ІННОВАЦІЙНА ЕКОНОМІКА

Радіонова І.Ф., Усик В.І. ПРАВИЛА ПОЛІТИКИ УРЯДУ У ФІНАНСУВАННІ ОСВІТИ: ІДЕНТИФІКАЦІЯ НА ОСНОВІ НЕЙРОННИХ МЕРЕЖ

Мета. Просування у вирішенні проблеми ідентифікації правил фінансування освіти та використання потенціалу методу штучних нейронних мереж в процесі ідентифікації правил.

Методика дослідження. У процесі дослідження використано такі конкретні методи: системний підхід – для класифікації форм ідентифікації правил політики та визначення рівнів, на яких мали б реалізуватись правила фінансування освіти; аналізу на основі штучних нейронних мереж – для обґрунтування та ідентифікації правил фінансування освітньої сфери; формалізації та графічного представлення отриманих результатів – для унаочнення результатів дослідження.

Результати дослідження. Визначено, що правила політики уряду є інструментом публічного управління, а для використання в цій якості вони мають бути ідентифіковані та інституціоналізовані. Обґрунтовано, що використання методу штучних нейронних мереж, який дозволяє аналізувати та прогнозувати нелінійні процеси з високою невизначеністю, створює нові можливості ідентифікації правил політики. Здійснено прогнозування двох показників фінансування освіти, формування яких мало б підпорядковуватись правилам уряду, на основі двох нейронних мереж.

Наукова новизна результатів дослідження. Запропоновано інноваційний підхід до моделювання та прогнозування показників фінансування української освіти, як підпорядкованих певним правилам уряду, з використанням моделей штучних нейронних мереж. Це дало змогу отримати графи зв’язків між вхідними та вихідними змінними та передбачити показники частки витрат на освіту у ВВП та частки витрат на освіту у державних витратах, за умови реалізації передбачуваних урядом, міжнародними установами та науково-дослідними установами країни п’ятьох вхідних змінних, а саме: продуктивності праці, частки інноваційної діяльності, частки дефіциту бюджету та державного боргу у ВВП, частки працездатного населення у населенні країни.

Практична значущість результатів дослідження. Розроблені та запропоновані авторами практичні підходи до ідентифікації правил фінансування освіти можуть сприяти досягненню вищого рівня інституціоналізації правил та використовуватися в роботі Міністерства освіти і науки.

Ключові слова: правила політики уряду; правила фінансування освіти; публічне управління; штучні нейронні мережі.

Радионова И.Ф., Усик В.И. ПРАВИЛА ПОЛИТИКИ ПРАВИТЕЛЬСТВА ОТНОСИТЕЛЬНО ФИНАНСИРОВАНИЯ ОБРАЗОВАНИЯ: ИДЕНТИФИКАЦИЯ НА ОСНОВЕ НЕЙРОННЫХ СЕТЕЙ

Цель. Продвижение в решении проблемы идентификации правил финансирования образования и использования потенциала метода искусственных нейронных сетей в процессе идентификации правил.

Методика исследования. В процессе исследования использованы следующие конкретные методы: системный подход ‒ для классификации форм идентификации правил политики и определения уровней, на которых должны реализоваться правила финансирования образования; анализа на основе искусственных нейронных сетей ‒ для обоснования и идентификации правил финансирования образовательной сферы; формализации и графического представления полученных результатов ‒ для наглядности результатов исследования.

Результаты исследования. Определено, что правила политики правительства являются инструментом публичного управления, а для использования в этом качестве они должны быть идентифицированы и институционализированы. Обосновано, что использование метода искусственных нейронных сетей, позволяющего анализировать и прогнозировать нелинейные процессы с высокой неопределенностью, создает новые возможности идентификации правил политики. Осуществлено прогнозирование двух показателей финансирования образования, формирование которых должно подчиняться правилам правительства, на основе двух нейронных сетей.

Научная новизна результатов исследования. Предложен инновационный подход к моделированию и прогнозированию показателей финансирования украинского образования, как подчиненных определенным правилам правительства, с использованием моделей искусственных нейронных сетей. Это позволило получить графы связей между входными и выходными переменными и предусмотреть показатели доли расходов на образование в ВВП и доли расходов на образование в государственных расходах, при условии реализации предполагаемых правительством, международными учреждениями и научно-исследовательскими учреждениями страны пяти входных переменных, а именно: производительности труда, доли инновационной деятельности, доли дефицита бюджета и государственного долга в ВВП, доли трудоспособного населения среди всего населении страны.

Практическая значимость результатов исследования. Разработаны и предложены авторами практические подходы к идентификации правил финансирования образования могут способствовать достижению высшего уровня институционализации правил и использоваться в работе Министерства образования и науки.

Ключевые слова: правила политики правительства; правила финансирования образования; публичное управление; искусственные нейронные сети.

Radionova I.F., Usyk V.I. REGULATIONS OF GOVERNMENT POLICY IN FINANCING EDUCATION: IDENTIFICATION BASED ON NEURAL NETWORKS

Purpose. The aim of the article is a progress in addressing the problem of identifying educational funding rules and harnessing the potential of artificial neural networks in the process of identifying rules.

Methodology of research. The following specific methods have been used in the research process: a systematic approach – to classify forms of identification of policy rules and to determine the levels at which educational funding rules should be implemented; artificial neural network analysis – to substantiate and identify educational funding rules; formalization and graphical presentation of the results obtained – to refine the results of the study.

Findings. It has been determined that government policy rules are a tool of public administration, and to be used in this capacity they must be identified and institutionalized. It is substantiated that the use of artificial neural network method, which allows to analyze and predict nonlinear processes with high uncertainty, creates new opportunities for identification of policy rules. Two funding indicators for education, the formation of which should be governed by government rules, are based on two neural networks.

Originality. An innovative approach to modelling and forecasting of Ukrainian education funding indicators, subject to certain government rules, using artificial neural network models, is proposed. This made it possible to obtain graphs of the relationship between input and output variables and to predict the share of education expenditure in GDP and the share of education expenditure in public spending, provided that the five governmental variables envisaged by the government, international institutions and research institutions of the country, namely: labour productivity, share of innovative activity, share of budget deficit and public debt in GDP, share of able-bodied population in the country's population.

Practical value. Practical approaches to the identification of educational funding rules developed and proposed by the authors can help to achieve a higher level of institutionalization of the rules and be used in the work of the Ministry of Education and Science.

Key words: rules of government policy; rules for financing education; public administration; artificial neural networks.

Taylor J. Discretion versus policy rules in practice. Carnegie Rochester Conference Series on Public policy. 1993. № 39(1). P. 195-214.

Walshy C. The Challenges with Rules-Based Policy Implementation. URL: https://www.bostonfed. org/-/media/Images/discretionmonpol2017/walsh-paper.pdf (дата звернення: 15.07.2019).

Directive 2011/85/EU – requirements for euro area countries’ budgets. URL: https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=LEGISSUM:ec0021 (дата звернення: 15.07.2019).

Treaty on European Union. URL: https://europa.eu/european-union/sites/europaeu/ files/docs/body/treaty_on_european_union_en.pdf (дата звернення: 15.07.2019).

Stability and Growth Pact. URL: https://ec.europa.eu/info/business-economy-euro/economic-and-fiscal-policy-coordination/eu-economic-governance-monitoring-prevention-correction/stability-and-growth-pact_en (дата звернення: 15.07.2019).

Treaty on Stability, Coordination and Governance in the Economic and Monetary Union. URL: https://www.consilium.europa.eu/media/20399/st00tscg26_en12.pdf (дата звернення: 15.07.2019).

Mishkin F. International experiences with different monetary policy regimes. NBER Working Paper. 1999. № 7044. Р. 579-605

Clarida R., Gali J., Gertler M. Monetary policy rules and macroeconomic stability: evidence and some theory. The Quarterly Journal of Economics. 2000. Volume 115. Issue 1. P. 147-180. URL: https://academic.oup.com/qje/article-abstract/115/1/147/1842232?redirectedFrom=fulltext (дата звернення: 15.07.2019).

Daniel L. Thornton. How Did We Get to Inflation Targeting and Where Do We Go Now? A Perspective From the U.S. Experience. Working Paper 2009-038A. URL: http://research.stlouisfed.org/wp/2009/2009-038.pdf (дата звернення: 15.07.2019).

Schmidt-Hebbel K. S., Carrasco M. B. The Past and Future of Inflation Targeting: Implications for Emerging-Market and Developing Economies. In: Monetary Policy in India / C. Ghate, K. M. Kletzer (eds.). DOI: 10.1007/978-81-322-2840-0_18

Thorarinn G. Petursson Exchange rate or inflation targeting in monetary policy? Monetary bulletin. 2000/1. P. 36-45. URL: https://www.cb.is/library/Skraarsafn---EN/FromOldWeb/Acrobat-(PDF)/mb001_6.pdf (дата звернення: 15.07.2019).

Michael D. Bordo Exchange Rate Regime Choice in Historical Perspective. IMF Working Papers. 2003. Vol. 03(160). DOI: 10.3386/w9654

McCallum Bennett T. Targeting, indicators, and instruments of monetary policy. NBER Working Paper. 1989. № 3047. P. 8-9. DOI: 10.3386/w3047

Taylor J. How the Rational Expectations Revolution has Changed. Macroeconomic Policy Research. Stanford University. URL: https://link.springer.com/chapter/10.1057/9780333992753_5 (дата звернення: 15.07.2019).

Michael J. Dueker Can nominal GDP targeting rules stabilize the economy?. Review, Federal Reserve Bank of St. Louis. 1993. P. 15-29. URL: https://research.stlouisfed.org/publications/ review/1993/05/01/can-nominal-gdp-targeting-rules-stabilize-the-economy/ (дата звернення: 15.07.2019).

Davis J. T., Episcopos A., Wettimuny S. Predicting direction shifts on Canadian–US exchange rates with artificial neural networks. International Journal of Intelligent Systems in Accounting, Finance & Management. 2001. № 10. P. 83-96. DOI: 10.1002/isaf.200

Shazly El M. R., Shazly El H. E. Forecasting currency prices using a genetically evolved neural network architecture. International Review of Financial Analysis. 1999. № 8. P. 67-82. DOI: 10.1016/S1057-5219(99)00006-X

Episcopos A., Davis J. Predicting returns on Canadian exchange rates with artificial neural networks and EGARCHM-M models. Neural Computing & Applications. 1996. Volume 4. Issue 3. P. 168-174.

Hann T. H., Steurer E. Much ado about nothing? Exchange rate forecasting: Neural networks vs. linear models using monthly and weekly data. Neurocomputing. 1996. Volume 10. Issue 4. P. 323-339.

Hu M. Y., Tsoukalas C. Combining conditional volatility forecasts using neural networks: An application to the EMS exchange rates. Journal of International Financial Markets, Institutions and Money. 1999. Volume 9. Issue 4. P. 407-422. DOI: 422 10.1016/s1042-4431(99)00015-3

Huang W., Lai K. K., Nakamori Y., Wang S. Y. Forecasting foreign exchange rates with artificial neural networks: A review. International Journal of Information Technology & Decision Making. 2004. № 3(1). P. 145-165.

Yu L. A., Wang S. Y., Lai K. K. Adaptive smoothing neural networks in foreign exchange rate forecasting. Computational Science – ICCS 2005: International Conference on Computational Science. 2005. Part 3. P. 523-530.

Armano G., Marchesi M., Murru A. A hybrid genetic-neural architecture for stock indexes forecasting. Information Sciences. 2005. № 170(1). P. 3-33.

Chen A., Leung M., Daouk H. Application of neural networks to an emerging financial market: Forecasting and trading the Taiwan stock index. Computers & Operations Research. 2003. № 30(6). P. 901-923.

Kanas, A. Neural network linear forecasts for stock returns. International Journal of Finance and Economics. 2001. Vol. 6(3). P. 245-254.

Kanas A., Yannopoulos A. Comparing linear and nonlinear forecasts for stock returns. International Review of Economics and Finance. 2001. Volume 10. Issue 4. P. 383-398.

Cover J. P. Asymmetric effects of positive and negative money supply shocks. Quarterly Journal of Economics. 1992. Vol. 107. P. 1261-1283.

Hoptro R., Hall T., Bramson M. J. Forecasting economic turning points with neural nets. IJCNN-91-Seattle International Joint Conference on Neural Networks. 1991. URL: https://ieeexplore.ieee.org/document/ 155201/metrics#metrics (дата звернення: 15.07.2019).

Maasoumi E., Khotanzad A., Abaye A. Artificial neural networks for some macroeconomic series: A first report. Econometric Reviews. 1994. № 13. P. 105-122.

Qi M. Predicting US recessions with leading indicators via neural network models. International Journal of Forecasting. 2001. Volume 17, Issue 3. P. 383-401.

Tkacz G. Neural network forecasting of Canadian GDP growth. International Journal of Forecasting. 2001. № 17. PP. 57-69.

Vishwakarma K. P. Recognizing business cycle turning points by means of a neural network. Computational Economics. 1994. № 7. P. 175-185.

Richardson Adam, Mulder Thomas van Florenstein. Nowcasting New Zealand GDP Using Machine Learning Algorithms. CAMA Working Paper 47. 2018. 14 p.

Aiken M. Using a neural network to forecast inflation. Industrial Management & Data Systems. 1999. Vol. 99. No. 7. P. 296-301.

Moshiri S., Cameron N. Neural network versus econometrics models in forecasting inflation. Journal of Forecastіng. 2000. № 19. P. 201-217.

Moshiri S., Cameron N. E., Scuse D. Static, dynamic, and hybrid neural networks in forecasting inflation. Computational Economics. 1999. № 14. P. 219-235.

Sundar Mitra, Thakura Rupak, Bhattacharyyab Seema, Sarkar Mondal. Artificial Neural Network Based Model for Forecasting of Inflation in India. Fuzzy Information and Engineering. 2016. Volume 8. Issue 1. P. 87-100.

Han-Lin Li, Yu-Chien Ko Inducing dynamic rules of nations' competitiveness from 2001-2005. International Journal of Information Technology and Decision Making. 2009. № 08(03). P. 549-580.

Cook Thomas R., Smalter Aaron Macroeconomic Indicator Forecasting with Deep Neural Networks. URL: https://dx.doi.org/10.18651/RWP2017-11 (дата звернення: 15.07.2019).

Sander van der Hoog Deep Learning in (and of) Agent-Based Models: A Prospectus. Eastern Economic Journal. 2017. № 37(1). URL: https://arxiv.org›pdf (дата звернення: 15.07.2019).

Chiranjit Chakraborty, Andreas Joseph. Machine learning at central banks. Bank of England. Staff Working Paper. 2017. № 674. URL: https://www.bankofengland.co.uk›working-paper (дата звернення: 15.07.2019).

Alessandro Villa, Vytautas Valaitis. Machine Learning Projection Methods for Macro-Finance Models. URL: https://comp-econ.org/CEF2018_VillaValaitis.pdf (дата звернення: 15.07.2019).

Bang James Thomas, Sen Tinni, Basuchoudhary Atin. New Tools for Predicting Economic Growth Using Machine Learning: A Guide for Theory and Policy. Southern Economic Association Conference. 2015. URL: https://www.researchgate.net/publication/291827961_New_Tools_for_Predicting_Economic_Growth _Using_Machine_Learning_A_Guide_for_Theory_and_Policy (дата звернення: 15.07.2019).

Julian TszKin Chan, Weifeng Zhong. Reading China: Predicting Policy Change with Machine Learning. URL: https://policychangeindex.org/Reading_China.pdf (дата звернення: 15.07.2019).

Radionova I., Usyk V. Financial policy rules in the educational sphere: substantiation algorithm. Management Theory and Studies for Rural Business and Infrastructure Development. 2018. Vol.40. № 3. P. 163-174.

Уряд створив Національний фонд досліджень, який даватиме гранти на науку з 2019 року. URL: https://mon.gov.ua/ua/news/uryad-stvoriv-nacionalnij-fond-doslidzhen-yakij-davatime-granti-na-nauku-z-2019-roku (дата звернення: 15.07.2019).