Нейросетевая модель прогнозирования человеческого капитала

D. D. Vavilova; K. V. Ketova

doi:10.22213/2410-9304-2020-1-26-35

Authors

D. D. Vavilova
K. V. Ketova

DOI:

https://doi.org/10.22213/2410-9304-2020-1-26-35

Keywords:

neural network model, forecast algorithm, socio-economic system, human capital, investments

Abstract

The aim of this research is the using of neural network modeling and the adaptation of its algorithm to build a forecast of the value, structure and dynamics of human capital. The statistical base is data on demographics, the volume of investment in human capital of the regional economic system, as well as indicators of the directions of socio-economic development. The total investment in human capital determines budget expenditures and private expenses of citizens. To forecast the dynamics of human capital, the values of volumes of investments in them are used, the forecast of which, in turn, is built using the neural network model. The neural network model used in this study is a multilayer fully connected perceptron. Neural network modeling of forecast values of investment volumes has shown its effectiveness. The assessment of human capital for 2000-2018 and its forecast for 2019-2023 are carried out on the example of the regional economic system of the Udmurt Republic. The results obtained are qualitatively correlated with the dynamics of changes in the human development index of Russia, determined by UN specialists. The proposed methodology for calculating and forecasting human capital can be used to assess and compare the socio-economic situation of the regions of Russia.

References

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).