1261339221_Преимущества применения нейронных сетей в

Преимущества применения нейронных сетей в моделировании
социально-экономических процессов
ГОУ ВПО «Оренбургский государственный университет»
К.э.н, доцент Рыженкова Кира Викторовна,
Яруллин Альберт Галимжанович,
Сковиков Денис Михайлович
Методы экономико-математического моделирования, возможности
применения которых существенно расширились благодаря современным
компьютерным технологиям, представляют собой один из наиболее
динамично развивающихся разделов прикладной экономической науки.
Поскольку на современном этапе в экономике прослеживаются
различные, причем в большинстве случаев нелинейные тенденции, то именно
по этой причине, как отмечает целый ряд современных ученых-экономистов,
при
моделировании
социально-экономических
явлений
наиболее
целесообразным оказывается моделирование нейросетевых моделей.
Искусственные нейронные сети как обобщённое название нескольких
групп алгоритмов, обладают одним ценным свойством – умением обучаться
на примерах, извлекая скрытые закономерности из потока данных.
Нейронная сеть представляет собой совокупность элементов с указанием
правил взаимодействия их между собой и закона эволюции во времени. В
качестве формального нейрона берётся нелинейный элемент с несколькими
входами и одним выходом. Связи между нейронами задаются в виде набора
коэффициентов, которые определяют взаимодействие между входами и
выходами различных нейронов.
Область применения нейронных сетей широка. Задачи, которые могут
быть реализованы с помощью нейросетевого моделирования, следующие:
1) классификации; 2) прогнозирование; 3) многофакторное моделирование.
Рассмотрим основные преимущества применения нейронных сетей по
сравнению с классическими статистическими методами.
Нейросети предполагают, что для проведения исследования не требуется
никаких
предположений
относительно
основного
распределения
совокупности, т.е. все ограничения, существующие в классических
статистических методах снимаются: это соотношение между объемом
выборки и количеством объясняющих переменных, нормальность
распределения совокупности, отсутствие мультиколлинеарности и др.
Преимущество использования нейронной сети как инструмента
прогнозирования состоит в том, что здесь не нужно заблаговременно
устанавливать взаимоотношения между величинами, не требуется никаких
предположений относительно основного распределения совокупности, и, в
отличие от многих традиционных методов, они могут работать с неполными
данными. Нейронные сети особенно эффективны в тех случаях, когда
исходные данные сильно коррелируют, либо неполны, или рассматриваемой
системе свойственна высокая степень нелинейности. Преимущество также
заключается в возможности быстрого пересчета результата исследования при
условии изменения любых влияющих на него факторов, показателей.
В
современных
условиях
нестабильной
экономики,
когда
информационные данные, описывающие объект моделирования, как правило,
являются неполными, противоречивыми и даже заведомо искаженными, если
между входными и выходными данными существует какая-то связь, пусть
даже не обнаруживаемая традиционными корреляционными методами,
нейронная сеть способна автоматически настроиться на неё с заданной
степенью точности.
Одно из главных преимуществ нейронных сетей перед традиционными
алгоритмами - способность обучаться.
Нейронные сети, обученные действовать в определенной среде, могут
быть легко переучены для работы в условиях незначительных колебаний
параметров среды. Более того, для работы в нестационарной среде (где
статистика изменяется с течением времени) могут быть созданы нейронные
сети, переучивающиеся в реальном времени.
Очень удобно, что нейросетевые пакеты позволяют легко подключаться
к базам данных, электронной почте и автоматизировать процесс ввода и
первичной обработки данных.
Как известно у медали 2 стороны, и нейронные сети помимо
преимуществ имеют свои недостатки:
Как правило, необходимо не менее 100 наблюдений для создания
приемлемой модели. Это достаточно большое число данных и существует
много случаев, когда такое количество исторических данных недоступно.
Однако
необходимо
отметить,
что
возможно
построение
удовлетворительной модели на нейронных сетях даже в условиях нехватки
данных. Модель может уточняться по мере того, как свежие данные
становится доступными.
Другим недостатком нейронных моделей – значительные затраты по
времени и другим ресурсам для построения удовлетворительной модели,
известно, что обучение сети может занимать довольно много времени.
Однако, существует удобный способ модифицировать модель по мере того
как появляются новые наблюдения.
К недостатку также можно отнести их скрытный характер
функционирования, т.к. иногда бывает трудно понять критерии, которые
нейронная сеть использует при работе.
С начала 90-х годов прошлого века в статистическом сообществе растет
интерес к нейронным сетям, как с теоретической, так и с практической точек
зрения, что проявляется во внедрении нейросетевых средств в стандартные
статистические пакеты, такие как SAS, SPSS, STATISTICA.
Так что же всё-таки лучше, статистические методы или нейронные сети?
Лучшим ответом на этот сугубо практический для практика вопрос является:
«Все зависит от исследования и ситуации». Иногда, особенно если априорная
информация о данных отсутствует, разумнее использовать нейронные сети.
Такой выбор часто дает быстрое и качественное решение задачи, как
правило, не худшее, чем получаемое статистическими методами после
тщательного изучения структуры данных.
Нейросети - это новый, гибкий и мощный инструмент решения
разнообразных задач обработки и анализа данных.
Взаимоотношение нейронных сетей и статистических методов
заключается в том, что в общем случае они должны дополнять и обогащать
друг друга. Подводя итог своему докладу, хотелось бы отметить, что
нейросети – это не волшебная палочка и думать всё равно нужно, потому что
качество прогнозов определяется, прежде всего, уровнем профессионализма
пользователя.
Список используемых источников:
1. Рыженкова К.В. Применение искусственных нейронных сетей для
прогнозирования
экономических
показателей
//
Стабилизация
экономического развития Российской Федерации: сб. материалов V
междунар. науч.-практ. конф. – Пенза: РИО ПГСХА, 2006. – С. 76–79.
2. Левин В.С. Прогнозирование и классификация экономических
систем в условиях неопределенности методами искусственных нейронных
сетей / В.С.Левин, В.И. Смирнов. – Оренбург: Издательский центр ОГАУ,
2004. – 188 с.
3. Ширяев В.И. Финансовые рынки и нейронные сети: Учебное
пособие для вузов.