Болдыревский П.Б.доктор физико-математических наук, профессор, заведующий кафедрой математических и естественнонаучных дисциплин, Национальный исследовательский Нижегородский государственный университет им. Н.И. Лобачевского (ННГУ), Нижний Новгород, Российская Федерация bpavel2@rambler.ru ORCID id: отсутствует SPIN-код: 7004-7809
Игошев А.К.кандидат экономических наук, доцент кафедры экономики фирмы, Национальный исследовательский Нижегородский государственный университет им. Н.И. Лобачевского (ННГУ), Нижний Новгород, Российская Федерация akigoshev@iee.unn.ru ORCID id: отсутствует SPIN-код: 9016-3628
Кистанова Л.А.старший преподаватель кафедры математических и естественнонаучных дисциплин, Национальный исследовательский Нижегородский государственный университет им. Н.И. Лобачевского (ННГУ), Нижний Новгород, Российская Федерация lakistanova@mail.ru ORCID id: отсутствует SPIN-код: 2835-1795
Предмет. Обеспечение конкурентоспособности и экономической устойчивости предприятий российской промышленности обусловливает необходимость совершенствования и поиска новых форм и методов оценки всех сторон их деятельности. Цели. Построение математических моделей пространственных данных и временных рядов индекса промышленного производства, позволяющих проводить анализ и прогнозирование динамики развития определенных секторов экономики РФ. Методология. Для реализации поставленных целей использовались многомерные статистические методы кластерного анализа и нейросетевого моделирования. Информационной базой для разработки моделей динамики индекса производства обрабатывающей промышленности послужили статистические данные Федеральной службы государственной статистики с 1999 по 2016 г. Результаты. Выполнена многомерная классификация субъектов Федерации по индексу производства предприятий обрабатывающей промышленности с использованием инструментов кластерного анализа. Предложена методика анализа и прогнозирования показателей индекса промышленного производства, основанная на применении искусственных нейронных сетей. Средняя ошибка прогнозирования при нейросетевом моделировании не превышала 0,08%. Выводы. В результате классификации промышленных предприятий по значениям индекса промышленного производства выявлены два кластера, имеющие различные показатели устойчивости к изменению внешних факторов. Показана перспективность применения и приведены результаты нейросетевого моделирования прогнозных значений индекса промышленного производства для субъектов Федерации.
Ключевые слова: обрабатывающие производства, кластерный анализ, нейронные сети
Список литературы:
Палаш С.В. Анализ структурной динамики обрабатывающей промышленности на национальном и региональном уровнях // Научно-технические ведомости Санкт-Петербургского государственного политехнического университета. Экономические науки. 2018. Т. 11. № 1. С. 64–76. URL: Link
Почукаева О.В. Инновационные факторы развития российской обрабатывающей промышленности // Научные труды. Институт народнохозяйственного прогнозирования РАН. 2012. Вып. 10. С. 257–279. URL: Link
Подкорытов В.Н. Экономические циклы: теоретические выводы или практические результаты? // Известия Уральского государственного горного университета. 2014. № 4. С. 63–67. URL: Link
Жамбю М. Иерархический кластер-анализ и соответствия. М.: Финансы и статистика, 1988. 342 с.
Мандель И.Д. Кластерный анализ. М.: Финансы и статистика, 1988. 176 с.
Coates A., Ng A.Y. Learning Feature Representations with K-means. In: Montavon G., Orr G.B., Müller K-R. Neural Networks: Tricks of the Trade. Lecture Notes in Computer Science, vol. 7700. Springer-Verlag Berlin Heidelberg, 2012, pp. 561–580.
Балдин А.В., Борисевич В.Б., Нестеренко В.И. Факторный и кластерный анализ основных показателей производственной деятельности предприятий транспортного комплекса // Российское предпринимательство. 2006. № 1. С. 56–58. URL: Link
Белашев Б.З., Долгий К.А. Применение глобальной оптимизации в кластерном анализе данных // Труды Карельского научного центра РАН. Сер.: Математическое моделирование и информационные технологии. 2015. № 10. С. 15–23. URL: Link
Макаров В.Л. Обзор математических моделей экономики с инновациями // Экономика и математические методы. 2009. Т. 45. № 1. С. 3–14.
Болдыревский П.Б., Игошев А.К., Кистанова Л.А. Анализ основных факторов экономической устойчивости промышленных предприятий России // Вестник Нижегородского университета им. Н.И. Лобачевского. Сер.: Социальные науки. 2018. № 1. С. 7–13. URL: Link
Окунь А.С., Окунь С.А. Нейросетевое моделирование как инструмент прогнозирования // Финансовая аналитика: проблемы и решения. 2011. № 33. С. 45–52. URL: Link
Калайдин Е.Н., Дюдин М.С. Нейросетевое моделирование биржевой динамики // Современная экономика: проблемы и решения. 2012. № 9. С. 168–176. URL: Link
Васенков Д.В. Методы обучения искусственных нейронных сетей // Компьютерные инструменты в образовании. 2007. № 1. С. 20–29. URL: Link
Семейкин В.Д., Скупченко А.В. Моделирование искусственных нейронных сетей в среде MATLAB // Вестник Астраханского государственного технического университета. Сер.: Управление, вычислительная техника и информатика. 2009. № 1. С. 159–164. URL: Link
Величко Е.П., Сокольчик П.Ю. Применение нейросетевого регулятора в системах позиционного регулирования // Вестник ПНИПУ. Химическая технология и биотехнология. 2015. № 2. С. 8–19. URL: Link
Каллан Р. Основные концепции нейронных сетей. М.: Вильямс, 2001. 287 с.
Ферцев А.А. Ускорение обучения нейронной сети для распознавания изображений // Вестник Самарского государственного технического университета. Сер.: Физико-математические науки. 2012. № 1. С. 183–191. URL: Link
Осовский С. Нейронные сети для обработки информации. М.: Финансы и статистика, 2002. 244 с.
MacKay D.J.C. A Practical Bayesian Framework for Backpropagation Networks. Neural Computation, 1992, vol. 4, no. 3, pp. 448–472. URL: Link
Нужный А.С., Шумский С.А. Регуляризация Байеса в задаче аппроксимации функции многих переменных // Математическое моделирование. 2003. Т. 15. № 9. С. 55–63. URL: Link
Гринчель Б.М., Назарова Е.А. Методы оценки конкурентной привлекательности регионов: монография. СПб.: ГУАП, 2014. 244 с.
