Аннотация. Цель – обоснование применимости использования искусственных нейронных сетей к прогнозированию агропродовольственных экономических систем. Методы. Исследование основано на использовании элементов интерпретативного метода в сочетании генетического, структурного, функционального, комплексного, системного и эмпирического подходов. Научная новизна заключается в систематизации алгоритмов реализации искусственных нейронных сетей и обосновании их применимости для прогнозирования агропродовольственных экономических систем, разработке алгоритма и архитектуры построения нейронной сети на основе множественных данных о рынках сельскохозяйственной продукции, обосновании направлений совершенствования информационной инфраструктуры на уровне фирмы. Результаты. Авторами систематизированы интуитивные и формализованные методы прогнозирования, обосновано в этой системе место методов, построенных на машинном обучении. Подробно рассмотрены преимущества и недостатки использования искусственных нейронных сетей для прогнозирования агропродовольственных экономических систем, обоснована целесообразность их использования с точки зрения соответствия принципам прогнозирования. Анализ основных видов искусственных нейронных сетей позволил сделать вывод, что наиболее перспективными для реализации задач прогнозирования являются реккурентные нейронные сети с алгоритмом обратного распространения (LSTM и GRU). Сформулированы основные цели построения моделей на основе нейронных сетей для использования в прогнозировании экономических систем, разработаны базовые положения последовательности и методики развертывания нейронных сетей в процессе прогнозирования на агропродовольственном рынке, ключевые элементы организации процесса прогнозирования в отдельных экономических субъектах, рассмотрены практические аспекты возможности использования математического алгоритма для моделирования агропродовольственных систем, а также условия совершенствования информационной инфраструктуры на уровне фирмы в целях обеспечения доступности источников данных, и технологий их обработки.
искусственный интеллект, машинное обучение, нейронные сети, сельское хозяйство, агропродовольственный рынок, прогнозирование, методология, методы
1. Булыгина О. В., Емельянов А. А., Росс Г. В., Яшин Е. С. Инвестиции, инновации, импортозамещение: имитационное моделирование с элементами искусственного интеллекта в управлении проектными рисками // Прикладная информатика. 2020. Т. 15, № 1 (85). С. 63–102. DOI:https://doi.org/10.24411/1993-8314-2020-10006. EDN: https://elibrary.ru/DOMSFJ
2. Тормозов В. С., Кулпейс Е. А., Смагулова К. К. [и др.] Метод автоматизированного краткосрочного прогнозирования временного ряда в онлайн-режиме // Промышленные АСУ и контроллеры. 2021. № 7. С. 32–40. DOI:https://doi.org/10.25791/asu.7.2021.1296. EDN: https://elibrary.ru/FGCCNO
3. Самыгин Д. Ю., Барышников Н. Г., Мизюркина Л. А. Модели сценарного прогнозирования развития сельского хозяйства региона // Экономика региона. 2019. Т. 15, № 3. С. 865–879. DOI:https://doi.org/10.17059/2019-3-18. EDN: https://elibrary.ru/RSVTNZ
4. Abbasimehr H., Shabani M., Yousefi M. An optimized model using LSTM network for demand forecasting // Computers and Industrial Engineering. 2020. Vol. 143. Article number 106435. DOI:https://doi.org/10.1016/j.cie.2020.106435.
5. Blühdorn I., Deflorian M. The Collaborative Management of Sustained Unsustainability: on the performance of participatory forms of environmental governance // Sustainability. 2019. Vol. 11, No. 4. Article number 1189. DOI:https://doi.org/10.3390/su11041189.
6. Dubovitski A. A., Yakovleva E. A., Smyslova O. Y., Kochyan G. A., Zelenkina E. V. Assessment of export prospects of Russian agricultural producers // Environmental Footprints and Eco-Design of Products and Processes. 2022. Pp. 167–180. DOI:https://doi.org/10.1007/978-981-16-8731-0_17. EDN: https://elibrary.ru/LHMHKO
7. Dubovitski A., Klimentova E., Rogov M. Applicability of machine learning models using a neural network for predicting the parameters of the development of food markets // Journal of Process Management and New Technologies. 2022. Vol. 10, No. 3–4. Pp. 93–105. DOI:https://doi.org/10.5937/jpmnt10-41317. DOI: https://doi.org/10.5937/jouproman2203093d; EDN: https://elibrary.ru/JBDIFH
8. Food Access Research Atlas. Economic Research Service, Department of Agriculture USA [Электронный ресурс]. URL: https://catalog.data.gov/dataset/food-access-research-atlas (дата обращения: 10.11.2020).
9. Guo Y., Tang D., Tang W., Yang S., Tang Q., Feng Y., Zhang F. Agricultural Price Prediction Based on Combined Forecasting Model under Spatial-Temporal Influencing Factors // Sustainability. 2022. Vol. 14, No. 17. Article number 10483. DOI:https://doi.org/10.3390/su141710483. EDN: https://elibrary.ru/DNXQXT
10. Haynes P., Alemna D. A Systematic literature review of the impact of complexity theory on applied economics // Economies. 2022. Vol. 10, No. 8. Article number 192. DOI:https://doi.org/10.3390/economies10080192. EDN: https://elibrary.ru/WGXTPK
11. Karpunina E. K., Kosorukova I. V., Dubovitski A. A., Galieva G. F., Chernenko E. M. State policy of transition to Society 5.0: Identification and assessment of digitalisation risks // International Journal of Public Law and Policy. 2021. Vol. l, No. 7. Pp. 334–350. DOI:https://doi.org/10.1504/IJPLAP.2021.118895. EDN: https://elibrary.ru/HIXOIC
12. Kriegeskorte N., Golan T. Neural Network Models and Deep Learning // Current Biology. 2019. Vol. 29, No. 7. R231–R236. DOI:https://doi.org/10.1016/j.cub.2019.02.034.
13. Kumar P., Suresh S. DeepTransHAR: a novel clustering-based transfer learning approach for recognizing the cross-domain human activities using GRUs (Gated Recurrent Units) Networks // Internet of Things. 2023. Vol. 21. Article number 100681. DOI:https://doi.org/10.1016/j.iot.2023.100681. EDN: https://elibrary.ru/SWNFRK
14. Molnar C. Interpretable Machine Learning: A Guide for Making Black Box Models Explainable (2nd ed.) [Электронный ресурс]. 2022. URL: https://christophm.github.io/interpretable-ml-book (дата обращения: 15.01.2023).
15. Paskins M. History of science and its utopian reconstructions // In: Studies in History and Philosophy of Science. Part A. 2020. Vol. 81. Pp. 82–95. DOI:https://doi.org/10.1016/j.shpsa.2019.08.001.
16. Sabzipour B., Arsenault R., Troin M., Martel J., Brissette F., Brunet F., Mai J. Comparing a long short-term memory (LSTM) neural network with a physically-based hydrological model for streamflow forecasting over a Canadian catchment // Journal of Hydrology. 2023. Vol. 627, Part A. Article number 130380. DOI:https://doi.org/10.1016/j.jhydrol.2023.130380. EDN: https://elibrary.ru/DXZYUQ
17. Zhou H., Zhu H., Wang X. Change point detection via feedforward neural networks with theoretical guarantees // Computational Statistics & Data Analysi
