ПРИМЕНЕНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ПРОГНОЗА ИНВЕСТИЦИОННОЙ АКТИВНОСТИ В РЕГИОНЕ

Экономический анализ и прогноз являются фундаментом государственной социально-экономической политики и разработки стратегических планов развития страны в целом и ее отдельных регионов. Вопросы оценки и управления инвестиционной активностью составляют важную часть этих планов. Поскольку в центре нашего внимания находится региональная экономика, то термин «инвестиционная активность» мы будем понимать как степень интенсивности внутренних и внешних инвестиционных процессов, показателями которой выступают объем и темпы привлечения инвестиций в конкретный регион

Очевидно, что программы повышения инвестиционной активности в регионе должны опираться на объективную информацию по минимально достаточному количеству ключевых экономических показателей, характеризующих реальное социально-экономическое положение субъекта РФ. В некоторых работах в качестве интегрального показателя инвестиционной активности выступает объем инвестиций в основной капитал региона

Как показывает наш опыт и результаты ряда исследований в смежных областях экономики

В начальной фазе исследования в опоре на официальные справочные издания Федеральной службы государственной статистики

– валовой региональный продукт в расчете на душу населения (в руб.);

– рост валового регионального продукта (в % к предыдущему году);

– объем экспорта (в млн. долл. США);

– объем импорта (в млн. долл. США);

– индекс промышленного производства по добыче полезных ископаемых;

– наличие рабочей силы (тыс. чел.);

– уровень безработицы (в %);

– число зарегистрированных преступлений на 100 тыс. населения;

– коэффициент обновления основных фондов (в %);

– степень износа основных фондов (в %);

– уровень жизни населения (соотношение между средним доходом и прожиточным минимумом);

– объем платных услуг в расчете на душу населения (в руб.);

– оборот розничной торговли в расчете на душу населения (в руб.);

– обеспеченность населения жильем (в м2 на чел.);

– удельный вес убыточных организаций и предприятий в экономике региона (в % от общего числа предприятий и организаций);

– объем инновационной продукции в расчете на душу населения (в руб.);

– объем инвестиций в основной капитал Ростовской области (в млн. руб.).

Разумеется, вопрос, является ли это количество показателей оптимальным, оставался открытым. В ответе на него мы исходили из предположения, что актуальность конкретного показателя для изучения инвестиционной активности региона может быть определена посредством корреляционного анализа тесноты связи социально-экономических показателей с принятым интегральным показателем инвестиционной активности — объемом инвестиций в основной капитал региона. Были использованы: коэффициент корреляции Пирсона (r-Пирсона), коэффициенты оценки влияния показателей на объем инвестиций в основной капитал региона по алгоритмам машинного обучения Elastic Net и Support Vector Regression.

Благодаря корреляционному анализу, первичная база показателей была редуцирована с 17 до 13 (с учетом интегрального показателя — объем инвестиций в основной капитал региона), которые обнаружили более тесную связь с инвестиционной активностью в Ростовской области. Из начального списка, таким образом, были исключены показатели, по которым была установлена слабая или отсутствующая связь с интегральным показателем:

– индекс промышленного производства по добыче полезных ископаемых;

– число зарегистрированных преступлений на 100 тыс. населения;

– коэффициент обновления основных фондов (в %);

– степень износа основных фондов (в %).

На основе оставшихся 13 социально-экономических показателей Ростовской области в период с 2008 по 2021 годы была сформирована база данных для обучения искусственной нейронной сети. В монографии А.Д. Евменова, А.Ю. Смирнова и П.А. Булочникова

Для экспериментальной части исследования была разработана четырехслойная модель — полносвязная нейронная сеть с входным, выходным и двумя скрытыми слоями, в которой:

– входной слой служит для фиксации данных по имеющимся социально-экономическим показателям региона;

– для первого скрытого слоя используется функция активации ReLU, применение которой позволяет отсечь комбинации социально-экономических показателей региона, имеющие незначительную зависимость с объемом инвестиций. Кроме того, для данного слоя применена L2-регуляризация, которая заставляет модель корректировать весовые коэффициенты, если их значения для каких-либо показателей становятся аномально большими. Такой прием обеспечивает восприятие показателей нейронами соразмерно их реальной значимости, не переоценивая отдельные случайные корреляции;

 – перед переходом обработанных в первом слое данных на второй слой случайные 20% нейронов первого слоя игнорируются. Такое решение позволяет эффективно противостоять процессу переобучения ИНС, возникающему при малом объеме базы данных (составленная нами база данных содержит сведения о значениях социально-экономических показателей региона лишь за 14 лет). Кроме этого, такой прием не позволяет отдельным нейронам стать слишком влиятельными, а заставляет их функционировать в условиях неполной информации, повышая тем самым надежность и стабильность модели;

– второй скрытый слой состоит из 4-х нейронов. Функция активации — ReLU;

– выходной слой представлен одним нейроном, решающим задачу регрессии — прогноз объема инвестиций в основной капитал региона.

Проверка работоспособности и эффективности искусственной нейронной сети проводилась в режиме имитации прогнозирования объема инвестиций в основной капитал Ростовской области в 2018–2021 годах при следующих условиях:

– базы данных (с учетом временного лага в один год, два года и в отсутствие лага) были разделены на обучающую (первые 10 лет) и тестовую (последние 4 года) выборку. Случайное разбиение не применялось по причине необходимости сохранения зависимости данных от фактора времени;

– обучение ИНС охватывало 500 итераций (эпох);

– 20% обучающей выборки было выделено нами для оценки качества обучения модели;

– условием для досрочного окончания обучения (не дожидаясь прохождения 500 итераций) было принято отсутствие увеличения точности прогноза моделью объема инвестиций за последние 30 эпох;

– эффективность модели оценивалась по степени совпадения получаемых посредством нее прогнозных оценок с данными государственных органов статистики, а также с прогнозом Минэкономразвития Ростовской области

По итогам эксперимента сформирована сводная таблица (табл. 1).

Сопоставление фактических данных статистических органов с прогнозами Минэкономразвития Ростовской области и искусственной нейронной сети позволяет сформулировать ряд выводов:

1) максимальное расхождение в прогнозах нейронной сети, обученной на базе данных без учета временного лага, и фактических данных служб государственной статистики, обнаруживается по отношению к четвертому году прогнозирования и составляет 19,83%, что, однако, меньше ошибки, допущенной в прогнозе Минэкономразвития Ростовской области за тот же год — 20,14% (максимальная за рассматриваемый период прогнозирования);

2) результат прогноза, полученного с помощью нейронной сети без учета временного лага, имеет высокий уровень совпадения с прогнозом Минэкономразвития Ростовской области по всему периоду прогнозирования: максимальное отклонение составляет 2,97%. Данный факт позволяет предположить, что прогноз объема инвестиций в основной капитал Ростовской области региональным министерством выполнен без учета временного лага. По нашему мнению, именно игнорирование фактора инерционности инвестиционных процессов в регионе стало основной причиной ошибки в 20,14% на четвертый год прогноза;

3) наибольшая точность достигнута нейронной сетью в прогнозе 2019 года без учета временного лага — здесь расхождение с официальными статистическими данными составило всего лишь 1,09%, в то время как ошибка прогноза Минэкономразвития Ростовской области — 1,27%;

3) отметим высокую степень совпадения прогноза нашей модели ИНС с фактической оценкой Росстата: расхождение данных, полученных от обученной без учета временного лага нейронной сети, с данными статистических органов составило 7,85% для 2018 года, 1,09% для 2019 года и 5,61% — 2020 года;

4) обучение нашей искусственной нейронной сети информацией Росстата, учитывающей временной лаг в один год, позволило получить на выходе прогнозы инвестиционной активности Ростовской области, весьма приближенные к фактическим данным. Лишь в прогнозе для 2018 года расхождение между прогнозом ИНС и фактическим объемом инвестиций в основной капитал области составило 23,95%. Но уже в прогнозах 2019, 2020 и 2021 гг. – соответственно 6,98%, 6,4% и 7,4%.

5) хотя точность краткосрочного прогноза (до трех лет) при обучении нейронной сети на базе данных, не учитывающей временной лаг, оказалась несколько выше, ИНС, учитывающая инерционность инвестиционной активности, более точно установила ее количественные показатели для завершающей фазы четырехлетнего периода, что дает основания для вывода о целесообразности использования нашей модели в средне- и долгосрочном прогнозировании.

Полученные в исследовании результаты позволяют утверждать, что использование нашей модели искусственной нейронной сети обеспечивает получение качественной оценки и прогноза инвестиционной активности региона с точностью, превышающей оценки служб государственной статистики и прогнозы региональных министерств. Мы полагаем, что данная ИНС может быть эффективно использована органами региональной власти в целях оперативного управления и разработки планов социально-экономического развития в краткосрочной перспективе без привлечения экспертных агентств. Для этого достаточно сформировать базу статистических данных по определенным параметрам и обучить на ней искусственную нейронную сеть, которая в ходе дальнейшего использования будет самостоятельно адаптироваться к динамике инвестиционной среды региона, то есть самообучаться, раз от разу повышая точность своих экономических оценок и прогнозов.