ПРОГНОЗИРОВАНИЕ ПОКАЗАТЕЛЕЙ ВНЕШНЕЭКОНОМИЧЕСКОЙ ДЕЯТЕЛЬНОСТИ МЕТОДОМ ANNA НА ПРЕДПРИЯТИЯХ МИНЕРАЛЬНО-СЫРЬЕВОГО КОМПЛЕКСА

АННОТАЦИЯ

В данной статье рассмотрен метод построения и использования искусственных нейронных сетей ANNA (Artificial neural networks analysis) для прогнозирования динамики показателей внешнеторговой сферы организаций минерально-сырьевого комплекса.

Ключевые слова: минерально-сырьевой комплекс, экономическое прогнозирование, цифровая экономика, искусственная нейронная сеть, экономический анализ, прогнозирование банкротства, технический прогресс.

Сегодня в условиях экономической неопределённости и многообразия макроэкономических факторов прогнозирование денежных потоков от внешнеэкономических операций выглядит весьма затруднительным. У предприятий в отрасли минерально-сырьевого комплекса в силу снятия государственных ограничений появилось множество возможностей по освоению и использованию природных ресурсов. В силу этих факторов усилилась конкуренция, финансовое реформирование неэффективных направлений и целеполагание на рыночную конъюнктуру. Сырьевой комплекс в РФ является одним из важных источников роста национального благосостояния, поэтому прогнозирование динамики в отдельных организациях – стратегическая задача, основной целью которой является повышение рентабельности производства и рыночной стоимости бизнеса. В силу слабых рыночных процессов и неразвитой инфраструктуры минерально-сырьевого комплекса в России сегодня наблюдается кризис уровня знаний, компетенций и менеджмента, который выражается в слабой научной базе практических инструментов. Одним из таких аспектов является процесс прогнозирования экономических показателей, в частности в сфере экспорта у сырьевых компаний. Именно это и является актуальностью статьи, что обосновывается как практическими реалиями, так и посланием президента РФ в области развития цифровизации экономики РФ.

В настоящее время общим вопросам экономического прогнозирования уделено немало исследований и разработок. За последние годы были проведены следующие исследования: прогнозирование экономического развития на основе усовершенствования статистических методов в своей работе отразил Сурков А.А. [4], который определил проблематику соответствия экспертной информации и статистического прогнозирования, их объединения для повышения качества прогноза; процессы прогнозирования инвестиций в регионах рассмотрел Муноз Андраде [3]; обосновал состав методов прогнозирования для определения скрытых возможностей Бурлаков В.В. [1]. В основном все исследования сосредоточены на математико-статистических методах и формализованных инструментах. Возможности цифровой экономики пока находятся на стадии развития и внедрения в РФ, её корпоративные информационные системы внедряются лишь на аналитических и управленческих уровнях, визуализирующих информацию разных уровней и автоматизирующих разнообразные рутинные процессы в организациях. Последние новейшие разработки в области искусственного интеллекта в основном сосредоточены на западе и в европейских странах.

В статье предлагается использовать метод построения и использования искусственных нейронных сетей ANNA (Artificial neural networks analysis) для прогнозирования динамики показателей внешнеторговой сферы организаций минерально-сырьевого комплекса. Практически любую задачу можно свести к задаче, решаемой с помощью нейронной сети. На её вход подаются исходные данные, на выходе снимается ответ [2]. В настоящее время метод активно используется при прогнозировании банкротства, однако он также может применяться в предложенном прогнозировании экономических результатов. Чтобы это показать, целесообразно сначала понять, что такое нейронная сеть и продемонстрировать её структуру.

Преимущество использования нейронных сетей в том, что они игнорируют предпосылки о независимости факторов между собой и их линейной взаимосвязью. Это позволяет увидеть скрытые действующие связи, которые можно впоследствии трансформировать в объясняющие переменные. В общих чертах ANNA – это результат технического прогресса на основе схожести алгоритмов и человеческого мышления. По этой аналогии можно представить нервную систему человека, которая сформирована нейронами, соединёнными нервными волокнами. Эти волокна имеют 2 типа: дендриты, по которым принимаются синапсы из разных каналов и один аксон, служащий для передачи импульса на выход. Вся поступающая информация обрабатывается синапсами, которые влияют на силу входящих импульсов.

Рисунок 1. Схема работы нейрона

В данной схеме w – это вес каждого синапса, который влияет на силу импульса. Их сумма влияет на нейрон таким образом, что при превышении определённой суммы весов нейрон реагирует определённым образом, передавая через аксон импульс, отвечающий за поведение следующего нейрона. Обозначая также разные силовые импульсы через X₁, X₂,…X_n, можно представить математическую модель работы нейрона:

S = W₁X₁ + W₂X₂ + W₃X₃ + … + W_nX_n                                                            (1)

 S = ∑ W_iX_i ,  Y = F (S)                                                                        (2)

Соответственно, влияние весов и передаточной функции формирует выход Y. Сеть может быть многослойной, завершающий слой которой является результирующим нейтроном с Y-аксоном.

Далее можно рассмотреть практическое применение в качестве предложенного авторами прогнозирования метода ANNA. Итак, в качестве входящей информации с дендритов на нейроны первого уровня поступает информация об объёмах добычи ресурсов для экспортной реализации по соответствующим годам (1,2,3.4). Второй слой, состоящий из 3 нейронов, показывает результирующие факторы: 1 нейрон примем за уровень эксплуатации оборудования (ЭО), 2 нейрон – уровень ликвидности (УЛ), 3 нейрон – освоенные территории добычи ресурсов (ОТ). Следующий слой из 2 нейронов опишем как уровень сбыта (УС) и новых контрактов соответственно (НК).

Рисунок 2. Пример применения метода ANNA

В представленной схеме % - это конечный результирующий показатель эффективности на выходе. Такой анализ позволит применить логику экономического анализа факторов, применяя выбранные значимые веса в модели. Первоначальная входящая информация может браться из реалистичных прогнозных источников по освоению и добыче ресурсов (минералов). Кроме того, представленная модель весьма упрощена, количество нейронов может быть значительно больше, что увеличит не только точность прогноза, но и позволит заметить нелинейные скрытые взаимосвязи. Таким образом, метод ANNA может применяться для прогнозирования внешних и внутренних показателей.

Теперь можно рассказать про важные этапы, необходимые для построения модели [5]:

1) сбор необходимых данных;

2) градация полученной информации на 2 массива – Training Set (обучающий) и Testing Set (проверочный), а при необходимости Exception Set – массив исключений;

3) кодирование информации в удобный для чтения формат;

4) определение структурности и размерности сети;

5) построение и обучение сети;

6) тестирование сети;

7) коррекция в случае необходимости шага 4 и 6;

8) запуск модели для реализации задачи прогнозирования.

Предложенный метод имеет свои плюсы и минусы:

Таблица 1.

Плюсы и минусы применения метода ANNA

В выводе можно сказать, что результат по модели не всегда оптимален, сам метод требует большой работы и отлаженных алгоритмов, однако при успешном освоении предложенного метода прогнозирование показателей внешнеэкономической деятельности на предприятиях минерально-сырьевого комплекса может улучшиться на несколько уровней, что преимущественно актуально на данном этапе экономики РФ в силу энтропии и волатильности рыночных и производственных процессов.

Список литературы:

1. Бурлаков Вячеслав Викторович. Развитие системы управления инновационным потенциалом промышленных предприятий с учетом латентности инноваций: автореферат дис. ... доктора экономических наук: 08.00.05 / Бурлаков Вячеслав Викторович; [Место защиты: ФГУП Всероссийский научно-исследовательский институт Центр]. - Москва, 2019. - 48 с.
2. Григорьева Т.И. Финансовый анализ для менеджеров: оценка, прогноз: учебник для бакалавриата и магистратуры / Т.И. Григорьева. – 3-е изд., перераб. и доп. – М.: Издательство Юрайт. 2019. – 486 с.
3. Муноз Андраде Луис Фернандо. Развитие инструментов оценки и прогнозирования инвестиционной привлекательности регионов: автореферат дис. ... кандидата экономических наук: 08.00.05 / Муноз Андраде Луис Фернандо; [Место защиты: Белгород. гос. нац. исслед. ун-т]. - Белгород, 2019. - 24 с.
4. Сурков Антон Александрович. Совершенствование статистических методов прогнозирования в разработке стратегии экономического развития: автореферат дис. ... кандидата экономических наук: 08.00.12 / Сурков Антон Александрович; [Место защиты: ФГБОУ ВО «Российский экономический университет имени Г.В. Плеханова»]. - Москва, 2020.
5. Klimasauskas C.C. Applying Neural Networks