Оценка эффективности машинного обучения для  прогнозирования отдельных макроэкономических показателей с помощью линейного метода опорных векторов

 

Аннотация: в данной статье на конкретном примере рассматривается применение машинного обучения, реализованного на основе методов опорных векторов. Анализируя проделанные исследования, подтверждается или опровергается гипотеза о целесообразности прогнозирования макроэкономических показателей с помощью данной технологии.

Ключевые слова: инновационная деятельность, машинное обучение, макроэкономические показатели, корреляция, язык программирования, опорные вектора.

 

EVALUATION OF THE EFFECTIVENESS OF MACHINE LEARNING FOR FORECASTING INDIVIDUAL MACROECONOMIC INDICATORS USING THE LINEAR SUPPORT VECTOR MACHINE

Abstract: In this article, the application of machine learning, implemented based on support vector machines, is considered by example. Analyzing the research done, the hypothesis about the feasibility of forecasting macroeconomic indicators using this technology is confirmed or refuted.

Keywords: innovation, machine learning, macroeconomic indicators, correlation, programming language, reference vectors.

 

В настоящее время современная экономика при переходе в цифровую эпоху развития общества претерпевает значительные изменения. В связи с этим возникает множество факторов, усложняющих вопрос принятия управленческий решений в условиях неопределенности. В век развития высоких технологий существует множество методов прогнозирования различных экономических показателей для различных уровней, что позволяет решать задачи по определению перспектив и предполагаемых трендов развития страны, регионов или предприятий [1]. Одним из таких методов является машинное обучение. В статье практическим методом будет подтверждена или опровергнута гипотеза о целесообразности использования машинного обучения для предсказания влияния наукоемкой и инновационной деятельности на инвестиции в основной капитал РФ.

Для проведения исследования необходимо разобраться в теоретических аспектах проблемы, включая уточнение понятия «машинное обучение». В данном случае авторами используется подход, согласно которому под машинным обучением понимается построение математических или же алгоритмических моделей, которые при условии успешной настройки параметров, и на основе имеющегося массива данных, позволяют реализовать возможности по выполнению функции классификации и предсказания определенных значений. Поэтому первым шагом на пути исследования сформулированной гипотезы стало создание контента данных за период 2010-2019 г., включая необходимые для исследования показатели: в частности, основные показатели инновационной деятельности. Вторым шагом стало использование линейного метода опорных векторов с целью определения влияния указанных макроэкономических показателей на инвестиции в основной капитал РФ [2]. Так как исходные данные не оптимизированы, они были приведены к единому формату, а именно денежно-стоимостному: в миллионах рублей.

Данные экономические показатели могут быть представлены в разной функциональной зависимости. Чтобы это исследовать, необходимо обратиться к корреляционному анализу, что в свою очередь является совокупностью методов корреляционной зависимости между исследуемыми величинами. При этом, корреляционная зависимость понимается, как статистическая зависимость между двумя или более переменными, при которой наблюдается функциональная зависимость между ними [3].

На следующем этапе нашего исследования был осуществлен расчет коэффициентов ы корреляции с помощью Python библиотеки Pandas для необходимых нам показателей [5]. (Результаты расчетов представлены. в Таблице 1.)

 

Т а б л и ц а 1