Методология прогнозирования показателей сферы научных исследований и инноваций с помощью нейронных сетей

Разработка систем прогнозирования экономики страны в целом и ее различных подсистем является одной из важнейших задач государства. Одна из подсистем национальной экономики - сфера научных исследований и инноваций (СНИИ). Следует отметить, что развитие экономики в значительной степени зависит от уровня развития научно-инновационной сферы. Прогноз показателей этой сферы весьма проблематичен, поскольку не существует жестких структурных пропорций относительно других отраслей экономики. Актуальность работы определена необходимостью комплексного взаимоувязанного рассмотрения в рамках единой модели процессов экономического развития страны и СНИИ. Целью работы является разработка методологии, экономико-математических моделей и инструментальных средств для краткосрочного прогнозирования показателей СНИИ. Авторами рассмотрена система нейросетевого прогнозирования экономических показателей как часть гибридной регрессионной и интеллектуальной системы прогнозирования и ее реализация на примере показателей СНИИ Российской Федерации. Из 75 показателей сферы исследований и инноваций Российской Федерации были успешно смоделированы и получены прогнозные значения по 72 показателям (96%). На основании компьютерного эксперимента сделан вывод, что использование подобной системы позволяет не только повышать точность и качество прогнозных расчетов, но и применять их в контурах управления для достижения целевых показателей. Дальнейшие исследования направлены на оптимизацию параметров системы с целью повышения производительности без потерь точности и качества, совершенствование сервисов управления расчета моделей показателей.

сфера исследований и инноваций, системы регрессионных уравнений, модели краткосрочного прогноза, ретроверификация прогноза, система нейросетевых моделей прогноза, система гибридных моделей

1. Российский статистический ежегодник. 2015: стат. сб. М.: Росстат, 2015. 728 с.

2. Колмаков И. Б., Кольцов А. В., Доможаков М. В. Основы построения системы комплексного прогноза сферы исследований и инноваций во взаимосвязи с макроэконометрическими моделями экономики России // Инноватика и экспертиза. 2015. № 1 (14). С. 255-275.

3. Доугерти К. Введение в эконометрику. М.: Инфра-М, 1999. 402 c.

4. Китова О. В., Колмаков И. Б., Кольцов А. В., Доможаков М. В. Анализ динамики результатов верификации краткосрочных прогнозов показателей сферы научных исследований и инноваций в России // Вестник Российского экономического университета им. Г. В. Плеханова. 2016. № 5. С. 160-172.

5. Колмаков И. Б., Доможаков М. В. Синтез эконометрических и нейросетевых систем прогноза показателей сферы исследований и инноваций в Российской Федерации // Управленческие науки. 2016. № 2. С. 27-37.

6. 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. 2013. № 9. С. 111-119.

7. Хайкин С. Нейронные сети: полный курс. 2-e изд. М.: Вильямс, 2006. 1104 с.

8. Стругайло В. В. Использование комбинированной структуры искусственной нейронной сети для распознавания образов // Наука и образование: научное издание МГТУ им. Н. Э. Баумана. 2012. № 3. C. 24.

9. Когнитивная бизнес-аналитика: учебник / под ред. Н. М. Абдикеева. М.: Инфра-М, 2011. 511 c.

10. Амосов О. С., Пащенко Ф. Ф., Муллер Н. В. Структурно параметрическая идентификация временного ряда с применением фрактального и вейвлет-анализа // Информатика и системы управления. 2015. № 2 (44). С. 80-88.

11. Ivanjuk V. A., Pashhenko F. F. Methods and models for the forecasting and management of time series / Proceedings of International work-conference on Time Series (ITISE2015, Granada, Spain). Granada, 2015, pp. 283-292.