Прогнозирование экономических показателей на основе искусственных нейронных сетей тема диссертации и автореферата по ВАК РФ 08.00.13, кандидат экономических наук Горбатов, Анатолий Иванович

• Горбатов, Анатолий Иванович
• кандидат экономических наук
• 2003

Оглавление диссертации кандидат экономических наук Горбатов, Анатолий Иванович

Оглавление.

Введение.

Глава 1 Проблемы прогнозирования экономических показателей на рынке фармацевтических товаров.

1.1. Роль системы прогнозирования на рынке фармацевтических товаров России.

1.1.1 Структура российского рынка.

1.1.2 Факторы, влияющие на фармацевтический рынок России.

1.1.3 Тенденции в Российском импорте медикаментов.

1.1.4 Выводы.

1.2. Место показателей спроса в системе экономических показателей.

1.2.1 Описание показателей.

1.3. Постановка задачи прогнозирования показателей спроса на рынке фармацевтических товаров.

1.4. Выводы.

Глава 2 Предпосылки использования аппарата искусственных нейронных сетей при прогнозировании технико-экономических показателей.

2.1. Анализ традиционных методов прогнозирования.

2.2. Теория искусственных нейронных сетей.

2.2.1 Эволюция взглядов на высшую нервную деятельность.

2.2.2 Становление и развитие ИНС.

2.2.3 Выводы.

2.3. Проблемы оптимизации структуры нейронных сетей. Генетические алгоритмы.

2.3.1 Представление генетической информации.

2.3.2 Генетические операторы.

2.4. Условия использования искусственных нейронных сетей при прогнозировании экономических показателей.

2.5. Выводы.

Глава 3 Методика прогнозирования на основе искусственных нейронных сетей.

3.1. Описание программного комплекса.

3.1.1 Цели и задачи методики прогнозирования экономических показателей с помощью искусственных нейронных сетей.

3.2. Функции программы.

3.3. Основной алгоритм работы программы.

3.4. Проверка корректности работы программы.

3.5. Процесс работы с программой.

3.5.1 Подготовка исходных данных.

3.5.2 Ввод данных.

3.6. Анализ результатов.

3.7. Выводы.

Введение диссертации (часть автореферата) на тему «Прогнозирование экономических показателей на основе искусственных нейронных сетей»

Фармацевтический рынок в современной России является одним из важнейших объектов рыночной экономики. Он включает в себя около 50'000 предприятий розничной торговли, около 6'ООО предприятий оптовой торговли, 760 отечественных и около 300 зарубежных производителей. Помимо прочего, эта отрасль обеспечивает значительное количество рабочих мест, а также налоговые отчисления в бюджеты всех уровней. В 2002 году суммарные отчисления составили около ЗО'445'ООО тысяч рублей. Общий объем продаж составил 119'144'308 тысяч рублей. Объем производства составил 3'083'855 тыс. рублей.

Также, не стоит забывать, что рынок фармацевтических средств является одним из наиболее социально-значимых и приоритетным для государства. В связи с этим присутствие государства здесь более ощутимо, нежели на других рынках.

Фармацевтическое производство является наукоемким процессом, посему производственная сфера разделена между несколькими крупнейшими «игроками» и какие либо неожиданные перемены, практически невозможны. За последние пять лет не появилось ни одного крупного производителя, которые попытался как-либо захватить часть рынка того или иного препарата. Более того, 1997-1999 годы были годами глобализации, несколько крупнейших мировых производителей (например Glaxo-Wellcome и SmithKline Beecham) объединились, с целью минимизации затрат на исследования и производство. Российский производственный сектор и так основательно отставший за годы экономических потрясений и неурядиц все более и более теряет свои позиции. Российские производители не в состоянии покрыть нужды отечественных потребителей, в связи с чем, доля импортных препаратов на российском рынке велика и постоянно растет (48% - 1999 год, 42% - 2000год, 65% - 2001 год).

Сама ситуация на мировом фармацевтическом рынке не отличается высокой стабильностью: передел производственных мощностей, высокие темпы прогресса науки и техники, общее старение населения, неудовлетворительная мировая экологическая ситуация, появление новых заболеваний, политические процессы очень сильно на него влияют, и соответственно на Российский рынок как часть мирового. В этих условиях на первый план выходит решение проблемы кратко- и средне- срочного прогнозирования. Причем при постоянно изменяющихся условиях, в которых функционирует предприятие традиционные методы либо дают недостаточную точность, либо вообще неприменимы. В данной ситуации более точными результатами, обладающими меньшим временем их получения обладают так называемые «нетрадиционные» или «биокибернетические» методы. В частности такая научная область, как искусственный интеллект и ее подраздел - Искусственные нейронные сети (ИНС). Способность учесть не формализуемые факторы, мгновенно перестраивать модель объекта, по мере поступления новых данных уточнять модель - вот лишь некоторые свойства искусственных нейронных сетей, которые позволяют существенно упростить и сделать более точными прогнозы экономических показателей функционирования предприятия на фармацевтическом рынке.

Нейронные сети - относительно молодая, быстро прогрессирующая область науки. Однако публикации по практическому их применению немногочисленны и в основном затрагивают чисто технические задачи (например, распознавание образов — машинное зрение, системы классификации и т.д.), а литературы по их применению в экономике, а особенно в моделировании и прогнозировании относительно мало ([1], [2], [3], [4], [5], [6], [7], [8]). Большая часть литературных источников содержит общие описания моделей нейронных сетей и теоретические обоснования возможности применения этого метода в анализе и прогнозировании. Применения же описанного в данной работе метода оптимизации структуры нейронной сети с помощью Генетических Алгоритмов приведено лишь в одной работе [15] но и в ней основное внимание уделено тории генетических алгоритмов, а практическая часть ограничивается несложными примерами. Таким образом, наблюдается значительных отрыв теоретических изысканий от практических их реализаций.

Актуальность темы исследования. Актуальность темы исследования обусловлена интересом управляющих верхнего и среднего уровня в быстрых и достаточно точных методах исследования структуры спроса или иных экономических показателей. В настоящее время наблюдается повышенный спрос на специалистов, способных проделать анализ рыночной системы и предоставить рекомендации, однако, уровень развития инструментария не соответствует потребностям.

Объектом исследования является краткосрочное прогнозирование экономических показателей функционирования микроэкономического объекта на Фармацевтическом рынке, как одной из функций управления.

Предметом исследования является алгоритм прогнозирования с помощью биокибернетических методов.

Цель и задачи диссертационного исследования состоят в разработке и построении модельного комплекса с последующей реализацией его в виде программного продукта.

В рамках поставленной цели исследования в работе ставятся следующие задачи.

1. Провести анализ предметной области, исследовать ее ретроспективное развитие и определить основные особенности и показатели деятельности фармацевтической фирмы как объекта для прогнозирования

2. Провести анализ существующих методов прогнозирования и исследовать возможность их применения для решения поставленной задачи.

3. Проанализировать биокибернетические методы решения задач моделирования и прогнозирования поведения экономических объектов с целью повышения отдачи от процесса анализа как одной из функций управления.

4. Исследовать возможности оптимизации процесса обучения ИНС

5. Разработать и продемонстрировать на контрольном примере работу программного комплекса.

Научная новизна исследования заключается в следующем:

1. В разработке программного комплекса для моделирования экономических систем

2. Применении методов искусственных нейронных сетей для решения задач прогнозирования и моделирования.

3. Исследовании метода оптимизации структуры нейронной сети с помощью генетических алгоритмов.

Теоретическая база исследования. При проведения исследования были изучены труды ведущих специалистов в области финансового анализа, математической статистики, моделирования, систем искусственного интеллекта, нейронных сетей и генетических алгоритмов. Основные из них: Вороновский Г.К., Махотило К.В., Грубер И., Четыркин Е.М., Родионов А.А., Яцкевич В.В., Уоссермен Ф., Горбань А.Н., Holland J.

Информационная база исследования. Информационной базой для проведенного исследования служили открытые данные агентства «Ремедиум», статистические справочники ГПНТБ, доступная информация по объемам закупок продаж АОЗТ «Компания ЛЕМ».

Методологическая основа исследования. Методологическую основу диссертации составляют фундаментальные положения современной микроэкономической теории, экономики предприятия, моделирования, статистического анализа, теории систем искусственного интеллекта и искусственных нейронных сетей.

Практическая значимость состоит в том, что разработанный и построенный программный комплекс, а также общий алгоритм анализа объекта и прогнозирования показателей его функционирования дают возможность прогнозировать развитие ситуации на рынке с высокой точностью. Разработанное программное обеспечение позволяет в кратчайшие сроки внедрить описанный метод на любых предприятиях занимающихся розничной торговлей, даже если лицо, принимающее решение не обладает достаточными знаниями в теории ИНС.

Апробация результатов исследования. Полученный в результате метод был внедрен в торгово-закупочном подразделении АОЗТ «Компания ЛЕМ», и принят к рассмотрению в 3-х региональных филиалах.

Основные положения и результаты данного исследования опубликованы в (4) научных работах.

Заключение диссертации по теме «Математические и инструментальные методы экономики», Горбатов, Анатолий Иванович

3.7. Выводы

Как видно из экспериментальных данных, построенная система прогнозирования показывает весьма точные результаты. Средняя ошибка прогноза не превысила 7%, тогда как при других методах анализа мы могли получить 30-40% или даже неправильно уловить общую тенденцию. Кроме того при каких-либо изменениях условий функционирования экономической системы нам не нужно будет перестраивать модель с нуля (как это было бы например, при факторном анализе). Конечно, точность результатов не 100%, однако следует учесть влияние большого количества факторов на результирующий показатель, небольшой объем данных для построения модели, и общую стохастичность процесса.

Заключение

В качестве основной проблемы была определена необходимость разработки программного комплекса с помощью которого можно было бы прогнозировать уровни того или иного экономического показателя и проводить анализ полученных результатов. В итоге проделанной работы в рамках данного исследования были получены следующие результаты:

• на основании анализа фармацевтического рынка выявлены основные приоритеты в развитии фирмы

• определены параметры анализа состояния фирмы

• разработана структура экономических показателей идентифицирующих структуру спроса на лекарственные препараты

• определен состав исходной информации, необходимой для работы программного комплекса

• проанализированы возможные методы прогнозирования показателей

• проанализированы программные средства для решения поставленной задачи

• разработана методика оптимизации структуры нейронной сети с помощью генетического алгоритма в экономических задачах

• разработана программная среда, позволяющая строить модели искусственный нейронных сетей и проводить с ними экспериментальные испытания

• на контрольном примере продемонстрирован разработанный подход к прогнозированию показателей в результате которого получен прогноз и проведен анализ полученных результатов

Проделанная работа в настоящем исследовании носит масштабный характере, в следствии чего часть проблем не попала в область рассмотрения. В связи с этим мы считаем необходимым выделить дальнейшие пути развития данной темы: дополнительный анализ сходимости генетического алгоритма, возможно построение конкурентной структуры сетей, что может положительно сказаться на точности прогноза. Возможно написание процедур, позволяющих анализировать экспертные оценки некоторых качественных факторов.

Следует заметить, что возможна безболезненная адаптация данной модели под другие условия задача (в частности влияние иных факторов на иные результирующие показатели). Однако следует избегать слишком широких допустимых интервалов определяющих факторов и диапазона прогнозирования в следствии снижения качества (точности прогноза), впрочем, это присуще практически всем методам прогнозирования.

Таким образом, можно сделать вывод, что настоящая диссертационная работа описывает и дает ответы только на часть большой проблемы, поэтому последующим исследователям предоставляется значительное поле для деятельности. В целом же использование данного програмно-методического комплекса позволит повысить как качество получаемых прогнозов, так и скорость принятия решений. Кроме того, его использование с экономической точки зрения оправдано тем, что позволяет снизить издержки на получение самих прогнозов.

Список литературы диссертационного исследования кандидат экономических наук Горбатов, Анатолий Иванович, 2003 год

1. Галушкин А. М. Современные направления развития нейрокомпьютерных технологий в России // Открытые системы. — 1997 г., №4.

2. Борисов Ю., Кашкаров В., Сорокин С. Нейросетевые методы обработки информации и средства их программно-аппаратной поддержки // Открытые системы. — 1997 г., №4.

3. Киселев М., Соломатин Е. Средства добычи знаний в финансах и бизнесе // Открытые системы. — 1997 г., №4.

4. Айвазян С.А., Бухштабер В.М., Енюков И. С., Мешалкин Л. Д. Прикладная статистика. Классификация и снижение размерности.- М.: Финансы и статистика, 1989.-607 с.

5. Горбань А.Н., Дунин-Барковский В.Л., Кирдин А.Н., Миркес Е.М., Новоходько А.Ю., Россиев Д.А., Терехов С.А., Сенашова М.Ю., Царегородцев В.Г. Нейроинформатика. Новосибирск: Наука, 1998

6. Дорофеюк А.А. Алгоритмы автоматической классификации: Обзор // Автоматика и телемеханика. 1971. -№ 12. - С. 78-113.

7. Дуда Р., Харт П. Распознавание образов и анализ сцен.- М.: Мир, 1976.-511 с.

8. Горбань А.Н., Хлебопрос Р.Г. Демон Дарвина. Идея оптимальности и естественный отбор М.: Наука, 1988

9. Ю.Бугаенко Н.Н., Карлин И.В., Миркес Е.М., Помренин К.Г., Смирнова Е.В. Нейроинформатика и другие науки. М.: Наука, 1992. С.30-38.

10. Россиев Д.А., Головенкин С.Е., Шульман В. А., Матюшин Г.В. Прогнозирование осложнений инфаркта миокарда нейронными сетями. //

11. Нейроинформатика и ее приложения. Материалы III Всероссийского рабочего семинара. 6-8 октября 1995 г. Красноярск.- 1995.- С. 128-166.

12. Справочник по прикладной статистике. В 2-х т. Т. 2 // под ред. Ллойда Э., Ледермана У., Айвазяна С.А., Тюрина Ю.Н.- М.: Финансы и статистика, 1990.-526 с.

13. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности. /Вороновский Г.К., Махотило К.В., Петрашев С.Н., Сергеев С.Н. Харьков: Основа. 1997.14. «Еженедельник АПТЕКА», № 12 (333) от 25 марта 2002 г.

14. Баканов М.И., Шеремет А.Д. Теория экономического анализа. М.: Финансы и статистика 2002.

15. Дюбуа Д., Прад А. Теория возможностей. М.: Радио и связь, 1990. - 286 с.

16. Грубер И. Эконометрия. Введение в эконометрию. Том 1. К.: Астарта, 1996.

17. Шапот. М. Интеллектуальный анализ данных в системах поддержки решений. //Открытые системы. № 1. - 1998. - С.30-35.

18. Колемаев В.А., Староверов О.В., Турундаевский В.Б. Теория вероятностей и математическая статистика. М.: Высшая школа. - 1991.

19. Глинский В.В., Ионин В.Г. Статистический анализ. М.: Филин, 1998. — 264с.

20. Бриллинджер Д. Временные ряды. Обработка данных и теория. — М.: Мир, 1980.-535с.

21. Четыркин Е.М. Статистические методы прогнозирования. М.: Финансы и статистика, 1979. - 199с.

22. Кобелев Н.Б. Практика применения экономико-математических моделей. -М.: Финстатинформ, 2000. 246с.

23. Родионов А.А., Яцкевич В.В. Автоматизация по МГУА синтеза параметрических моделей объектов проектирования. К.: 1994. - 23 с. (Препр./ НАН Украины. Ин-т кибернетики; 6-94).

24. Ивахненко А.Г. Долгосрочное прогнозирование и управление сложными системами. К.: Техшка, 1975. - 312 с.

25. Васильев В.И. Взаимозаменяемость метода группового учета аргументов (МГУА) и метода предельных упрощений (МПУ) // Штучний штелект. №1. - 2001. - С.29-42.

26. Васильев В.И., Шевченко А.И. Комбинированный алгоритм оптимальной сложности // Искусственный интеллект. №3. - 2002. - С. 504-509.

27. Чавкин A.M. Методы и модели рационального управления в рыночной экономике.-М.: Финансы и статистика, 2001. 320с.

28. Искусственный интеллект: В 3-х кн. Кн. 2. Модели и методы: Справочник / под ред. Д.А. Поспелова. М.: Радио и связь, 1990. - 304с.

29. Уоссермен Ф. Нейрокомпьютерная техника: теория и практика. М.:Мир, 1992.- 190с.

30. Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере. Новосибирск: Наука (Сиб. отделение), 1996. 276 с.

31. ЕжовА.А., Шумский С.А. Нейрокомпьютинг и его применения в экономике и бизнесе. М.: МИФИ, 1998. - 224 с.

32. Курейчик В.М., Зинченко Л.А., Хабарова И.В. Алгоритмы эволюционного моделирования с динамическими параметрами // Информационные технологии. 2001. - №6. -С. 10-15.

33. Божич В.И., Лебедев О.Б., Шницер Ю.Л. Разработка генетического алгоритма обучения нейронных сетей // Перспективные интеллектуальные технологии и интеллектуальные системы. Таганрог. - 2001. - №1. — С. 2120.

34. DARPA Neural Network Study, AFCEA Int'l Press, Fairfax, Va., 1988.

35. J. Hertz, A. Krogh, and R.G. Palmer, Introduction to the Theory of Neural Computation, Addison-Wesley, Reading, Mass., 1991.

36. Werbos P. J. Beyond regression: New tools for prediction and analysis in the behavioral sciences. PhD Thesis, Harvard University, Cambridge, MA, 1974.

37. Holland J. Adaptation in Natural and Artificial Systems. University of Michigan Press, 1975.

38. Goldberg D. Genetic Algorithms in Machine Learning, Optimization, and Search. Addison-Wesley, 1988.

39. De Jong K. A. Genetic Algorithms: A 10 Year Perspective //In: Procs of the First Int. Conf. on Genetic Algorithms, 1985. —pp.167—177.

40. Aleksander I., Morton H. An Introduction to Neural Computing. — London: Chapman&Hall, 1990.

41. McCulloch W. S., Pitts W. A logical calculus of ideas imminent in nervous activity // Bulletin Mathematical Biophysics.— 1943.— 5.— pp.115

42. Hebb D.O. The Organization of Behavior: A Neuropsychological Theory.— NewYork: Wiley, 1949.

43. Rosenblatt F. The perceptron: A probabilistic model for information storage and organization in the brain // Psychological Review.— 1958.— 65.—

44. Minsky M. L., Papert S. A. Perceptrons.—Cambridge, MA: MIT Press

45. Rumelhart D. E., Hinton G. E., Williams R. J. Learning internal representation by error propagation // In: D.E.Rumelhart and J.L.McClelland (Eds.) Parallel Distributed Processing, Vol. I Foundations. — Cambridge, MA: MIT Press, 1986.—pp.318—362.

46. Rumelhart D. E., Hinton G. E., Williams R. J. Learning representation by back— propagating errors II Nature.—1986.—vol.323.

47. Werbos P. J. Beyond regression: New tools for prediction and analysis in the behavioral sciences. PhD Thesis, Harvard University, Cambridge, MA, 1974.

48. Lippmann R.P., "An Introduction to Computing with Neural Nets", IEEE ASSP Magazine, Vol.4, No.2, Apr. 1987, pp. 4-22.

49. Jain A.K. and Mao J., "Neural Networks and Pattern Recognition", in Computational Intelligence: Imitating Life, J.M. Zurada, R.J. Marks II, and C.J. Robinson, eds., IEEE Press, Piscataway, N.J., 1994, pp. 194-212.

50. Kohonen Т., SelfOrganization and Associative Memory, Third Edition, Springer-Verlag, New York, 1989.

51. Mohiuddin K. and Mao J., "A Comparative Study of Different Classifiers for Handprinted Character Recognition", in Pattern Recognition in Practice IV, E.S. Gelsema and L.N. Kanal, eds., Elsevier Science, The Netherlands, 1994, pp. 437448.

52. Le Y. Cun et al., "Back-Propagation Applied to Handwritten Zip Code Recognition", Neural Computation, Vol 1, 1989, pp. 541-551.

53. Minsky M., "Logical Versus Analogical or Symbolic Versus Connectionist or Neat Versus Scruffy", Al Magazine, Vol. 65, No. 2, 1991, pp. 34-51

54. Gallant S. I., 1988. Connectionist expert system. Communications of the ACM 31:152-69.

55. Rumelhart D. E., HintonG. E., Williams R.J. 1986. Learning internal reprentations by error propagation. In Parallel distributed processing, vol. 1, pp. 318-62. Cambridge, MA: MIT Press.

56. Sejnowski T. J., Rosenberg C. R. 1987. Parallel networks that learn to pronounce English text. Complex Systems 1:145-68