СОВРЕМЕННЫЕ ПОДХОДЫ К МОДЕЛИРОВАНИЮ ЭКОНОМИЧЕСКИХ ПРОЦЕССОВ
А.Г. ВАН И ЕВ,
кандидат технических наук, заместитель председателя Новгородской области
И.С. САГИРОВ,
Институт экономики и управления Новгородского университета им. Ярослава Мудрого
В современных условиях концепция социально-экономического развития является важнейшим стратегически определяющим фактором муниципального управления наряду с административно-правовым регулированием и бюджетной (финансовой и инвестиционной) политикой. На практике разработка стратегии (концепции) социально-экономического развития связана с составлением долгосрочного, среднесрочного (3 года) и краткосрочного прогнозов развития территории. Основная задача среднесрочных и краткосрочных прогнозов состоит в обосновании экономической базы регионального бюджета на очередной год и выявление таких его наиболее важных сторон, как ожидаемый (прогнозируемый) уровень дефицита или, наоборот, профицита. И то, и другое — жизненно необходимая информация для региона, поскольку первая позволяет планировать необходимые величины дотаций и трансфертов, запрашиваемые от федерального центра, а вторая — объем дополнительно решаемых различного вида социальных программ.
Учитывая, что доля предприятий с участием иностранного капитала в объеме выпуска промышленной продукции в Новгородской области составляет 55,7 % [21] (на 01.01.2003 г.), оценка (модель) инвестиционной привлекательности территории является важнейшей составляющей при создании максимально точных прогнозов (концепций) и анализе комплексного социально-экономического развития региона.
Инвестиционную привлекательность территории региона стоит рассматривать как комплекс разнообразных факторов. К ним относятся: экономико-географическое положение, наличие и качество природных ресурсов, уро-
вень развития экономики и ее стабильность; наличие и качество трудовых ресурсов; уровень развития инфраструктуры (транспортной, топливно-энергетической, телекоммуникационной и т. д.); региональная экономическая политика в области привлечения инвестиции; потенциальные рынки сбыта продукции; уровень политической стабильности в регионе и многие другие [12].
Анализ и моделирование социально-экономических, региональных систем необходимо выполнять с учетом следующих характерных особенностей:
1. Регион рассматривается как слабоструктурированная система с наличием сложных взаимных причинно-следственных связей между факторами, рассматриваемыми в описании сложной системы. Результат их действия не всегда очевиден при принятии решений (контриинтуитивность), поэтому возникает необходимость исследования стохастических систем в условиях неопределенности, неоднозначности;
2. Регион — социальная система, поэтому в ней доминируют и учитываются природные и психологические факторы. При принятии решений необходимо учитывать долгосрочные интересы общества. Уровень развития региона призван, в первую очередь, обеспечивать условия воспроизводства человеческой жизни;
3. Регион — динамическая система. Необходимо изучать динамику развития системы, проводить анализ процессов роста с учетом общего жизненного цикла региона и его частей (население, предприятия, жилой фонд и др.), адаптивной эволюции. Последнее связано с тем, что регион является
саморегулирующейся (самоуправляющейся) системой. Управление идет через внут-риорганизационные процессы саморегулирования и основано на изменении законов и методов внутреннего управления. На слабость административных мер, неэффективность целевого финансирования и других административных программ, не связанных с приведением в действие экономических регуляторов, указывал еще Форрестер [19].
Принятие решений на основе разработки максимально точных стратегических документов, каковыми являются вышеупомянутые концепция и прогноз, необходимы для эффективного выполнения управленческих функций различными экономическими системами. Под «эффективным» выполнением функций понимаем такие, которые приводят к наибольшим позитивным изменениям в процессе социально-экономического развития определенной территории или региона, включая как отдельные его направления и ускорение в целом в условиях заданных ограничений по ресурсам.
Процесс принятия решений — центральный пункт теории управления экономическими системами. Необходимы модели и методы, определяющие пути повышения эффективности экономических систем путем увеличения способности к принятию обоснованных объективных решений в ситуациях исключительной сложности. Для выделения системы требуются:
а) цель, для реализации которой формируется система (собственно задача);
б) объект исследования (собственно модель), состоящий из множества элементов, связанных в единое целое важными относительно цели системными признаками;
в) субъект исследования («наблюдателя»), формирующий систему;
г) характеристика внешней среды по отношению к системе.
Изложенный подход дает возможность определить систему как упорядоченное представление об объекте исследования относительно поставленной цели [9].
Системный подход, формирование систем позволяют выделить главное, наиболее существенное в исследуемых объектах и явлениях; игнорирование второстепенного упрощает, упорядочивает в целом изучаемые процессы. Для анализа многих сложных ситуаций такой подход важен сам по себе. Однако, как правило, построение системы служит предпосылкой
для разработки или реализации модели конкретной ситуации.
Определений модели множество, примем следующее: «Модель — это формализованное представление об объекте исследования относительно поставленной цели» [9]. Например, схема организации, — это и есть модель, представляющая ее структуру. Главной характеристикой модели можно считать упрощение реальной жизненной ситуации, к которой она применяется. Поскольку форма модели менее сложна, а не относящиеся к делу данные, затуманивающие проблему в реальной жизни, устраняются, модель зачастую повышает способность руководителя к пониманию и разрешению встающих перед ним проблем. Моделирование необходимо для прогнозирования результатов, чтобы оценить возможные последствия принимаемых управленческих решений.
Построение модели является процессом. Для всех типов моделирования существуют определенные общие этапы построения моделей, которые включают следующие:
1. Определить проблему и поставить задачи (цели моделирования).
2. Построить имитационную модель.
3. Проверить модель, чтобы убедиться в том, что она правильно воспроизводит изучаемую систему.
4. Разработать условия одного или нескольких экспериментов (различных условий, в которых будет проверяться работа модели).
5. Провести эксперимент на модели и проанализировать результаты.
В зависимости от средств моделирования выделяют материальное (предметное) и идеальное моделирование. Подробнее остановимся на идеальном моделировании, так как в экономических исследованиях это основной вид моделирования. Идеальное моделирование, в свою очередь, разбивается на два подкласса: знаковое (формализованное) и интуитивное. Интуитивное моделирование встречается в тех областях науки, где познавательный процесс находится на начальной стадии или имеют место очень сложные взаимосвязи. Такие исследования называют мысленными экспериментами.
Методологической основой экономического прогнозирования являются математические модели, которые широко используются при решении практических задач национальной
экономики, региональном ситуационном анализе, имитации последствий проведения социально-экономических мероприятий, обосновании параметров финансово-экономических механизмов и др.
В научной и учебной литературе имеется сравнительно много различных типов и классов экономических моделей, отличающихся методами построения и областью применения. Одни модели лучше для решения одних проблем, другие — для иных, сами модели зависят от установок авторов, поэтому актуальность разработки новых моделей по-прежнему высока [6]. Это неудивительно, ведь экономические системы по определению академика H.H. Моисеева [14] являются нерефлексными, то есть для них возможно только субъективное описание процесса. Для классификации применяемых моделей используют разные основания [11]. Зачастую моделями называют не только описание объекта моделирования, но и методы решения задач на модели объекта, как, например, «трендовые» [4] или «оптимизационные» [10]. Трендовые модели — это динамические модели, в которых развитие системы отражается через тренд ее основных показателей [4]. Прогнозирование на данных моделях является продолжением в будущее тех тенденций, которые сложились в прошлом. Тренды основных показателей находятся путем подбора аппроксимирующих функций, исходя из лучшего совпадения с элементами соответствующих динамических рядов. Однако этот подход не учитывает причинно-следственные связи между параметрами исследуемой экономической системы. Поэтому трендовые модели могут применяться только для прогнозирования на небольшой срок при условиях стабильного развития, либо применяться только для медленно меняющихся факторов, таких, например, как расход природных ресурсов и т.п.
К формализованному моделированию относится и так называемое «мягкое моделирование». Данным видом моделирования в настоящее время называют использование относительно простых математических моделей для анализа сложных процессов. Математическая модель представляет искусственно сформированную конструкцию, которая отражает самое существенное свойство системы (как правило, одно, максимум — два). Несмотря на кажущуюся упрощенность такого подхода «мягкие модели» демонстрируют свою работоспособность
и находят широкое распространение в различных областях науки (экологии, биологии, экономике).
К достоинству «мягких моделей» нужно отнести, прежде всего, то, что модели данного класса опираются на четкие гипотезы, которые отражают основные свойства рассматриваемого объекта (явления), а результаты анализа таких моделей интерпретируемы. При этом данные модели служат основой для построения более точных и полных моделей, являясь их частными случаями [17]. Наиболее удобным математическим аппаратом для описания и исследования слабоформализованных и многосвязанных систем большой размерности является когнитивное (познавательно-целевое) моделирование. Построение когнитивной системы осуществляется на основе системного подхода, который представляет собой совокупность методов и средств, позволяющих исследовать свойства, структуру и функции объектов, явлений и процессов в целом, представив их в качестве систем со всеми сложными межэлементными связями. С позиций сегодняшнего дня системный подход позволяет увидеть и оценить целостность проблемы во всем ее многообразии и выбрать наилучший способ управления сложной системой [13, 18]. Любая «мягкая» модель в математической постановке задачи является набором черных ящиков с заданными входными функциями и определенными выходными. В этом смысле анализ больших систем есть развитие традиционной модели управления, и представляет собой совокупность черных ящиков, функционально связанных между собой законом прохождения определенного импульсного воздействия.
Для описания когнитивных моделей эффективно используют аппарат знаковых и взвешенных ориентированных графов [16]. Веса дуг в чисто когнитивных моделях ищутся либо с помощью статистической обработки информации, либо экспертным путем. Изменения факторов проводятся по шагам до определения реакции системы, после этого с помощью многокритериального выбора определяется множество благоприятных сценариев, и они ранжируются [20]. Когнитивный анализ и моделирование позволяют исследовать проблему, учесть изменения внешней среды и определить реакцию системы.
В настоящее время основным системообразующим методом моделирования в задачах
социально-экономического развития территории (региона) является метод имитационного моделирования, который:
• позволяет формировать обобщенную модель системы на основе единого фрейма данных;
реализует итерационный характер разработки модели, поэтапный характер детализации моделируемых подсистем, что позволяет постепенно увеличивать полноту оценки принимаемых решений по мере выявления новых проблем и получения новой информации;
• предлагает новую методологическую основу научного исследования — эксперимент на имитационной модели. Это дает возможность оценивать последствия принимаемых решений не на живых людях, что очень важно, а на компьютерных моделях. Главным преимуществом имитационного моделирования является то, что эксперт может ответить на вопрос «Что будет, если...», то есть с помощью эксперимента на модели вырабатывать стратегию развития; широко применяется в системах принятие решений, так как позволяет анализировать большое число альтернатив, стратегий, проводить исследование стохастических систем, в условиях неопределенности и т.д.; позволяет изучать динамику развития социальных систем.
Имитационное моделирование — это избирательное абстрактное копирование причинно-следственных связей между параметрами моделируемого объекта и воспроизведение этих связей на компьютере в каждый момент модельного времени, то есть имитационное моделирование разбивается на две стадии:
1) собственно построение имитационной модели;
2) проигрывание модели с целью исследования свойств моделируемого объекта [19].
В современном подходе имитационная модель экономического объекта определяется как динамическая модель, предназначенная для использования в процессе компьютерной имитации [4].
Имитационное моделирование появилось как промежуточное звено между теорией и практикой. Оно оказалось способным учесть многие практически существенные детали, не вписывающиеся в рамки строгих теорий, благодаря возможности копировать и воспроизво-
дить причинно-следственные связи, наблюдаемые в эксперименте. Интерес к использованию имитационных моделей для экономического прогнозирования связан с появлением метода системной динамики Дж. Форрестера [19], когда имитационные модели системной динамики получили широкое распространение в задачах исследования сложных систем из сферы производства и экономики, торговли и городского хозяйства, из области социальных и экологических проблем.
Имитационное моделирование как информационная технология получила широкое распространение в исследованиях организационных, экономических и социальных систем, она не только активно развивается в настоящее время, но и становится ведущим направлением исследования социально-экономических процессов. Основным препятствием на пути использования этой технологии является проблема априорной неопределенности, то есть проблема неполного изначально знания механизмов взаимодействия моделируемых объектов. Но эта проблема может быть решена по мере накопления обществом соответствующих знаний.
Технология имитационного моделирования представляет собой последовательно-итерационную процедуру, состоящую из следующих основных этапов:
1) концептуальное моделирование;
2) математическое моделирование;
3) компьютерное моделирование;
4) имитация;
5) верификация (проверка истинности, адекватности) модели.
Популярность имитационного моделирования объясняется целым рядом причин:
1. Существует много ситуаций, слишком сложных для математического описания. Необходимое в этом случае упрощение, как правило, весьма серьезно повлияет на конечный результат. Имитационные модели часто способны воспроизвести все нюансы ситуации без потери простоты и с минимальными затратами, что повышает ценность решения.
2. Имитационные модели достаточно легко использовать и понимать.
3. Моделирование позволяет разработчику проводить эксперименты с моделью, процессом, и избежать того риска, для общества который неизбежно связан с прове-
дением испытаний реально действующего процесса.
4. Существуют многочисленные компьютерные программы, которые позволяют легко реали-зовывать даже самые сложные модели.
5. Моделирование применимо в широком спектре ситуаций.
6. Методы моделирования уже неоднократно и с успехом применялись в предшествующий период в различных областях.
До некоторого времени общепризнанным недостатком имитационного моделирования считался низкий технологический уровень языков и систем моделирования, сдерживающий применение этой технологии, особенно в области коммерческих приложений. Объективные причины такого положения были связаны с тем, что многообразие моделируемых объектов не способствовало становлению универсальных концепций структуризации, шел поиск, который происходил в основном в университетской и академической среде, фирмы-разработчики программного обеспечения не занимались системами моделирования. Принципиальным недостатком систем моделирования было то, что автоматизации подлежал только этап программирования имитационной модели, в то время как технология имитационного моделирования должна охватывать, в принципе, весь цикл системного моделирования, от постановки проблемы и формирования концептуальной модели до анализа результатов вычислительного эксперимента и принятия решения.
За последние несколько лет ситуация изменилась коренным образом. Предпосылки совершенствования технологии системного моделирования были связаны, с одной стороны, с общим развитием информационных технологий (графических оболочек, мультимедийных средств, объектно-ориентированного программирования и т.д.), а с другой — с комплексным, многоаспектным исследованием сложных систем, таких как социально-экономические, про-изводственно-технологические, созданием человеко-машинных систем принятия решения в различных областях научно-исследовательской деятельности. Работы по комплексной автоматизации моделирования в России были связаны с развитием концепции моделирующих центров [15], реализацией систем типа СПРИНТ, СПЛАВ, СПРУТ, САПФИР.
Разработка экономико-математических моделей началась в Санкт-Петербургском
институте информатики и автоматизации РАН с момента его возникновения. Работы велись в русле основного в то время для института направления — алгоритмического моделирования [2]. В моделировании выделяют два основных подхода — алгоритмический и функциональный [1,7]. С использованием формализма алгоритмических сетей в СП И И РАН разработано несколько версий системы автоматизации моделирования КОГНИТРОН. Система КОГНИТРОН является дальнейшим развитием системы автоматизации моделирования САПФИР, нашедшей широкое применение в хозяйстве нашей страны (Госплан России, плановые органы Камчатки, Хабаровска, Карелии, институты, решающие проблемы экономики, высшие учебные заведения). В рамках существующей системы КОГНИТРОН создана база моделей «фермерское хозяйство», насчитывающая более 30 моделей. Предлагаемая к рассмотрению система предназначена для решения проблем, возникающих перед конечным пользователем при попытке использования компьютерного моделирования для решения тех или иных практических задач. Систему КОГНИТРОН отличают использование когнитивной графики в процессе общения с пользователем, простой дружественный интерфейс, ориентированный на неподготовленного пользователя, наличие защит и синтаксической поддержки.
В соответствии с традиционной технологией, среди основных трудностей, встающих перед пользователем на пути компьютерного моделирования, можно назвать: проблему представления знаний, необходимых для решения поставленной задачи, проблему построения математической модели задачи, проблему выбора метода, реализующего решения задачи и т.д. Отмеченные выше проблемы решаются в системе КОГНИТРОН на основе моделирования разработанной в СПИИРАН. К важнейшим составляющим методологии можно отнести:
1) алгоритмический подход совместно с концепцией визуализации знания, как основу глобального формализма представления знаний, принятого в системе [1, 8];
2) технологию множественного моделирования, как средство снижения интеллектуального порога необходимого для общения ЭВМ с пользователем.
Реализация заложенных в алгоритмический подход возможностей по визуализации
знаний осуществлена благодаря предложенному в СПИИРАН формализму [15, 8], получившему название алгоритмических сетей и выступающему в системе в качестве глобального формализма представления алгоритмических моделей.
Функциональный подход использует метод «черного ящика», когда внутренняя структура модели не важна, главное, чтобы она в ответ на входной сигнал, в заданный степени подобный реальному сигналу, поступающему на объект моделирования, реагировала в заданной степени подобно объекту. Такой подход удобен для математической формализации и получил значительное развитие.
Для алгоритмических моделей разработан метод представления их структуры на основе алгоритмических сетей, который первоначально использовался именно для экономических моделей [7, 8]. Алгоритмическая сеть — это ориентированный граф, вершинам которого сопоставлены операторы, а дугам — переменные. Входные переменные в вершину соответствуют аргументам оператора, выходные — его результатам. При алгоритмическом подходе, модель представляет собой некоторое формальное описание сценария моделируемого процесса, которое имеется у предметного специалиста и подобно структуре причинно-следственных связей между явлениями, описанными в сценарии. Основным средством достижения адекватности при функциональном подходе является подбор модели и нахождение значений параметров. Основным средством достижения адекватности для алгоритмической модели является коррекция ее структуры на основе уточнения исходного сценария. При алгоритмическом моделировании важна формализация возможных структурных преобразований.
Таким образом, для построения модели «Оценка инвестиционной привлекательности региона», из многочисленных современных методов моделирования нами был выбран метод имитационного моделирования. На наш взгляд, методы имитационного моделирования дают возможность приблизиться к оценке такого не изученного явления в региональной экономике, как инвестиционная привлекательность территории, и к управлению этим параметром. Инвестиционная привлекательность региона, как и вообще его бизнес-климат являются необходимым фактором ускорения его
социально-экономического развития. Управляя сложным процессом такой в значительной мере субъективной категории, как инвестиционная привлекательность, возможно достичь оптимальных параметров территории для привлечения потенциальных инвесторов, а также находить механизмы управления на постоянно изменяющиеся основные факторы и составляющие инвестиционной привлекательности. Особенность данного субъективного явления заключается в невозможности его статичного состояния. Оценка (предпочтение) инвесторов, по сути категория сугубо субъективная, зависящая от многих факторов. Объективной стороной являются лишь основные цели инвесторов — увеличение доходов и минимизация экономических рисков.
Имитационные модели, основанные на системном подходе, позволяют проводить построение и анализ возможных вариантов прогноза развития такой сложной социально-экономической системы, как регион. С помощью инструментальной системы моделирования "КОГНИТРОН", разработанной в СПИИРАН, нами был поставлен эксперимент по созданию модели «Оценка инвестиционной привлекательности региона». Модель была создана на основе математического аппарата и массивов основных статистических данных за последние пять лет. За объект исследования была взята Новгородская область, поскольку именно она является одним из лидеров по привлечению инвестиций на свою территорию среди регионов Северо-Западного федерального округа. На основе этой модели планируется получение прогноза о результатах воздействия инвестиционной деятельности в регионе на его основные социально-экономические параметры и о возможных объемах привлечения инвестиций в будущем. Предварительные исследования показывают, что эту модель можно применять для комплексных исследований региональными органами управления и специалистами по региональной экономике по таким актуальным направлениям, как инвестиционная привлекательность, формирование благоприятного инвестиционного климата региона. Возможны и последующие доработки модели для ее применения в научно обоснованных целевых прогнозах социально-экономического развития регионов, составлении и обосновании программ, концепций социально-экономического развития регионов.
ЛИТЕРАТУРА
1. Берг А. И. Управление, информация, интеллект. - М.: Мысль, 1976. - 383 с.
2. Бирюков Б.В. Кибернетика и методология науки. - М.: Наука, 1974. - 412 с.
3. Технология системного моделирования/ Е.Ф. Аврамчук, A.A. Вавилов, C.B. Емельянов и др.; Под общ. ред. C.B. Емельянова и др. — М.: Машиностроение; Берлин: Техник, 1988.
4. Гольштейн Е.Т., Немировский A.C., Нестеров Ю.Е. О некоторых последних достижениях в оптимизации // Экономика и математические методы. — 1990. — Т. 26. — Вып. 1. - С. 178-190.
5. Гранберг А.Г. Основы региональной экономики: Учебник для вузов. — М.: ГУ ВШЭ, 2000. - 495 с.
6. Иванищев В.В., Марлей В.Е., Юсупов P.M. СП И ИРАН, Моделирование социально-экономического развития региона (города).
7. Иванищев В.В. Алгоритмический базис для описания механизмов экономики // Алгоритмические модели в автоматизации исследований и проектирования. — М.: Наука, 1980. - С. 37-42.
8. Иванищев В. В., Марлей В.Е. Введение в теорию алгоритмических сетей. — Спб.: Изд-во СПбГТУ, 2000. - 180 с.
9. Оптимальное управление в экономике: Учеб. пособие / Под ред. Б.А. Лагоши. — М.: Финансы и статистика, 2003. — 40 с.
10. Лебедев В.В., Лебедев К.В. Математическое и компьютерное моделирование экономики: Учеб. пособие. — M.: НВТ - Дизайн, 2002. - 256 с.
11. Лопатников Л.И. Экономико-математичек-сий словарь. — М.: Наука, 1993. — 448 с.
12. Инвестиционная привлекательность регионов: причины различий и экономическая политика государства: Сборник статей / Под ред. В.А. Мау, О.В. Кузнецовой. — М.: Институт экономики переходного периода, 2002. - 46 с.
13. Могилевский В.Д. Методология систем. — М.: Экономика, 1999.
14. Моисеев H.H. Математика ставит эксперимент.
15. Пономарев В.М. Алгоритмические модели в задачах исследования систем //Алгоритмы и системы автоматизации исследований и проектирования. — М.: Наука, 1980. - С. 4-8.
16. Роберте Ф.С. Дискретные математические модели с приложениями к социальным, биологическим и экологическим задачам. - М.: Наука, 1986.
17. Садовский В.Н. Основание общей теории систем. - М.: 1974.
18. Урманцев Ю.А. Общая теория систем: состояние, приложение и переспективы развития. - М.: Мысль, 1988.
19. Форрестер Дж. Мировая динамика. — М.: Наука, 1978. - 167 с.
20. Цыбатов В.А., Дубровин Д.В. Методы, модели и системы прогнозирования регионального развития: Учеб. пособие/ Под ред. Г.Р. Хасаева. — Самара: Изд-во Самар. гос. экон. акад., — 2003. — 248 с.
21. Статистический ежегодник Новгородской области за 2002 г. — Великий Новгород: Новоблкомстат, 2003. — 106 с.