Аннотация - Прогнозирование региональной динамики с учетом пространственной взаимосвязи на основе нейронных сетей

Прогнозирование различных показателей, характеризующих региональную динамику, является актуальной задачей и входит в сферы интересов ряда различных национальных и международных организаций, которые осуществляют мониторинг социально-экономического положения и динамики регионов мира, отдельных стран и их регионов и проводят оценку последствий изменения региональной динамики в результате осуществления мер экономической политики и иных событий.

В данном исследовании предлагается новый метод макроэкономического и регионального прогнозирования -- прогнозирование региональной динамики на основе моделей искусственных нейронных сетей с включением пространственно-временных лагов, объясняющих переменных и комбинирования прогнозов. Выдвигаются две гипотезы относительно минимизации функции отклонения ошибки прогноза. Первая гипотеза предполагает снижение ошибки прогноза путем введения в модель пространственного лага, полученного на основе моделей, не учитывающих пространственную корреляцию переменных. Вторая гипотеза предполагает снижение ошибки прогноза путем комбинирования отдельных моделей, за счет одновременного использования моделей, отличающихся в своей "манере" интерпретировать входные данные.

Эмпирическое исследование проводится с применением нейросетевых (с различными сочетаниями параметров нейросетевой структуры) и линейных регрессионных моделей панельных данных с учетом и без учета пространственно-временных лагов факторов, а также несколько вариантов комбинирования прогнозов этих моделей на основе взвешенной регрессии для построения и анализа качества прогнозов региональной динамики США за период с 1987 по 2013 гг. Показано, что при использовании отдельных моделей наилучшие результаты прогнозирования демонстрируют нейросетевые модели с использованием пространственного лага, тогда как при комбинировании результатов нейросетевых и линейных панельных моделей достигнуты прогнозы более высокого качества.

Данная работа вносит свой вклад в общую теорию прогнозирования, в частности макроэкономического прогнозирования и моделирования макроэкономических пространственных взаимосвязей.

Ключевые слова: прогнозирование временных рядов, нелинейные модели, панельные данные, комбинирование прогнозов, искусственная нейронная сеть, пространственная корреляция, региональная динамика, региональный рост.

Введение

Прогнозирование различных показателей, характеризующих региональную динамику, является актуальной задаче и входит в сферы интересов ряда различных национальных и международных организаций (центральные банки экономические агентства, Мировой Банк и пр.). Подобные прогнозы строятся на регулярной основе для постоянного мониторинга социально-экономического положения и динамики регионов мира, отдельных стран и их регионов, а также в отдельных случаях для оценки разного рода благоприятных и неблагоприятных последствий изменения региональной динамики в результате осуществления мер экономической политики и иных событий, влияющих на социально-экономическое состояние регионов. Для решения задач прогнозирования региональной динамики применяется широкий спектр моделей, и с каждым разом предпринимаются пути их совершенствования. Так наибольшее распространение получили линейные [18, 25, 11, 22] и нелинейные прогнозные модели [28, 24, 9, 10], глубокий сравнительный анализ этих моделей приведен в статье Стока и Уотсона [28].

Среди нелинейных моделей большое распространение получили нейросетевые модели, которые в настоящее время широко используются при решении самых различных задач там, где обычные алгоритмические решения оказываются неэффективными или вовсе невозможными. Экономическое нейросетевое моделирование широко используется в моделировании и прогнозировании временных рядов на разных уровнях экономики, в том числе на уровне фирм [9, 37], отраслевых рынках [30, 12, 2] и на международном уровне [12, 26, 16]. Отметим статью, в которой осуществляется применение нейросетевых моделей, при исследовании и анализе мирового экономического кризиса 2007-2009 гг. проведенное А. Коком и Т. Теравирстрой 2013 г.[4]. Исследование, затрагивающее тематику пространственного прогнозирования, было проведено Пинг-Фэн Пай и Вэй Чан-Хун в статье 2005 г. в которой они осуществили прогнозирование региональной нагрузки электроэнергии с применением генетических алгоритмов [33].

В ходе обзора литературы относительно прогнозирования региональной динамики, был замечен следующий факт: существует множество линейных и нелинейных моделей с использованием и без использования такого параметра как пространственный лаг [18, 17, 11, 14, 23,25]. Наиболее популярной работой в области прогнозирования региональной динамики с использованием пространственных взаимосвязей, является статья Х. Счейна, П. Вэплера, А. Ейха [31], в которой осуществлялось построение регрессионной модели прогноза относительного такого параметра, как безработица с использованием пространственного лага. [2] Так же существует множество нейросетевых моделей, относительно прогнозирования региональной динамики, например известная статья 2002 г. Че-Чан Хсу и Чиа-Йон Чена, в которой приводятся модели прогнозирования региональной динамики через нейронные сети, но нигде не проводилось исследования использования нейросетевых моделей с пространственными взаимосвязями [10]. Соответственно объектом исследования является влияние пространственного лага, как дополнительного параметра на функцию отклонения в нейросетевых моделях. Выдвигается следующая гипотеза: введение пространственного лага в нейросетевую модель оказывает влияние на минимизацию функции отклонения модели, при наличии ошибки пространственной корреляции зависимых параметров.

Стоит отметить некоторые достоинства и недостатки нейросетвых и регрессионных моделей. К достоинствам регрессионных моделей относится их простота, гибкость, единообразие их анализа и проектирования [13], так же достоинством является прозрачность моделирования [29], т. е. доступность для анализа всех промежуточных вычислений. Главным недостатком регрессионных моделей является низкая адаптивность и отсутствие способности моделирования нелинейных процессов [21], в свою очередь главной особенностью нейросетевых моделей является их нелинейность [1], т. е. способность устанавливать нелинейные зависимости между будущими и фактическими значениями процессов. Возникает вопрос возможности компенсирования недостатков одних моделей достоинствами других, что даст возможность повысить точность прогнозирования. Такую возможность нам дает комбинирование моделей [3, 7, 5, 36]. Комбинирование модели в последнее время получили очень большую популярность, в области прогнозирования. В данной работе будет рассмотрен метод комбинирования моделей как один из приемов увеличения точности прогнозирования.

Выдвигается следующая гипотеза: метод комбинирования, как один из способов прогнозирования, в большей степени оказывает влияние на минимизацию функции отклонения модели, по сравнению с индивидуальными моделями, используемыми при комбинировании.

Целью исследования является построение комбинированной модели, на основе которой может быть проведен анализ и разработка методов увеличения точности прогнозирования показателей с последующей оценкой динамики и влияющих на выходной параметр данных. В качестве нейросетевой модели используется архитектура монотонного многослойного персептрона (нейронная сеть с прямым распространением сигнала и обратным распространением ошибки), главной особенностью которой является монотонное ограничение, которое гарантирует монотонно возрастающее поведение результатов моделирования в отношении указанных факторов, модель сводится к архитектуре стандартного многослойного персептрона, если монотонное ограничение не вызывается. В качестве эконометрической модели, как второй составляющей компоненты комбинированной модели, будет использоваться линейная панельная модель.

Эмпирическая база исследования представлена двумя блоками:

    - статистические данные по динамике следующих макроэкономических показателей: ВВП на душу населения США, уровень населения США и уровень занятости США; - данные, полученные в результате составления модели для получения прогнозных показателей входных параметров с помощью нейросетевой и эконометрической моделей.

В качестве прогнозируемого параметра используется реальный ВВП на душу населения, в качестве зависимых параметров используются: временной лаг ВВП на душу населения (выраженный в приростах), временной лаг населения (выраженный в приростах), временной лаг уровня занятости (выраженный в приростах), пространственный лаг ВВП на душу населения, пространственный лаг уровня занятости. Вариации подачи прогнозируемых рядов данных будут описаны в виде спецификаций, которые будут составлены на основании дифференциации подачи зависимых данных к прогнозируемым.

В результате эмпирического исследования показано, что при использовании отдельных моделей наилучшие результаты прогнозирования демонстрируют нейросетевые модели с использованием пространственного лага, тогда как при комбинировании результатов нейросетевых и линейных панельных моделей достигнуты прогнозы более высокого качества.

Структура текста работы следующая. Во втором разделе "Методология моделирования прогнозирования макроэкономических пространственных взаимосвязей", осущетсвляется обзор сбора и преобразования данных исследования, выдвигаются гипотезы, осущетсвляется построение и трансформация моделей, дается общее описание принципов и методов исследования. В третьем разделе осуществляется анализ результатов исследования, подтверждение на основании эмпирических результатов выдвинутых ранее гипотез, подтврержается значимость исследования.

Похожие статьи




Аннотация - Прогнозирование региональной динамики с учетом пространственной взаимосвязи на основе нейронных сетей

Предыдущая | Следующая