Application of neurointelligence technology in predicting the development of agribusiness

Abstract

Neural networks have proven to be highly adaptable to various tasks associat-ed with large data sets and their processing in order to obtain new knowledge and data for subsequent planning of the development of various systems. Neural networks are used not only in the processing of large data sets, but also in the construction of predictive models. In this article, we built a neural net-work model for calculating and forecasting profit index of the agro-industrial complex (AIC) of Russia, on the basis of aggregated input factor parameters, reflecting the potential of the industries. In addition to the neural network forecast, the article builds a profit forecast using the method of regres-sion-correlation analysis, which has long been used by economists. For fore-casting purposes, the analysis of the dynamics of development of the branches of agro-industrial complex was carried out and the main factors determining their future opportunities were selected. Using the online platform Deductor Studio Academic assessed the dependence and impact of input indicators on the derived profit indicator and checking the correlation coefficients between the parameters were calculated. The obtained forecasted profit values were com-pared with the actual profit value and the difference in the accuracy of the forecasts was calculated. © Published under licence by IOP Publishing Ltd.

Нейронные сети оказались высокоадаптируемыми к различным задачам, связанным с большими наборами данных и их обработкой с целью получения новых знаний и данных для последующего планирования развития различных систем. Нейронные сети используются не только при обработке больших наборов данных, но и при построении прогностических моделей. В данной статье построена нейронная сетевая рабочая модель расчета и прогнозирования индекса прибыли агропромышленного комплекса (АПК) России, на основе агрегированных параметров входного фактора, отражающих потенциал отраслей. Помимо нейросетевого прогноза, в статье строится прогноз прибыли с использованием метода regres-sioncorrelation analysis, который уже давно используется экономистами. Для целей предварительного кастинга проведен анализ динамики развития отраслей агропромышленного комплекса и выбраны основные факторы, определяющие их будущие возможности. С помощью онлайн-платформы Deductor Studio Academic оценена зависимость и влияние входных показателей на индикатор полученной прибыли и проверены коэффициенты корреляции между параметрами. Полученные прогнозные значения прибыли были сопоставлены с фактическим значением прибыли и рассчитана разница в точности прогнозов.