Н.В. Блохин1, С.В. Макрушин2

1−2 Финансовый университет при Правительстве Российской Федерации (Москва, Россия)

1−2 Центр интеллектуальных аналитических и робототехнических систем (г. Балашиха, Россия)

1nvblokhin@fa.ru, 2svmakrushin@fa.ru

Постановка проблемы. При решении различных прикладных экономических задач описание отраслевой принадлежности является одним из ключевых параметров моделей, и его точное и емкое описание может существенно повлиять на качество решения задачи. На данный момент в России основным инструментом описания отраслевой принадлежности является общероссийский классификатор видов экономической деятельности (ОКВЭД). ОКВЭД является иерархическим классификатором, использующим для определения вида экономической деятельности прежде всего процесс производства. В то же время анализ взаимосвязей между компаниями может дать более полное представление о функционировании конкретной отрасли или позиционировании отраслей относительно друг друга. Современные методы анализа сетей позволяют создать инструментарий, дающий более емкое определение близости отраслей. В частности, для этого можно использовать методы векторного представления (эмбеддинга) узлов сети в пространстве большой размерности.

Цель. Разработать модель для построения векторных представлений графа классификатора видов экономической деятельности, в которых объединена информация о графе иерархической структуры ОКВЭД и информация о сети взаимосвязей большого числа реальных компаний – представителей данных отраслей.

Результаты. Предложен авторский подход к построению графа кодов экономической деятельности с учетом информации о связях между компаниями. Для узлов данного графа построены векторные представления (эмбеддинги) с применением современных технологий графовых сверточных нейронных сетей. Продемонстрирован подход к использованию полученных эмбеддингов для решения прикладной экономической задачи.

Практическая значимость. Полученные в работе эмбеддинги могут быть использованы в моделях машинного обучения в качестве признаков, которые характеризуют отраслевую принадлежность компаний, для получения более высокого качества решения прикладных экономических задач.

Блохин Н.В., Макрушин С.В. Построение векторного представления отраслей экономики с помощью графовых нейронных сетей // Информационно-измерительные и управляющие системы. 2023. Т. 21. № 5. С. 7−15. DOI: https://doi.org/10.18127/j20700814-202305-02

1. Приказ Росстата от 31.12.2014 N 742 (ред. от 04.02.2016) «О Методических указаниях по определению основного вида экономической деятельности хозяйствующих субъектов на основе Общероссийского классификатора видов экономической деятельности (ОКВЭД2) для формирования сводной официальной статистической информации».
2. Федеральный закон от 08.12.2003 N 165-ФЗ (ред. от 08.12.2020) «О специальных защитных, антидемпинговых и компенсационных мерах при импорте товаров».
3. Урядникова Марина Валерьевна Особенности влияния отраслевых рынков на ценообразование // Вестник ЧГУ. 2010. № 1. URL: https://cyberleninka.ru/article/n/osobennosti-vliyaniya-otraslevyh-rynkov-na-tsenoobrazovanie (дата обращения: 12.06.2023).
4. «ОК 029-2014 (КДЕС Ред. 2). Общероссийский классификатор видов экономической деятельности» (утв. Приказом Росстандарта от 31.01.2014 N 14-ст) (ред. от 12.08.2021).
5. Kamath C., Bukhari S., Dengel A. Comparative Study between Traditional Machine Learning and Deep Learning Approaches for Text Classification // Proceedings of the ACM Symposium on Document Engineering. 2018.
6. Slavov S., Tagarev A., Tulechki N., Boytcheva S. Company Industry Classification with Neural and Attention-Based Learning Models // Big Data. Knowledge and Control Systems Engineering (BdKCSE). 2019. 1−7.
7. Wood S., Muthyala R., Jin Y., Qin Y., Rukadikar N., Gao H., Rai A. Automated Industry Classification with Deep Learning // IEEE 12th International Conference on Semantic Computing (ICSC). 2018. 64−70.
8. Husmann S., Shivarova A., Steinert R. Company classification using machine learning // Expert Systems with Applications. 2022. V. 195.
9. Bernstein A., Clearwater S., Provost F. The Relational Vector-Space Model // Proceedings of IJCAI Workshop on Statistical Models from Relational Data. 2003. P. 8−18.
10. Kakushadze Z., Yu W. Statistical Industry Classification // SSRN Electronic Journal. 2016. 10.2139/ssrn.2802753.
11. Dolphin R., Smyth B., Dong R. A Machine Learning Approach to Industry Classification in Financial Markets // Artificial Intelligence and Cognitive Science. AICS 2022. Communications in Computer and Information Science. V. 1662. Springer. Cham.
12. Cai H., Zheng V.W., Chang K.C. A Comprehensive Survey of Graph Embedding: Problems, Techniques and Applications // IEEE Transactions on Knowledge and Data Engineering. 2017. 30: 1616-1637.
13. Zhou J., Cui G. Graph neural networks: A review of methods and applications. arXiv preprint arXiv:1812.08434. 2018.
14. Zhang S., Tong H., Xu J., Maciejewski R. Graph convolutional networks: a comprehensive review // Computational Social Networks. 2019. 6:1. doi:10.1186/s40649-019-0069-y.
15. Mikolov T., Chen K., Corrado G., Dean J. Efficient estimation of word representations in vector space // Proceedings of the International Conference on Learning Representations. 2013.
16. Kipf T., Welling M. Semi-supervised classification with graph convolutional networks // International Conference on Learning Representations (ICLR). 2017.
17. Hamilton W., Ying Z., Leskovec J. Inductive representation learning on large graphs // Proc. of NIPS. 2017. 1024–1034.
18. Yang B., Yih W., He X., Gao J., Deng L. Embedding Entities and Relations for Learning and Inference in Knowledge Bases // CoRR, abs/1412.6575. 2014.
19. Приказ Минфина России от 20.07.2010 № 66н «О формах бухгалтерской отчетности организаций».
20. Maaten L.V., Hinton G.E. Visualizing Data using t-SNE // Journal of Machine Learning Research. 2008. 9: 2579-2605.