Информационное письмо
Образец оформления статьи
Анкета автора
19.07.2017

Информационно-аналитическая система прогнозирования показателей социально-экономической сферы Российской Федерации

Савинова Виктория Михайловна
Старший преподаватель кафедры Информатики, Российский экономический университет им. Г.В. Плеханова, г. Москва, Российская Федерация
Осадчая Алина Дмитриевна
студентка факультета Математической Экономики, Статистики и Информатики, Российский экономический университет им. Г.В. Плеханова, г. Москва, Российская Федерация
Аннотация: В настоящей статье описана информационно-аналитическая система, которая позволяет различными методами на основании имеющихся данных строить прогнозы на следующие периоды, а также проводить план-фактный анализ. На примере ситуационного центра ФГБОУ ВО «РЭУ им. Г.В. Плеханова» предлагается создать информационно-аналитическую систему на базе гибридной модели прогнозирования, которая будет интегрирована с программным обеспечением данного центра. В работе представлены примеры расчетов и оценка их точности и качества, полученные с помощью прототипа разрабатываемой системы.
Ключевые слова: эконометрические модели, математическое моделирование экономических систем, нейросетевое моделирование, прогнозирование, информационно-аналитическая система, ситуационный центр
Электронная версия
Скачать (923.7 Kb)
В настоящее время существует необходимость оценки эффективности функционирования субъектов РФ в реальном времени. Для достижения этой цели в России повсеместно создаются ситуационные центры, которые позволяют осуществлять мониторинг социально-экономических показателей как на федеральном, так и на региональном уровнях.

В 2012 году был создан Ситуационный центр социально-экономического развития регионов в Российском экономическом университете имени Г.В. Плеханова в рамках программы инновационного развития в ВУЗе. Данный центр позволяет проводить исследования социально-экономических показателей, используя набор инструментов для анализа данных.

Основным программным обеспечением центра является информационно-аналитическая система Contour BI. Данное программное обеспечение разрабатывается российской компанией ООО "Контур Компонентс", которая занимается исследованиями в области Business Intelligences. Указанная система включает в себя следующие компоненты:
  • Contour DW – хранилище данных, которое предоставляет данные для составления отчетов, различного рода анализа и визуализации данных.
  • Contour BI Portal – это веб-приложение, которое позволяет выкладывать в интернет интерактивные отчеты из проектов, созданных в рамках данной системы. Contour BI Portal создает адаптивный пользовательский интерфейс для персональных компьютеров, смартфонов и планшетов. Система предоставляет пользователям информацию по средствам настраиваемых отчетов и выполнена по шаблону SPA (single page application).
  • Contour Publisher - это консольная утилита, выполняющая сценарии, предназначенная для автоматизации обновления и публикации отчетов.
  • Contour Reporter – представляет собой конструктор, позволяющий строить интерактивные отчеты, а также проводить анализ данных.
Данное программное обеспечение позволяет решать задачи:
  1. Проведение анализа данных с использованием многомерных отчетов (OLAP) с возможностью агрегирования, детализации, а также изучения информации в различных разрезах.
  2. Визуализация данных различными способами, что делает выявленные закономерности в данных более наглядными для пользователя.
  3. Построение различных отчетов с использованием конструктора, что позволяет представить результаты проведенного анализа в удобной форме.
На кафедре информатики в настоящее время ведутся разработки информационно-аналитической системы прогнозирования, в основе которой лежит построенная гибридная модель, включающая в себя классическую эконометрическую модель (регрессионную), а также модели машинного обучения и методы искусственного интеллекта (нейронные сети, нечеткая логика, деревья решений, карты Кохонена). Функционал системы должен включать в себя:
  1. Автоматическую загрузку данных в систему
  2. Исследование качества данных
  3. Выбор и построение подходящей модели
  4. Расчет прогнозных значений показателей
  5. Проведение верификации полученной модели (расчет показателей точности и качества)
  6. Построение графиков
  7. Выгрузка полученных данных
С помощью данной системы возможно производить расчеты как на Федеральном, так и на региональном уровне. Также возможен расчет с использованием временных рядов с различным временным интервалом (месяц, квартал, год).
В качестве входных данных используются показатели Федеральной службы государственной статистики.
В настоящий момент разработан прототип системы, реализованный средствами VBA (Visual basic application), который включает в себя построение линейной регрессионной модели и позволяет проводить расчеты с использованием различных сценарных условий.
В рамках модели исследуются несколько блоков показателей, одним из которых является блок Доходов и расходов населения. В рамках этого блока было построено 57 уравнений.
С использованием данной модели был выполнен расчет прогноза на 2015 год. С появлением данных на 2015 год стало возможным провести верификацию данной модели. Пример расчета представлен на рисунке 1.

Рисунок 1. Верификация построенного прогноза Среднемесячная номинальная начисленная заработная плата во Владимирской области на 2016 год средствами регрессионной модели
Рисунок 1. Верификация построенного прогноза Среднемесячная номинальная начисленная заработная плата во Владимирской области на 2016 год средствами регрессионной модели

В качестве примера был выполнен расчет показателя «Среднемесячная номинальная начисленная заработная плата во Владимирской области», рублей (AMAW). В результате верификации получаем следующие результаты (Таблица 1).

Таблица 1. Результат верификации

R2 (коэффициент детерминации)

DW (критерий Дарбина-Уотсона)

F-stat (статистика Фишера)

Относительная ошибка

0.99031597

1,64

374,9

1,4%


Экспертным путем были подобраны значения критериев точности и качества, при которых полученные результаты считаются приемлемыми (Таблица 2).

Таблица 2. Критерии оценки уравнений

коэффициент детерминации (R2)

> 0,4

значения статистики Фишера (F-stat)

> 4,0

критерий Дарбина-Уотсона (DW)

0,6 < DW< 3,4

Точность считается высокой в случае, если значение относительной ошибки меньше 10%, приемлемой, если больше 10, но меньше 15%, низкой – свыше 15%.

Таким образом, полученный прогноз является приемлемым по критерию точности, а построенная модель обладает высоким качеством.

В результате расчета всех уравнений данной модели и дальнейшей ее верификации был получен следующий результат:

Таблица 3. Результат верификации регрессионных уравнений социальной сферы

2.png

Можно заметить, что все построенные уравнения имеют приемлемую точность. Однако качество полученных моделей недостаточно. Таким показателем является, например, «Реальные денежные доходы населения Владимирской области в процентах к предыдущему году» (RMI). В этом случае могут использоваться интеллектуальные модели прогнозирования, в частности искусственные нейронные сети. Результаты расчетов регрессионной и нейросетевой моделей представлены на рисунках 2 и 3 соответственно. В качестве архитектуры нейронной сети выбран многослойный персептрон с одним скрытым слоем, на котором располагаются 2 нейрона. Метод обучения – Back propagation.

Рисунок 2. Расчет показателя «Реальные денежные доходы населения» (в процентах к предыдущему) средствами регрессионной модели

Рисунок 2. Расчет показателя «Реальные денежные доходы населения» (в процентах к предыдущему) средствами регрессионной модели

Рисунок 3. Расчет показателя «Реальные денежные доходы населения» (в процентах к предыдущему) средствами Искусственных нейронных сетей
Рисунок 3. Расчет показателя «Реальные денежные доходы населения»
(в процентах к предыдущему) средствами Искусственных нейронных сетей

В результате верификации получились следующие значения критериев (Таблица 4).

Таблица 4. Значение критериев верификации для показателя «Реальные денежные доходы населения» (в процентах к предыдущему)

Регрессионная модель

Искусственная нейронная сеть

R2

Ошибка

R2

Ошибка

0,24

2,4%

0,92

2,2 %


Таким образом, с помощью искусственной нейронной сети удалось улучшить качество, не ухудшив при этом точность.

Создаваемая система позволит не только выполнять описанные выше расчеты, но и посредством правил, построенных с помощью нечеткой логики, составлять рекомендации по выбору модели, ранжируя их по релевантности для прогнозирования конкретного показателя. Сами правила будут генерироваться при помощи нечеткой нейронной сети. Примерный набор компонентов модели разрабатываемого приложения представлена на рис. 4.

Рисунок 4. Компоненты модели разрабатываемого приложения

Рисунок 4. Компоненты модели разрабатываемого приложения

Данная система будет взаимосвязана с системой ситуационного центра РЭУ имени Г.В. Плеханова, что позволит более эффективно решать поставленные перед ним задачи. Взаимодействие между системой Contour BI, установленной в ситуационном центре, и системой прогнозирования, разрабатываемой на кафедре информатики, представлена на рисунке 5.

Рисунок 5. Архитектура разрабатываемой системы

Рисунок 5. Архитектура разрабатываемой системы

Данная архитектура системы предполагает следующие возможности:

1. Доступ к системе будет осуществляться с помощьюAPI;

2. Система будет обладать Web-интерфейсом, но останется возможность работать с системой напрямую используя API;

3. Модуль интеграции данных будет обеспечивать подготовку данных для обработки и выдачи готовых результатов из базы;

4. Модуль "Регрессионная модель" – средство построения множественной линейной регрессии для выполнения сценарного прогнозирования;

5. Модуль моделей искусственного интеллекта позволит использовать для решения задачи прогнозирования такие методы, как нейронные сети, генетические алгоритмы и прочие;

6. Модуль верификации будет производить проверку качества построенных моделей и посредством нечеткой логики выдавать рекомендации относительно эффективности применяемых инструментов;

7. База данных системы обеспечит хранение рассчитанных показателей и данных для их дальнейшей обработки.

Таким образом, представленная система позволит осуществлять оперативный мониторинг регионов РФ. Благодаря гибкости системы, будет возможность прогнозировать как на региональном уровне, так и на федеральном, а также использовать временные ряды как в годовом, так и в квартальном и месячном режиме. Совокупность различных моделей прогнозирования позволит осуществлять расчеты одного показателя различными способами. Элементы нечеткой логики будут способствовать ранжированию полученных моделей по релевантности для моделирования каждого конкретного временного ряда. Верификация позволит оценить полученные модели и выбирать из них те, которые дадут возможность получить наиболее качественные и точные прогнозные значения исследуемых показателей. Доступ к системе ситуационного центра позволит осуществить автоматическую загрузку данных Федеральной службы государственной статистики, а также визуализировать полученные результаты расчетов и генерировать отчеты.

Список литературы:

1. Гришин В.И., Абдикеев Н.М., Колмаков И.Б., Воронова Т.А., Турлак В.А., Филиппов Д.И. Система расчета прогнозных показателей макроэкономики России. // М: Финансовая аналитика. Проблемы и решения. Научно-практический и информационно-аналитический сборник. Издательский дом «Финансы и кредит» №13 (37) октябрь 2010 с.2-15.

2. Китова О.В., Колмаков И.Б., Дьяконова Л.П. Система гибридных моделей вариантного краткосрочного прогнозирования показателей социально-экономического развития России на федеральном и региональном уровнях. // Вестник РЭУ им. Г.В. Плеханова. - 2014. - № 12. – с. 88- 103.

3. 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. - № 9 (63).- 2013. – С. 111-119.

4. Китова О.В., Колмаков И.Б., Дьяконова Л.П. Методология и система гибридных интеллектуально-экономических моделей и инструментальных средств для анализа и прогнозирования показателей социально- экономического развития РФ//Менеджмент и бизнес-администрирование № 3, 2015. - С. 116-120.

5. Китова О.В., Дьяконова Л.П., Пеньков И.А. Гибридный подход к прогнозированию показателей инвестиционной сферы. Менеджмент и бизнес-администрирование, № 3, 2015, с. 111-115.

6. Колмаков И.Б., Косоруков О.А., Китова О.В. Антипов В.И., Десятов И.В, Шарафутдинова А. Р., Системы моделей прогнозов социально-экономического развития России. (Системы моделей – база знаний) /Dny vedy -2012.: Materialy VIII mezinarodni vedesko-praktika konference Dil 19. Economicke vedy. –Praha, 2012

7. Савинова В.М. Методология и средства повышения точности и качества краткосрочного прогноза показателей социальной сферы РФ // Труды вольного экономического общества России том 186. – 2014.

8. Christopher M. Bishop. Pattern Recognition and Machine Learning. Springer. 2006

9. Zhang G. Peter. Neural Networks in Business Forecasting. (ed). Idea Group Publishing, 2004.

10. Johnston Jack, DiNardo John. Econometric methods. McGraw Hill, 1997

11. Quinlan J. Ross. C4.5: Programs for Machine learning. Morgan Kaufmann Publishers 1993.

12. Klein L. R., Goldberger A. S. An econometric model of the United States, 1929-1952. - Amsterdam, 1955.

13. Rokach Lior, Maimon Oded. Data Mining with Decision Trees. Theory and Applications. Series in Machine Perception and Artificial Intelligence, edited by Horst Bunke, P S P Wang &amp; Andreas Dengel Volume 81, 2014.

14. Pindyck Robert S., Rubinfeld Daniel L. Econometric models and economic forecasts. McGraw-Hill, Inc. 1999.

15. Haykin Simon O. Neural Networks: A Comprehensive Foundation. Prentice Hall, 1998. Second Edition

16. Russell Stuart J., Norvig Peter. Artificial Intelligence. A Modern Approach. Prentice Hall, 1995

17. Hastie Trevor, Tibshirani Robert, Friedman Jerome. The Elements of Statistical Learning. Data Mining, Inference, and Prediction. Second edition. Springer, 2009.