Комплекс гибридных моделей прогнозирования социально-экономических показателей Российской Федерации и их реализация в интеллектуальной системе «Горизонт»

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Доступ платный или только для подписчиков

Аннотация

В настоящее время возрастает необходимость применения моделей, методов и инструментов для прогнозирования развития экономики страны, позволяющих просчитывать траектории социально-экономического развития. Построение таких прогнозов возможно на основе применения как эконометрических, так и интеллектуальных моделей для совокупной системы показателей. В статье описывается построенная иерархическая структура моделей социально-экономических показателей России, методология и технология их прогнозирования средствами авторской гибридной интеллектуальной системы «Горизонт». В соответствии с нашей методикой для выбранного сценария, определяемого сценарными прогнозами Банка России, разрабатывается система взаимоувязанных регрессионных уравнений, затем проводится верификация результатов. Для показателей с неудовлетворительными результатами прогнозов строятся интеллектуальные прогнозные модели на основе нейросетей и деревьев решений. Приведенные результаты применения гибридной модели для всей совокупности показателей социальной сферы демонстрируют высокое качество и точность полученных прогнозов.

Об авторах

Ольга Викторовна Китова

Российский экономический университет им. Г.В. Плеханова

Email: olga.kitova@mail.ru
заведующий кафедрой информатики, доктор экономических наук, кандидат физико-математических наук, доцент

Людмила Павловна Дьяконова

Российский экономический университет им. Г.В. Плеханова

Email: ldyak@mail.ru
доцент кафедры информатики, кандидат физико-математических наук, доцент

Виктория Михайловна Савинова

Российский экономический университет им. Г.В. Плеханова

Email: lesnayapol@yandex.ru
старший преподаватель кафедры информатики

Список литературы

  1. 1. Федеральный закон от 28.06.2014 № 172-ФЗ «О стратегическом планировании в Российской Федерации». Consultant.ru. [Электронный ресурс]. URL: http://www.consultant.ru/document/cons_doc_LAW_164841/ (дата обращения: 16.03.2023).
  2. 2. Klein L.R., Goldberger A.S. An econometric model of the United States, 1929-1952. - Amsterdam: North-Holland Publishing Company, 1955. – 165 p.
  3. 3. Колмаков И.Б. Основы моделирования. Имитационные макромодели рыночной экономики. - М.: Из-во Рос. экон. акад им. Г.В. Плеханова, 1995. – 203 c.
  4. 4. Макаров В.Л., Айвазян С.А., Борисова С.В., Лакалин Э.А. Эконометрическая модель экономики России для целей краткосрочного прогноза и сценарного анализа. / Препринт # WP/2001/121. - М.: ЦЭМИ РАН, 2001. – 34 c.
  5. 5. Сиволап Н.Н. Прогнозирование основных показателей социальной сферы региона // Региональная экономика: теория и практика. – 2007. – № 7. – c. 121-123.
  6. 6. Турунцева М.Ю., Киблицкая Т.Р. Качественные свойства различных подходов к прогнозированию социально-экономических показателей РФ. - М.: ИЭПП, 2010. – 148 c.
  7. 7. Китова О.В., Колмаков И.Б., Шарафутдинова А.Р. Анализ точности и качества краткосрочного прогноза показателей социально-экономического развития России // Вестник Российского экономического университета им. Г.В. Плеханова. – 2013. – № 9(63). – c. 111-119.
  8. 8. Китова О.В., Дьяконова Л.П., Китов В.А., Савинова В.М. Применение нейронных сетей для прогнозирования социально-экономических временных рядов // Russian Economic Bulletin. – 2020. – № 5. – c. 188-201.
  9. 9. Kitova O.V., Kolmakov I.B., Dyakonova L.P., Grishina O.A., Sekerin V.D., Danko T.P. Hybrid intelligent system of forecasting of the socio-economic development of the country // International journal of applied business and economic research. – 2016. – № 9. – p. 5755-5766.
  10. 10. Kitova O., Savinova V., Dyakonova L., Kitov V. Development of hybrid models and a system for forecasting the indicators of the Russian economy // Espacios. – 2019. – № 10. – p. 18.
  11. 11. Štencl M., Šťastný J. Artificial Neural Networks Numerical Forecasting of Economic Time Series. / In book: Artificial Neural Networks – Application., 2011.
  12. 12. Verstyuk S. Modeling Multivariate Time Series in Economics: from Auto-Regressions to Recurrent Neural Networks // SSRN Electronic Journal. – 2018. – doi: 10.2139/ssrn.3297736.
  13. 13. Almosova A., Andreseny N. Nonlinear Inflation Forecasting with Recurrent Neural Networks. European Central Bank Conference Inflation in a changing economic environment. [Электронный ресурс]. URL: https://www.ecb.europa.eu/pub/conferences/shared/pdf/20190923_inflation_conference/L2_Almosova.pdf.
  14. 14. Jahn M. Artificial neural network regression models in a panel setting: Predicting economic growth // Economic Modelling. – 2020. – p. 148-154. – doi: 10.1016/j.econmod.2020.06.008.
  15. 15. Mvubu M., Kabuga E., Plitz C., et al. On Error Correction Neural Networks for Economic Forecasting. Arxiv.org. [Электронный ресурс]. URL: https://arxiv.org/pdf/2004.05277v1.pdf.
  16. 16. Kavousi-Fard A., Samet H., Marzbani F. A new hybrid modified firefly algorithm and support vector regression model for accurate short term load forecasting // Expert Systems with Applications. – 2014. – № 13. – p. 6047-6056. – doi: 10.1016/j.eswa.2014.03.053.
  17. 17. Nguyen N., Cripps A. Predicting housing value: a comparison of multiple regression analysis and artificial neural networks // Journal of Real Estate Research. – 2001. – № 3. – p. 314-336. – doi: 10.1080/10835547.2001.12091068.
  18. 18. Singh P. Big data time series forecasting model: a fuzzy-neuro hybridize approach. / In book: Computational Intelligence for Big Data Analysis., 2015. – 55-72 p.
  19. 19. Wang J.S., Ning C.X. ANFIS Based Time Series Prediction Method of Bank Cash Flow Optimized by Adaptive Population Activity PSO Algorithm // Information (Switzerland). – 2015. – № 3. – p. 300-313. – doi: 10.3390/info6030300.
  20. 20. Китова О.В., Савинова В.М., Дьяконова Л.П. Гибридная интеллектуальная информационная система прогнозирования «СГМ Горизонт» и ее применение в подготовке магистров // Современные информационные технологии и ИТ-образование. – 2019. – № 4. – c. 1022-1030. – doi: 10.25559/SITITO.15.201904.1022-1030.
  21. 21. Китова О.В., Дьяконова Л.П., Савинова В.М., Китов В.В. Система поддержки приятия решений «Горизонт» на основе гибридных моделей прогнозирования показателей экономики России // Экономика: вчера, сегодня, завтра. – 2018. – № 9А. – c. 309-319.
  22. 22. Китова О.В., Дьяконова Л.П., Китов В.А., Савинова В.М. Цифровой сервис сценарного прогнозирования экономики Российской Федерации // Modern Economy Success. – 2020. – № 4. – c. 225-232.
  23. 23. Официальный сайт Банка России. [Электронный ресурс]. URL: https://cbr.ru (дата обращения: 16.03.2023).
  24. 24. Основные направления единой государственной денежно-кредитной политики на 2021 год и период 2022 и 2023 годов. Банк России. [Электронный ресурс]. URL: http://www.cbr.ru/about_br/publ/ondkp (дата обращения: 16.03.2023).
  25. 25. Чучуева И.А. Модель прогнозирования временных рядов по выборке максимального подобия. / Диссертация кандидата техн. наук: 05.13.18., 2012. – 154 c.
  26. 26. Kitov Victor V., Mishustina Margarita V., Ustyuzhanin Alexander O. Time Series Prediction Survey of Statistical, Machine Learning and Deep Learning Methods: Historical Aspects // Voprosy istorii. – 2022. – № 4-2. – p. 201-218. – doi: 10.31166/VoprosyIstorii202204Statyi40.
  27. 27. Китова О.В., Савинова В.М. Структура и информационно-логическая схема работы системы прогнозирования экономических временных рядов «СГМ Горизонт» // Modern Economy Success. – 2020. – № 5. – c. 190-197.
  28. 28. Китова О.В., Савинова В.М. Теоретические аспекты социально-экономического моделирования и построения полнофункциональной версии ИАС Горизонт // Modern Economy Success. – 2022. – № 2. – c. 54-60.
  29. 29. Савинова В.М. Система эконометрических моделей прогнозирования социально-экономических показателей РФ как основа ИАС «Горизонт» // Modern Economy Success. – 2022. – № 2. – c. 140-147.
  30. 30. Китова О.В., Дьяконова Л.П., Савинова В.М. Прогнозирование региональных экономических показателей на основе искусственных нейронных сетей // Инжиниринг предприятий и управление знаниями (ипуз-2020): Сборник научных трудов XXIII Международной научной конференции. Москва, 2021. – c. 68-74.
  31. 31. Основные направления единой государственной денежно-кредитной политики на 2023 год и период 2024 и 2025 годов. Банк России. [Электронный ресурс]. URL: http://www.cbr.ru/about_br/publ/ondkp (дата обращения: 16.03.2023).

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Китова О.В., Дьяконова Л.П., Савинова В.М., 2023

Данный сайт использует cookie-файлы

Продолжая использовать наш сайт, вы даете согласие на обработку файлов cookie, которые обеспечивают правильную работу сайта.

О куки-файлах