АКТУАЛЬНЫЕ ВОПРОСЫ РАЗВИТИЯ ТЕОРЕТИКО-МЕТОДОЛОГИЧЕСКИХ ОСНОВ ИССЛЕДОВАНИЯ СОЦИАЛЬНО - ЭКОНОМИЧЕСКИХ СИСТЕМ И ПРОЦЕССОВ Текст научной статьи по специальности «Компьютерные и информационные науки»

Актуальные вопросы развития теоретико-методологических основ исследования социально-экономических систем и процессов

Микрюков Андрей Александрович

к.т.н., доцент, доцент кафедры Прикладной информатики и информационной безопасности Института цифровой экономики и информационных технологий, РЭУ им. Г.В. Плеханова, [email protected]

Мазуров Михаил Ефимович

д.ф.-м.н., профессор кафедры Прикладной информатики и информационной безопасностиИнститута цифровой экономики и информационных технологий РЭУ им. Г.В. Плеханова, [email protected]

Калюжный Илья Михайлович

Руководитель группы ПАО Сбербанк, [email protected]

Актуальность решаемой задачи определяется необходимостью совершенствования существующей методологии анализа социально-экономических систем и процессов (СЭС и П), и прогнозирования показателей их функционирования и развития. Разработаны предложения по совершенствованию методологии исследования СЭС и П путем построения концептуальной архитектуры гибридной полимодельной интеллектуальной многоагентной платформы - конструктора, отличающейся интеграцией современных концепций моделирования на основе применения методов гибридного моделирования, технологий мультиагентных систем и нейротехнологий, а также управления качеством моделей, что обеспечивает построение адекватных моделей, позволяющих получить более точные и достоверные результаты их анализа и прогнозирования. Ключевые слова: методы исследования социально-экономических систем и процессов, адекватность, достоверность и точность моделей.

Работа выполнена при поддержке РФФИ, грант № 20-0700926.

Введение

В настоящее время накоплен значительный теоретико-методологический и практический опыт в исследовании социально-экономических систем, разработано и применяется достаточно большое количество разнообразных моделей социально-экономических процессов и систем. Однако, общепринятого подхода к решению задач их анализа и прогнозирования не существует. Достаточно часто используемые методы и средства моделирования не обеспечивают получение адекватных моделей, обладающих требуемыми значениями точности и достоверности. Используемые подходы и инструментальные средства по-разному идентифицируются, классифицируются и комбинируются, что создает объемную среду для исследовательской и практической деятельности. Проведенный анализ показал, что существующие подходы к моделированию социально -экономических систем и процессов не в полной мере обеспечивают адекватность моделей, что зачастую приводит к ошибкам в принятии управленческих решений. Разработаны коцептуально - методологические подходы по совершенствованию методов синтеза моделей СЭС и П с целью повышения степени их адекватности путем реализации архитектуры гибридной полимодельной интеллектуальной многоагентной платформы - конструктора.

Существующие и перспективные подходы к анализу и прогнозированию

социально -экономических систем и процессов

Несмотря на широкое применение методов исследования СЭС общепринятого теоретико-методологического подхода к их исследованию и оценке, учитывающего их особенности, не существует.

Выделен ряд общих принципов, которых придерживаются исследователи для получения жизнеспособной модели СЭС, позволяющих получить практически применимые результат [1].

- принцип системности и комплексности анализа и прогнозирования, представление и анализ СЭС как системы взаимосвязанных компонентов с учетом внешних и внутренних факторов;

- принцип научной обоснованности, для построения аналитических и прогнозных моделей необходимо всесторонне учитывать требования философских, экономических и других законов, использование адекватного научного инструментария и достижений современного отечественного и зарубежного опыта;

- принцип адекватности разработанной модели объекту исследования и объективным закономерностям за счет выявления всей совокупности факторов, влияющих на функционирование СЭС и создания теоретического аналога экономических процессов и систем;

- принцип формализации, результаты анализа должны быть представлены в виде интерпретируемых

X X

о

го А с.

X

го т

о

м о м

CS

о

CS

о ш m

X

<

m О X X

характеристик, позволяющих сделать практические выводы;

- принцип достаточности, выбор и обоснование показателей должен соответствовать степени их влияния на исследуемую систему и процесс;

- принцип оптимальности, обеспечивающий выбор предпочтительного решения из совокупности возможных;

- принцип целенаправленности анализа и прогнозирования, предполагает активный характер исследования, обеспечивающий формирование необходимых управляющих воздействий на систему или процесс с учетом достижения требуемых показателей;

- принцип вариативности, заключается в возможности получения различных вариантов (траекторий) достижения требуемой точки в развитии СЭС;

Ниже представлены результаты проведенного анализа разрабатываемых методологических подходов к решению задачи анализа и прогнозирования показателей функционирования социально-экономической системы (университета), направленных на повышение эффективности их моделирования.

Известно, что существует более ста различных методов разработки прогнозов, но на практике используется около 16-20 методов [2] Все многообразие методов сводится к 4-м группам: экспертной оценки, моделирования, нормативных методов и экстраполяции. Совершенствование инструментальных средств приводит к появлению новых методов анализа и прогнозирования СЭС. При этом широкое применение находят комбинации различных методов.

В документе Минэкономразвития «Методические рекомендации по заполнению формы и разработке показателей прогнозов социально-экономического развития субъектов Российской Федерации» [3] все многообразие методов прогнозирования подразделяется на 2 класса:

- эвристические (интуитивные) методы прогнозирования, которые не поддаются формализации, и включают методы на основе индивидуальных и коллективных экспертных оценок;

- математические (формализованные) методы прогнозирования, обеспечивающие построение разнообразных математических моделей с использованием систем уравнений, и включающих методы экстраполяции, оптимального прогнозирования, эконометрические, имитационные модели и модели на основе исторических аналогий.

Интуитивные методы прогнозирования применяется в случаях, когда объект прогнозирования является очень простым, или настолько сложным, что не поддается аналитическому учету всех влияющих факторов. В основе этих методов лежат экспертные оценки.

Математические методы используются при наличии количественной информации об объекте исследования, а влияние разнообразных факторов можно описать с помощью математических формул. Математические методы прогнозирования обеспечивают существенное повышение достоверности и точности прогнозов, значительно сокращают сроки их выполнения. Среди математических методов выделяют методы экстраполяции, реализуемые с помощью инструментальных средств и обладающие простотой и наглядностью [4].

В работе [5] представлен сравнительный анализ отечественных и зарубежных моделей регионального социально-экономического развития и приведена их классификация. Выделено 4 класса моделей, включающих подклассы:

- Модели равновесия экономики (межотраслевого баланса, CGE (Computable General Equilibrium models) -модели, модели спроса-предложения);

-Вероятностно-статистические модели, среди которых наиболее распространенными являются эконометрические модели, модели на основе производственных функций);

- имитационные модели (рекуррентные, а также модели системной динамики);

- модели на основе интеллектуальных технологий (нейросетевые модели, модели на основе экспертных систем).

Среди моделей межотраслевого баланса необходимо выделить модель cGe -модель, разработанную академиком Макаровым В.Л., обладающей гибкостью и адаптацией к изменению параметров. Модели межотраслевого баланса в настоящее время не находят широкого распространения из - за проблем, связанных с информационным обеспечением таких моделей.

Среди вероятностно-статистических моделей известны «Эконометрическая модель экономики России», разработанная академиком Айвазяном С.А. и модель RIM (Russian Interindustry Model) современной российской экономии, разработанной в ВЦ РАН им. А.А. Дород-ницина Ограничением при реализации этих моделей выступает необходимость наличия достаточно большой статистической базы.

Имитационные модели позволяют декомпозировать исследуемую систему на совокупность подсистем, допускающих самостоятельное моделирование, находят свое применение при решении задач системной динамики и позволяют моделировать системодинамические процессы. Наиболее известной моделью является информационно-аналитический комплекс «Прогноз», разработанный в Пермском университете под руководством академика РАЕН Андрианова Д.Л. Комплекс динамических моделей обладает гибкостью и адаптивностью, однако является очень ресурсоемким и требует участия в разработке моделей большого количества специалистов.

В настоящее время наиболее активно развиваются модели на основе интеллектуальных технологий и их комбинаций с другими моделями и подходами, что обеспечивает получение определенного синергетического эффекта. Среди моделей этого класса необходимо выделить «CGE - модель социально-экономической системы России со встроенными нейронными сетями» [6], с использованием которой были рассчитаны показатели трудовой мобильности и бюджет домашних хозяйств. В основе этих моделей лежит агент - ориентированный подход. Агент - ориентированная модель (АОМ) позволяет имитировать поведение сложной социально-экономической системы на основе декомпозиции ее внутренней структуры на совокупность экономических и социальных акторов [6-8]. В этом случае АОМ иллюстрирует динамику социально-экономических характеристик с учетом взаимодействия и разнообразия агентов - акторов. Агентная модель позволяет представить реальный мир в виде отдельных специфицируемых агентов, взиа-модействующих между собой. В процессе функционирования агенты могут изменять свои параметры и параметры внешней среды. Реализация подхода на основе АОМ обеспечивает его гибкость за счет возможности динамического введения в модель новых агентов с требуемыми характеристиками, и позволяет анализировать поведение плохо формализуемых СЭС и разрабатывать

сценарии их развития изменяя управляемые параметры модели и учитывая поведенческие аспекты.

Одним из перспективных направлений исследования социально-экономических процессов и систем являются методы на основе «самокорректирующихся» экономико-математических моделей, которые могут реагировать на изменение условий развития процесса или системы и позволяют учитывать результаты прогноза, которые сделаны на предыдущем шаге исследования. Полученные результаты позволяют итеративно корректировать параметры модели. Выбор параметров адаптации осуществляется по критерию минимума средне-квадратической ошибки прогнозирования. Широко распространено применение интегральных показателей (агрегированных и взвешенных). Агрегированные показатели формируются на основе различных типов показателей (экономических, функциональных, технологических и др.). При этом методология выделения показателей основывается на различных критериях.

В работе [9] предложен структурно-функциональный подход к выделению наиболее информативных показателей СЭС на основе структуризации исходного набора показателей, и характеризуемого ими множества объектов, анализу динамических свойств системы, а также выявлению характерных траекторий изменения в пространстве параметров положения объектов во времени. При этом исследуется не точное значение показателей, описывающих состояние объекта, а класса, к которому принадлежит объект с учетом структуры системы, а также структурное прогнозирование положения объектов в пространстве информативных параметров.

Проведенный анализ показал, что существующие подходы к моделированию социально -экономических систем и процессов не всегда обеспечивают адекватность моделей, что зачастую приводит к ошибкам в принятии управленческих решений. Причиной неадекватности могут быть неточные исходные предпосылки в определении типа и структуры моделей, погрешности при обработке исходной информации, проведении экспериментов и т.п.

Для обеспечения адекватности моделирования используются различные подходы: возможность описания исследуемого объекта совокупностью разнородных и комбинированных моделей; решения одной и той же задачи с использованием различных моделей и последующего сравнения полученных результатов и проверки их сходимости; возможность учета структурной динамики объекта моделирования (организационно-технические, социально-экономические системы и др.), а также адаптация выбранной модели с учетом изменений параметров объекта исследования [10]. Синтез адекватной модели предполагает включение в состав параметров и структур модели дополнительных элементов (избыточности), которые позволяют в ходе использования управлять ее качеством, обеспечивать ее робастность (нечувствительность к изменению состава, структуры и содержания исходных данных). Однако, пока недостаточно полно решены вопросы выбора необходимых метрик для оценки степени близости моделей к реальному объекту исследования, а также разработки формальных процедур выбора наиболее предпочтительной модели на основе используемых метрик. Функцию совместного использования разнородных моделей выполняет полимодельный комплекс, алгоритмы которого позволяют оценить свойства моделей (качественную и количе-

ственную адекватность, оптимальность, простоту, гибкость, универсальность и др.) и по результатам оценки на основе формальной процедуры выбрать наиболее предпочтительную модель.

В последнее время активно развивается подход к исследованию и прогнозированию СЭС на основе когнитивного моделирования [11-12]. Анализ современных методов моделирования СЭС показал, что сложность получения адекватных моделей их анализа и прогнозирования определяется рядом причин, основными из которых являются:

- многоаспектность происходящих в них процессов и их взаимосвязанность, и взаимозависимость. В связи с этим невозможно выделить и детально исследовать отдельные явления и компоненты, все происходящее в них должно рассматриваться в совокупности;

- отсутствие достаточной количественной информации о динамике социально-экономических процессов не позволяет получить количественные оценки и вынуждает переходить к качественному анализу;

- изменчивость характера процессов во времени, что в свою очередь, требует совершенствования методов адаптации моделей и управления их качеством.

СЭС относятся к классу слабоструктурированных систем, описание функционирования которых осуществляется в условиях ограниченного количества исходных данных и ряда неопределенностей.

Проведенный анализ источников, посвященных решению задач построения моделей анализа и прогнозирования СЭС показал, что в настоящее время существует достаточно большой спектр разнородных современных методов моделирования рассматриваемого класса систем, широко использующих информационные технологии. В работе [13] представлена классификация методов, которые по мнению авторов являются в настоящее время наиболее востребованными и позволяют применять различные программные пакеты. Они разделены на три группы: статистические (на основе факторного, кластерного, регрессионного и корреляционного анализа), экспертные (на основе ранжирования, SWOT - анализа, метода «Дельфи», а также структурно-иерархической, перекрестной коллективной многовариантной экспертизы) и методы на основе интеллектуальной обработки данных (адаптивные методы, математическое программирование, генетические алгоритмы, структурно- классификационный анализ, нечеткое когнитивное моделирование).

Проведение сравнительного анализа указанных методов не представляется возможным, так как они имею разную природу, механизмы реализации, источники и формы представления исходных данных. Анализ результатов применения существующих подходов к моделированию СЭС позволил сформулировать присущие им недостатки:

- не всегда обеспечивается требуемая полнота и достаточность первичной информации, особенно при применении экспертных методов;

- огромный объем взаимозависимых исходных данных обычно не позволяет их сгруппировать и представить в необходимом виде;

- невозможность сведения разнородных факторов, имеющих различную размерность воедино и их формализации, и как следствие, невозможность определения их сравнительной значимости для объективного использования в модели;

X X

о

го А с.

X

го m

о

м о м

см о см

о ш т

X

<

т О X X

- получение результатов моделирования, не отвечающих требуемой точности и достоверности, что в последствии отрицательно сказывается на объективности принятия управленческих решений.

На основе проведенного анализа разработаны предложения по совершенствованию существующих подходов к моделированию СЭС и П.

Предложения по развитию методологических подходов к решению задач анализа и прогнозирования социально-экономических систем (на примере университета)

В настоящее время большую популярность набирают подходы, в основе которых лежат гибридные модели анализа и прогнозирования СЭС и П [15-16]. Применение одного типа моделей является недостаточным и как правило приводит к грубым результата моделирования, поскольку объект моделирования является сложным, комплексным, состоит из совокупности самостоятельных компонентов, изменение функционирования которых влияет на функционирование системы в целом. В этом случае один класс моделей не может выступать самостоятельным инструментом исследования.

В работе [16] предложен междисциплинарный подход к построению моделей СЭС, представляющих собой сложные слабо формализуемые многокомпонентные экономические системы (ССМС), на основе применения гибридного вычислительного интеллекта. Используется понятие гибридной интеллектуальной модели ССМС, имеющей универсальный характер, в которой для решения задачи используется совокупность аналитических моделей, экспертных систем, искусственных нейронных сетей, нечетких систем, генетических алгоритмов и имитационных статистических моделей.

Для моделирования и структурирования ССМС сформулирована концептуальная модель и разработана архитектура функциональной гибридной интеллектуальной многоагентной системы с самоорганизацией, сочетающей положительные свойства гибридных интеллектуальных систем поддержки принятия решений и многоагентных систем.

Университет как социально-экономическая система имеет особенности, отличающие его от типовой СЭС, например предприятия. Эти отличия в первую очередь заключатся в том, что он представляет собой очень слабоструктурированную систему, которая практически не поддается формализации. Как социотехническая система университет имеет ярко выраженный антропогенный фактор. Подавляющее большинство процессов функционирования такой системы протекают в условиях неопределенности, которая связана с недостаточностью или полным отсутствием методов и средств измерения координат объекта управления в фазовом пространстве, а также невозможностью его формального описания. В решении задач управления такой системой резко возрастает роль лица, принимающего решение (ЛПР), которое является сильным субъективным фактором. ЛПР оказывает влияние не только на принятие, но и результат воздействия на систему управленческих решений, т.к. существенная часть этих воздействий направлена на человека, являющегося составной частью социотехнической системы.

В этом случае наиболее удобным математическим аппаратом описания социотехнической системы, который позволяет объединить результаты описаний раз-

личных компонентов социотехнической системы (аналитических, статистических, лингвистических и др.) является когнитивное моделирование [12]. Преимущество такого подхода заключается в возможности формального описания численно неизмеримых факторов, а также применения неполной, нечеткой и даже противоречивой информации Проведенный анализ показал, что существенный эффект в улучшении модели с точки зрения обеспечения ее адекватности дает построение гибридных моделей объекта исследования.

Результаты проведенного анализа методологических подходов к построению моделей анализа и прогнозирования СЭС и процессов позволили выявить наиболее перспективные направления развития и совершенствования методологической базы моделирования СЭС. К ним необходимо отнести использование гибридных подходов, в основу которых целесообразно положить применение сочетание интеллектуальных и иных моделей, обеспечивающих интеграцию положительных свойств составляющих моделей. Синтез адекватной модели СЭС на основе исходной концептуальной модели должен предусматривать реализацию формальной процедуры управления качеством модели на основе выбранного критерия с использованием полимодельного комплекса, позволяющего включать в состав параметров и структур модели дополнительные элементы (избыточность), которые позволяют в ходе использования управлять ее качеством в условиях изменения параметров модели, обеспечивать робастность и выбор наиболее предпочтительной модели.

Предлагаемый подход может быть применен к решению задач анализа и прогнозирования деятельности университета, который является ярко выраженным примером слабоструктурированной социотехнической системы.

На основе проведенного анализа разработаны концептуальные основы построения гибридной полимодельной интеллектуальной многоагентной платформы -конструктора моделей СЭС и П, позволяющей на основе концептуального описания объекта исследования и разработанных формальных процедур синтезировать адекватную модель объекта исследования с возможностью оценки параметров точности и достоверности.

Архитектура платформы включает модули - когнитивные агенты взаимодействия с субъектом, а также управления качеством синтезируемой модели (аналитических, стохастических, нечетких и др. моделей) (рис. 1). Коалиционное взаимодействие когнитивных агентов обеспечивает самоорганизацию среды моделирования в условиях динамически меняющихся условий функционирования СЭС. Под коалицией понимают сотрудничество агентов для достижения определенной цели [16].

Развитие этого понятия в теории мультиагентных систем (МАС) сводится не только к разработке теоретических аспектов кооперативного взаимодействия, но и представляет собой способ формировать организации агентов путем применения согласованных стратегий, выбор которых определяется динамически изменяющимися условиями.

В основе функционирования платформы лежит применение когнитивных информационных технологий, которые обеспечивают формализацию знаний об исследуемых слабо структурированных объектах и процессах, анализ и прогнозирование их структурной динамики на основе и функциональной организации.

Источники данных

БД

База моделей

комплекс

Модель

предметной области

Мультиагентная система

Агент интерфейса

Агент управления качеством модели

Нечеткий агент

Аналитический агент

Стохастический агент

Агент поиска решений

I

Субъект управления

Социально-экономическая система (процесс)

Синтез адекватной модели объекта исследования

Управление качеством синтезируемой модели

Реализация технологий гибридного моделирования

Наблюдаемые

характеристики

(параметры)

Внешние факторы

Внутренние факторы

Анализ Управление Про гнозировани

Рисунок 1 - Архитектура гибридной полимодельной интеллектуальной многоагентной платформы - конструктора моделей социально -экономических систем и процессов

В составе платформы предложено применение полимодельного комплекса, включающего различные классы моделей (статистические, имитационные, интеллектуальные, гибридные и др.), позволяющего решать задачи управления качеством синтезируемых моделей. Полимодельный комплекс предоставляет возможность оценивать степень адекватности синтезируемой модели на основе используемых метрик.

К преимуществам полимодельного комплекса следует отнести возможность описания исследуемого объекта совокупностью разнородных и комбинированных моделей; решения одной и той же задачи с использованием различных моделей и последующего сравнения полученных результатов; учета структурной динамики объекта моделирования, а также адаптации выбранной модели с учетом изменений объекта исследования.

Концептуальная схема предложенного подхода позволяет решить задачу структуризации и формализованного представления знаний о предметной области в виде задания формальных отношений на множестве объектов модели. Кроме того, она является основой для представления структуры и алгоритмов работы разрабатываемой гибридной полимодельной интеллектуальной многоагентной платформы.

Заключение

В результате проведенного исследования предложены концептуальная схемы решения задачи анализа и прогнозирования показателей функционирования социально-экономической системы, а также архитектура гибридной полимодельной интеллектуальной многоагентной платформы - конструктора моделей социально -экономических систем и процессов. Разработанные предложения отличаются от существующего в данной области научно-методического аппарата реализацией кол-

лективных и гибридых интеллектуальных методов принятия решений на основе полимодельных комплексов и мультиагентной среды, реализующей методы многоальтернативного моделирования при коалиционном взаимодействии когнитивных агентов, и позволяющей решать задачи управления качеством синтезируемых моделей. Разработанный подход позволит получать более обоснованные, точные и достоверные результаты моделирования.

А.М., Медведева прогнозирование

Литература

1. Антохина Ю.А., Колесников С.Н., Социально-экономическое Учебно-методическое пособие С.Пб. 2016. -216с

2. Придворова C. Сравнительный анализ методов прогнозирования социально-экономического развития региона // Научные ведомости: Серия История. Политология. Экономика. Информатика. 2013. №1 (144). Выпуск 25/1 Региональная и муниципальная экономика. С.5-14.

3. Приказ Минэкономразвития России от 13.03.2019 N 124 (ред. от 13.04.2020) [Электронный ресурс] URL: http://www.consultant.ru/document/cons_doc_LAW_32058 2/2ff7a8c72de3994f30496a0ccbb1d (дата обращения 20.10.2020).

4. Бережная, Е.В. Математические методы моделирования экономических систем / Е.В. Бережная, В.И. Бережной. - М.: Финансы и статистика,2003.-368 с.

5. Атаева А.Г., Исламова Д.В., Мустафин Э.Р., Орешников В.В. Сравнительный анализ моделей регионального развития [Электронный ресурс] URL: https://cyberleninka.ru/article/n/sravnitelnyy-analiz-modeley-regionalnogo-razvitiya (дата обращения 1.10.2020).

6. Макаров В.Л., Бахтизин А.Р., Бахтизина Н.В. (2005): CGE модель социально-экономической системы

X X

о го А с.

X

го m

о

м о м

es о es

о ш m

X

<

m O X X

России со встроенными нейронными сетями. М.: ЦЭМИ РАН.

7. Мазуров М.Е., Квартвишвили В.М., Петров Л.Ф. Прикладные системно-динамические модели. Теория и практика: монография - Москва: ФГБОУ ВО «РЭУ им. Г.В. Плеханова», 2018. - 240с.

8. Самсонова Н.А. Методология моделирования социально-экономических систем // Вестник ЦЭМИ. 2018. Вып. 4 [Электронный ресурс]. URL: https://cemi.jes.su/s111111110000000-3-1/ (дата обращения 30.09.2020).

9. Дорофеюк Ю.А., Дорофеюк А.А., Чернявский А.Л. Анализ и оценка эффективности социально-экономических систем управления // Информационные технологии и вычислительные системы. 2011. №1. С. 14- 23.

10. Микони С.В., Соколов Б.В., Юсупов Р.М. Квали-метрия моделей и полимодельных комплексов: монография / С.В. Микони, Б.В. Соколов, Р.М.Юсупов - РАН, 2018. - 314с.

11. A. Кулинич, Компьютерные системы моделирования когнитивных карт: подходы и методы, Пробл. управл., 2010, выпуск 3, 2-16.

12. Максимов В.И., Корноушенко Е.К. Аналитические основы применения когнитивного подхода при решении слабоструктурированных задач // Труды ИПУ РАН. - М., 1999. - Т. 2. - С.95-109.

13. Мачуева Д.А., Современные методы анализа и оценки социально-экономических систем Электронный научный журнал «Инженерный вестник Дона, №4 (2016) [Электронный ресурс] URL: https://www.ivdon.ru/ru/magazine/archive/n4y2016/3909 (дата обращения 20.10.2020).

14. Щелкалин В.Н. Гибридные модели и методы прогнозирования нестационарных временных рядов. Труды X Международной конференции «Идентификация систем и задачи управления». М.: 26-29 янв. 2015. -С. 1395-1463.

15. Аверкин А.Н., Ефремова Н.А., Ярушев С.А. Гибридные нечеткие когнитивные карты в задачах поддержки принятия решений и прогнозирования. Программные продукты, системы и алгоритмы № 4, -2017. -С 1-9.

16. Колесников А.В., Кириков И.А., Листопад С.В. Гибридные интеллектуальные системы с самоорганизацией: координация, согласованность, спор - М.: ИПИ РАН, 2014 - 189 с.

Actual issues development of theoretical and methodological foundations of research of socio-economic systems and processes

Mikryukov A.A., Mazurov M.E., Kalyuzhny I.M.

Plekhanov Russian University of Economics, Sberbank Abstract. The relevance of the problem being solved is determined by the need to improve the existing methodology for analyzing socio-economic systems and processes (SES and P) and predict the indicators of their functioning and development. Proposals have been developed to improve the methodology for the study of SES and P, which are distinguished by the integration of modern concepts of modeling SES and P based on: the use of hybrid modeling methods, quality control of SES and P models, the use of multi-agent systems and neurotechnology technologies, which ensures the construction of adequate models of SES and P, allowing get more accurate and reliable results of their analysis and forecasting. Key words: research methods of socio-economic systems and processes, adequacy, reliability, and accuracy of models.

References

1. Antokhina Yu.A., Kolesnikov A.M., Medvedeva S.N., Socio-

economic forecasting Teaching aid S.Pb .. 2016. -216p.

2. Pridvorova C. Comparative analysis of forecasting methods for

the socio-economic development of the region // Scientific Bulletin: Series History. Political science. Economy. Informatics. 2013. No. 1 (144). Issue 25/1 Regional and Municipal Economy. S.5-14.

3. Order of the Ministry of Economic Development of Russia of

13.03.2019 N 124 (as revised on 13.04.2020) [Electronic resource] URL:

http://www.consultant.ru/document/cons_doc_LAW_320582/2f f7a8c72de3994f30496a0ccbb1d (date of treatment 10.20.2020).

4. Berezhnaya, E.V. Mathematical methods for modeling economic

systems / E.V. Berezhnaya, V.I. Berezhnaya. - M.: Finance and statistics, 2003.-368 p. 5. Ataeva A.G., Islamova D.V., Mustafin E.R., Oreshnikov V.V. Comparative analysis of regional development models [Electronic resource] URL: https://cyberleninka.ru/article/n/sravnitelnyy-analiz-modeley-regionalnogo-razvitiya (Date of access 1.10.2020).

6. Makarov V.L., Bakhtizin A.R., Bakhtizina N.V. (2005): CGE model

of the socio-economic system of Russia with embedded neural networks. Moscow: TsEMI RAN.

7. Mazurov M.E., Kvartvishvili V.M., Petrov L.F. Applied system

dynamic models. Theory and practice: monograph - Moscow: Plekhanov Russian University of Economics, 2018. - 240 p.

8. Samsonova N.A. Methodology for modeling socio-economic systems // Vestnik TSEMI. 2018. Issue. 4 [Electronic resource]. URL: https://cemi.jes.su/s111111110000000-3-1/ (date of treatment 09/30/2020). 9. Dorofeyuk Yu.A., Dorofeyuk A.A., Chernyavsky A.L. Analysis and evaluation of the effectiveness of socio-economic management systems // Information technologies and computing systems. 2011. No. 1. S. 14-23.

10. Mikoni S.V., Sokolov B.V., Yusupov R.M. Qualimetry of models and polymodel complexes: monograph by S.V. Mikoni, B.V. Sokolov, R.M. Yusupov - RAS, 2018 .- 314p.

11. A. Kulinich, Computer systems for modeling cognitive maps: approaches and methods, Probl. Upr., 2010, issue 3, 2-16.

12. Maksimov V.I., Kornoushenko E.K. Analytical foundations of the application of the cognitive approach in solving semi-structured problems // Proceedings of the Institute of Control Sciences of the Russian Academy of Sciences. - M., 1999.- T. 2. - S. 95109.

13. Machueva DA, Modern methods of analysis and assessment of socio-economic systems Electronic scientific journal "Engineering Bulletin of the Don, No. 4 (2016) [Electronic resource] URL: https://www.ivdon.ru/ru/magazine/ archive / n4y2016 / 3909 (Date of treatment 10/20/2020).

14. Schelkalin V.N. Hybrid models and methods for forecasting non-stationary time series. Proceedings of the X International Conference "Systems Identification and Control Problems". Moscow: January 26-29. 2015. -S. 1395-1463.

15. Averkin A.N., Efremova N.A., Yarushev S.A. Hybrid fuzzy cognitive maps for decision support and forecasting. Software products, systems and algorithms № 4, -2017. - From 1-9.

16. Kolesnikov A.V., Kirikov I.A., Listopad S.V. Hybrid intelligent systems with self-organization: coordination, consistency, dispute - M.: IPI RAN, 2014 - 189 p.