В настоящее время конвергентные технологии определяются как результат интеграции между беспроводной сетью и интернетом, а с другой стороны – сближение нанотехнологий (НT), биотехнологий (БT), информационных технологий (ИT) и когнитивных наук (НБИК) в долгосрочной перспективе [1]. Во время смены парадигмы экономически развитые страны, которые уже разработали национальные планы НИОКР и внедрили новые технологии, были теми, кто улучшил как экономический рост, так и качество жизни [2].
Несмотря на то, что многие научные школы продолжают понимать феномен NBIC с разных точек зрения, все еще остается нерешенной проблема измерения степени конвергенции технологий. Серия недавних исследований [3–5] показала, что степень и отношения между различными дисциплинами могут быть измерены понятиями разнообразия и согласованности. Кроме того, в малой степени представлены исследования по измерению влияний НБИК-технологий на экономический рост, изменение структуры национальных и региональных экономик, а следовательно, учета их потенциального воздействия на прогнозирование этих процессов.
Целью данного исследования является получение модели прогнозирования структурных сдвигов в экономике с учетом воздействия НБИК-технологий. В качестве инструмента прогнозирования используются нейронные сети, которые показали положительные результаты в аналогичных исследованиях.
Материалы и методы исследования
Стадия конвергенции знаний означает возникновение вторичных эффектов между ранее не связанными и различными базами знаний, что приводит к размыванию установленных границ, которые изолируют отраслевые знания. Это первоначальная стадия конвергентного технологического процесса, когда технологии все еще разделены. Однако на этом этапе формируются исходные основные идеи конвергенции. Эти основные идеи приведут ко второму этапу – технологической конвергенции.
Технологическая конвергенция подразумевает переход конвергенции знаний в потенциал технологической конвергенции. Это приводит к межотраслевому распространению знаний, облегчающему формирование новых технологических комбинаций. На этом этапе технологии сближаются и формируют новые, ранее не существовавшие технологические области.
В настоящее время все большую популярность получают информационно-аналитические системы, основанные на алгоритмах нейронных сетей, которые показывают хорошую результативность в решении задач распознавания паттернов, классификации, поиска ассоциаций и прогнозирования. Экспертами отмечается, что традиционные методы анализа данных не обладают необходимой гибкостью и для развёртывания требуют соблюдения определенных условий. Например, изначально должно быть определено и аналитически обосновано признаковое пространство, что сделать не всегда возможно, особенно при включении в анализ ранее не использовавшихся данных (например, потоковых данных сети Интернет).
Нейронные сети, как правило, более устойчивы к зашумленным данным и тем самым дают возможность получить модели хорошего качества. Тем не менее отсутствие явных признаков в подобных моделях приводит к отсутствию объяснительной функции. В настоящее время разработаны и апробированы различные типы нейронной сети, многие из которых могут быть необходимы при аппроксимации и моделировании информации мониторинга структуры и структурных различий экономики регионов России с учетом развития конвергентных технологий.
Принципы построения и обучения нейронной сети могут отличаться друг от друга и давать различные результаты при их применимости к информационной базе исследования.
Таким образом, нейронные сети имеют достаточные преимущества перед традиционными методами прогнозирования и представляют собой устойчивый метод аппроксимации целевых функций при помощи обучающих пар и служат для описания процессов, имеющих сложный рельеф.
Выбор данного метода обуславливается в основном за счет таких преимуществ, как: способность к моделированию нелинейных процессов в работе с адаптивностью и «зашумленной» информацией; построение модели при отсутствии ее аналитического выражения; возможность решения посредством модели обратной задачи; возможность обобщения исходных данных и выявление нелинейных главных компонент; высокое качество модели.
Кроссплатформенное решение Deductor Studio позволяет построить аналитический модуль, реализующий комплекс сценариев, начиная от ввода и организации хранения данных, их очистки, применения инструментария интеллектуального анализа данных и визуализации.
На основании корреляционного анализа показателей изучаемых процессов для проектирования нейронной сети были отобраны 11 показателей, представленные в таблице.
Показатели структурных сдвигов экономики РФ и интеграции информационно-коммуникационных технологий
Наименование показателей |
Обозначение |
Коэффициент структурных сдвигов К. Гатева |
Y |
Использование персональных компьютеров |
X1 |
Использование серверов |
X2 |
Использование локальных вычислительных сетей |
X3 |
Использование глобальных информационных сетей |
X4 |
Затраты на приобретение вычислительной техники |
Z1 |
Затраты на приобретение программных средств |
Z2 |
Затраты на оплату услуг связи |
Z3 |
Затраты на обучение сотрудников, связанные с развитием и использованием ИКТ |
Z4 |
Затраты на оплату услуг сторонних организаций и специалистов по ИКТ (кроме услуг связи и обучения) |
Z5 |
Прочие затраты |
Z6 |
Источник: сост. авт.
Для обучения сети было собрано 946 наблюдений по 86 субъектам Российской Федерации за 2006–2017 гг.
Для построения нейронной сети данные необходимо стандартизировать, т.е. привести к общему виду, так как они имеют различный диапазон и единицы измерения. Использовалась линейная нормализация исходных данных для переменных x1, x2, x3, x4, z1, z2, z3, z4 – в интервале (-1;1), и логарифмическая шкала lnY для Y в интервале (0;1). Для обучающего множества определено 95 %, для тестового – 5 % случайным образом.
Для исследуемого набора данных подходит модель с одним скрытым слоем, типом функции сигмоида и крутизной единица.
Следующий шаг – настройка процесса обучения нейронной сети. Для обучения был выбран вариант обучения «офлайн», при котором коррекция весов производится после предъявления всех примеров обучающего множества.
Завершающим этапом перед запуском обучения сети является настройка параметров, при которых обучение сети будет остановлено. Для данного исследования была выбрана ошибка в 0,05 или достижение 5000 эпохи.
Результаты исследования и их обсуждение
В результате обучения нейронной сети в обучающемся множестве было распознано 93,99 % примеров, а в тестовом – 92,05 % (рис. 1).
Рис. 1. Диаграмма рассеивания с заданным порогом ошибки 0,05
Как видно на представленной диаграмме рассеивания, зависимость носит явно нелинейный характер. Авторами было эмпирически опробовано 5 различных конфигураций нейронной сети, использовалось различное количество скрытых слоев нейронов, различные активационные функции. На рис. 1 представлена конфигурация, которая дала наилучшие результаты моделирования.
Полученная модель все-таки не распознала около 7 % наблюдений. Связано это в первую очередь с тем, что регионы отличаются крайне высокой степенью дифференциации и распределение выбранных показателей является неоднородным в целом по массиву данных.
Проведенные ранее исследования [6] подтвердили гипотезу о слабой зависимости коэффициентов структурных сдвигов и показателей интеграции ИКТ в экономику регионов. Поэтому обучение нейронной сети испытало определенные трудности.
Однако полученная нейронная сеть может быть использована для прогнозирования изучаемых процессов, например, в режиме «что-если».
Следует отметить, что инструмент «что-если» может быть применен шире, чем простое получение значения выходного параметра по данным конкретного региона. Более ценным является набор диаграмм зависимостей показателей исходных признаков на значения выходного параметра при статичных прочих условиях. В данном исследовании диаграммы могут показать тип зависимости выходного параметра от входных переменных.
Наибольший интерес представляют зависимости, представленные на рис. 2–5.
Рис. 2. График зависимости Y от Х3 – использование локальных вычислительных сетей
Рис. 3. График зависимости Y от Х4 – использование глобальных информационных сетей
Рис. 4. График зависимости Y от Z1 – затраты на приобретение вычислительной техники
Рис. 5. График зависимости Y от Z2 – затраты на приобретение программных средств
Графики показывают прямую зависимость изменения структуры экономики от таких показателей, как Х4 – использование глобальных информационных сетей, Z1 – затраты на приобретение вычислительной техники и Z2 – затраты на приобретение программных средств. Причем зависимость Y от Z1 является кривой с насыщением, то есть начиная с определенного момента дополнительное вложение средств в вычислительную технику практически не влияет на изменение структуры.
Совсем иной характер зависимости показывают два других показателя: Х4 – использование глобальных информационных сетей и Z2 – затраты на приобретение программных средств. Эти показатели в гораздо большей степени влияют на изучаемые процессы и являются более значимыми при формировании программ интеграции ИК-технологий в региональную экономику.
А вот инвестирование в обучение сотрудников навыкам использования ИКТ, а также затраты на услуги связи имеют отрицательное влияние, что, конечно, имеет неоднозначный характер.
Заключение
Спроектирована нейронная сеть, которая позволила смоделировать процессы интеграции информационных технологий в региональные экономики и оценить влияние отдельных показателей на изменение отраслевой структуры.
Такие показатели, как использование глобальных информационных сетей, затраты на приобретение вычислительной техники и затраты на приобретение программных средств, показывают прямое влияние на изменения структуры экономики.
Особый интерес также представляют нелинейные зависимости таких показателей модели, как использование локальных вычислительных сетей, расходы на связь и затраты на обучение персонала.
Тем не менее результаты настоящего исследования также обращают внимание на следующее. Исходный массив анализируемых данных охватывает большинство регионов России (86 субъектов), при этом по ряду регионов значения по некоторым показателям в официальной статистике не представлены либо имеют аномальные значения и исключены из анализа как «выбросы». Таким образом, в полученной модели может иметь место смещение в пользу регионов, где ИКТ-технологии вовлечены в хозяйственные процессы более значительно или результативно, что снижает потенциал обобщения представленной модели.
Кроме того, изучаемые процессы имеют явно нелинейный характер и поэтому дальнейшие исследования требуют поиска адекватных моделей и применение и других инструментов прогнозирования. Представляется целесообразным использование в качестве моделируемых функций функции типа Кобба – Дугласа, что требует и увеличения массива наблюдений, а также количества наблюдаемых объектов и признаков.
Исследование выполнено при финансовой поддержке РФФИ и Администрации Волгоградской области в рамках научного проекта № 19-410-340014 р_а. «Совершенствование механизмов и инструментов экономического роста регионов РФ в условиях развития конвергентных технологий».