Полищук А.Ю., к.т.н. Лапицкая Н.В.

Белорусский государственный экономический университет, Республика Беларусь

МОДЕЛИРОВАНИЕ МАКРОЭКОНОМИЧЕСКИХ ПОКАЗАТЕЛЕЙ РЕСПУБЛИКИ БЕЛАРУСЬ С ПРИМЕНЕНИЕМ МЕТОДА ГРУППОВОГО УЧЕТА АРГУМЕНТОВ

 

Основные макроэкономические показатели являются отображением текущей экономической ситуации в государстве, на их основе можно составить общее мнение о состоянии экономики отдельной страны, как в динамике ее развития, так и в сравнении с другими странами. На сегодняшний день ключевыми макроэкономическим показателем является валовой внутренний продукт (ВВП), который пришел на смену ВНП и стал основным индикатором для совместимости с СНС Организации Объединённых Наций.

Метод группового учета аргументов рассматривается как инструмент моделирования и прогнозирования ВВП, который основан на нейросетевых алгоритмах. В исследовании использовался программный продукт Neuroshell 2.

В работе были созданы модели ВВП Республики Беларусь, которые основывались на следующих входных параметрах:

·        Численность населения Республики Беларусь, тысяч человек, x ₁

·        Экономически активное население, тысяч человек, x ₂

·        Реальные денежные доходы населения, в ценах 2011 года, x ₃

·        Реальная заработная плата, в ценах 2011 года, x ₄

·        Объем промышленного производства, в ценах 2011 года, x ₅

·        Объем инвестиций в основной капитал, в ценах 2011 года, x ₆

·        Розничный товарооборот торговли, в ценах 2011 года, x ₇

Моделирование осуществлялось в два этапа:

1.     Прогнозирование влияющих параметров с помощью ARIMA-моделей.

2.     Применение МГУА для прогнозирования ВВП.

В ходе работы были сформированы три модели: две на основе критерия регулярности (простая и с расширенными настройками) и одна на основе критерия FCPSE (Full Complexity Prediction Squared Error – Квадратичная ошибка предсказания с полной сложностью).

Ниже представлены результаты применения моделей для прогнозирования ВВП Республики Беларусь (табл. 1-3):

 

Таблица 1. Выходные данные (Регулярность полная)

 

Таблица 2. Выходные данные (FCPSE)

 

Таблица 3. Выходные данные (Регулярность упрощенная)

 

По расчетам Института народнохозяйственного прогнозирования Российской академии наук, Института экономики и прогнозирования НАН Украины и Центра интеграционных исследований Евразийского банка развития (ЕАБР) , в 2011–2015 годах среднегодовые темпы роста ВВП составят в Беларуси 4,7%.

На государственном уровне в Республике Беларусь утвержден прогноз на 2012 год, предусматривающий рост ВВП на уровне 5–5,5%. Программа социально-экономического развития на 2011–2015 годы предполагает, что за пятилетку ВВП Беларуси вырастет на 62–68%. Выполнение данной программы предполагает, что ежегодный рост ВВП Беларуси должен составлять около 10%.

Таким образом, прогноз, созданный на основе МГУА, показал, что спрогнозированные с его помощью данные находятся предельно близко к данным РАН и НАН Украины, что указывает на их состоятельность. Прогноз белорусских властей на 2012 год также сходится с прогнозом МГУА.

Получившиеся модели можно использовать в различных случаях: при наличии персонального компьютера наиболее предпочтительной является первая модель (состоящая из 56 полиномов), т.к. она показывает самые точные данные для прогноза с учетом массы показателей в различных сочетаниях, что позволяет нивелировать эффект, когда резкий скачек одного показателя нарушает модель и ухудшает ее способность к реальному прогнозу. При отсутствии достаточных вычислительных мощностей предпочтительнее использование третьей модели (1), т.к. при относительной простоте она также способна показать хорошие результаты.

.             (1)

Вторая модель (2) – простая регрессионная модель одного показателя.

,                                           (2)

где x _1…. x ₇ – нормированные показатели выходных параметров.

Необходимо отметить, что метод группового учета аргументов является мощным инструментом для составления моделей, который даже не коротких выборках способен показать отличное качество модели. Благодаря очень широкому выбору критериев и возможности варьирования массы параметров модели, этот метод позволяет найти именно такую модель, которая отвечала бы начальным требованиям путем перебора различных комбинаций критериев и показателей.

Недостатком нейросетевой парадигмы является то, что даже натренированная нейронная сеть представляет собой черный ящик. Знания, зафиксированные как веса нескольких сотен межнейронных связей, совершенно не поддаются анализу и интерпретации человеком. Также проблема состоит в нахождении оптимальной сложности модели, т.к. излишне громоздкая модель затрудняет ее применение, а излишне простая не может в полной мере состоятельно описать данные.