Нейросетевая модель прогнозирования человеческого капитала
DOI:
https://doi.org/10.22213/2410-9304-2020-1-26-35Ключевые слова:
нейросетевая модель, алгоритм прогноза, социально-экономическая система, человеческий капитал, инвестицииАннотация
Целью данной работы является применение нейросетевого моделирования и адаптация его алгоритмов для прогнозирования величины, структуры и динамики человеческого капитала региона. Статистической базой служат данные по демографии, объемам инвестирования в человеческий капитал региональной системы,а также индикаторы направлений социально-экономического развития региона. Суммарные объемы инвестиций в человеческий капитал определяют расходы бюджета и частные инвестиции граждан в капитал образования, здравоохранения и культуры. Прогноз величины, структуры и динамики человеческого капитала построен с помощью нейросетевой модели, которая представляет собой многослойную сеть с последовательными связями, обученную методом обратного распространения ошибок. Нейросетевая модель прогнозирования объемов частных и бюджетных инвестиций в составляющие человеческого капитала региона показала свою эффективность. Оценка человеческого капитала за период 2000–2018 гг. и его прогноз на период 2019–2023 гг. выполнен на примере региональной экономической системы Удмуртской Республики. Полученные результаты качественно коррелируют с динамикой индекса человеческого развития России, определяемого специалистами ООН. Предложенная методика расчета и прогноза человеческого капитала может быть использована для оценки и сравнительного анализа состояния социально-экономического развития регионов РФ.
Библиографические ссылки
Кетова К. В. Математические модели экономической динамики: монография. Ижевск : Изд-во ИжГТУ, 2013. 284 с.
Schmidhuber J. Deep learning in neural networks: An overview. Neural Networks, 2015, vol. 61, pp. 85-117. DOI:10.1016/j.neunet.2014.09.003.
Nguyen G., Dlugolinsky S., Bobk M. Machine Learning and Deep Learning frameworks and libraries for large-scale data mining: a survey. Artificial Intelligence Review. 2019. Vol. 52. Pp. 77–124. DOI:10.1007/s10462-018-09679-z.
Тененёв В. А., Тененёва А. В. Обучение нечетких нейронных сетей генетическим алгоритмом // Интеллектуальные системы в производстве. 2010. № 1 (15). С. 76–85.
Vavilova D.D., Ketova K.V., Kasatkina E.V. Application of Genetic Algorithm for Adjusting the Structure of Multilayered Neural Network for Prediction of Investment Processes // Материалы VIII Международной конференции «Технические университеты: интеграция с европейскими и мировыми системами образования». 2019. Т. 1. С. 223–233.
Ghanbarzadeh M., Aminghafari M. A novel wavelet artificial neural networks method to predict nonstationary time series. Communications in statistics-theory and methods. 2018. Vol. 49. No. 4. Pp. 864–878. DOI:10.1080/03610926.2018.1549259.
McCulloch W.S., Pitts W. A logical calculus of the ideas immanent in nervous activity. Bull. Math. Biophys. 1943. Vol. 5. Pp. 115–133.
Hebb D. O. The Organization of Behavior: A Neuropsychological Theory. Wiley, 1949. 335 p.
Rosenblatt F. Principles of Neurodynamics: perceptrons and the theory of brain mechanisms. Washing-ton, D.C. Spartan books, 1962. 480 p.
Kohonen T. Self-Organizing Maps(Third Ext. Edition). New York, 2001. 501 p.
Grossberg S. Competitive learning: From interactive activation to adaptive resonance. Cognitive Science. 1987. Vol. 11. No. 1. Pp. 23–63.
Werbos P.J. Beyond regression: New tools for prediction and analysis in the behavioral sciences. Harvard University, Cambridge, 1974.
Minsky M.L., Papert S. Perceptrons: an introduction to computational geometry. Cambridge, Mass., 1969. 112 p.
Hopfield J.J., Tank D. W. Neural computation of decisions in optimization problems. Biological Cybernetics. 1985. Vol. 52. No. 3. Pp. 141–152.
Haykin S. Neural Networks: A Comprehensive Foundation. United States, 1998. 842 p.
Hecht-Nielsen R. Confabulation Theory. Springer-Verlag Berlin Heidelberg, 2007. 116 р.
Митинская А. Н., Матыч М. А. Исследование проблемы прогнозирования с использованием нейронных сетей // Актуальные направления научных исследований XXI века: теория и практика. 2015. Т. 3. № 7-2 (18-2). С. 30–31. DOI: 10.12737/ 15021.
Cavarretta F., Naldi G. Mathematical study of a nonlinear neuron model with active dendrites. Aims Mathematics. 2019. Vol. 4. No. 3. Pp. 831–846. DOI:10.3934/math.2019.3.831.
Тененев В. А., Паклин Н. Б. Гибридный генетический алгоритм с дополнительным обучением лидера // Интеллектуальные системы в производстве. 2003. № 2. С. 181.
Математическое моделирование человеческого капитала / К. В. Кетова, И. Г. Русяк и др. // Компьютерные исследования и моделирование. 2019. Т. 11. № 2. С. 329–342. DOI: 10.20537/2076-7633-2019-11-2-329-342.
Русяк И. Г., Кетова К. В. Идентификация и прогнозирование обобщающих показателей развития региональной экономической системы // Прикладная эконометрика. 2009. № 3 (15). С. 56–71.
Айвазян С. А., Афанасьев М. Ю., Кудров А. В. Индикаторы основных направлений социально-экономического развития // Прикладная эконометрика. 2019. № 2 (54). С. 51–62. DOI:10.24411/1993-7601-2019-10003.
Рутковская Д., Пилиньский М. Нейронные сети. Генетические алгоритмы и нечеткие системы. М. : Горячая линия – Телеком, 2006. 452 c.
Исполнение бюджетов «Консолидированные бюджеты субъектов РФ и бюджетов территориальных государственных внебюджетных фондов». URL: http://www.roskazna.ru/ispolnenie-byudzhetov/konsolidirovannye-byudzhety-subektov/ (дата обращения: 10.12.2019).
Доходы, расходы и потребление домашних хозяйств. URL: https://www.gks.ru/compendium/document/13271 (дата обращения: 10.12.2019).
Регионы России. Основные характеристики субъектов РФ. URL: https://www.gks.ru/folder/210/document/13205 (дата обращения: 11.12.2019).
Итоги федеральных статистических наблюдений по социально-демографическим проблемам. URL: https://www.gks.ru/free_doc/new_site/inspection/ itog_inspect1.htm (дата обращения: 12.12.2019).
Кетова К. В., Касаткина Е. В., Насридинова Д. Д. Программа структурной оптимизации прогнозных нейросетевых моделей. Свидетельство о регистрации программы для ЭВМ 2014618038. Заяв-ка № 2014615568 от 10.06.2014.
Рейтинг социально-экономического положения регионов РФ – 2019. URL: riarating.ru/infografika/20190604/630126280.html (дата обращения: 20.01.2020).
