Тверь, Тверская область, Россия
Тверь, Россия
Санкт-Петербург, г. Санкт-Петербург и Ленинградская область, Россия
ВАК 5.2.3 Региональная и отраслевая экономика
Современная цифровизация государственного управления усиливает потребность в инструментах точного прогнозирования бюджетных параметров. Несмотря на накопленные исследования в области межбюджетных отношений, остается недостаточно изученной проблема выявления количественной взаимосвязи между социально-экономическими показателями регионов и распределением федеральных трансфертов, особенно с применением методов искусственного интеллекта. Недостаток работ, использующих нейронные сети для прогнозирования финансовой помощи субъектам Федерации, высокий запрос на повышение эффективности бюджетного планирования, стали ключевыми причинами выбора темы. Цель исследования - выявление зависимости между показателями социально-экономического развития регионов и объемами межбюджетных трансфертов, а также построение модели прогнозирования будущих трансфертов с использованием метода обратного распространения ошибки. Задачи включают формирование выборки данных, построение структуры нейронной сети, ее обучение и тестирование. Методологическая основа - полносвязный многослойный персептрон с двумя скрытыми слоями по 34 нейрона, обучаемый на нормированных данных методом обратного распространения ошибки. Выборка включает 16 годовых социально-экономических показателей, поквартальные данные о трансфертах для 85 регионов РФ за 2015-2021 гг., что обеспечивает высокую репрезентативность модели. Временные рамки выборки ограничены 2022 годом, поскольку данные, относящиеся к последующему периоду, характеризуются изменением внешних условий, что влияет на их сопоставимость с предшествующим временным рядом. Результаты демонстрируют устойчивое снижение ошибки на тестовой выборке и подтверждают существование статистически значимой зависимости социально-экономическими параметрами и объемами трансфертов. Модель успешно прогнозирует величину трансфертов на следующий квартал. Практическая значимость заключается в возможности применения модели для поддержки решений при планировании федеральной финансовой помощи, разработки «модельного бюджета». Ограничения связаны с отсутствием в выборке качественных факторов и политико-административных параметров. Будущие исследования могут быть направлены на включение более широкого набора индикаторов и сравнение нейронных сетей с альтернативными методами машинного обучения.
Искусственный интеллект, нейронные сети, обучение нейронных сетей, метод обратного распространения ошибки, межбюджетные трансферты, социально-экономическое развитие
1. О национальных целях развития Российской Федерации на период до 2030 года и на перспективу до 2036 года [Электронный ресурс]: Указ Президента Российской Федерации от 7 мая 2024 г. № 309 // СПС «КонсультантПлюс». Россия / ЗАО «КонсультантПлюс». М., 2022.
2. Баранов, А.М. Алгоритм сегментации научных статей, сочетающий принципы обучения с учителем и без учителя / А.М. Баранов // Новые информационные технологии в автоматизированных системах. -2019. -№22.- С. 162-168 EDN: https://elibrary.ru/MLLHUS
3. Валитова, Л.А. Межбюджетные трансферты и экономические стимулы региональных властей /Л.А. Валитова // ЭНСР. -2005. -№2.- С.19 EDN: https://elibrary.ru/IEZYLR
4. Васенков, Д.В. Методы обучения искусственных нейронных сетей / Д.В. Васенков // КИО.- 2007. -№1.- С. 20-30 EDN: https://elibrary.ru/KVMOUR
5. Васильева, Т. Н. Методы искусственного интеллекта / Т.Н. Мамонова // МНИЖ.- 2015. -№4-1 (35).- С.1-3
6. Верещака, Е. К. Роль межбюджетных трансфертов в формировании региональных бюджетов / Е. К. Верещака // Форсайт «Россия»: новое индустриальное общество. Перезагрузка : Сборник докладов Санкт-Петербургского международного экономического конгресса (СПЭК-2017), Санкт-Петербург, 01 января – 31 2017 года / Под общей редакцией С.Д. Бодрунова. Том 3. – Санкт-Петербург: Институт нового индустриального развития им. С.Ю. Витте», 2018. – С. 382-387. – EDN XNMXUL.
7. Виноградова Е.К. Становление системы межбюджетных трансфертов: история и современное состояние / Е. К. Виноградова, Г. Л. Толкаченко, Н. Е. Царева, // Вестник Тверского государственного университета. Серия: Экономика и управление. – 2021. – № 1(53). – С. 41-49. – DOIhttps://doi.org/10.26456/2219-1453/2021.1.041-049. – EDN VMEDSI.
8. Виноградова Е.К. Влияние субфедеральных трансфертов на социально-экономическое развитие регионов / Е. К. Виноградова, Г. Л. Толкаченко, // Факторы развития экономики России : сборник трудов Международной научно-практической конференции, Тверь, 22–26 марта 2021 года. – Тверь: Тверской государственный университет, 2021. – С. 81-88. – EDN BVIQLX.
9. Виноградова Е.К. Применение методологического инструментария к проведению анализа влияния межбюджетных трансфертов на социально-экономическое развитие субъекта / Е. К. Виноградова, Г. Л. Толкаченко, Н. Н. Беденко, // Устойчивое развитие социально-экономической системы Российской Федерации : сборник трудов XXIII Всероссийской научно-практической конференции, Симферополь, 18–19 ноября 2021 года. – Симферополь: Общество с ограниченной ответственностью «Издательство Типография «Ариал», 2021. – С. 53-59. – EDN UIGVJC.
10. Вознюк, П.А. История развития и современное состояние искусственного интеллекта/ П.А. Вознюк // Глобус: технические науки.- 2019.- №3 (27).- С. 11 – 18
11. Глызин, С.Д., Периодические режимы группового доминирования в полносвязных нейронных сетях / С.Д. Глызин // Известия вузов. -ПНД.- 2021. -№5.- С. 775 – 797 DOI: https://doi.org/10.18500/0869-6632-2021-29-5-775-798; EDN: https://elibrary.ru/OUOIJM
12. Иванов, В.М. Интеллектуальные системы: учебное пособие / В. М. Иванов // Екатеринбург: Изд-во Урал.ун-та, - 2015. – 92 с. EDN: https://elibrary.ru/UWKVCT
13. Искусственный интеллект / Министерство цифрового развития, связи и коммуникаций Российской Федерации// [сайт].- URL: https://digital.gov.ru/ru/activity/directions/1046/ (дата обращения: 10.08.2022)
14. Исполнение федерального бюджета и бюджетов субъектов Российской Федерации (предварительные итоги).-Москва. –URL: chrome-extension://efaidnbmnnnibpcajpcglclefindmkaj/https://www.minfin.ru/common/upload/library/2021/03/main/Ispolnenie_2020_god.pdf (дата обращения: 01.12.2025)
15. Киртон, Дж.Дж. Повестка дня «Группы двадцати» в области цифровизации / Дж.Дж. Киртон // Вестник международных организаций: образование, наука, новая экономика.- 2018.- №2.- С. 17 - 44 EDN: https://elibrary.ru/YXBNVB
16. Мохнаткина, Л. Б. Трансферты как инструмент обеспечения региональной экономической безопасности/ Л. Б. Мохнаткина// ВЕСТНИК Оренбургского государственного университета. – 2015. - №1 (176). С. 93 -100. EDN: https://elibrary.ru/TWQYAX
17. Отчет Стэнфордского центра Institute for Human-Centered AI // [сайт].- URL: https://hai.stanford.edu/research/ai-index-2022 (дата обращения: 01.12.2025)
18. Петренко, К.К. Искусственный интеллект как решение прогностических проблем на железнодорожном транспорте на примере компании ОАО «РЖД» /К.К. Петренко// НАУ.- 2017. -№1- (27-28).- С. 41-43 EDN: https://elibrary.ru/XYGKSX
19. Питтс В., Логическое исчисление идей, относящихся к нервной активности / В. Питтс, У.С. Маккларок // URL.: chrome-extension://efaidnbmnnnibpcajpcglclefindmkaj/http://www.raai.org/library/books/mcculloch/mcculloch.pdf (дата обращения: 01.12.2025)
20. Симонов, В.В. Оценка эффективности параллельных алгоритмов для моделирования многослойного персептрона / В.В. Симонов// Доклады ТУСУР. -2010. -№1-2 (21).- С. 166-171 EDN: https://elibrary.ru/LMEEPN
21. Федеральное казначейство : официальный сайт. – Москва, 2022. – https://krasnoyarsk.roskazna.gov.ru/ (дата обращения 01.12.2025)
22. Федеральная служба государственной статистики : официальный сайт. – Москва, 2022. – https://rosstat.gov.ru/statistic/ (дата обращения 01.12.2025)
23. Шумков, Е.А. Скоростной метод обучения многослойного персептрона / Е.А. Шумаков// Научный журнал КубГАУ.- 2011. -№65. – С. 1-9
24. Hodgkin A. L., Huxley A. F. A quantitative description of membrane current and its application to conduction and excitation in nerve // J. Physiol. 1952. Vol. 117, no. 4. P. 500–544.DOI:https://doi.org/10.1113/jphysiol.1952.sp004764
25. Somers D., Kopell N. Rapid synchronization through fast threshold modulation // Biol. Cybern. 1993. Vol. 68, no. 5. P. 393–407. DOI:https://doi.org/10.1007/BF00198772 EDN: https://elibrary.ru/SWVVUZ
