Оценка тенденций изменения человеческого капитала социально-экономической системы на основе применения алгоритма нейросетевого прогнозирования
Автор: Кетова Каролина Вячеславовна, Вавилова Дайана Дамировна
Журнал: Экономические и социальные перемены: факты, тенденции, прогноз @volnc-esc
Рубрика: Моделирование и прогнозирование социально-экономических процессов
Статья в выпуске: 6 т.13, 2020 года.
Бесплатный доступ
В работе решена задача нейросетевого прогнозирования величины, структуры и динамики человеческого капитала. Объект представленного в статье исследования - социально-экономическая система. Предмет исследования - практика применения нейросетевых моделей к прогнозированию социально-экономических показателей, в частности человеческого капитала. Целью работы являются применение нейросетевого моделирования и адаптация его алгоритмов для построения прогноза изучаемого показателя на будущее. Статистической базой послужили данные по демографии, объемам инвестирования в человеческий капитал региональной экономической системы, а также индикаторы направлений социально-экономического развития. Объемы инвестиций в человеческий капитал определяют расходы бюджета и частные расходы граждан. Для прогноза динамики человеческого капитала используются значения объемов инвестиций, прогноз которых, в свою очередь, построен с помощью нейросетевой модели. Применяемая в данном исследовании нейросетевая модель представляет собой многослойный полносвязный персептрон с сигмоидальной логистической функцией активации. Нейросетевое моделирование прогнозных значений объемов инвестиций показало свою эффективность. Оценка человеческого капитала за период 2000-2018 гг. и его прогноз на период 2019-2023 гг. выполнены на примере региональной экономической системы Удмуртской Республики. Расчеты свидетельствуют, что наибольшие темпы роста изучаемый показатель демонстрирует с 2013 года, прогнозируется его дальнейшее увеличение. Полученные результаты качественно коррелируют с динамикой изменения индекса человеческого развития России, определяемого специалистами ООН. Предложенная методика расчета и прогноза человеческого капитала может быть использована для оценки и сравнения социально-экономического положения регионов Российской Федерации.
Человеческий капитал, нейросетевое моделирование, алгоритм прогноза, инвестиции, социально-экономическая система
Короткий адрес: https://sciup.org/147225290
IDR: 147225290 | DOI: 10.15838/esc.2020.6.72.7
Список литературы Оценка тенденций изменения человеческого капитала социально-экономической системы на основе применения алгоритма нейросетевого прогнозирования
- Mincer J. Investments in Human Capital and Personal Income Distribution. Journal of Political Economy. 1958, Aug.
- Schulz T. Investment in Human Capital. American Economic Review, 1961, vol. 1.
- Becker G.S. Investment in Human Capital: Theoretical Analysis. Journal of Political Economy. Supplement. Oct., 1962.
- Kuznets S. Quantitative Aspects of the Economic Growth of Nations. Paper VUI: Distribution of Income by Size. Economic Development and Cultural Change, 1963.
- 2 Рейтинг социально-экономического положения регионов. URL: https://riarating.ru/infografika/20190604/ 630126280.html
- Эренберг Р.Д., Смит Р.С. Современная экономика труда. Теория и государственная политика. М.: Изд-во МГУ, 1996. 198 с.
- Корицкий А.В. Введение в теорию человеческого капитала. Новосибирск: Изд-во СибУПК, 2000. 112 с.
- Акопян А.С., Бушуев В.В., Голубев В.С. Эргодинамическая модель человека и человеческий капитал // Общественные науки и современность. 2002. № 6. С. 98—106.
- Малков С.Ю., Болохова К.А., Давыдова О.И. Модель оценки и прогноза развития человеческого капитала // Экономика и управление: проблемы, решения. 2016. № 7. С. 7—16.
- Айвазян С.А., Степанов В.С., Козлова М.И. Измерение синтетических категорий качества жизни населения региона и выявление ключевых направлений совершенствования социально-экономической политики // Прикладная эконометрика. 2006. № 2. С. 18—84.
- Xu Y., Li A. The relationship between innovative human capital and interprovincial economic growth based on panel data model and spatial econometrics. Journal of Computational and Applied Mathematics. 2020. DOI: 10.1016/j.cam.2019.112381
- Тимербулатов Р.М. Инвестиции в человеческий капитал как фактор повышения конкурентоспособности предприятия // Вестник Саратовского государственного социально-экономического университета. 2016. № 1. С. 40-42.
- Китаева Л.В., Хайбулаев Х.У. Инвестиции в человеческий капитал: проблемы теории и практики // Вестник экспертного совета. 2018. № 1-2 (12-13). С. 93-100.
- Чернов Г.Е., Чернова Е.В. Человеческий капитал как определяющий вектор развития экономики в XXI в. // Общество: политика, экономика, право. 2016. № 11. С. 54-61.
- Рябых В.Н., Рябых Е.Б. Социально-экономический аспект человеческого капитала в современной глобальной экономике // Вестник Тамбовского университета. Серия: Гуманитарные науки. 2015. № 9 (149). С. 129-136.
- Роль человеческого капитала в современной экономике и показатели ее оценки / Н.А. Серебрякова, С.А. Волкова, О.О. Шендрикова, Т.А. Волкова // Вестник ВГУИТ. 2017. Т 79. № 4. С. 253-259. DOI: 10.20914/2310-1202-2017-4-253-259
- Михалева О.М. Роль человеческого капитала в инновационном развитии территорий // Вестник Брянского государственного университета. 2019. № 1. С. 183-189.
- Стабинскайте Ю.А. Обоснование роли человеческого капитала в экономическом росте стран Европейского союза: современные методы увеличения эффективности национальных запасов человеческого капитала // Вестник Российского университета дружбы народов. Серия: Экономика. 2019. Т. 27. № 1. С. 35-48. DOI: 10.22363/2313-2329-2019-27-1-35-48
- Кетова К.В. Математические модели экономической динамики: монография. Ижевск: ИжГТУ, 2013. 284 с.
- Schmidhuber J. Deep learning in neural networks: An overview. Neural Networks, 2015, vol. 61, pp. 85-117. DOI: 10.1016/j.neunet.2014.09.003
- Nguyen G., Dlugolinsky S., Bobk, M. Machine Learning and Deep Learning frameworks and libraries for large-scale data mining: a survey. Artificial Intelligence Review, 2019, vol. 52, pp. 77-24. DOI: 10.1007/s10462-018-09679-z
- Vavilova D.D., Ketova K.V., Kasatkina E.V. Application of Genetic Algorithm for Adjusting the Structure of Multilayered Neural Network for Prediction of Investment Processes // Материалы VIII Международной конференции «Технические университеты: интеграция с европейскими и мировыми системами образования», 2019. Т. 1. С. 223-233.
- Цой Ю.Р., Спицын В.Г. Эволюционный подход к настройке и обучению искусственных нейронных сетей // Нейроинформатика. 2006. Т. 1. № 1. С. 34-61.
- Ясницкий Л.Н. Интеллектуальные информационные технологии и системы. Пермь: Пермский государственный национальный исследовательский университет, 2007. 271 с.
- Effati S., Nazemi A. Neural network models and its application for solving linear and quadratic programming problems. Applied Mathematics and Computation, 2006, vol. 172, no. 1, pp. 305-331. DOI:10.1016/ j.amc.2005.02.005
- Ghanbarzadeh M., Aminghafari M. A novel wavelet artificial neural networks method to predict nonstationary time series. Communications in Statistics-theory and Methods, 2018, vol. 49, no. 4, pp. 864—878. DOI: 10.1080/03610926.2018.1549259
- McCulloch W.S., Pitts W. A logical calculus of the ideas immanent in nervous activity. Bull. Math. Biophys., 1943, vol. 5, pp. 115-133.
- Hebb D.O. The Organization of Behavior: A Neuropsychological Theory. Wiley, 1949. 335 p.
- Rosenblatt F. Principles of Neurodynamics: Perceptrons and the Theory of Brain Mechanisms. Washington, D.C. Spartan books, 1962. 480 p.
- Kohonen T. Self-Organizing Maps (Third Extended Edition). New Ybrk, 2001. 501 p.
- Grossberg S. Competitive learning: From interactive activation to adaptive resonance. Cognitive Science, 1987, vol. 11, no. 1, pp. 23-63.
- Werbos PJ. Beyond Regression: New tools for Prediction and Analysis in the Behavioral Sciences. Harvard University, Cambridge, 1974.
- Minsky M.L., Papert S. Perceptrons: an Introduction to Computational Geometry. Cambridge, Mass., 1969. 112 p.
- Fukushima К., Miyake S., Takayuki I. Neocognitron: A neural network model for a mechanism ofvisual pattern recognition. IEEE Transaction on Systems, Man and Cybernetics SMC, 1983, vol. 13 (5), pp. 26-34.
- Hopfield J.J., Tank D.W. Neural computation of decisions in optimization problems. Biological Cybernetics, 1985, vol. 52, no. 3, pp. 141-152.
- Haykin S. Neural Networks: A Comprehensive Foundation. United States, 1998. 842 p.
- Hecht-Nielsen R. Confabulation Theory. Springer-Verlag Berlin Heidelberg, 2007. 116 p.
- Юнусова Л.Р, Магсумова А.Р. Алгоритмы обучения искусственных нейронных сетей // Проблемы науки. 2019. № 7 (43). С. 21-25.
- Митинская А.Н., Матыч М.А. Исследование проблемы прогнозирования с использованием нейронных сетей // Актуальные направления научных исследований XXI века: теория и практика. 2015. Т 3. № 7-2 (18-2). С. 30-31. DOI: 10.12737/15021
- Шагалова П.А. Реализация системы распознавания образов на базе нейросетевого подхода для анализа временных рядов // Труды Нижегородского государственного технического университета им. Р.Е. Алексеева. 2015. № 3 (110). С. 85-90.
- Cavarretta F., Naldi G. Mathematical study of a nonlinear neuron model with active dendrites. Aims Mathematics, 2019, vol. 4, no. 3, pp. 831-846. DOI:10.3934/math.2019.3.831
- Айвазян С.А., Афанасьев М.Ю., Кудров А.В. Индикаторы основных направлений социальноэкономического развития и их агрегаты в пространстве характеристик региональной дифференциации // Прикладная эконометрика. 2019. № 2 (54). С. 51-62.
- Кетова К.В., Русяк И.Г., Романовский Ю.М. Математическое моделирование человеческого капитала // Компьютерные исследования и моделирование. 2019. Т. 11. № 2. С. 329-342. DOI: 10.20537/2076-7633-2019-11-2-329-342
- Русяк И.Г., Кетова К.В. Идентификация и прогнозирование обобщающих показателей развития региональной экономической системы // Прикладная эконометрика. 2009. № 3 (15). С. 56-71.
- Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети. генетические алгоритмы и нечеткие системы. М.: Горячая линия - Телеком, 2006.
