CC BY
43
УДК 332.1(045) © Румянцев Н. М., 2020
Методические подходы к моделированию социально-экономического развития
а
региона: достоинства и недостатки*
Управленческие решения, принимаемые в рамках реализации мер экономической политики, в том числе и на региональном уровне, требуют научного обоснования. Одним из необходимых инструментов методического обеспечения таких решений может стать моделирование социально-экономического развития региона. Однако многообразие подходов к составлению моделей требует их упорядочивания. В связи с этим целью исследования ставится систематизация методических подходов к моделированию социально-экономического развития региона. Выделено пять основных классов моделей, представлена их краткая характеристика, проиллюстрированы практические примеры их реализации. В качестве вывода представлены достоинства и недостатки каждого из классов, на основании анализа и исходных задач широкого исследования выбор был сделан в пользу межотраслевых моделей. Дальнейшие научные изыскания будут посвящены формированию итерационной динамической межотраслевой модели региона на основе таблиц «затраты-выпуск», а также сценарному прогнозированию социально-экономического развития на ее основе. Ключевые слова: моделирование; эконометрические модели; модели общего равновесия; нейросете-вое моделирование; имитационное моделирование; межотраслевые модели; регион
Для цитирования: Румянцев Н. М. Методические подходы к моделированию социально-экономического развития региона: достоинства и недостатки. Научные записки молодых исследователей. 2020;8(6):5-17.
Научный руководитель: Лукин Е.В., кандидат экономических наук, заместитель заведующего отделом проблем социально-экономического развития и управления в территориальных системах, Вологодский научный центр РАН, Вологда, Россия / Scientific supervisor: Lukin E. V., Cand. Sci. (Econ.), Deputy Head of the Department of Social and Economic Development and Management in Territorial Systems at the Vologda Scientific Centre of the Russian Academy of Sciences, Vologda, Russia.
* Статья подготовлена при финансовой поддержке РФФИ. Грант № 20-010-00643 «Анализ и прогнозирование социально-экономического развития региона с использованием динамической межотраслевой модели».
Никита Михайлович Румянцев, аспирант отдела проблем социально-экономического развития и управления в территориальных системах, Вологодский научный центр РАН, Вологда, Россия /Nikita M. Rumyantsev, post-graduate student Department of Socio-Economic Development and Management in Territorial Systems of the Vologda Scientific Centre of the Russian Academy of Sciences, Vologda, Russia [email protected]
АННОТАЦИЯ
ORIGINAL PAPER
Methodological Approaches to Modelling
the Socio-Economic Development
of the Region: Advantages and Disadvantages*
ABSTRACT
Management decisions made in the framework of the implementation of economic policy measures, including at the regional level, require scientific substantiation. Modelling the socio-economic development of the region can become one of the necessary tools for the methodological support of such decisions. However, the variety of approaches to the compilation of models requires their ordering. In this regard, the study aims to systematize methodological approaches to modelling the socio-economic development of the region. Five main classes of models are highlighted; their brief characteristics are presented, practical examples of their implementation are illustrated. In conclusion, the advantages and disadvantages of each of the classes are offered, based on the analysis and the initial tasks of a wide study, the choice was made in favour of intersectoral models. Further scientific research will be devoted to the formation of an iterative dynamic intersectoral model of the region based on input-output tables, as well as scenario forecasting of socio-economic development based on it.
Keywords: modelling; econometric models; general equilibrium models; neural network modelling; simulation modelling; intersectoral models; region
For citation: Rumyantsev N. M. Methodological approaches to modelling the socio-economic development of the region: Advantages and disadvantages. Nauchnye zapiski molodykh issledovatelei = Scientific notes of young researchers. 2020;8(6):5-17.
Введение
Принятие управленческих решений в области экономической политики требует учета множества факторов, таких как структурная динамика, межотраслевые и межтерриториальные взаимодействия в рамках производства, распределения и потребления сырья, труда и капитала, а также процессов генерации и перераспределения доходов.
Динамические модели регионального развития могут рассматриваться в качестве платформы для разработки мер экономической политики и прогнозирования. Необходимость их использования обусловлена следующими задачами управления социально-экономическим развитием региона:
• оценка структурной динамики, межотраслевых взаимодействий и процессов трансформации региональной экономики;
• исследование экзо- и эндогенных факторов роста и развития экономики региона с опорой на
информационную базу показателей системы национальных счетов (коэффициенты затрат, пропорции выпуска и промежуточного потребления, соотношение импорта и экспорта, отраслевые параметры формирования добавленной стоимости);
• выявление ключевых тенденций социально-экономического развития региона и построение трендов его структурной динамики, а также сценарное прогнозирование по типу «что будет, если?».
К тому же, как отмечает коллектив ученых ВолНЦ РАН [1], необходимо уделить внимание структурным факторам экономического роста. Поэтому первоочередным критерием при выборе метода моделирования должна стать возможность отображения экономических пропорций и структурных связей.
Опираясь на вышесказанное, поставим целью исследования систематизацию методиче-
* The article was prepared with the financial support of the RFBR, grant No. 20-010-00643 'Analysis and forecasting of the socio-economic development of the region using a dynamic intersectoral model".
ских подходов к моделированию социально-экономического развития региона. В рамках поставленной цели, с опорой на опыт как отечественных, так и зарубежных исследователей, решены следующие задачи: выделены характерные классы моделей, раскрыто содержание каждого из подходов к моделированию, а также вычленены их достоинства и недостатки. Научная новизна статьи заключается в авторском подходе к классификации методов моделирования и систематизации их сильных и слабых сторон.
Основные результаты исследования
Процесс экономического моделирования, согласно академику Г. Б. Клейнеру, это имитация реальных хозяйственных процессов и явлений, а также существующих объектов, проводимая в математической (на основе уравнений или их систем) или виртуальной (на базе компьютерных технологий) среде и реализуемая исследователем. Возможность преобразования среды и внедрение дополнительных условий функционирования позволяет добавлять динамические характеристики в процесс исследования, а также апробировать гипотезы на приближенных к реальности экономических процессах, явлениях и объектах, описывать взаимосвязи между ними, доказывая эти гипотезы и подводя под теоретический базис [2].
Модель социально-экономической системы (СЭС) - схематичное воспроизведение основных ее элементов, их взаимодействий, процессов, происходящих в результате как внешнего влияния, так и внутренних изменений.
В теории и практике моделирования СЭС параллельно развиваются несколько подходов к классификации методов. Обобщив и систематизировав опыт многочисленных исследований [3-12], для целей текущего исследования нами предлагается использовать такой классификационный признак, как логика построения модели и используемые методы формализации и моделирования, и на его основании были выделены следующие классы моделей:
• Эконометрические модели.
• Модели на основе нейросетей.
• Имитационные модели.
• Модели равновесия экономики.
• Межотраслевые модели.
В качестве уточнения скажем, что данное исследование не охватывает всех существующих подходов к моделированию, мы анализируем наиболее часто встречающие в экономической литературе. Стоит отметить, что все из представленных классов моделей могут быть как статическими, так и динамическими. К тому же, часто те или иные примеры реализации моделей указывают на сочетание рядов классов, что позволяет говорить о наличии гибридных моделей, что несколько усложняет классификацию.
Эконометрические модели
Основу эконометрических (или математико-стати-стических) моделей СЭС составляют наблюдаемые зависимости между показателями социально-экономического развития на основе ретроспективных динамических рядов. Далее создается система регрессионных уравнений, выражающая зависимость эндогенных величин от экзогенных. Следующим этапом является оценка коэффициентов используемых в системе уравнений на массиве статистической информации, в дальнейшем создается тренд на прогнозный период [13]. Определение математических закономерностей происходит с использованием пространственно-временных статистических рядов данных. При этом главным условием для получения адекватных систем уравнений, позволяющих как можно точнее передать взаимосвязи и процессы реальной экономики в модели, является создание однородных групп моделируемых СЭС. Чем более неоднородно экономическое пространство - тем менее точна модель. Также важно отметить, что объем выборки и отсутствие статистических выбросов значительно влияет на правдоподобность модели [14].
По уровню детализации эконометрические модели можно классифицировать на простые, составленные из одного или нескольких уравнений, не связанных между собой, и сложные, представляющие собой систему совместных уравнений, при решении которых определяются эндогенные переменные.
Применение этого класса моделей в экономических науках довольно широкое. Путем построения систем эконометрических уравнений возможно прогнозировать производственные и инвестиционные параметры развития экономики, поведение функции спроса от ценовых
и доходных факторов, объемов экспорта и импорта в зависимости от валютных курсов и т.д.
Наиболее известным примером зарубежного эконометрического моделирования и его практической реализации на уровне региональных СЭС можно назвать эконометрическую модель штата Филадельфия. Ее создателем называют Н. Глик-ман, модель создана в 70-е гг. XX в. под эгидой Уортонской ассоциации эконометрического прогнозирования [15]. Структура модели довольно сложна: она состоит из ряда блоков, насчитывающих в сумме 228 уравнений. Переменные, используемые в модели, описывают демографическую динамику, цены и инвестиции, занятость и фонд оплаты труда, а также 19 отраслей экономики и ряд других не менее значимых факторов.
Также можно отметить Брукингскую модель экономики США [16], одну из первых экономе-трических моделей большой размерности и макроэкономическую прогнозную модель в рамках проекта LINK ООН, подробный анализ которой приведен в [17].
Опыт российского создания эконометрических моделей отразился в создании эконометрической модели экономики РФ, авторами которой стали ученые ЦЭМИ РАН под руководством С. А. Айвазяна [18]. Названная модель реализована в системе одномоментных уравнений индикаторов экономического развития, базирующихся на таких входных данных, как инвестиции, цены на нефть, курс доллара США, расходы государства на социальную сферу и экспортные тарифы. С помощью модели прогнозируются динамика валового внутреннего продукта, объемы импорта и экспорта, инфляция, уровень доходов населения и конечного потребления.
Однако в разное время эконометрические методы в экономических исследованиях, а в частности и в моделировании, подвергались жестокой критике. Так, например, Дж. М. Кейнс критиковал этот подход за его строгость и чистый математический расчет, в то время как экономику нельзя считать точной наукой. Суждения Кейнса привели к спору между ним и обладателем Нобелевской премии по экономике за создание и применение Я. Тинбергеном динамических моделей к анализу экономических процессов [19].
Метод эконометрического моделирования может быть применен для моделирования лишь слабо динамичных систем ввиду необходимости
строить устойчивые законы социально-экономического развития. К тому же использование этого класса моделей возможно лишь в совокупности с другими ввиду необходимости комплексного и изменчивого во времени объекта моделирования, что негативно отражается на точности и верифицируемости результатов.
Самая значимая проблема, которая ограничивает возможности применения эконометрических моделей на уровне региональных СЭС,- отсутствие длинных рядов динамики, достаточных для построения адекватных и верифицируемых зависимостей. К тому же из-за процесса структурной перестройки региональной экономики в изменяющихся геоэкономических и геополитических условиях ее функционирования происходит частая смена трендов экономических процессов. Таким образом, структурные сдвиги (отраслевые, пространственные, секторальные, институциональные и др.) создают серьезный барьер на пути внедрения эконометрического метода в экономический анализ региональной экономики.
Модели на основе нейросетей
Нейросетевое моделирование является основным методом экономического моделирования недостаточно формализованных объектов, процессов и явлений в условиях недостаточной, искаженной или зашумленной информации. Прототипом метода является процесс функционирования нейронов человека внутри его нервной системы, это связано с тем, что появление новых нейронных связей обеспечивает их способности к обучению. С помощью описанного метода имеется возможность изучения рационального поведения экономических агентов [8].
Нейронные сети относятся к формализованным методам стратегического планирования как один из типов экономико-математических моделей. В основу данного типа моделей с различными видами топологии, характеристиками, настройками, связями и параметрами обучения должны закладываться базовые понятия, принципы и алгоритмы их построения.
Нейронная сеть - это самообучающая система, процесс формирования которой состоит из двух этапов, независимых друг от друга. Первый этап - обучение, процесс получения неявных закономерностей из входящего потока
данных (чем шире поток - тем эффективнее и точнее обучение, поэтому предполагается, что нейросеть на этом этапе анализирует так называемые Big Data - слабоструктурированные данные широкой вариативности в рамках большого числа наблюдений) [20, 21]. Полагается, что внутри входной совокупности имеются гипотетические искомые закономерности. Нейронные сети способны с определенной точностью обнаружить связи, не определяемые традиционными методами поиска корреляции [22].
Использование нейронных сетей в экономическом моделировании возможно лишь с допущением: этот метод распознает в предоставленных данных закономерности, обнаруженные в предыдущих наблюдениях, а не прогнозирует их. То есть нейросеть не дает прогноза на будущее, а проецирует опыт поведения экономики на текущую ситуацию, что позволяет воспроизвести такую же реакцию СЭС на условия хозяйствования. Кардинальное изменение ситуации в экономике значительно снижает точность и эффективность работы нейросети. Однако после таких ситуаций нейронная сеть подвергается процедуре дообучения, объединяя предыдущий опыт с вновь поступившими данными.
Нейросетевое моделирование в своих исследованиях использовали такие специалисты в области прогнозирования социального-экономического развития, как коллектив ЦЭМИ РАН в составе А. Р. Бахтизина, С. С. Сулакшина и В. Л. Макарова [23], создавшие комбинированную модель общего вычислимого равновесия с использованием нейросетей, В. А. Прокофьев, исследовавший возможности нейронных сетей для прогнозирования развития сложных экономических систем (на материалах Вологодской области) [24]. Прогноз индикаторов развития региона на основе нейросетевого моделирования проводили Н. П. Кашинцев и Р. Ю. Селименков [25]. К представленному классу также можно отнести модель экономики региона на основе недоопределенных вычислений, разработкой которой занимается Российский научно-исследовательский институт искусственного интеллекта [26]. Как отмечается в работах, упомянутых выше, основная проблема метода заключается в непрозрачности промежуточных этапов - есть данные на входе и результат на выходе, осталь-
ные этапы прогнозирования плохо поддаются интерпретации.
Использование моделей, построенных на основе обученных нейросетей, приобретает максимальную эффективность лишь в совокупности с другими видами моделирования, существенно повышая точность прогноза и гибкость самой модели. Однако ввиду ряда недостатков (сложность построения, необходимость широкой информационной базы, потребность в существенной материально-технической базе) нейросетевое моделирование неэффективно применять как самостоятельный метод [11].
Имитационные модели
Согласно определению А. В. Борщева1, имитационное моделирование - это метод построения моделей, состоящих из множеств правил, итеративно фиксирующих переходные состояния исследуемого объекта (например, в нашем случае это регион). Эти правила могут быть заданы дифференциальными уравнениями и их системами, диаграммами состояния и т.д. Имитационные модели - это мощный современный инструмент для исследования динамически активных систем [27].
Имитационные модели в экономической науке позволяют решать такие исследовательские задачи, как поливариантное сценарное прогнозирование развития СЭС, оценка последствий принятия управленческих решений по принципу «что будет, если?», а также поиск оптимальных траекторий развития региональной экономики.
На практике моделирования в рамках имитационного метода выделяют три основных подхода: метод системной динамики, дискретно-событийный подход и агент-ориентированное моделирование. Для региональных СЭС наиболее подходящими являются системная динамика и агентный подход. Первый подход до последнего времени в экономической практике считался доминирующим. Системно-динамические модели строятся на отражении причинно-следственных связей поведения агрегированных экономических агентов (например, абстрактные потребители или производители) внутри исследуемой системы. Моделируемые связи строятся на зависимостях,
1 Борщев Андрей Владиленович - к.т.н., основатель и генеральный директор компании «XJ Technologies» (ныне - The AnyLogic Company), разработчика и поставщика инструмента имитационного моделирования AnyLogic.
Таблица 1
Основные преимущества и недостатки методов имитационного моделирования региональных СЭС
Метод Преимущества Недостатки
Системной динамики Использование многоцелевых критериев при исследовании. Возможность проводить моделирование при неполных данных. Лучше других методов интерпретирует структурные и динамические характеристики функционирования экономики Невозможно отобразить взаимосвязи внутри экономической системы
Дискретно-событийный Анализ осуществляется на каждом этапе моделирования. Лучше всего использовать для моделирования бизнес-процессов, производственных циклов, логистики Моделируются только алгоритмические процессы. Невозможно учитывать особенности действий агента
Агент- ориентированный Возможность отображать истинные действия агентов, основываясь на их соответствующих атрибутах. Возможность обучения агента. В модели может быть учтен пространственный фактор Сложность построения качественной модели, учитывающей все возможные отношения между агентами региональной СЭС
Источник: составлено автором по [28-30].
полученных с помощью методов, описанных ранее (эконометрическое и нейросетевое моделирование).
Агент-ориентированное моделирование на данный момент является относительно новым методологическим принципом, однако быстро занимает нишу одного из магистральных направлений в экономико-математическом моделировании. Базисом этого подхода является изучение индивидуального поведения экономических агентов и их взаимодействий в рамках СЭС.
В противопоставление подходу системной динамики, агент-ориентированное моделирование симулирует поведение конкретных экономических агентов с заранее предопределенными параметрами. Основываясь на результатах проведенного анализа подходов к имитационному моделированию, были выделены достоинства и уязвимости каждого из описанных выше методов (табл. 1).
Имитационное моделирование в целях прогнозирования социально-экономического развития широко применяется как за рубежом, так и русскоязычными исследователями. Существует ряд обзорных статей, в которых рассмотрен опыт применения данного класса моделей для
прогнозов развития территорий [31-33], и в частности, Е. А. Россошанской (Чекмаревой) выделены наиболее актуальные исследования СЭС мезо-уровня, основанные на агент-ориентированном подходе [32].
Отечественный опыт имитационного моделирования базируется на активной работе ЦЭМИ РАН по агент-ориентированному моделированию. Так, на данный момент существует региональная модель Вологодской области «Губернатор» [33], агентная демографическая модель условного региона [34], а также ряд других моделей разных уровней управления [35-37], созданных коллективом ученых под руководством академика В. Л. Макарова. Накопленный опыт агент-ориентированного моделирования обобщен исследователями в двух монографиях: «Агент-ориентированные модели экономики» [38] и «Социальное моделирование - новый компьютерный прорыв (агент-ориентированные модели)» [39].
Модели равновесия экономики
Модели общего вычислимого равновесия - это системы уравнений, решение которых сводится к равновесию спроса и предложения, а также по-
иску оптимальных экономических пропорций. Поиск решения осуществляется процедурой многократного пересчета с помощью прикладного программного обеспечения. Достаточно широко обзор подобных модельных пакетов представлен в [23].
Наиболее часто описываемый класс моделирования является практическим исполнением теории общего экономического равновесия, основанной французским экономистом Л. Вальрасом. Широкое распространение в научной среде эти модели получили после работы А. Харбергера. В его исследовании модели общего равновесия использовались для оценки эффектов налогообложения, средой при этом выступила двухсекторная экономика. По итогам моделирования и анализа полученных результатов А. Харбергер установил, что существует связь между налогами на прибыль корпораций, которой не было у некоммерческого сектора [40].
Одной из вех развития данного класса моделей общего равновесия стала публикация Г. Скарфа, в которой был представлен алгоритм поиска численного разрешения систем уравнений общего экономического равновесия по Вальрасу и реализована прикладная CGE-модель [41].
Опыт практической реализации моделей общего равновесия довольно обширен. Так, наиболее известным зарубежным примером можно назвать DRAM (Dynamic Revenue Analysis Model) - модель анализа дохода в американском штате Калифорния, применявшаяся для оценки эффективности управленческих решений, принимаемых органами власти [42]. Основной вклад в развитие CGE-мо-делей в российской науке внес коллектив ученых ЦЭМИ РАН во главе с академиком В. Л. Макаровым. В 1997 г. ими была создана первая в России модель общего равновесия, названная RUSEC (сокращение от RUSsian EConomy). Она включала в себя исследования влияния трех рынков: частного, государственного и теневого, на один продукт [43]. Прикладные разработки ученых ЦЭМИ РАН привели к созданию еще одной CGE-модели на основе уже существующей RUSEC, которая была названа «Россия: Центр - Федеральные округа». От предыдущей версии модель отличалась спецификой отображаемых объектов. Кроме модели федеральных округов, российскими экономистами были разработаны CGE модели отраслей народного хозяйства, модель с «теневым» сектором, модель, включающая сектор социального страхования [44].
Однако ряд представителей научного подхода критикуют исследователей,чьи работы базируются на моделях равновесия по Вальрасу. Одним из ярких критиков можно считать М. Грассини. Он утверждает, что основанные на неоклассические концепциях модели общего равновесия, хоть иногда и заявляются как динамические, используются для статического анализа [45]. Поэтому при динамическом моделировании применение таких моделей видится нецелесообразным.
Межотраслевые модели
Данный класс моделей базируется на разработанном В. В. Леонтьевым методе «затраты-вы-пуск». Межотраслевой баланс, основанный на таблицах «затраты-выпуск», является экономико-математической моделью, построенной как совокупность сбалансированных между собой экономических показателей. С помощью этой модели возможно исследование межотраслевых связей в рамках производства товаров и услуг и их использования, а также процесса генерации и распределения доходов в экономике. Детализация модели производится путем вычленения необходимых видов экономической деятельности [46].
Эффективность применения методологии межотраслевого баланса, представляющей собой мощный инструмент обоснования принятия управленческих решений, давно признана как международным научным сообществом, так и руководством многих стран мира [47]. Многие статистические организации включили разработку собственных страновых и даже региональных таблиц «затраты-выпуск» в регулярные планы работ, что позволяет государствам проводить осмысленную структурную и региональную политику.
Многие из этих моделей являются гибридными, в них используются различные комбинации методов. Из разработанных на данный момент практических примеров реализации к этому классу можно отнести комплексную межотраслевую модель RIM, разрабатываемую Институтом народнохозяйственного прогнозирования РАН [49], модели группы INFORUM [50], модельные комплексы, разработанные Институтом экономики и организации промышленного производства РАН (СИРЕНА [51], СОНАР [52], КАМИН [53]). Ведется активное развитие этих моделей: вводятся детализированные отраслевые блоки, прово-
Таблица 2
Преимущества и недостатки различных классов моделей СЭС
Метод Достоинства Недостатки
Эконометриче-ские модели Возможность выявления наиболее точных закономерностей при условии «выброса» в ряду анализируемых данных, а также отсутствие скачкообразной динамики показателей. Высокая скорость и низкая трудоемкость сбора и обработки информационной базы для построения модели. Полученные результаты имеют несложную интерпретацию. Возможность включения/исключения факторов из модели для оценки принимаемых управленческих решений Прямая зависимость точности результатов от качества и объема статистических данных:для построения адекватных зависимостей необходимо собрать масштабный многомерный ряд показателей, включенных в модель. Отсутствие учета специфики экономических процессов может привести к появлению ложных или даже абсурдных зависимостей, в связи с чем модель постоянно требует логической верификации. Неполнота статистики, собираемой на региональном уровне, ведет к искажению отображения реальных экономических связей и зависимостей
Модели на основе ней-росетей Способность решения задач сверхвысокой трудоемкости. Возможность дообучения нейросети. Способность к решению слабо формализованных задач или при наличии сильно зашумленных входных данных. Высокая эффективность к анализу многомерных объектов из-за распараллеливания вычислений Высокие требования к качеству и объему информации, используемой для обучения и прогнозирования. Построение модели требует значительную техническую базу. Неполнота региональной статистики накладывает ограничения на размерность модели. Указание зависимостей между элементами системы без указания вида этих зависимостей. Сложный и длительный процесс обучения нейросети
Имитационные модели (агент-ориентированное) Агент-ориентированное моделирование позволяют имитировать систему в максимальной детализации, ограничиваясь лишь техническими ограничениями используемых вычислительных машин, что позволяет моделировать максимально приближенные к реальным условиям экономические явления и процессы, а также исследовать комплексные проблемы. Возможность добавления (удаления) агентов в модель, а также их обучения. Учет влияния поведенческого фактора на изменения социально-экономической системы делают агент-ориентированное моделирование наиболее удобным (и из-за этого широко применяющимся) для имитации и анализа социальных процессов Необходимость логической верификации моделей, однако при этом возникновение логических ошибок все еще возможно. Необходимость сбора большого количества данных, в том числе и неформализованных, например информация о личных качествах агентов или характере их поведения. Устранить этот недостаток помогают социологические опросы, однако их проведение вызывает резкий рост финансовых и временных потерь. Сложность создания формальной структуры модели с возможностью учета всех необходимых для целей исследования связей и факторов
Модели общего равновесия Гибкость математической части модели для решения различных задач. Простота внесения изменений в модель. Возможность оценки специфичных для других классов моделей экономических явлений (например, теневого сектора) Слабая связь с реальной экономикой. Невозможность оценки динамики из-за достижения равновесия
Окончание таблицы 2
Метод Достоинства Недостатки
Межотраслевые модели Возможность вычислений недостающих блоков модели, что снижает зависимость от данных, предоставляемых статистическими органами. Возможность ручной калибровки для более точных результатов моделирования. Модель позволяет вычислять мультипликативные оценки влияния управленческих решений на экономику или ее отдельные показатели. Возможности обнаружения новых взаимосвязей внутри экономики путем вычислений экспериментального характера. Балансовые модели позволяют представить формализованные характеристики наиболее благоприятного сценария развития региона в зависимости от выбранной стратегической цели. Возможность оценки структурных изменений в региональной экономике Вынужденное упрощение действительности, поскольку определение параметров модели должно быть ориентировано на обеспечение возможности выработки решений. Для построения адекватных моделей необходимо использовать упрощенные экономические структуры ввиду их пра-ктико-ориентированного применения. Позволяет получить оптимальные решения только для проблем с простой структурой, чем сложнее структура - тем менее точна модель и выше объем работ. Неполнота региональной статистики накладывает дополнительные ограничения на сочетаемость региональных и страновых моделей
Источник: составлено автором.
дится внедрение в модель показателей оценки человеческого капитала и ряд других факторов, оказывающих влияние на экономический рост.
Выводы
По итогам анализа существующих методов моделирования можно выделить их преимущества и недостатки для применения на региональном уровне (табл. 2). Каждый подход имеет свой набор целей, функционала, а также ограничений.
Можно резюмировать, что, опираясь на задачи моделирования и данные табл. 2, стоит признать наиболее подходящим для исследования динамических и структурных характеристик социально-экономического развития региона метод построения моделей на основе межотраслевого баланса. Необходимость использования именно балансовых моделей заключается в возможности отображения межотраслевых и межрегиональных
взаимодействий, а также обосновывается сложностью доступа к данным региональной статистики и ее неполнотой, так как существует возможность ручной калибровки этих моделей. К тому же именно балансовые модели позволяют определить структуру экономики и ее изменения, что на данный момент является одним из магистральных направлений региональной экономической науки.
Однако одним из основных преимуществ моделей социально-экономических систем является возможность их комбинирования. Перспективным научным направлением видится создание гибридных моделей, к примеру, сочетающих в себе агент-ориентированные модели с включением элементов моделей межотраслевого баланса или эконометрических моделей. Дальнейшие научные изыскания также будут направлены на создание динамической модели на материалах субъекта РФ и сценарное прогнозирование его развития.
Список источников
1. Лукин Е. В., Ускова Т. В. Проблемы структурной трансформации региональной экономики. Экономические и социальные перемены: факты, тенденции, прогноз. 2018;11(6):26-40. DOI: 10.15838^с.2018.6.60.2
2. Клейнер Г. Б. Экономико-математическое моделирование и экономическая теория. Экономика и математические методы. 2001;37(3):1-25.
3. Самсонова Н. А. Методология моделирования социально-экономических систем. Вестник ЦЭМИ РАН. 2018;(4):36.
4. Моделирование народнохозяйственных процессов. В. С. Дадаян, ред. М.; 1973. 479 с.
5. Лотов А. В. Введение в экономико-математическое моделирование. М.: Наука. Главная редакция физико-математической литературы; 1984. 392 с.
6. Вилкас Э. Й., Майминас Е. З. Решения: теория, информация, моделирование. М.: Радио и связь; 1981. 328 с.
7. BLuestone P., Bourdeaux C. Dynamic Revenue AnaLysis: Experience of the States. A joint report with the Fiscal Research Center. 2015. 33 p.
8. Орешников В. В., Низамутдинов М. М. Разработка стратегий развития муниципальных образований на основе имитационного моделирования. Экономические и социальные перемены: факты, тенденции, прогноз. 2011;5(17):138-146.
9. Оптимизационные межрегиональные межотраслевые модели. А. Г. Гранберг, ред. Новосибирск: Наука; 1989. 257 с.
10. Гранберг А. Г. Оптимизация территориальных пропорций народного хозяйства. Монография. М.: Экономика; 1973. 248 с.
11. Селютина О. Ю. Современные методы и модели изучения региональных экономических систем. Экономический анализ: теория и практика. 2011;(10):48-56.
12. Глущенко В. В. Прогнозирование и макропроектирование. М.: ВИНИТИ; 1996. 201 с.
13. Аксянова А. В. Аналитическая оценка взаимосвязи показателей эффективности неоднородных хозяйственных систем. Вестник Казанского технологического университета. 2010;(1):330-334.
14. Моисеев В. О., Морозов А. В., Стрекалова Г. Р. Анализ региональных экономических систем с использованием эконометрических моделей. Вестник Казанского технологического университета. 2014;17(6):303-306.
15. Гликман Н. Эконометрический анализ региональных систем. М.: Прогресс; 1980.
16. Muro M., Rothwell J., Andes S., Fikri K., Kulkarni S. America's Advanced Industries. The Brookings Institution. Washington, DC; February 2015. 20 p.
17. Невская Н. А. Макроэкономическая модель прогнозирования в проекте LINK ООН. Экономика и предпринимательство. 2014;(11):10-14.
18. Кейнс Д. М. Метод профессора Тинбергена. Вопросы экономики. 2007;(4):37-45. URL: https://doi. org/10.32609/0042-8736-2007-4-37-45
19. Теория нейронных сетей. А. И. Галушкин, ред. М.: ИПРЖР; 2000. 344 с.
20. Круглов В. В., Борисов В. В. Искусственные нейронные сети. Теория и практика. М.: Горячая линия Телеком; 2001. 382 с.
21. Борисов Ю., Кашкаров В., Сорокин С. Нейросетевые методы обработки информации и средства их программно-аппаратной поддержки. Открытые системы. 1997;(4):83-93.
22. Горбань А. Н. Обучение нейронных сетей. М.: ParaGraph; 1990. 60 с.
23. Макаров В. Л., Бахтизин А. Р., Сулакшин С. С. Применение вычислимых моделей в государственном управлении. М.: Научный эксперт; 2007. 304 с.
24. Прокофьев А. Е. Некоторые результаты экспериментального прогноза основных макроэкономических показателей для Вологодской области на 1997 г. Социально-экономические реформы: региональный аспект. 1998;(1):107-114.
25. Селименков Р. Ю., Кашинцев Н. П. Нейросетевое моделирование регионального развития как инструмент стратегического управления. Известия вузов. Серия «Экономика, финансы и управление производством». 2015;2(24):141-152.
26. Низамутдинов М. М. Концептуальные и методические аспекты задачи моделирования развития территориальных систем муниципального уровня. Управленческие науки. 2017;(2):23-31.
27. Борщев А. В. Практическое агентное моделирование и его место в арсенале аналитика. Exponenta Pro. 2004;(3-4):38-47.
28. Красных С. С. Имитационное моделирование социально экономических процессов в территориальных системах. Журнал экономической теории. 2020;17(2):503-508.
29. Лычкина Н. Н. Ретроспектива и перспектива системной динамики. Анализ динамики развития. Бизнес-информатика. 2009;(3):55-67.
30. Фаттахов Р. В., Фаттахов М. Р. Ориентированный подход: новое средство получения знания. Региональная экономика: теория и практика. 2015;10(385):47-62.
31. Макаров В. Л., Бахтизин А. Р., Сушко Е. Д., Васенин В. А., Борисов В. А., Роганов В. А. Агент-ориентированные модели: мировой опыт и технические возможности реализации на суперкомпьютерах. Вестник РАН. 2016;86(3):252-262.
32. Россошанская Е. А. Обзор российского и зарубежного опыта агент-ориентированного моделирования сложных социально-экономических систем мезоуровня. Экономические и социальные перемены: факты, тенденции, прогноз. 2016;2(44):225-246. DOI: 10.15838/esc.2016.2.44.14
33. Сушко Е.Д. Мультиагентная модель региона: концепция, конструкция и реализация: препринт. М.: ЦЭМИ РАН; 2012. 54 с.
34. Макаров В. Л., Бахтизин А. Р., Сушко Е. Д. Имитация особенностей репродуктивного поведения населения в агент-ориентированной модели региона. Экономика региона. 2015;(3):313-322.
35. Макаров В. Л., Бахтизин А. Р., Сушко Е. Д. Компьютерное моделирование взаимодействия между муниципалитетами, регионами, органами государственного управления. Проблемы управления. 2013;(6):31-40.
36. Фаттахов М. Р. Агент-ориентированная модель социально-экономического развития мегаполисов. Авто-реф. дис. ... канд. экон. наук: 08.00.13. М.; 2011. 30 с.
37. Фаттахов М. Р. Агенто-ориентированная модель социально-экономического развития Москвы. Экономика и математические методы. 2013;(2):30-42.
38. Бахтизин А. Р. Агент-ориентированные модели. М.: Экономика; 2008. 279 с.
39. Макаров В. Л., Бахтизин А. Р. Социальное моделирование - новый компьютерный прорыв (агент-ориентированные модели). М.: Экономика; 2013. 295 с.
40. Harberger A: The incidence of the corporate income tax. Journal of Political Economy. 1962;(70):215-240.
41. Grassini M. Rowing along the Computable General Equilibrium Modelling Mainstream. Studi e Note di Economia. 2007;3(XII):134-146.
42. Berck P., Golan E. and Smith B. Dynamic Revenue Analysis for California. Berkeley: University of California; 1996.
43. Макаров В. Л. Вычислимая модель российской экономики (RUSEC): препринт. М.: ЦЭМИ РАН; 1999.
44. Бахтизин А. Р. Вычислимая модель «Россия: Центр - Федеральные округа»: препринт. М.: ЦЭМИ РАН; 2003.
45. Грассини М. Проблемы применения вычислимых моделей общего равновесия для прогнозирования экономической динамики. Проблемы прогнозирования. 2009;(2):30-48.
46. Михеева Н. Н. Таблицы «затраты-выпуск»: новые возможности экономического анализа. Вопросы экономики. 2011;(7):140-148.
47. Baumol W. Leontief's Great Leap Forward. Economic Systems Research. 2000;(12):141-152.
48. Мельникова Л. В. Таблицы «затраты-выпуск»: путь к сближению наций. ЭКО. 2011;(5):27-34.
49. Серебряков Г. Р. Опыт построения динамической межотраслевой равновесной модели российской экономики. Проблемы прогнозирования. 2000;(2);3-19.
50. Савчишина К. Е. Итоги XX Международной конференции по межотраслевому моделированию INFORUM. Проблемы прогнозирования. 2012;(6);144-148.
51. Суспицын С. А. Проект СИРЕНА: комплекс моделей ситуационного анализа регионального развития. Новосибирск: ИЭОПП СО РАН; 2002. 108 с.
52. Системное моделирование и анализ мезо- и микроэкономических объектов. Кулешов В. В., Суслов Н. И., ред. Новосибирск: ИЭОПП СО РАН; 2014. 488 с.
53. Исследование экономики России с использованием моделей с нечеткими параметрами. А. О. Баранов, В. Н. Павлов, ред. Новосибирск: Новосиб. гос. ун-т; ИЭОПП СО РАН; 2009. 236 с.
References
1. Lukin E. V., Uskova T. V. Problems of structural transformation of the regional economy. Ekonomicheskie i socialnye peremeny: fakty, tendencii, prognoz. 2018;11(6):26-40. (In Russ.). DOI: 10.15838/esc.2018.6.60.2
2. Klejner G. B. Economic and mathematical modeling and economic theory. Ekonomika i matematicheskie metody. 2001;37(3):1-25. (In Russ.).
3. Samsonova N. A. Methodology for modelling socio-economic systems. Vestnik CEMI RAN. 2018;4:36. (In Russ.).
4. Modelling of national economic processes. V. S. Dadajan, ed. Moscow; 1973. 479 p. (In Russ.).
5. Lotov A. V. Introduction to Economic and Mathematical Modeling. Moscow: Nauka. Glavnaja redakcija fiziko-matematicheskoj literatury; 1984. 392 p. (In Russ.).
6. Vilkas E. J., Majminas E. Z. Solutions: theory, information, modelling. Moscow: Radio i svjaz; 1981. 328 p. (In Russ.).
7. Bluestone P., Bourdeaux C. Dynamic Revenue Analysis: Experience of the States. A joint report with the Fiscal Research Center. 2015. 33 p.
8. Oreshnikov V. V., Nizamutdinov M. M. Development of strategies for the development of municipalities based on simulation. Ekonomicheskie i socialnye peremeny: fakty, tendencii, prognoz. 2011;5(17):138-146. (In Russ.).
9. Optimization interregional intersectoral models. A. G. Granberg, ed. Novosibirsk: Nauka; 1989. 257 p. (In Russ.).
10. Granberg A. G. Optimization of the territorial proportions of the national economy. Monograph. 1973. Moscow: Ekonomika; 248 p. (In Russ.).
11. Seljutina O. Yu. Modern methods and models for studying regional economic systems. Ekonomicheskij analiz: teorija i praktika. 2011;10:48-56. (In Russ.).
12. Glushhenko V. V. Forecasting and Macro-design. Moscow: VINITI; 1996. 201 p. (In Russ.).
13. Aksjanova A. V. Analytical assessment of the relationship between performance indicators of heterogeneous economic systems. Vestnik Kazanskogo tehnologicheskogo universiteta. 2010;1:330-334. (In Russ.).
14. Moiseev V. O., Morozov A. V., Strekalova G. R. Analysis of regional economic systems using econometric models. Vestnik Kazanskogo tehnologicheskogo universiteta. 2014;17(6):303-306. (In Russ.).
15. Glikman N. Econometric analysis of regional systems. Moscow: Progress; 1980. (In Russ.).
16. Muro M., Rothwell J., Andes S., Fikri K., Kulkarni S. America's Advanced Industries. The Brookings Institution. Washington, DC; February; 2015. 20 p.
17. Nevskaja N. A. Macroeconomic forecasting model in the UN LINK project. Ekonomika i predprinimatel'stvo. 2014;11:10-14. (In Russ.).
18. Kejns D. M. Professor Tinbergen's method. Voprosy ekonomiki. 2007;4:37-45. URL: https://doi. org/10.32609/0042-8736-2007-4-37-45. (In Russ.).
19. Theory of neural networks. A. I. Galushkin, ed. Moscow: IPRZhR; 2000. 344 p.
20. Kruglov V. V., Borisov V. V. Artificial neural networks. Theory and practice. Moscow: Gorjachaja linija Telekom; 2001. 382 p. (In Russ.).
21. Borisov Yu., Kashkarov V., Sorokin S. Neural network methods of information processing and means of their software and hardware support. Otkrytye sistemy. 1997;4:83-93. (In Russ.).
22. Gorban A. N. Neural network training. Moscow: ParaGraph; 1990. 60 p. (In Russ.).
23. Makarov V. L., Bahtizin A. R., Sulakshin S. S. Computable Models in Public Administration. Moscow: Nauchnyj ekspert; 2007. 304 p. (In Russ.).
24. Prokofev A. E. Some results of the experimental forecast of the main macroeconomic indicators for the Vologda Oblast for 1997. Social'no-ekonomicheskie reformy: regional'nyj aspekt. 1998;1:107-114. (In Russ.).
25. Selimenkov R. Yu., Kashincev N. P. Neural network modeling of regional development as a strategic management tool. Izvestija VUZov. Serija "Ekonomika, finansy i upravlenie proizvodstvom". 2015;2(24):141-152. (In Russ.).
26. Nizamutdinov M. M. Conceptual and methodological aspects of the problem of modelling the development of territorial systems of the municipal level. Upravlencheskie nauki. 2017;2:23-31. (In Russ.).
27. Borshchev A.V. Practical agent-based modelling and its place in the analyst's arsenal. Exponenta Pro. 2004;3-4:38-47. (In Russ.).
28. Krasnyh S. S. Simulation modelling of socio-economic processes in territorial systems. Zhurnal ekonomicheskoj teorii. 2020;17(2):503-508. (In Russ.).
29. Lychkina N. N. Retrospective and perspective of system dynamics. Analysis of the dynamics of development. Biznes-informatika. 2009;3:55-67. (In Russ.).
30. Fattahov R. V., Fattahov M. R. Focused Approach: A New Means of Learning. Regionalnaja ekonomika: teorija i praktika. 2015;10(385):47-62. (In Russ.).
31. Makarov V. L., Bahtizin A. R., Sushko E. D., Vasenin V. A., Borisov V. A., Roganov V.A. Agent-based models: World experience and technical capabilities of implementation on supercomputers. Vestnik RAN. 2016;3(86):252-262. (In Russ.).
32. Rossoshanskaja E. A. Review of Russian and foreign experience of agent-based modelling of complex socio-economic systems of the meso-level. Ekonomicheskie i social'nye peremeny: fakty, tendencii, prognoz. 2016;2(44):225-246. DOI: 10.15838/esc.2016.2.44.14. (In Russ.).
33. Sushko E. D. Multi-agent model of the region: concept, design and implementation: preprint. Moscow: CEMI RAN; 2012. 54 p. (In Russ.).
34. Makarov V. L. Bahtizin A. R., Sushko E. D. Imitation of the characteristics of the reproductive behaviour of the population in the agent-based model of the region. Ekonomika regiona. 2015;3:-313-322. (In Russ.).
35. Makarov V. L., Bahtizin A. R., Sushko E. D. Computer modelling of the interaction between municipalities, regions, government bodies. Problemy upravlenija. 2013;6:31-40. (In Russ.).
36. Fattahov M. R. Agent-based model of socio-economic development of megapolises. Avtoref. dis. ... kand. ekon. nauk: 08.00.13. Moscow; 2011. 30 p. (In Russ.).
37. Fattahov M. R. Agent-oriented model of social and economic development of Moscow. Ekonomika i matematicheskie metody. 2013;2:30-42. (In Russ.).
38. Bahtizin A. R. Agent-based models. Moscow: Ekonomika; 2008. 279 p. (In Russ.).
39. Makarov V. L., Bahtizin A. R. Social modelling - a new computer breakthrough (agent-based models). Moscow: Ekonomika; 2013. 295 p. (In Russ.).
40. Harberger A: The incidence of the corporate income tax. Journal of Political Economy. 1962;70:215-240.
41. Grassini M. Rowing along the Computable General Equilibrium Modelling Mainstream. Studi e Note di Economia. 2007;3(XII):134-146.
42. Berck P., Golan E., Smith B. Dynamic Revenue Analysis for California. Berkeley: University of California; 1996.
43. Makarov V. L. A Computable Model of the Russian Economy (RUSEC): Preprint. Moscow: CEMI RAN; 1999. (In Russ.).
44. Bahtizin A. R. Computable model "Russia: Center - Federal Districts": preprint. Moscow: CEMI RAN; 2003. (In Russ.).
45. Grassini M. Problems of using computable general equilibrium models for forecasting economic dynamics. Problemy prognozirovanija. 2009;2:30-48. (In Russ.).
46. Miheeva N. N. Input-Output Tables: New Opportunities for Economic Analysis. Voprosy ekonomiki. 2011;7:140-148. (In Russ.).
47. Baumol W. Leontief's Great Leap Forward. Economic Systems Research, 2000;12:141-152.
48. Melnikova L.V. Input-Output Tables: The Road to Nation Convergence. EKO. 2011;5:27-34. (In Russ.).
49. Serebrjakov G. R. Experience in building a dynamic intersectoral equilibrium model of the Russian economy. Problemy prognozirovanija. 2000;2:3-19. (In Russ.).
50. Savchishina K. E. Results of the XX International Conference on Inter-Industry Modeling INFORUM. Problemy prognozirovanija. 2012;6:144-148. (In Russ.).
51. Suspicyn S. A. SIRENA project: a set of models for situational analysis of regional development. Novosibirsk: IEOPP SO RAN; 2002. 108 p. (In Russ.).
52. System modelling and analysis of meso- and microeconomic objects. Kuleshov V. V., Suslov N. I., ed. Novosibirsk: IEOPP SO RAN; 2014. 488 p. (In Russ.).
53. Research of the Russian economy using models with fuzzy parameters. A. O. Baranov, V. N. Pavlov, ed. Novosibirsk: IEOPP SO RAN; 2009. 236 p. (In Russ.).
