Создать PDF Рекомендовать Распечатать

Информационное обеспечение управления социально-экономическим развитием муниципального образования на основе прогнозирующих моделей

Региональная экономика | (88) УЭкС, 6/2016 Прочитано: 6077 раз
(0 Голосов:)
  • Автор (авторы):
    Белобородова Наталья Андреевна
  • Дата публикации:
    13.06.16
  • ВУЗ ИЛИ ОРГАНИЗАЦИЯ:
    Институт экономики, управления и информационных технологий Ухтинского государственного технического университета

УДК 005.521:004.8

Информационное обеспечение управления социально-экономическим развитием муниципального образования на основе прогнозирующих моделей

Information support of management of social and economic development of municipality on the basis of the predicting models

Белобородова Наталья Андреевна

Beloborodova Natalya Andreevna

к.эк. н., доцент, профессор кафедры “Документационное обеспечение управления”

Институт экономики, управления и информационных технологий Ухтинского государственного технического университета, г. Ухта, Республика Коми

E-mail: velbest@mail.ru

Аннотация. Рассматривается проблема усиления потенциала функции прогнозирования социально-экономического развития муниципального образования. Предлагаемая технология построения прогнозирующих моделей позволяет решать задачи анализа факторов роста производства в анализируемом периоде, определять оптимальные варианты производства в экономике муниципального образования, обеспечивающие наибольший эффект по показателям занятости населения, росту доходов населения, вкладу в бюджетный потенциал города.

Abstract:  The problem of strengthening of potential of function of forecasting of social and economic development of municipality is considered. The offered technology of creation of the predicting models allows to solve problems of the analysis of factors of increase in production in the analyzed period, to define the optimal variants of production in economy of municipality providing the greatest effect on indicators of employment of the population, growth of the income of the population, a contribution to the budgetary capacity of the city.

Ключевые слова: прогнозирующие модели, искусственные нейронные сети, генетический алгоритм, прогнозирование оптимальных вариантов роста производства

Keywords: the predicting models, artificial neural networks, genetic algorithm, forecasting of optimal variants of increase in production

Введение. На территории городов в северных регионах Российской Федерации сосредоточен производственный потенциал предприятий промышленности, нефтегазового комплекса, строительной индустрии, агропромышленного комплекса, сельского хозяйства и т.д. Он является базой для модернизации и обновления промышленности в стране, создания и развития новых отраслей производства. Но даже в тех городах, на территории которых размещается высокоразвитый, мощный и высокодоходный производственный потенциал предприятий нефтегазового комплекса, местные власти не могут обеспечить достаточный уровень налоговых поступлений в местные бюджеты, снижение уровня бедности населения, др. показателей развития. Одна из причин – несовершенство управления производственной сферой экономики на местном локальном уровне, что не позволяет местным властям эффективно использовать имеющийся производственный потенциал для обеспечения социально-экономического развития территории. Таким образом, становится актуальной проблема управляемости производственной сферой экономики в границах муниципального образования (города) в целях улучшения жизни проживающих здесь людей.

Одним из направлений совершенствования управления социально-экономическим развитием является повышение информированности местных властей о состоянии и развитии производства на подведомственной территории, о текущей и перспективной ситуации на предприятиях, в том числе не относящихся к собственности муниципалитетов.

Современный уровень науки и техники позволяет использовать новые информационные технологии в контуре управления – элементы искусственного интеллекта (искусственные нейронные сети, генетические и эволюционные алгоритмы, нечеткие множества, т.д.), базы данных и банки знаний, которые способствуют получению новых знаний о состоянии и развитии территориальных производственных систем. Их применение в управлении дает возможность местным властям объективно оценить состояние развития экономики, сформировать информационную базу для принятия оптимальных управленческих решений по вопросам текущей ситуации и приоритетам перспективного развития отдельных предприятий и всей территории в целом.

Автором разработана система информационного обеспечения управления социально-экономическим развитием территории муниципального образования в границах города на основе методов искусственного интеллекта,основными компонентами которой являются:

- метод идентификации состояния производства на основе использования искусственной нейронной сети – многослойного персептрона, позволяющий прогнозировать факторы роста производства, “точки роста”, их качественный состав, структуру. В качестве “точек роста” рассматриваются производственные комплексы, имеющие наибольшие показатели в динамике за анализируемый период и обеспечивающие наибольший эффект по показателям занятости населения, росту доходов населения, вкладу в бюджетный потенциал города и т.д.[1, с.98].

- метод прогнозирования производства на основе технологии искусственной нейронной сети и генетическом алгоритме, позволяющий формировать прогнозные варианты развития экономики муниципального образования (города) с учетом факторов роста производства и позволяющий оценивать влияние роста производства на состояние ключевых показателей развития территории муниципального образования [1, с. 148].

- комплекс прогнозирующих моделей на основе методов искусственного интеллекта, позволяет определять состояние развития производственной сферы экономики, вырабатывать прогнозы производства при различных уровнях доходов населения, безработицы, находить оптимальные варианты развития производственной системы в границах города.

- алгоритмы и программы, реализующие построение прогнозирующих моделей, построенных с использованием искусственных нейронных сетей и генетического алгоритма.

В данной работе показаны возможности генетических алгоритмов для построения прогнозирующих моделей, исследование и использование которых позволяет определить “лучшие” (прогнозные) варианты развития производственной сферы экономики, обеспечивающие наибольший эффект по показателям занятости населения, росту доходов населения, вкладу в бюджетный потенциал города и т.д.

В работе использовались ретроспективные статистические данные социально-экономического развития муниципального образования “Городской округ “Ухта” (МО ГО) за 2005г., 2006г., 2007г., 2008г. – с целью проверить правильность прогнозирующих моделей. Прогнозирующие модели разрабатывались также для идентификации “точек роста” экономики городов Воркуты (МОГО “Воркута”) и Инты (МОГО “Инта”) в 2014г.

Анализ основных положений стратегии социально-экономического развития региона (Республика Коми) позволил определить ключевые показатели, отражающие эффективность управления развитием производства на местном, локальном уровне:

  • отрасли производства, имеющие наибольшие показатели в динамике за анализируемый период, обеспечивающие наибольший эффект по занятости населения и сокращению безработицы, росту доходов населения и снижению уровня бедности, а также ? максимальный вклад в бюджетный потенциал территории;
  • эффективность управления производственными, трудовыми, природными ресурсами будет выше, если будет установлена и учтена зависимость положительной динамики ключевых показателей развития от роста производства; это позволит разработать модели управления производством в целях улучшения жизни населения.  

В ходе исследования установлено, что технологический процесс управления в муниципальном образовании начинается с разработки прогноза социально-экономического развития, и, как показано в работе, в настоящее время прогнозно-аналитические работы не удовлетворяют требованиям комплексности, достоверности и достаточной глубины прогнозирования, поэтому, прежде всего, рассматривались вопросы совершенствования функции управления – прогнозирования развития экономики МО.

Анализ существующих методов прогнозирования показал, что в настоящее время все большее распространение получают методы прогнозирования на основе технологий искусственного интеллекта. Для усиления потенциала прогнозирования в управлении на местном, локальном уровне, автором предложен подход – совершенствование функции прогнозирования на основе интеллектуальной технологии построения прогнозирующих моделей производства.

В работе исследованы отдельные вопросы теории искусственных нейронных сетей, теории генетических алгоритмов, их особенности для построения прогнозирующих моделей, для прогнозирования развития экономики МО [6,7,8,9,10,11].

Этапы построения прогнозирующих моделей.

Этап I. Предобработка данных. Основное содержание этапа – формирование системы показателей, определяющих рост доходов местного бюджета, сокращение безработицы и рост доходов населения (показатель – средняя заработная плата работающего населения), была использована технология, предложенная в [1,2,3,4].

На основании нормативных документов определяются показатели, характеризующие производство в МО “Городской округ “Ухта” с учетом выпуска основных видов продукции.

Пусть Y1, Y2, Y3 – показатели, характеризующие рост доходов в местный бюджет МО, сокращение безработицы, рост доходов населения. Y1 представлен в денежном выражении; Y2 – число зарегистрированных безработных, чел., Y3– представлен также в денежном выражении; Y1, Y2, Y3 рассматриваются как зависимые переменные от тех переменных, которые обозначены через Хi и характеризуют производство основных видов продукции в натуральном выражении (производство бензина, производство мазута, производство строительных материалов, производство в АПК и т.д.).

В результате выполнения процедур предобработки данных выявляются те показатели Хi, которые влияют на рост Y (Y1, Y2, Y3), т.е. определяют значение “1”, таким образом, формируется совокупность факторов производства, определяющих рост доходов бюджета, сокращение безработицы, рост доходов населения.

Этап II. Построение комплекса прогнозирующих моделей – рассмотрим на примере моделей роста доходов местного бюджета.

Модель роста доходов в бюджет муниципального образования

Согласно расчетам этапа предобработки данных совокупность показателей, определяющих рост доходов бюджета МО ГО в анализируемом периоде, представлена переменными Х7, Х8, Х13, Х16, это: производство стеновых материалов, производство электроэнергии, производство скота и птицы в сельском хозяйстве, производство услуг. Для нахождения оптимального (“лучшего”, прогнозного) варианта развития производственной сферы экономики, обеспечивающего устойчивый рост доходов в бюджет МО, используем генетический алгоритм (ГА).

В работе рассматривается ГА, в котором совокупность оптимизируемых параметров представляется в виде генов, образующих хромосомную нить. Генетический алгоритм поддерживает группу хромосом (популяцию), являющихся претендентами на оптимальное решение. Применяя ряд вероятностных операторов, таких как отбор, скрещивание и мутация, генофонд популяции стремится получить большую пригодность к условиям задачи.

Аналогично тому, как в процессе биологического генезиса выживают и развиваются особи, наиболее приспосабливающиеся к воздействию некоторых факторов окружающей среды, так и в процессе поиска оптимума прогрессируют те решения, которые наиболее пригодны (оптимальны) к условиям поставленной задачи (целевому критерию). Практически алгоритм представляет собой простые операции обмена и копирования частей хромосомных нитей, легко распараллеливаются, и с проблемной областью связан лишь определением функции пригодности.

Можно отметить следующие свойства генетических алгоритмов:

1) обрабатывают не значения параметров самой задачи, а их закодированную форму;

2) осуществляют поиск решения исходя не из единственной точки, а из некоторой популяции;

3) используют только целевую функцию, а не ее производные;

4) применяют вероятностные, а не детерминированные правила выбора.

Перечисленные свойства, которые можно сформулировать также, как кодирование параметров, операции на популяциях, использование минимума информации о задаче и рандомизация операций приводят в результате к устойчивости генетических алгоритмов и к их превосходству над другими широко применяемыми технологиями.

Важным понятием в ГА является функция пригодности (также функция приспособленности, функция оценки). Она представляет собой меру пригодности (приспособленности) данной особи в популяции. Эта функция играет важнейшую роль, поскольку позволяет оценить степень приспособленности конкретных особей в популяции и выбрать из них наиболее приспособленные (т.е. имеющие наибольшие значения функции пригодности) в соответствии с эволюционным принципом выживания “сильнейших”, лучше всего приспособившихся.

Процессы эволюции, происходящие в ГА, основаны на следующем принципе: “каждый биологический вид целенаправленно развивается и изменяется для того, чтобы наилучшим образом приспособиться к окружающей среде”.

Новые индивиды – решения в ГА – создаются с использованием генетических операторов: отбор, скрещивание и мутация. Каждый из них отвечает за определенный процесс в развитии.

Подробнее о ГА можно найти в [6,8].

Для нахождения оптимального (“лучшего”, прогнозного) варианта развития производственной сферы экономики, обеспечивающего устойчивый рост доходов в бюджет МО, используем генетический алгоритм следующим образом [1, с. 220]:

1. Генерация начальной популяции. Генерируем случайную начальную популяцию из N бинарных хромосом.

2. Оценивание приспособленности хромосом в популяции. Расчет функции пригодности всех особей популяции. Находим значение выбранной целевой функции для каждой хромосомы в соответствии с выбранной оценкой и функцию пригодности.

3. Скрещивание. Данная операция реализует формирование потомков. Каждая особь может иметь три потомка. В обоих случаях хромосомы переводятся в разряд потомков.

4. Мутация. Операция реализует мутацию потомков в популяции.

5. Создание новой популяции особей, воспроизводство популяции. Формируется новая популяция, применяется элитизм.

В результате применения операций генетического алгоритма были получены следующие расчетные результаты:

“наилучший” вариант развития производства, который обеспечивает максимально возможный доход в бюджет МО, был получен в 10-м поколении популяции:

производство стеновых материалов Х7 = 1.02 млн. шт. усл. кирпича;

производство электроэнергииХ8 = 2.94 млн. кВт. ч.;

производство скота и птицы в сельском хозяйстве Х13 = 346.49 центнеров;

производство услуг Х16 = 359.38 млн. руб.,

при этом прогнозируемый доход в бюджет МО Y = 259888.83 тыс. руб.

Согласно статистическим данным, максимальный доход в бюджете МО (фактически) в анализируемом периоде составил 268786 тыс. рублей, относительная погрешность расчетов составляет 3.4%.

Заключение. Таким образом, предлагаемая методика построения прогнозирующих моделей с использованием искусственных нейронных сетей и генетического алгоритма, позволяет определить оптимальные варианты роста производства в экономике муниципального образования, обеспечивающие наибольший эффект по показателям занятости населения, росту доходов населения, вкладу в бюджетный потенциал города и т.д. Способствует повышению достоверности и объективности прогнозов социально-экономического развития МО, обоснованности решений в выборе приоритетов развития, совершенствованию информационного обеспечения управления социально-экономическим развитием территории в целом.

Библиографический список

  1. Белобородова, Н.А. Модели, методы и алгоритмы прогнозирования динамики развития муниципального образования с использованием информационных технологий (на примере города Ухты, Республика Коми) [Текст] / Н.А. Белобородова – Ухта: Институт управления, информации и бизнеса, 2010. – 318 с.
  2. Белобородова, Н.А. Модели прогнозирования развития экономики муниципального образования “Город Ухта” с использованием нейронных сетей: Материалы научно-технической конференции, 16-18 апреля 2001 г. / УГТУ. Ухта, 2002. – С. 176-180
  3. Белобородова, Н.А. Методика и модели прогнозирования развития экономики муниципального образования “Город Ухта”/ УГТУ. Ухта, 2002. – 50 с.
  4. Белобородова, Н.А. Модели прогнозирования роста производства с использованием нейронных сетей //Известия вузов. Сер. Нефть и газ.№ 4. С. 110-117.
  5. Джонс М.Т. Программирование искусственного интеллекта в приложениях / Пер. с англ. А.И. Осипова. – М.: ДМК Пресс, 2004. – 312 с.
  6. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы, нечеткие системы / Пер. с польск. – И.Д. Рудинского. – М.: Горячая линия – Телеком, 2004. – 452 с.
  7. Усков А.А., Кузьмин А.В. Интеллектуальные технологии управления. Искусственные нейронные сети и нечеткая логика. – М.: Горячая линия – Телеком, 2004. – 143 с.
  8. Емельянов В.В., Курейчик В.М., Курейчик В.В.Теория и практика эволюционного моделирования. – М.: Физматлит, 2003. – 432 с.
  9. Щетинин В.Г. Анализ факторов экономического роста региона // Вопросы статистики. 1996. № 3. С. 40-46.
  10. Щетинин В.Г., Костюнин А.В. Принятие решений на нейронных сетях оптимальной сложности //Автоматизация и современные технологии.№ 4. С. 38-43.
  11. Щетинин В.Г. Самоорганизация минимальной нейронной сети // Нейроинформатика и ее приложения // СО РАН. Красноярск, 1996. С. 43-44.

  vakperechen

ОБНОВЛЕННЫЙ СПИСОК ВАК 2016 г.
ОТ 19.04.2016  >> ПРОСМОТРЕТЬ
tass
 
ПО ВОПРОСАМ ПУБЛИКАЦИИ СТАТЕЙ И СОТРУДНИЧЕСТВА ОБРАЩАЙТЕСЬ:
skype SKYPE: vak-uecs
e-mail
MAIL: info@uecs.ru
phone
+7 (928) 340 99 00
 

АРХИВ НОМЕРОВ

(01) УЭкС, 1/2005
(02) УЭкС, 2/2005
(03) УЭкС, 3/2005
(04) УЭкС, 4/2005
(05) УЭкС, 1/2006
(06) УЭкС, 2/2006
(07) УЭкС, 3/2006
(08) УЭкС, 4/2006
(09) УЭкС, 1/2007
(10) УЭкС, 2/2007
(11) УЭкС, 3/2007
(12) УЭкС, 4/2007
(13) УЭкС, 1/2008
(14) УЭкС, 2/2008
(15) УЭкС, 3/2008
(16) УЭкС, 4/2008
(17) УЭкС, 1/2009
(18) УЭкС, 2/2009
(19) УЭкС, 3/2009
(20) УЭкС, 4/2009
(21) УЭкС, 1/2010
(22) УЭкС, 2/2010
(23) УЭкС, 3/2010
(24) УЭкС, 4/2010
(25) УЭкС, 1/2011
(26) УЭкС, 2/2011
(27) УЭкС, 3/2011
(28) УЭкС, 4/2011
(29) УЭкС, 5/2011
(30) УЭкС, 6/2011
(31) УЭкС, 7/2011
(32) УЭкС, 8/2011
(33) УЭкС, 9/2011
(34) УЭкС, 10/2011
(35) УЭкС, 11/2011
(36) УЭкС, 12/2011
(37) УЭкС, 1/2012
(38) УЭкС, 2/2012
(39) УЭкС, 3/2012
(40) УЭкС, 4/2012
(41) УЭкС, 5/2012
(42) УЭкС, 6/2012
(43) УЭкС, 7/2012
(44) УЭкС, 8/2012
(45) УЭкС, 9/2012
(46) УЭкС, 10/2012
(47) УЭкС, 11/2012
(48) УЭкС, 12/2012
(49) УЭкС, 1/2013
(50) УЭкС, 2/2013
(51) УЭкС, 3/2013
(52) УЭкС, 4/2013
(53) УЭкС, 5/2013
(54) УЭкС, 6/2013
(55) УЭкС, 7/2013
(56) УЭкС, 8/2013
(57) УЭкС, 9/2013
(58) УЭкС, 10/2013
(59) УЭкС, 11/2013
(60) УЭкС, 12/2013
(61) УЭкС, 1/2014
(62) УЭкС, 2/2014
(63) УЭкС, 3/2014
(64) УЭкС, 4/2014
(65) УЭкС, 5/2014
(66) УЭкС, 6/2014
(67) УЭкС, 7/2014
(68) УЭкС, 8/2014
(69) УЭкС, 9/2014
(70) УЭкС, 10/2014
(71) УЭкС, 11/2014
(72) УЭкС, 12/2014
(73) УЭкС, 1/2015
(74) УЭкС, 2/2015
(75) УЭкС, 3/2015
(76) УЭкС, 4/2015
(77) УЭкС, 5/2015
(78) УЭкС, 6/2015
(79) УЭкС, 7/2015
(80) УЭкС, 8/2015
(81) УЭкС, 9/2015
(82) УЭкС, 10/2015
(83) УЭкС, 11/2015
(84) УЭкС, 11(2)/2015
(85) УЭкС,3/2016
(86) УЭкС, 4/2016
(87) УЭкС, 5/2016
(88) УЭкС, 6/2016
(89) УЭкС, 7/2016
(90) УЭкС, 8/2016
(91) УЭкС, 9/2016
(92) УЭкС, 10/2016
(93) УЭкС, 11/2016
(94) УЭкС, 12/2016
(95) УЭкС, 1/2017
(96) УЭкС, 2/2017
(97) УЭкС, 3/2017
(98) УЭкС, 4/2017
(99) УЭкС, 5/2017
(100) УЭкС, 6/2017
(101) УЭкС, 7/2017
(102) УЭкС, 8/2017
(103) УЭкС, 9/2017
(104) УЭкС, 10/2017
(105) УЭкС, 11/2017
(106) УЭкС, 12/2017
(107) УЭкС, 1/2018
(108) УЭкС, 2/2018
(109) УЭкС, 3/2018
(110) УЭкС, 4/2018
(111) УЭкС, 5/2018
(112) УЭкС, 6/2018
(113) УЭкС, 7/2018
(114) УЭкС, 8/2018
(115) УЭкС, 9/2018
(116) УЭкС, 10/2018
(117) УЭкС, 11/2018
(118) УЭкС, 12/2018
(119) УЭкС, 1/2019
(120) УЭкС, 2/2019
(121) УЭкС, 3/2019

 Федеральная служба по надзору в сфере связи и массовых коммуникаций

№ регистрации СМИ ЭЛ №ФС77-35217 от 06.02.2009 г.       ISSN: 1999-4516