APPLICATION OF NEURAL NETWORKS IN SIMULATION OF CLUSTER-NETWORK RELATIONS IN OIL AND GAS INDUSTRY

Abstract


Despite the fact that the cluster approach is quite common in scientific works, the issues of the formation, development and evaluation of the effectiveness of cluster-network interactions remain unresolved. The research of the scientific community is based mainly on qualitative methods of cluster analysis (expert analysis, retrospective analysis, comparison method, etc.), however, the need to transform regional development and the transition to neo-economics require the use of economic and mathematical methods of analysis, and their arsenal is relatively small. which necessitates the search for new solutions. An attempt is made in the work to simulate the cluster-network mechanism in the oil and gas industry using neural networks, since the oil sector is one of the key sectors of the Russian economy, which influences the determining rates and paths of the country's socio-economic development, and is subject to the greatest regulation by the government of the country than most other sectors. The most important specific feature of the oil sector is that it is not only able to generate huge monetary resources, but also to accumulate them to solve a large number of socio-economic problems. Based on the results of the trained neural network, using the example of the indicators of the Perm Territory, predicted values of the gross regional product were made and, as a possible core of the oil industry cluster, the profit forecast of the company of the LUKOIL group.

Full Text

Вопросы кластерно-сетевого развития в настоящее время требуют значительного внимания, и, несмотря на исследования в этой области как отечественных, так и зарубежных специалистов, до сих пор нет единого подхода к решению проблем регионального развития, что особенно актуально в условиях отказа от института отраслевого управления экономического развития. Обоснование управленческих решений по социально-экономическому развитию систем требует переосмысления научных взглядов на кластерно-сетевые процессы и взаимодействия [1]. В работе предпринята попытка моделирования кластерно-сетевых связей в нефтегазовой отрасли на примере регионов Приволжского федерального округа с помощью применения метода нейросетевого моделирования. Приволжский федеральный округ занимает вторую позицию по добыче нефти, тем самым вносит значительный вклад в одну из превалирующих отраслей российской экономики: предприятия нефтегазового комплекса дают более четверти объема производства промышленной продукции России, тем самым формируя весомые налоговые поступления и прочие доходы в бюджет страны. Нефтегазовый комплекс относится к промышленному производству и является обобщенным названием группы отраслей, в которую входят отрасли по добыче, транспортировке и переработке нефти [2]. Кроме нефтедобычи, Приволжский федеральный округ характеризуется типом деятельности, обозначенным Росстатом как «обрабатывающие производства», включающим в себя множество подотраслей. Однако мы считаем, исходя из первичного анализа статистических данных по регионам России, что Приволжский федеральный округ имеет смешанный тип деятельности, т.е., кроме экономической деятельности «обрабатывающие производства», характерным типом деятельности является «добыча полезных ископаемых». Для построения кластерно-сетевых связей и анализа зависимости регионального развития от индекса кластерной нагрузки предлагается рассматривать промышленную кластеризацию применительно не ко всей региональной экономике, а применительно к ведущей отрасли. Для детального анализа воспользуемся авторской методикой типологизации регионов для выделения двух групп, каждая со своей доминирующей отраслью. Подробная методика нахождения показателя ki рассмотрена в предыдущем исследовании, основные выкладки представлены в опубликованной статье [3]. Экономический кризис, начавшийся в 2008 г., в той или иной степени повлиял на все регионы Российской Федерации. Исходя из рис. 1, 2, можно говорить о росте валового регионального продукта в рассматриваемых регионах. Но довольно часто оценка социально-экономических процессов выполняется некорректно с использованием абсолютных показателей, так как трудно адекватно проследить тенденции развития исследуемого процесса и выполнить прогноз его дальнейшей эволюции [4]. Ввиду этого перейдем от абсолютных показателей к относительным, позволяющим выполнить сравнительный анализ несопоставимых в абсолютных единицах процессов, что, в свою очередь, открывает возможности для сравнения уровней развития или распространенности различных общественных явлений. Рис. 1. ВРП на душу населения для группы 1 за период 2005-2018 гг. (абсолютные показатели) Виден тренд снижения темпа роста валового регионального продукта после кризиса относительно докризисного периода. Однако регионы группы 2 более подвержены циклическому развитию, причем частота колебательных фаз насыщеннее и сильно зависит от конъюнктуры рынка (рис. 3, 4). Следовательно, регионы, ориентированные на обрабатывающую промышленность, имеют более высокую устойчивость экономики к внешним и внутренним факторам, чем регионы, для которых характерен вид экономической деятельности «добыча полезных ископаемых». Рис. 2. ВРП на душу населения для группы 1 за период 2005-2018 гг. (относительные показатели) Рис. 3. ВРП на душу населения для группы 2 за период 2005-2018 гг. (абсолютные показатели) Рис. 4. ВРП на душу населения для группы 2 за период 2005-2018 гг. (относительные показатели) Для определения преобладающего типа экономической деятельности и основных доминирующих подотраслей проведем анализ с использованием нейросетевого моделирования по всем регионам Российской Федерации. Исходя из результатов анализа Приволжского федерального округа, обучим нейронную сеть, где входными параметрами будут являться следующие: индекс производства по виду экономической деятельности «добыча полезных ископаемых»; индекс производства по виду экономической деятельности «обрабатывающие производства»; - темп валового регионального продукта на душу населения; - индекс кластерной нагрузки. Выходные значения будут заданы вектором-столбцом следующего вида: , где е обозначает характерный тип отрасли для региона «добыча полезных ископаемых», m - характерный тип отрасли «обрабатывающие производства». Основываясь на трудах Л.Н. Ясницкого [5], где приведен подробный анализ основных подходов и методов нейросетевого моделирования, предложим оптимальный персептрон. Долгое время не было возможности представить функцию многих переменных в виде суммы функций меньшего количества переменных. Получалось, что персептрон, сколько бы он нейронов не имел, не всегда мог построить аппроксимацию любой функции нескольких переменных. Сомнения относительно возможностей персептронов развеяли советские математики - академики А.Н. Колмогоров (1903-1987) и В.И. Арнольд (1937-2010). В своих работах они привели доказательство того, что любая непрерывная функция n переменных всегда может быть представлена в композиционном виде непрерывных функций одной переменной или бинарной операцией сложения [6-9]: (1) В 1987 г. профессором Калифорнийского университета (США) Р. Хехт-Нильсеном была опубликована статья [10], в которой теоремы Арнольда - Колмогорова были переработаны применительно к нейронным сетям. Была доказана принципиальная возможность построения нейронной сети, выполняющего преобразование при любом заданном множестве различных между собой обучающих примеров, причем универсальной нейронной сетью будет является двухслойный персептрон, т.е. персептрон с одним скрытым слоем, причем активационные функции его нейронов должны быть сигмоидными. Выбор активационной функции также находит свое подтверждение еще в одной универсальной теореме аппроксимации, доказанной Джорджем Цыбенко в 1989 г., в которой говорится, что искусственная нейронная сеть прямого распространения с одним скрытым слоем может аппроксимировать любую непрерывную функцию многих переменных с любой точностью, при условии, что сеть имеет в скрытом слое достаточное количество нейронов, имеющих сигмоидальную активационную функцию [11]. Таким образом, необходимое количество нейронов в скрытых слоях персептрона определим по формуле, являющейся следствием из теорем Арнольда - Колмогорова - Хехт-Нильсена: (2) где - размерность выходного сигнала; Q - число элементов множества обучающих примеров; - необходимое число синаптических связей; - размерность входного сигнала. Для построения нейронной сети воспользуемся базовым модулем Neural Net Time Series, представленным в программном продукте Matlab, в котором исходный код адаптирован применительно к нашей задаче. Согласно общепринятой технологии проектирования нейронных сетей все множество примеров разбивалось на обучающее Train, тестирующее Test и подтверждающее Validation в соотношении 70 % : 20 % : 10 %. В представленной работе множество примеров разобьем в соотношении: Train - 70 %, Test - 15 %, Validation - 15 %, что поможет скомпенсировать отсутствие большой базы статистических данных. Исходя из формулы кластеризации и следствия теоремы Арнольда - Колмогорова - Хехт-Нильсена (2), получен оптимальный интервал допустимого количества нейронов в скрытых слоях (рис. 5). Рис. 5. Фрагмент кода выбора наиболее оптимального варианта метода обучения нейронной сети в Matlab При обучении нейронной сети были использованы различные вариации наиболее распространенных методов: метод обратного распространения ошибки, метод упругого обратного распространения и метод Левенберга - Марквардта. Оптимизация структуры нейронной сети (выбор оптимального количества скрытых нейронов и активационных функций) проводилась вручную. Таким образом, мы имеем динамическую нелинейную авторегрессионную нейросеть с внешним входом для введения дополнительного параметра , влияющего на значение , причем рассмотрен вариант, когда данные о дополнительном параметре неизвестны и на внешний вход поступают предыдущие по времени значения исследуемого параметра со следующими параметрами. Основные характеристики сети следующие: - пять нейронов на скрытом слое; - входной вектор задержки, скорректированный до параметра 1:4; - вектор обратных задержек, скорректированный до параметра 1:4. За функцию активации на первом слое принят гиперболический тангенс. На втором слое была использована линейная передаточная функция. Наилучший результат показала сетевая функция, которая обновляет вес и значения смещения согласно обратной связи метода сопряженных градиентов. Также была рассмотрена сеть с замкнутым контуром для получения рекуррентной сети, но погрешность оказалась значительно больше, чем без замыкания контура, поэтому дальнейшая реализация такого типа сети не рассматривалась. На рис. 6 представлена зависимость среднеквадратической ошибки от итерации обучения. Показаны оценки ошибки для трех наборов данных: тренировочного, валидационного и тестового. При этом обучение прекращается, когда ошибка на валидационном наборе данных перестает уменьшаться. В нашем случае нейронная сеть показала минимальную ошибку, закончив обучение на 37-й итерации (Epochs). Рис. 6. Представление среднеквадратической ошибки от итерации обучения Рассмотрим Пермский край подробнее. Для прогноза валового регионального продукта построим и обучим нейронную сеть на показателях Пермского края (рис. 7). Средняя ошибка нейронной сети составила 1,15 % (табл. 1). Таким образом, мы видим, что, продолжая увеличивать индекс кластерной нагрузки в Пермском крае, возможно добиться повышения показателя валового регионального продукта быстрее, чем без развития кластерно-сетевых связей. Исходя из табл. 2, составленной на основе ранжирования по консолидированной выручке за 2018 г., можно сказать, что Пермский край занимает высокие позиции по рейтингу при своем смешанном типе экономической деятельности, причем лидирующим направлением деятельности выступает нефтяная промышленность во главе с компаниями группы ПАО «Нефтяная компания „Лукойл“» [3]. Рис. 7. Обобщающая способность нейронной сети Таблица 1 Прогнозные показатели ВРП Пермского края k Реальный показатель ВРП на душу населения, тыс. руб. Прогнозный показатель ВРП на душу населения, тыс. руб., с использованием нейронной сети Отклонение, % 0,6963 119,654 119,706 0,04 0,7704 141,865 143,588 1,21 0,7959 178,097 177,843 0,14 0,9170 227,719 230,260 1,12 0,8314 203,364 213,214 4,84 0,8319 235,931 240,746 2,04 0,8478 319,150 317,878 0,40 0,9581 326,783 325,641 0,35 1,3306 334,027 334,027 0,00 1,4412 369,489 370,123 0,17 1,4049 403,601 410,856 1,80 1,4538 416,204 416,204 0,00 0,8160 453,432 450,801 0,58 Окончание табл. 1 k Реальный показатель ВРП на душу населения, тыс. руб. Прогнозный показатель ВРП на душу населения, тыс. руб., с использованием нейронной сети Отклонение, % 0,7628 503,818 486,507 3,44 1,5000 - 421,575 - 1,0000 - 431,987 - 2,0000 - 529,898 - 2,5000 - 579,456 - Таблица 2 Крупнейшие компании Приволжского федерального округа Место Название компании Регион Основной вид экономической деятельности Выручка в 2018 г., млрд руб. 1 ПАО «Татнефть» им. В.Д. Шашина Республика Татарстан Добыча сырой нефти 910,5 2 ПАО «Акционерная нефтяная компания «Башнефть» Республика Башкортостан Добыча сырой нефти 860,2 3 ГК «ТАИФ» Республика Татарстан Производство нефтепродуктов 757,6 4 ООО «ЛУКОЙЛ-Нижегороднефтеоргсинтез» Нижегородская область Производство нефтепродуктов 404,4 5 ООО «ЛУКОЙЛ-Пермнефтеоргсинтез» Пермский край Производство нефтепродуктов 393,3 6 ООО «ЛУКОЙЛ-Пермь» Пермский край Добыча сырой нефти 348,3 7 АО «Оренбургнефть» Оренбургская область Добыча сырой нефти 313,9 8 АО «АвтоВАЗ» Самарская область Производство легковых автомобилей 292,3 9 ООО «Газпром нефтехим Салават» Республика Башкортостан Производство нефтепродуктов 261,2 10 АО «Самаранефтегаз» Самарская область Добыча сырой нефти 255,3 Пермский край - один из немногих в России и единственный в Приволжском федеральном округе регион, объединивший в себе всю нефтегазовую вертикаль: от геологоразведки до сбыта нефтепродуктов. Следовательно, структура ЛУКОЙЛ как вертикально-интегрированной компании имеет все формальные признаки кластера. При прогнозировании влияния кластерной нагрузки с превалирующей нефтедобывающей отраслью в регионе для обучения нейронной сети будем использовать в качестве входных параметров чистую прибыль предприятия как один из ключевых показателей эффективности деятельности предприятия по специализирующейся деятельности - отрасли, валовой региональный продукт и соответствующий индекс кластерной нагрузки региона. Данные по федеральным округам, регионам взяты из ежегодных статистических сборников России [12]. Показатели годовой деятельности ПАО «ЛУКОЙЛ» и ООО «ЛУКОЙЛ-Пермь» взяты на официальном сайте предприятия в разделе «Бухгалтерская годовая отчетность предприятия». Обученная нами сеть на ретроспективных данных дала максимальный процент ошибки прогноза: для ПАО «ЛУКОЙЛ» - 4 %, ООО «ЛУКОЙЛ-Пермь» - 3 % на тестовой выборке и позволяет нам в краткосрочной перспективе спрогнозировать прибыль предприятий при различных вариациях индекса кластерной нагрузки. Под управлением кластерно-сетевыми связями на предприятиях промышленности (в данном случае предприятие сферы нефтегазового комплекса - группа предприятий ЛУКОЙЛ, ориентированных на доминирующую отрасль региона предприятия) будем понимать отклик прогнозных значений прибыли промышленного предприятия при изменении индекса кластерной нагрузки (рис. 8). Рис. 8. Взаимосвязь k и прибыли группы предприятий ЛУКОЙЛ Результаты прогноза подтверждают гипотезу о благоприятности усиления-создания (концентрации) кластера с ведущей подотраслью «нефтедобывающее производство». В частности, можно сказать, что прибыль крупных предприятий, ориентированных на доминирующую отрасль, при увеличении индекса кластерной нагрузки будет увеличиваться намного интенсивнее, что характерно для кластерной экономики. В июне 2019 г. «Газпром нефть», правительство Тюменской области и Ассоциация нефтегазосервисных компаний приняли соглашение о создании регионального нефтепромышленного кластера. Причина данного соглашения - повышение социально-экономических показателей регионов, которые входят в этот проект. Согласно проекту, в кластер войдут 25 нефтесервисных и промышленных предприятий, ряд банков, технопарки и вузы [13]. В свою очередь, цель компании «Газпром нефть» - занять лидирующие позиции в своей отрасли по технологичности. Это еще раз подтверждает актуальность и востребованность развития кластерной политики. Если рассматривать анализ процессов в нефтегазовой отрасли, то наиболее высокая эффективность производства в нефтяной сфере РФ достигается за счет управления промышленными компаниями в форме «АО вертикально-интегрированная нефтяная компания» [14]. Интегрирование отдельных производств способствует увеличению их продолжительности жизнеспособности из-за «перелива» капитала. Более того, повышается эффективность осведомленности государства об интересах производителя. Таблица 3 Сравнительная таблица вертикально-интегрированной структуры и кластерного подхода [15] Критерий сравнения Вертикальноинтегрированные структуры Кластерный подход Производственные процессы Характер производства Жесткий контроль всей производственной цепочки со стороны компании Инновационный подход. Гибкая специализация - интеграция деятельности всех взаимосвязанных групп и отсутствие между ними формальной «перегородки» Структура производства Строгая централизация производственной цепочки Координация и согласование между независимыми предприятиями Организационно-управленческая структура Состав предприятий Жестко закреплен. Вход и выход возможны только после передачи прав собственности Вариативность различных форм собственности и отраслевой принадлежности. Свободное изменение состава кластера Оценка эффективности По социально-экономическим показателям отрасли По показателям эффективности развития регионов Внешнее окружение Характер конкуренции Отсутствие конкуренции внутри структуры. Малые и средние компании не выдерживают конкуренции Ограниченное присутствие конкуренции внутри структуры Появляется возможность развития малых и средних компаний Ценовая политика Ценовой диктат реализации продукта за счет монопольного положения Сглаживание резких перепадов цен за счет внутренней и внешней конкуренции Сравнивая основные показатели, характерные для вертикально-интегрированных компаний и кластера (табл. 3), можно предположить, что оптимальным управлением региона, ориентированного на обрабатывающую и добывающую отрасли, будет развитие на существующей структуре ВИНК «ЛУКОЙЛ» топливно-энергетического кластера, где ядром кластера может являться ВИНК «ЛУКОЙЛ». Это может поспособствовать наращиванию стратегических инициатив и росту прибыли компании нефтегазового комплекса, что скажется на укреплении и улучшении социально-экономических показателей путем притока новой рабочей силы и инвестирования различных проектов, тем самым повысится эффективность функционирования как региона, так и самого предприятия [15]. Для создания эффективного механизма управления кластерно-сетевыми связями государству необходимо выработать адекватную политику, которая подразумевает связь всех уровней государственных органов власти и предприятий, обеспечивающих нефтегазодобывающую отрасль, а также создать эффективную и оптимальную инфраструктуру поддержки кластерных образований и институтов управлениями ими.

About the authors

L. V Kozhemyakin

Perm National Research Polytechnic University

References

  1. Первадчук В.П., Осипова М.Ю., Кожемякин Л.В. Эконометрическое моделирование кластерно-сетевых взаимодействий // Экономика и предпринимательство. - 2019. - № 10 (111) - С. 978-983.
  2. Кожемякин Л.В., Пушкарев Г.А., Толстоброва Н.А. Анализ нефтедобывающего сектора в условиях вынужденной локализации экономики Российской Федерации // Экономика и управление: проблемы, решения. - 2019. - Т. 11, № 3 (87). - С. 132-139.
  3. Кожемякин Л.В. Определение критической массы ядра нефтедобывающего кластера с использованием теории графов [Электронный ресурс] // Моделирование, оптимизация и информационные технологии. - 2020. - № 8(3). - 10 c. - URL: https://moit.vivt.ru/wp-content/uploads/2020/08/Kozhemyakin_3_20_1.pdf. doi: 10.26102/2310-6018/2020.30.3.015 (дата обращения 11.02.2020).
  4. Михалев Д.А. Моделирование процессов формирования и развития региональных промышленных кластеров: дис. … канд. экон. наук. - Иваново, 2015. - 223 с.
  5. Ясницкий Л.Н. Искусственный интеллект. Элективный курс: учеб. пособие. - М.: БИНОМ. Лаборатория знаний. 2011. - 197 с.
  6. Колмогоров А.Н. О представлении непрерывных функций нескольких переменных суперпозициями непрерывных функций меньшего числа переменных // Доклады АН СССР. - 1956. - Т. 108, № 2. - С. 179-182.
  7. Колмогоров А.Н. О представлении непрерывных функций нескольких переменных в виде суперпозиции непрерывных функций одного переменного и сложения // Доклады АН СССР. - 1957. - Т. 114, № 5. - С. 953-956
  8. Арнольд В.И. О функции трех переменных // Доклады АН СССР. - 1957. - Т. 114, № 4. - С. 679-681.
  9. Арнольд В.И. О представлении непрерывных функций трех переменных суперпозициями непрерывных функций двух переменных // Математический сборник. - 1959. - Т. 48(90), № 1. - С. 3-74.
  10. Hecht-Nielsen R. Kolmogorov’s mapping neural network existence theorem // IEEE First Annual Int. Conf. on Neural Networks, San Diego. - San Diego, 1987. - Vol. 3. - P. 11-13.
  11. Cybenko G. Approximiation by superpositions of sigmoidal functions // Mathematics of Control Signals and Systems. - 1989. - Vol. 2, no. 4. - P. 303-314.
  12. Регионы России. Социально-экономические показатели [Электронный ресурс] / Фед. служба гос. стат. - 2018 - URL: http://www.gks.ru/ bgd/regl/b18_14p/Main.htm. (дата обращения: 07.12.2019).
  13. Профессионально о нефти [Электронный ресурс] // Proнефть. - 2019. - № 4. - 6 с. - URL: https://ntc.gazprom-neft.ru/upload/uf/f60/GPN4_2019-150-dpi.pdf (дата обращения: 11.02.2020).
  14. Алекперов В.Ю. Вертикально-интегрированные нефтяные компании России. - М.: АУТОПАН, 1996. - 217 с.
  15. Кожемякин Л.В. Об управлении кластерно-сетевым взаимодействием объектов нефтегазового комплекса с использованием нейросетевого моделирования // Вопросы технических наук: новые подходы в решении актуальных проблем: сб. науч. тр. по итогам междунар. науч.-практ. конф., г. Казань, 11 июня 2020 г. / ИЦРОН. - Н. Новгород, 2020. - Вып. 7. - С. 9-12.

Statistics

Views

Abstract - 6

PDF (Russian) - 4

Refbacks

  • There are currently no refbacks.

This website uses cookies

You consent to our cookies if you continue to use our website.

About Cookies