Алгоритмы машинного обучения помогут точнее оценивать будущее российских компаний

❋ 4.4

Экономисты определили, что использование алгоритмов машинного обучения вместо традиционных математических моделей позволяет на 10 процентов точнее прогнозировать рентабельность — упрощенно говоря, прибыльность — фирм. При этом самыми важными факторами, от которых в наибольшей степени зависит будущее компании, оказались ее рентабельность за предыдущий год, наличие роста продаж и объем веб-трафика. Полученные данные помогут владельцам фирм, инвесторам и государству лучше оценивать и прогнозировать экономическое состояние российских компаний.

РНФ

# алгоритмы

# ИИ

# искуственный интеллект

# компании

# машинное обучение

Алгоритмы машинного обучения помогут точнее оценивать будущее российских компаний / ©Getty images / Автор: Messiena Lucretius

Результаты исследования, поддержанного грантом Российского научного фонда (РНФ), опубликованы в журнале Mathematics. Рентабельность торговых компаний зависит от многих факторов: их размера, стратегии управления, умения выстраивать хорошие взаимоотношения с клиентами, а также глобальных кризисов. Чтобы спрогнозировать будущее фирмы — например определить, сколько прибыли она принесет владельцам в следующем году, — экономисты обычно используют регрессионные модели. Этот подход позволяет математически рассчитать, насколько интересующий фактор (в данном случае — прибыль) зависит от нескольких других, например, от тех, что перечислены выше.

Однако регрессионные модели не всегда корректно отражают взаимную зависимость различных экономических показателей из-за того, что связи между ними могут быть довольно сложными. В данном случае могут помочь методы машинного обучения, которые, опираясь на большие массивы данных, находят скрытые на первый взгляд зависимости и предлагают более точное решение. Но результаты их сравнения оказываются неоднозначными: одни авторы утверждают, что более точные результаты выдает все-таки регрессионный анализ, другие — что компьютерный алгоритм.

Ученые из Национального исследовательского Томского политехнического университета (Томск) с коллегой из Санкт-Петербургского государственного университета (Санкт-Петербург) и Географического института имени Йована Цвийича (Сербия) на практике сравнили точность методов машинного обучения и регрессионного подхода для прогнозирования рентабельности фирм. Авторы использовали данные о 551 торговой компании за 2017–2020 годы. Среди показателей, которые интересовали ученых как потенциально влияющие на рентабельность, были размер и возраст фирмы, рентабельность за предыдущий год, наличие роста продаж, веб-трафик и другие.

Авторы использовали пять различных компьютерных алгоритмов: три простых, включающих разные типы нейронных сетей, и два сложных. Последние — так называемые портфели и ансамбли — сочетали в себе несколько простых алгоритмов, способных учитывать и исправлять ошибки друг друга. Программы обучались на наборах данных за 2017–2019 годы, тогда как информация за 2020 год использовалась непосредственно для их тестирования.

Авторы исследования: Л. Ю. Спицына, Д. Б. Вукович, Е. Б. Грибанова, И. А. Лызин / ©Любовь Спицына

Затем математическими методами исследователи рассчитали ошибки прогнозов, полученных с помощью регрессионного анализа и компьютерных алгоритмов. Оказалось, что алгоритмы, называемые портфелями и ансамблями, давали наиболее точные прогнозы. При этом самых достоверных оценок удавалось достичь, опираясь на такие показатели фирм как рентабельность за предыдущий год, динамика роста продаж и веб-трафик. При применении сложных методов машинного обучения (портфели и ансамбли методов) в среднем медиана абсолютной ошибки прогноза составила около трех процентов.

Это объясняется тем, что данные факторы в значительной степени влияют на состояние компании в будущем. Так, например ученые определили, что максимальной прибыли фирмы достигают, если у них постоянно возрастает количество продаж, и при этом они развивают цифровые каналы торговли, например, через веб-сайт. Если соблюдается лишь одно из условий, доход компании падает. Худшая ситуация наблюдается при падении продаж и одновременно высокой посещаемости сайта фирмы.

«Наше исследование показало, что применение сложных методов машинного обучения (портфели и ансамбли методов) при прогнозировании рентабельности фирм позволяет повысить точность прогноза и снизить абсолютную ошибку прогноза на 10% по сравнению с традиционной моделью регрессии. При этом наиболее достоверные результаты они выдают, совместно оценивая показатели продаж, рентабельности предыдущего года и веб-трафика. Наше исследование будет полезно как для владельцев фирм, так для инвесторов и государственных чиновников, поскольку позволит лучше оценивать перспективы развития экономики страны», — рассказывает руководитель проекта, поддержанного грантом РНФ, Любовь Спицына, кандидат экономических наук, доцент отделения социально-гуманитарных наук Томского политехнического университета.

Нашли опечатку? Выделите фрагмент и нажмите Ctrl + Enter.

РНФ осуществляет финансовую и организационную поддержку фундаментальных и поисковых научных исследований посредством финансирования прошедших конкурсный отбор научных, научно-технических программ и проектов.