Телефон: +7 (383)-312-14-32

Статья опубликована в рамках: XCV Международной научно-практической конференции «Научное сообщество студентов: МЕЖДИСЦИПЛИНАРНЫЕ ИССЛЕДОВАНИЯ» (Россия, г. Новосибирск, 18 июня 2020 г.)

Наука: Информационные технологии

Скачать книгу(-и): Сборник статей конференции

Библиографическое описание:
Селютин А.Д., Рамазанова Ф.М. РАЗРАБОТКА НЕЙРОСЕТЕВОЙ МОДЕЛИ, ПРОГНОЗИРУЮЩЕЙ ВЕРОЯТНОСТЬ УСПЕХА МАЛОГО БИЗНЕСА В САРАТОВСКОЙ ОБЛАСТИ В УСЛОВИЯХ ПАНДЕМИИ // Научное сообщество студентов: МЕЖДИСЦИПЛИНАРНЫЕ ИССЛЕДОВАНИЯ: сб. ст. по мат. XCV междунар. студ. науч.-практ. конф. № 12(95). URL: https://sibac.info/archive/meghdis/12(95).pdf (дата обращения: 23.01.2021)
Проголосовать за статью
Конференция завершена
Эта статья набрала 5 голосов
Дипломы участников
Диплом Выбор редакционной коллегии

РАЗРАБОТКА НЕЙРОСЕТЕВОЙ МОДЕЛИ, ПРОГНОЗИРУЮЩЕЙ ВЕРОЯТНОСТЬ УСПЕХА МАЛОГО БИЗНЕСА В САРАТОВСКОЙ ОБЛАСТИ В УСЛОВИЯХ ПАНДЕМИИ

Селютин Александр Дмитриевич

студент Института прикладных информационных технологий и коммуникаций Саратовский Государственный Технический Университет им. Гагарина Ю.А.,

РФ, г. Саратов

Рамазанова Фарида Микаиловна

студент, Социально-экономического института, Российский экономический университет имени Г.В. Плеханов,

РФ, г. Саратов

DEVELOPMENT OF NEURAL NETWORK MODEL THAT PREDICTS THE PROBABILITY OF SUCCESS OF SMALL BUSINESS IN SARATOV REGION IN A CORONAVIRUS PANDEMIC

 

Farida Ramazanova

student of the Socio-economic Institute, Plekhanov Russian University of Economics,

Russia, Saratov

Alexander Selyutin

student of Institute information technology and communications Saratov State Technical University,

Russia, Saratov

 

АННОТАЦИЯ

В статье приведено решение проблемы дифференциации параметров, влияющих на успешность малого бизнеса в Саратовской области в условиях пандемии коронавируса. Данная задача является актуальной для индивидуальных предпринимателей. Для решения проблемы разработана нейросетевая модель многослойного перцептрона, позволяющая определять вероятность успешность малого бизнеса от поступающих входных параметров, а также, создан веб-интерфейс для обученной модели. Разработанный интерфейс позволяет взаимодействовать с системой максимально комфортным способом.

ABSTRACT

The article provides a solution to the problem of differentiation of parameters that affect the success of small businesses in the Saratov region in the context of a coronavirus pandemic. This task is relevant for individual entrepreneurs. To solve the problem, a neural network model of a multi-layer perceptron was developed, which allows determining the probability of small business success from incoming input parameters, and a web interface was created for the trained model. The developed interface allows you to interact with the system in the most comfortable way.

 

Ключевые слова: малый бизнес, пандемия, коронавирус, Flask, многослойный перцептрон.

Keywords: business, pandemic, coronavirus, Flask, multilayer perceptron.

 

Введение

В марте вспышка коронавируса вызвала падение мирового фондового рынка, которое с тех пор сравнивают с финансовым кризисом 2008 года. В российской экономике доминируют крупные промышленные компании и экспортеры природных ресурсов [6]. Но в то время, как на долю малых и средних предприятий приходится лишь пятая часть ВВП, они являются важнейшей частью сферы услуг, гостиничного бизнеса и розничной торговли. На сегодняшний день, владельцы малого бизнеса борются с растущими финансовыми и эмоциональными потерями, вызванными глобальным кризисом в области здравоохранения. Пандемия коронавируса становится существенной угрозой для малого бизнеса страны и потенциально может еще больше уменьшить число малых компаний в российской экономике [1]. Потеря малого бизнеса часто создает волновой эффект в небольших городах, где маленькие магазины и рестораны остаются их жизненной силой. Эти владельцы бизнеса часто зависят друг от друга, что означает, что некоторые из них навсегда закрывают затвор, и это может привести к тому, что за ними последует еще больше.

Саратовская область входит в число регионов со средней вовлеченностью жителей в малый бизнес. В Саратовской области, в связи с распространением коронавирусной инфекции, закрыты многие объекты малого и среднего бизнеса. Не работают торговые центры, кинотеатры, кафе и рестораны, спортклубы, бассейны и т.д. «Индекс закрытости» экономики области, который характеризует долю бизнеса, временно простаивающего из-за пандемии коронавируса, составляет на данный момент 9,3% [2]. В среднем по России, отметила чиновница, этот показатель равен 24%.

Глава Саратова Михаил Исаев отметил, что в «коронавирусное время» особое внимание уделяется экономике региона. Меры поддержки бизнеса постоянно дорабатываются, расширяются, а также отлаживается механизм их реализации. В бюджет Саратовской области поступила дотация в размере 2,2 млрд рублей [3]. Деньги перечислены региону на компенсацию снижения доходов из-за коронавируса.

Министерство экономического развития области продолжает работу по расширению мер поддержки малого и среднего бизнеса в условиях ограничительных мер из-за распространения коронавирусной инфекции. Наиболее значительной поддержкой для бизнеса стали изменения закона Саратовской области об установлении дифференцированных налоговых ставок для ряда категорий хозяйствующих субъектов, работающих по упрощенной системе налогообложения.  Помимо этого, для предприятий общепита и торговли, работающих по патентной системе, антикризисной мерой предусмотрено снижение налога в два раза. Также региональным планом предусмотрена отсрочка по аренде государственного и муниципального имущества в 2020 году и ее последующая уплата равными частями в 2021 году.

 Все принятые меры позволят не допустить ликвидации предприятий и сохранить рабочие места. Важность этого озвучил в своем обращении Президент России Владимир Путин, предложив безвозмездные субсидии субъектам малого и среднего предпринимательства в размере МРОТ (12,1 тысячи рублей) на сотрудника при условии сохранения штатной численности не менее 90% на 1 апреля [5].

Кроме того, разработан План первоочередных мероприятий по обеспечению устойчивого развития экономики Саратовской области в условиях ухудшения ситуации в связи с распространением новой коронавирусной инфекции. Помимо перечисленных мер поддержки бизнеса, в плане предусмотрена социальная поддержка граждан, финансовое обеспечение оказания медицинской помощи населению, обеспечение товарами первой необходимости, поддержка системообразующих предприятий и видов экономической деятельности, оказавшихся в зоне риска и общесистемные меры.

Но, несмотря на все принятые меры и выделенные субсидии, экономические последствия пандемии для малого бизнеса серьезные и беспрецедентные: снижение потребительского спроса, рост безработицы и общей экономической неопределенности негативно отразились на ситуации с малым бизнесом. Как показали предыдущие экономические потрясения, малые предприятия, как правило, испытывают наиболее серьезные последствия, поскольку у них меньше шансов иметь резервы, ресурсы и возможности для прекращения работы на длительный период, изменить свои бизнес-планы, чтобы полностью перейти на удаленную работу, или просто пережить потери до тех пор, пока экономика не восстановится. И, в связи с этим, малым предприятиям приходится придумывать способы продолжать обслуживать клиентов и расширять свои предложения. Предприятия увеличили спектр предоставляемых услуг, рассматривают новые способы доставки продуктов и услуг, сотрудничают с другими компаниями и др.

Постановка задачи и цель работы

В связи с актуальностью и трудностью определения успешности малого бизнеса необходимо дифференцировать основные факторы, определяющую вероятность успешности бизнеса. Разрабатываемая система должна давать ответ, в процентном соотношении, на вопрос о вероятности избежать критических убытков у конкретного производства. Также информационная система должна обладать удобным и понятным интерфейсом.

Целью текущей работы является разработка нейросетевой модели многослойного перцептрона для определения вероятности малого бизнеса в Саратовской области по ряду входных параметров. Описанный выше вид нейросетевой архитектуры лучше всего подходит для анализа, дифференциации и классификации простых типов данных. Будет необходимо обработать полученные данные, привести их к одной ранговой шкале. Также потребуется верно подобрать оптимальное количество слоев для модели, чтобы она обладала достаточной точностью и верно дифференцировала входящие данные. Помимо этого, необходимо готовой и обученной модели перцептрона придать понятный пользовательский интерфейс. Разработка модели будет происходить с использованием языка программирования Python версии 3.6.7. Будут использованы такие библиотеки для машинного обучения как Keras, а в качестве основы для наиболее главных операций будет использоваться библиотека от Google под названием TensorFlow. Веб-интерфейс будет разработан на фреймворке для создания веб-приложений Flask.

Разработка нейросетевой модели

Сегодня существует большое разнообразие нейросетевых архитектур, которые способны выполнять разные задачи. Также существуют разнообразные методы обучения нейросетей, например, с учителем и без. В обучении с учителем множество данных, над которым происходит работа модели, заранее содержит ответ, который должна выдавать система после завершения процесса обучения, но уже на новых данных. При обучении без учителя система должна прийти к балансу многократным повторением, благодаря более однозначному выявлению с каждой итерацией различных зависимостей. Для текущей задачи, связанной с дифференцированием массивов данных оптимально будет использовать архитектуру многолослойного перцептрона [4]. При разработке будет использоваться фреймворк Keras, содержащий в своей основе фреймворк для

TensorFlow. Фреймворк Keras содержит в себе множество алгоритмов для обучения нейросетевых моделей, а также позволяет очень удобно конфигурировать разрабатываемую модель. Благодаря абстракции, которую обеспечивает фреймворк разработка нейросетевой модели будет проходить безболезненно.

Первичная обработка данных

Был разработан парсер данных о предприятиях Саратовской области. Данные были обработаны и классифицированы.

Количество записей о предприятиях, которые удалось корректно обработать, равняется 896. Этого будет достаточно, чтобы обучить модель, с достаточно высокой точностью. Формат, в котором хранятся полученные данные о пациентах – csv файл. Все записи содержат метку класса, то есть обучение модели происходит с учителем, ответы будут оптимизировать веса нейросети.

Для максимально эффективного обучения модели необходимо разделить имеющийся набор данных на 3 выборки, по которым будет проводиться дальнейшее обучение и проверка. Был написан скрипт, который размещает в случайном порядке записи о пациентах по 3 файлам: файл для обучения модели, файл для валидации модели, а также файл проверки модели на явление переобучения. После исполнения скрипта и распределения записей по файлам в файле для обучения модели оказалось 602 записи, в валидационном файле находится 192 записей о пациентах, и в файле для проверки 102 строки со сведениями об успешности бизнеса.

Обучение модели

После распределения записей необходимо заняться разработкой модели. Первым делом следует верно добавить слои и активационную функцию. Благодаря фреймворку Keras сделать это очень просто. Было добавлено 2 промежуточных слоя. Перцептрон представляет собой сужающуюся модель от входного слоя с описанными выше параметрами до 1 нейрона, с предсказанием по поводу успешности бизнеса, на выходном слое. Обучение происходит минибатчами. Это означает, что обучающее множество разбивается на небольшие кортежи по 20 строк, а общие для всей модели веса корректируются в конце итерации. Всего таких итераций обучения 400.

Обучение модели на рабочей станции с процессором Intel Core i7-6700HQ, 16 GB RAM, видеоадаптером NVIDIA GeForce GTX 960M заняло 15 минут. После этого модель была сохранена в формате h5 для дальнейшего использования. На обучающем множестве была достигнута точность 92%. На тестовом множестве точность составила 89%. Очень хороший результат! Теперь необходимо создать удобный интерфейс пользователя.

Разработка веб-интерфейса

Для разработанной модели необходимо создать веб-интерфейс в виду его удобства и универсальности использования. Интерфейс должен обладать следующим минимальным функционалом: возможность внести данные о предприятии, получить результат с процентным соотношением об успешности в период пандемии. Для разработки был выбран фреймворк Flask. Данная технология обладает рядом преимуществ, например, удобнейший шаблонизатор Jinja 2, а также замечательный маршрутизатор Werkzeug. Все эти преимущества позволят быстро и качественно разработать веб-интерфейс.

Необходимо разработать функцию, которая будет принимать, поступившие данные от веб-формы и обрабатывать результат с помощью нейросетевой модели. Потребуется выделить отдельный поток для данной функции, так как действие по обработке и классификации должно обрабатываться параллельно с HTTP-запросом.

На Рисунке 1, который представлен ниже, изображён интерфейс готовой информационной системы.

 

Рисунок 1. Веб-интерфейс информационной системы

 

Заключение

В ходе работы была разработана нейросетевая модель многослойного перцептрона, выполняющая функцию вероятностного определения успешности малого бизнеса в Саратовской области в условиях пандемии коронавируса. К разработанной модели был создан веб-интерфейс.

Разработанная система может применяться индивидуальными предпринимателями в случае возникновения неоднозначностей и трудностей при диагностировании убытков предприятия.

 

Список литературы:

  1. Веселовский, С.Я. Глобализация рынков труда. Динамика. Проблемы. Перспективы / С.Я. Веселовский. - М.: Институт научной информации по общественным наукам (ИНИОН) РАН, 2010. - 493 c.
  2. Доклад о росте. Стратегии устойчивого роста и инклюзивного развития. - М.: Весь Мир, 2009. - 125 c.
  3. Минаев, С. В. Глобальная экономика. 2009 год / С.В. Минаев. - Москва: Высшая школа, 2010. - 645 c.
  4. Рутковская, Д. Нейронные сети, генетические алгоритмы и нечеткие системы / Д. Рутковская, М. Пилиньский, Л. Рутковский. - М.: Горячая линия - Телеком, 2013. - 384 c.
  5. Рэнд, Айн Возвращение примитива. Антииндустриальная революция / Айн Рэнд. - М.: Альпина Паблишер, 2016. - 348 c.
  6. Черняховский, Д. А. Ресурсы и развитие. От бактерий к рынку / Д.А. Черняховский. - М.: Информанализ, 2009. - 152 c.
Проголосовать за статью
Конференция завершена
Эта статья набрала 5 голосов
Дипломы участников
Диплом Выбор редакционной коллегии

Оставить комментарий

Форма обратной связи о взаимодействии с сайтом