Так, повышению управляемости процессов развития цифровой экономики под воздействием региональных органов государственной власти способствует регрессионный анализ с применением нейронных сетей. В ходе регрессионного анализа нейронная сеть позволяет анализировать зависимые и независимые переменные в условиях, когда связи между ними не определены, что является преимуществом перед использованием традиционных статистических методов прогнозирования. Использование нейронных сетей в ходе регрессионного анализа позволит власти своевременно, качественно и эффективно реагировать на потребности общества, а также требования к развитию территорий.
Реализация регрессионного анализа с помощью нейронной сети предлагается авторами с использованием архитектуры однослойного персептрона. Это позволяет заложить основы для разработки механизма анализа административнораспорядительных методов регионального управления цифровизацией экономики (например, в Хабаровском крае), в том числе их влияния на качество жизни населения края и возможных социальноэкономических последствиях применения.
Преимущество использования нейронных сетей в процессах анализа административно-распорядительных методов регионального управления - минимальные затраты труда и времени на обработку статистического материала, различных исходных данных, характеризующих особенности социальноэкономического развития Хабаровского края. Также целесообразность создания нейронной сети представлена простотой использования. Практическая значимость сети - сокращение трудозатрат на прогнозирование социально-экономических показателей региона, а также повышение точности прогнозов. Возможность применять нейронные сети для решения различных управленческих и экономических задач обуславливается способностью к моделированию нелинейных процессов при работе с «зашумленной» информацией.
Нейросетевойанализпозво
лит устранить существующий недостаток информации о возможных социально-экономических последствиях применения различных административнораспорядительных методов регионального управления цифровизацией экономики в Хабаровском крае, в том числе их влияния на качество жизни населения края.
Для реализации регрессионного анализа административно-распорядительных методов регионального управления цифровой экономикой используется построение концептуальной модели нейронной сети с архитектурой однослойного персеп- трона (рис. 1).
Рис.1. Модель черного ящика нейронной сети регрессионного анализа регионального управления цифровизацией экономики
Данные, находящиеся на входе в нейронную сеть, содержат информацию о деятельности региональных органов власти субъектов Российской Федерации за 2017-2018 гг., полученную в ходе работы в правовой информационно-справочной системе Гарант. При этом используют систему законодательных актов, нормативнодирективных и методических документов, планов, программ и оперативное руководство субъектов Российской Федерации. Кроме того, для построения нейронной сети используются данные индекса «Цифровая Россия» - «Сколково» и семи субиндексов.
Предлагаемая модель нейронной сети предсказывает значение индекса циф- ровизации экономики, а также его субиндексов, основываясь на анализе распорядительно-организационных методов регионального управления.
Модель нейронной сети позволит региональным органам государственной власти путем применения административнораспорядительным методов развития цифровой экономики в течение календарного года получать прогнозируемые значения индекса и субиндексов «Цифровая Россия» на текущий год.
В основе модели нейронной сети, решающей задачи регрессионного анализа административно-распорядительных методов регионального управления развитием цифровой экономики лежит идея, согласно которой закладываемый алгоритм должен «посмотреть» на индекс и субиндексы «Цифровая Россия», для которых известны признаки и ответы (значения индекса и субиндексов «Цифровая Россия» по данным «Сколково» по одному из регионов всех федеральных округов за 2017 и 2018 гг.) и максимально точно предсказывать значение индекса и субиндексов «Цифровая Россия» Хабаровского края в 2019 г. и «по требованию» в любой момент времени, опираясь на вводимые данные нормативно-правовой системы субъектов Российской Федерации в области развития цифровой экономики. Прецендентами, то есть элементами, для которых требуется выполнить предсказание, в данной модели выступают индекс и субиндексы «Цифровая Россия». В качестве признаков, выступающих характеристикой прецендентов, в данной модели обозначаются административнораспорядительные методы, принятые для развития цифровой экономики за анализируемый год, в том числе неполный год.
Поскольку решение задач регрессии предполагает использование нейронной сети, нуждающейся в «обучении с учителем», то для обучения нейронной сети будут использованы метки. В качестве меток, то есть «правильных ответов», будут использованы значения Индекса и субиндексов «Цифровая Россия» субъектов Российской Федерации за 2017 и 2018 гг. Применение данного интервала времени обуславливается наличием данных индекса и субиндексов «Цифровая Россия», а также других показателей, характеризующих цифровизацию экономики в Российской Федерации и представленных Росстатом РФ. Вся совокупность используемых меток, а также сведений административно-распорядительных методов субъектов Российской Федерации за 2017 и 2018 гг. позволяет сформировать необходимый для обучения объем больших данных.
Обучающей выборкой будут представлены индексы и субиндексы «Цифровая Россия» по данным «Сколково» по одному из регионов всех федеральных округов за 2017 г., а также сведения, характеризую- щиеадминистративно-распорядительные методы управления за 2017 г. и представленные в правовых информационносправочных системах в виде нормативных актов.
Тестовой (или контрольной) выборкой, то есть множеством объектов, на которых проверяется качество полученного алгоритма нейронной сети, выступают индексы и субиндексы «Цифровая Россия» по данным «Сколково» по одному из регионов всех федеральных округов за 2018 г., а также сведения, характеризующие административно-распорядительные методы управления за 2018 г., соответствующие сведениям 2017 г.
При этом необходимо отметить существование риска переобучения, когда нейронная сеть хорошо прогнозирует индексы и субиндексы «Цифровая Россия» по данным «Сколково» по одному из регионов всех федеральных округов за 2017 г. и допускает ошибки при прогнозировании индекса и субиндексов «Цифровая Россия» субъектов Российской Федерации за 2018 г. При этом в приоритете находится точность прогноза индекса и субиндекса «Цифровая Россия» Хабаровского края.
Преимуществами нейронной сети для регрессионного анализа административно-распорядительных методов регионального управления цифровой экономикой является возможность получить прогнозное абсолютное значение индекса или субиндекса «Цифровая Россия» в Хабаровском крае в любой момент времени.
Также следует отметить недостатки нейронной сети:
- сложности работы с нормативноправовой справочной системой по сбору информации о характере применения административно-распорядительных методов регионального управления цифро- визацией экономики в субъекте Российской Федерации;
- необходимость формирования базы данных, включающей сведения нескольких регионов Российской Федерации для «обучения с учителем»;
- высокие риски переобучения;
- логические риски, то есть связь между единицами счета, используемыми при анализе административно-распорядительных методов регионального управления и индексами цифровизации, предлагаемыми «Сколково», а также показателями цифровой экономики Росстата;
- сложности получения сведений административно-распорядительных методов регионального управления из правовых информационно-справочных систем. В частности, сложности могут возникать на этапе поиска, фильтрации и подсчета сведений административнораспорядительных методов регионального управления цифровизацией экономики.
Выводы
Таким образом, в ходе проведенного исследования было определено, следующее:
1) проблема проведения оценки регионального управления развитием цифровой экономики носит междисциплинарный характер. При этом в качестве инструментов объективного исследования могут быть использованы информационные технологии и вычислительные системы;
2) использование традиционных методов регрессионного анализа может вызывать трудности, так как связи между административно-распорядительными методами регионального управления и используемыми показателями успешности развития цифровой экономики в регионе неочевидны. Отличие нейронных сетей как раз и состоит в том, что они способны осуществлять многофакторный анализ, учитывать большие данные, выстраивать закономерности;
3) использование нейронных сетей эффективно для качественного анализа и прогнозирования сложных социальноэкономических моделей, экономически целесообразно по сравнению с традиционными средствами анализа (временными рядами, дисперсионным анализом и т. д.);
4) предлагаемая модель нейронной сети разработана с учетом Приказа Минэкономразвития России от 11 марта 2020 г. № 130 «Об утверждении единой методики мониторинга состояния и развития конкуренции на товарных рынках субъекта Российской Федерации3. Она позволяет устанавливать причинно-следственные связи между административно-распорядительной деятельности региональных органов власти и показателями развития цифровой экономики.
Предложенная модель нейронной сети может быть реализована в разных программных средах, как с участием разработчиков, так и при использовании прикладных приложений, имеющих надстройку по NeuralNetworks.
Список литературы
1. Абдрахманова Г. И., Вишневский К. О., Гохберг Л. М., Дранев Ю. Я., Зинина Т. С., Ковалева Г. Г., Лавриненко А. С., Мильшина Ю. В., Назаренко А. А., Рудник П. Б., Соколов А. В., Суслов А. Б., Токарева М. С., Туровец Ю. В., Филатова Д. А., Черногорцева С. В., Шматко Н. А. Доклад НИУ ВШЭ. При участии Всемирного банка Москва, 2019. К XX Апрельской международной научной конференции по проблемам развития экономики и общества. 9 - 12 апреля 2019 г. Москва. Высшая школа экономики. Национальный исследовательский университет: Что такое цифровая экономика? Тренды, компетенции, измерение. URL: https://www.hse. ru/data/2019/04/12/1178004671/2%20 Цифровая_экономика.pdf (дата обращения: 12.07.2020 г.)
2. Ляликов А. А., Подвальный Е. С., Шахворостов Г. И. Разработка и локализация нейросетевого алгоритма в сфере
социально-экономического прогнозирования // Научный журнал «Регионы: системы, экономика, управление» № 1 (32). Издательско-полиграфический центр «Научная книга» (Воронеж), 2016. С. 216-223.
3. Ляликов А. А., Подвальный Е. С., Шахворостов Г. И. Разработка и локализация нейросетевого алгоритма в сфере социально-экономического прогнозирования. Электронный научный журнал Регион: государственное и муниципальное управление № 2(06), 2016 года www.regiongmu.ruЭЛ № ФС77- 58405 от 25.06.2014 ISSN 2411-7331. URL:http://regiongmu.ru/wp-content/ uploads/2016/07/ RegionGMU020606. pdf. (дата обращения: 25.07.2020 г.).
4. Шибанов О., Кривошея Е., Семерикова Е., Боташева М., Фурсова А., Куликова Е. Индекс «Цифровая Россия»: отражение цифровизации субъектов Российской Федерации - авторская система оценки, разработанная Центром финансовых инноваций и безналичной экономки Московской школы управления СКОЛКОВО. URL: https://finance. skolkovo.ru/downloads/documents/ FinChair /Research_Reports/SKOLKOVO_ Digital_Russia_Report_Full_2019- 04_ru.pdf. С.4-6. (дата обращения: 15.07.2020 г.).
References
1. AbdrakhmanovaG. I., VishnevskyK. O., GokhbergL. M., DranevYu. Ya., ZininaT. S., KovalevaG. G., LavrinenkoA. S.,
Milshina Yu. V., Nazarenko A. A., Rudnik P. B., Sokolov A. V., Suslov A. B., Tokareva M. S., Turovets Yu. V., Filatova D. A., Cher- nogortseva S. V., Shmatko N. A. Report of the Higher School of Economics. With the participation of the World Bank Moscow, 2019.To the XX April international scientific conference on the problems of economic and social development.April 9 - 12, 2019 Moscow.High School of Economics. National Research University: What is the Digital Economy? Trends, competencies, measurement. URL: https://www.hse.ru/ data/2019/04/12/1178004671/2%20 Digital_economics.pdf (date of access: 12.07.2020). (In Russian).
2. Lyalikov A. A., Podvalny E. S., Shakh- vorostov G. I. Development and localization of a neural network algorithm in the field of socio-economic forecasting Nauchnyy zhurnal «Regiony: sistemy, ekonomika, up- ravleniye» [Scientific journal “Regions: systems, economics, management”], no. 1 (32), Publishing and Printing Center “Scientific Book” (Voronezh), 2016, pp. 216-223. (In Russian).
3. Lyalikov AA, Podvalny ES, Shakhv- orostov GI Development and localization of a neural network algorithm in the field of socio-economic forecasting. Electronic scientific journal Region: State and Municipal Administration No. 2 (06), 2016 www.region- gmu.ru EL No. FS77-58405 dated June 25, 2014. ISSN 2411-7331. URL: http://region- gmu.ru/wp-content/uploads/2016/07/ RegionGMU020606.pdf. (date of access: 25.07.2020). (In Russian).
4. Shibanov O., Krivosheya E., Semerik- ova E., Botasheva M., Fursova A., Kulikova E. Index “Digital Russia”: a reflection of the digitalization of the constituent entities of the Russian Federation - the author's assessment system developed by the Center for Financial Innovation and Cashless Economy of the Moscow School managementSKOLKOVO. URL: https://finance. skolkovo.ru/downloads/documents/ FinChair/Research_Reports/SKOLKO- VO_Digital_Russia_Report_Full_2019-04_ ru.pdf. pp.4-6. (date of access: 15.07.2020). (In Russian).