 0 8 0 1 1 1 9 1 0 0 0 10 1 0 0 1 11 1 0 1 0 12 1 0 1 1 13 1 1 0 0 14 1 1 0 1 15 1 1 1 0 16 1 1 1 1 По результатам, полученным с помощью обученной нейронной сети, можно видеть, что наиболее предпочтителен вариант роста объема производства, не предусматривающий спада производства в отдельных отраслях промышленности. В таком случае модель роста производства во втором квартале 2000 года, полученная с применением нейросетевых методов обработки статистических данных характеризуется следующими параметрами:

1) факторы, обеспечивающие рост производства на территории МО “Город Ухта” во втором квартале 2000 года: добыча нефти, производство дизельного топлива, производство молока в сельском хозяйстве и производство молочной продукции в АПК;

2) прирост производства (прогноз) во втором квартале 2000 года составит не менее 8. 8 млн. рублей в месяц, если добыча нефти составит не менее 52.5 тыс. тонн в месяц, производство дизельного топлива – не менее 42.2 тыс. тонн в месяц;

производство молока в сельском хозяйстве – не менее 481 тонны в месяц;

производство молочной продукции в АПК - не менее 502 тонны в месяц.



Pages:     | 1 || 3 | 4 |
 





 
© 2013 www.libed.ru - «Бесплатная библиотека научно-практических конференций»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.