«Экономический анализ: теория и практика»
 

Реферирование и индексирование

РИНЦ
Referativny Zhurnal VINITI RAS
Worldcat
Google Scholar

Электронные версии в PDF

EBSCOhost
Eastview
Elibrary
Biblioclub

Кластерный анализ и нейросетевое моделирование динамики индекса промышленного производства обрабатывающей промышленности России

Журнал «Экономический анализ: теория и практика»
т. 18, вып. 11, ноябрь 2019

Получена: 16.09.2019

Получена в доработанном виде: 25.09.2019

Одобрена: 11.10.2019

Доступна онлайн: 29.11.2019

Рубрика: МАТЕМАТИЧЕСКИЕ МЕТОДЫ И МОДЕЛИ

Коды JEL: С02, С22, О13

Страницы: 2158–2171

https://doi.org/10.24891/ea.18.11.2158

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:

  1. 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
  2. Почукаева О.В. Инновационные факторы развития российской обрабатывающей промышленности // Научные труды. Институт народнохозяйственного прогнозирования РАН. 2012. Вып. 10. С. 257–279. URL: Link
  3. Подкорытов В.Н. Экономические циклы: теоретические выводы или практические результаты? // Известия Уральского государственного горного университета. 2014. № 4. С. 63–67. URL: Link
  4. Жамбю М. Иерархический кластер-анализ и соответствия. М.: Финансы и статистика, 1988. 342 с.
  5. Мандель И.Д. Кластерный анализ. М.: Финансы и статистика, 1988. 176 с.
  6. 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.
  7. 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
  8. 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
  9. Макаров В.Л. Обзор математических моделей экономики с инновациями // Экономика и математические методы. 2009. Т. 45. № 1. С. 3–14.
  10. 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
  11. Окунь А.С., Окунь С.А. Нейросетевое моделирование как инструмент прогнозирования // Финансовая аналитика: проблемы и решения. 2011. № 33. С. 45–52. URL: Link
  12. Калайдин Е.Н., Дюдин М.С. Нейросетевое моделирование биржевой динамики // Современная экономика: проблемы и решения. 2012. № 9. С. 168–176. URL: Link
  13. Васенков Д.В. Методы обучения искусственных нейронных сетей // Компьютерные инструменты в образовании. 2007. № 1. С. 20–29. URL: Link
  14. 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
  15. 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
  16. Каллан Р. Основные концепции нейронных сетей. М.: Вильямс, 2001. 287 с.
  17. 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
  18. Осовский С. Нейронные сети для обработки информации. М.: Финансы и статистика, 2002. 244 с.
  19. MacKay D.J.C. A Practical Bayesian Framework for Backpropagation Networks. Neural Computation, 1992, vol. 4, no. 3, pp. 448–472. URL: Link
  20. 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
  21. Гринчель Б.М., Назарова Е.А. Методы оценки конкурентной привлекательности регионов: монография. СПб.: ГУАП, 2014. 244 с.

Посмотреть другие статьи номера »

 

ISSN 2311-8725 (Online)
ISSN 2073-039X (Print)

Свежий номер журнала

т. 18, вып. 11, ноябрь 2019

Другие номера журнала