A set of hybrid models for forecasting socio-economic indicators of the Russian Federation and their implementation in the intelligent Horizon system

Cover Page

Cite item

Full Text

Open Access Open Access
Restricted Access Access granted
Restricted Access Subscription Access

Abstract

Currently, there is an increasing need for the application of models, methods and tools for forecasting the development of the country's economy, allowing to calculate the trajectories of socio-economic development. The construction of such forecasts is possible based on both econometric and intelligent models for the aggregate system of indicators. The article describes the constructed hierarchical structure of models of socio-economic indicators of Russia, the methodology and technology of their forecasting by means of the authors' hybrid intellectual system "Horizon". In accordance with the authors' methodology, a system of interrelated regression equations is developed for the selected scenario, determined by the scenario forecasts of the Bank of Russia; and then the results are verified. For indicators with unsatisfactory forecast results, intelligent predictive models are built. The models are based on neural networks and decision trees. The results of the hybrid model application for the entire set of indicators of the social sphere demonstrate the high quality and accuracy of the forecasts obtained.

About the authors

Olga Viktorovna Kitova

Plekhanov Russian University of Economics

Email: olga.kitova@mail.ru
заведующий кафедрой информатики, доктор экономических наук, кандидат физико-математических наук, доцент

Lyudmila Pavlovna Dyakonova

Plekhanov Russian University of Economics

Email: ldyak@mail.ru
доцент кафедры информатики, кандидат физико-математических наук, доцент

Viktoriya Mikhaylovna Savinova

Plekhanov Russian University of Economics

Email: lesnayapol@yandex.ru
старший преподаватель кафедры информатики

References

  1. Федеральный закон от 28.06.2014 № 172-ФЗ «О стратегическом планировании в Российской Федерации». Consultant.ru. [Электронный ресурс]. URL: http://www.consultant.ru/document/cons_doc_LAW_164841/ (дата обращения: 16.03.2023).
  2. Klein L.R., Goldberger A.S. An econometric model of the United States, 1929-1952. - Amsterdam: North-Holland Publishing Company, 1955. – 165 p.
  3. Колмаков И.Б. Основы моделирования. Имитационные макромодели рыночной экономики. - М.: Из-во Рос. экон. акад им. Г.В. Плеханова, 1995. – 203 c.
  4. Макаров В.Л., Айвазян С.А., Борисова С.В., Лакалин Э.А. Эконометрическая модель экономики России для целей краткосрочного прогноза и сценарного анализа. / Препринт # WP/2001/121. - М.: ЦЭМИ РАН, 2001. – 34 c.
  5. Сиволап Н.Н. Прогнозирование основных показателей социальной сферы региона // Региональная экономика: теория и практика. – 2007. – № 7. – c. 121-123.
  6. Турунцева М.Ю., Киблицкая Т.Р. Качественные свойства различных подходов к прогнозированию социально-экономических показателей РФ. - М.: ИЭПП, 2010. – 148 c.
  7. Китова О.В., Колмаков И.Б., Шарафутдинова А.Р. Анализ точности и качества краткосрочного прогноза показателей социально-экономического развития России // Вестник Российского экономического университета им. Г.В. Плеханова. – 2013. – № 9(63). – c. 111-119.
  8. Китова О.В., Дьяконова Л.П., Китов В.А., Савинова В.М. Применение нейронных сетей для прогнозирования социально-экономических временных рядов // Russian Economic Bulletin. – 2020. – № 5. – c. 188-201.
  9. Kitova O.V., Kolmakov I.B., Dyakonova L.P., Grishina O.A., Sekerin V.D., Danko T.P. Hybrid intelligent system of forecasting of the socio-economic development of the country // International journal of applied business and economic research. – 2016. – № 9. – p. 5755-5766.
  10. Kitova O., Savinova V., Dyakonova L., Kitov V. Development of hybrid models and a system for forecasting the indicators of the Russian economy // Espacios. – 2019. – № 10. – p. 18.
  11. Štencl M., Šťastný J. Artificial Neural Networks Numerical Forecasting of Economic Time Series. / In book: Artificial Neural Networks – Application., 2011.
  12. Verstyuk S. Modeling Multivariate Time Series in Economics: from Auto-Regressions to Recurrent Neural Networks // SSRN Electronic Journal. – 2018. – doi: 10.2139/ssrn.3297736.
  13. Almosova A., Andreseny N. Nonlinear Inflation Forecasting with Recurrent Neural Networks. European Central Bank Conference Inflation in a changing economic environment. [Электронный ресурс]. URL: https://www.ecb.europa.eu/pub/conferences/shared/pdf/20190923_inflation_conference/L2_Almosova.pdf.
  14. Jahn M. Artificial neural network regression models in a panel setting: Predicting economic growth // Economic Modelling. – 2020. – p. 148-154. – doi: 10.1016/j.econmod.2020.06.008.
  15. Mvubu M., Kabuga E., Plitz C., et al. On Error Correction Neural Networks for Economic Forecasting. Arxiv.org. [Электронный ресурс]. URL: https://arxiv.org/pdf/2004.05277v1.pdf.
  16. Kavousi-Fard A., Samet H., Marzbani F. A new hybrid modified firefly algorithm and support vector regression model for accurate short term load forecasting // Expert Systems with Applications. – 2014. – № 13. – p. 6047-6056. – doi: 10.1016/j.eswa.2014.03.053.
  17. Nguyen N., Cripps A. Predicting housing value: a comparison of multiple regression analysis and artificial neural networks // Journal of Real Estate Research. – 2001. – № 3. – p. 314-336. – doi: 10.1080/10835547.2001.12091068.
  18. Singh P. Big data time series forecasting model: a fuzzy-neuro hybridize approach. / In book: Computational Intelligence for Big Data Analysis., 2015. – 55-72 p.
  19. Wang J.S., Ning C.X. ANFIS Based Time Series Prediction Method of Bank Cash Flow Optimized by Adaptive Population Activity PSO Algorithm // Information (Switzerland). – 2015. – № 3. – p. 300-313. – doi: 10.3390/info6030300.
  20. Китова О.В., Савинова В.М., Дьяконова Л.П. Гибридная интеллектуальная информационная система прогнозирования «СГМ Горизонт» и ее применение в подготовке магистров // Современные информационные технологии и ИТ-образование. – 2019. – № 4. – c. 1022-1030. – doi: 10.25559/SITITO.15.201904.1022-1030.
  21. Китова О.В., Дьяконова Л.П., Савинова В.М., Китов В.В. Система поддержки приятия решений «Горизонт» на основе гибридных моделей прогнозирования показателей экономики России // Экономика: вчера, сегодня, завтра. – 2018. – № 9А. – c. 309-319.
  22. Китова О.В., Дьяконова Л.П., Китов В.А., Савинова В.М. Цифровой сервис сценарного прогнозирования экономики Российской Федерации // Modern Economy Success. – 2020. – № 4. – c. 225-232.
  23. Официальный сайт Банка России. [Электронный ресурс]. URL: https://cbr.ru (дата обращения: 16.03.2023).
  24. Основные направления единой государственной денежно-кредитной политики на 2021 год и период 2022 и 2023 годов. Банк России. [Электронный ресурс]. URL: http://www.cbr.ru/about_br/publ/ondkp (дата обращения: 16.03.2023).
  25. Чучуева И.А. Модель прогнозирования временных рядов по выборке максимального подобия. / Диссертация кандидата техн. наук: 05.13.18., 2012. – 154 c.
  26. Kitov Victor V., Mishustina Margarita V., Ustyuzhanin Alexander O. Time Series Prediction Survey of Statistical, Machine Learning and Deep Learning Methods: Historical Aspects // Voprosy istorii. – 2022. – № 4-2. – p. 201-218. – doi: 10.31166/VoprosyIstorii202204Statyi40.
  27. Китова О.В., Савинова В.М. Структура и информационно-логическая схема работы системы прогнозирования экономических временных рядов «СГМ Горизонт» // Modern Economy Success. – 2020. – № 5. – c. 190-197.
  28. Китова О.В., Савинова В.М. Теоретические аспекты социально-экономического моделирования и построения полнофункциональной версии ИАС Горизонт // Modern Economy Success. – 2022. – № 2. – c. 54-60.
  29. Савинова В.М. Система эконометрических моделей прогнозирования социально-экономических показателей РФ как основа ИАС «Горизонт» // Modern Economy Success. – 2022. – № 2. – c. 140-147.
  30. Китова О.В., Дьяконова Л.П., Савинова В.М. Прогнозирование региональных экономических показателей на основе искусственных нейронных сетей // Инжиниринг предприятий и управление знаниями (ипуз-2020): Сборник научных трудов XXIII Международной научной конференции. Москва, 2021. – c. 68-74.
  31. Основные направления единой государственной денежно-кредитной политики на 2023 год и период 2024 и 2025 годов. Банк России. [Электронный ресурс]. URL: http://www.cbr.ru/about_br/publ/ondkp (дата обращения: 16.03.2023).

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Copyright (c) 2023 Kitova O.V., Dyakonova L.P., Savinova V.M.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».