Г.Н. Камышова1, Д.А. Прокопьева2

1,2 Финансовый университет при Правительстве РФ (Москва, Россия)

1 gnkamyshova@fa.ru, 2 202090@edu.fa.ru

Постановка проблемы. В свете постоянно возрастающей потребности мирового населения в продуктах питания стратегическую значимость для экономики страны приобретает экспорт продуктов питания. Внешняя торговля зависит от многих параметров, поэтому ее прогнозирование имеет свои особенности. Модели, основанные на искусственных нейронных сетях, находят все большие приложения в решении таких задач, поэтому разработка подходов к применению нейросетевых моделей прогнозирования агроэкспорта, позволяющих учитывать различные параметры, представляют собой весьма актуальную задачу.

Цель. Предложить современный подход к построению нейросетевых моделей прогнозирования регионального агроэкспорта с учетом как экономических, так и климатических факторов.

Результаты. Предложены нейросетевые модели прогнозирования агроэкспорта регионов России на примере Краснодарского края. Показано, что основанный на LSTM нейронных сетях алгоритм позволяет прогнозировать объёмы экспорта сельскохозяйственной продукции на основе имеющейся статистической информации и имеет ряд преимуществ по сравнению с классическими методами прогнозирования.

Практическая значимость. Исследование представляет интерес для государственных органов и бизнес-структур в принятии решений о направлениях развития экспорта сельскохозяйственной продукции и планировании бюджета, поскольку преимуществами нейросетевых моделей прогнозирования регионального агроэкспорта являются возможность учёта большого количества факторов, адаптивность и универсальность.

Камышова Г.Н., Прокопьева Д.А. Нейросетевые модели прогнозирования агроэкспорта регионов // Нейрокомпьютеры: разработка, применение. 2024. T. 26. № 6. С. 6-13. DOI: https://doi.org/10.18127/j19998554-202406-02

1. Статистика | ФАО | Продовольственная и сельскохозяйственная организация Объединенных Наций. [Электронный ресурс] – Режим доступа: https://www.fao.org/statistics/ru/, дата обращения 20.03.2024.
2. Аграрный экспорт регионов России в 2022 году – Агроэкспорт. [Электронный ресурс] – Режим доступа: https://aemcx.ru/ 2023/04/12/agrarnyj-eksport-regionov-rossii-v-2022-g/, дата обращения 20.03.2024.
3. Магомадов Э.М. Статистический анализ тенденций развития внешней торговли России // Вопросы экономики и права. 2022. № 167. С. 81–85. DOI 10.14451/2.167.81.
4. Камышова Г.Н. Статистический анализ мировой торговли зерновыми // Научный альманах. 2024. № 2-2(112). С. 91–94.
5. Киселев С.В., Ромашкин Р.А., Белугин А.Ю. Агропродовольственный экспорт России до 2030 г.: прогноз на основе модели частичного равновесия // Журнал Новой экономической ассоциации. 2022. № 4(56). С. 69–90. DOI 10.31737/2221-2264-2022-56-4-4.
6. Che N.X. Intelligent Export Diversification: An Export Recommendation System with Machine Learning // IMF Working Papers. 2020. V. 2020. № 175. P. 46. DOI 10.5089/9781513555959.001.
7. Камышова Г.Н., Жолобова Г.Н. Анализ внешней торговли зерновыми и методы машинного обучения в поддержке принятия решений агропродовольственного экспорта // Международный научно-исследовательский журнал. 2024. № 4(142). DOI 10.23670/IRJ.2024.142.9.
8. Федеральная таможенная служба. [Электронный ресурс] – Режим доступа: https://customs.gov.ru/statistic, дата обращения 10.02.2024.
9. Экспорт и импорт России по товарам и странам. [Электронный ресурс] – Режим доступа: https://ru-stat.su/, дата обращения 20.02.2024.
10. Sohrabpour V., Oghazi P., Toorajipour R., Nazarpour A. Export sales forecasting using artificial intelligence // Technological Forecasting and Social Change. 2021. V.163. P. 120480. DOI 10.1016/j.techfore.2020.120480.
11. Бендерская Е.Н., Никитин К.В. Особенности компьютерного моделирования импульсных рекуррентных нейронных сетей // Нейрокомпьютеры: разработка, применение. 2014. № 2. С. 54–65.
12. Zhang G., Patuwo B.E., Hu M.Y. Forecasting with artificial neural networks: The state of the art // International Journal of Forecasting. 1998. V. 14. № 1. 35–62. DOI 10.1016/S0169-2070(97)00044-7.
13. Olah C. LSTM – сети долгой краткосрочной памяти. [Электронный ресурс] – Режим доступа: https://habr.com/ru/compa­nies/wunderfund/articles/331310/, дата обращения 20.02.2024.
14. Sezer O.B., Gudelek U., Ozbayoglu M. Financial Time Series Forecasting with Deep Learning: A Systematic Literature Review: 2005–2019 // Applied Soft Computing. 2020. V. 90. P. 106181. DOI 10.1016/j.asoc.2020.106181.