Среднесрочное прогнозирование российской экономики с использованием когнитивной модели

В статье обосновывается целесообразность применения когнитивного подхода для исследования и прогнозирования ресурсозависимой экономики. Представлены результаты моделирования среднесрочного прогноза российской экономики с использованием нечеткой когнитивной карты.1

Ресурсозависимость, неопределенность и прогнозирование. Специфическими чертами экономики современной России являются ресурсозависимость, переходный тип развития и кризисное состояние хозяйства. Ресурсозависимость порождает различного рода неблагоприятные тенденции, продление которых весьма нежелательно, так как существенно ограничивает возможности прогнозной экстраполяции. Переходное состояние экономики сопряжено с унаследованным от прошлых лет «ментальным несовершенством», отсутствием устойчивых тенденций и зрелых хозяйственных структур, что делает «достигнутый уровень» не слишком надежной базой для прогнозирования. То же можно сказать и о кризисе в экономике, особенно если учесть его в значительной степени «рукотворный» характер, связанный с экономической политикой государства и агрессивными внешними воздействиями. В целом ухудшение экономического положения страны, которое происходит с 2013 г., «глубоко закономерно и вызвано внутренними причинами фундаментального характера» [1].

Одним из факторов торможения экономического роста является зависимость от мировых цен на нефть, снижение которых сводит к минимуму положительный эффект увеличения объемов производства углеводородов. Проблема неопределенности в высокой степени присуща ресурсозависимой экономике, так как наряду с традиционными для всех экономик факторами развития, значительное влияние приобретают факторы, связанные с освоением природных ресурсов. В российской экономике фундаментальная неопределенность² обусловлена прочно устоявшимся за последние десятилетия ресурсно-сырьевым характером развития. Причем по мере увеличения масштабов и степени зрелости ресурсно-сырьевого сектора усиливается и неопределенность, присущая не только сектору, но и экономике в целом. Таким образом, можно сказать, что на ресурсозависимую экономику воздействует «пучок» сложных и далеко не очевидных экономических и политических связей, и с этой точки зрения российская экономика не является исключением [4].

Прикладная прогнозная модель российской экономики. Методология когнитивного моделирования, предназначенная для анализа и принятия решений в слабо определенных ситуациях, предложена американским исследователем Р. Аксельродом [5]. Она основана на моделировании субъективных представлений экспертов о ситуации, ее главным инструментом является когнитивная карта ситуации (Fuzzy Cognitive Map), составленная в виде ориентированного функционального графа. Вершины (концепты) графа соответствуют рассматриваемым факторам (событиям), а направленные дуги, характеризующиеся знаками и параметрами интенсивности, отражают взаимовлияния между факторами (событиями). Когнитивная карта служит для выявления структуры причинных связей между элементами системы и оценки последствий воздействия на них или изменения характера связей.

1  Статья подготовлена  в  рамках исследований при финансовой поддержке Российского научного фонда (Проект № 14-18-02345).

2 Фундаментальная неопределенность исключает возможность корректного преобразования в ситуации риска. Использование термина «риск» связано со случаями, когда степень неопределенности или вероятность наступления некоторого события могут быть измерены. Практическая разница между категориями риска и неопределенности состоит в том, что в первом случае распределение результатов событий известно (что достигается путем априорных вычислений или изучения статистики предшествующего опыта), а во втором – нет [2; 3].

Реализация процедур моделирования обычно подразделяется на три этапа. Первый этап – это моделирование (имитация) саморазвития ситуации (системы) при отсутствии управляющих воздействий «со стороны» исследователя. Второй этап предполагает управляемое развитие ситуации: исследователь в результате воздействия на какие-либо из факторов определяет управляющие факторы и варьирует их, наблюдая за происходящими в системе изменениями. Третий этап представляет собой решение обратной задачи, которая заключается в определении значений управляющих импульсов, требующихся для решения проблемы. Таким образом, в процессе численной реализации когнитивной модели могут быть построены различные сценарии прогноза развития ситуации (системы): без управления и с управлением для ослабления негативных или усиления позитивных тенденций.

Использование метода когнитивного моделирования оправдывает себя и в теоретических, и в прикладных исследованиях. Применение когнитивных моделей при исследовании закономерностей и механизмов ресурсозависимости для анализа взаимодействий эндогенных и экзогенных факторов и их влияния на экономический рост рассмотрено в одной из наших работ [6]. В качестве примеров прикладных исследований можно назвать работы по когнитивному моделированию социально-экономических рейтингов в Республике Коми [7] и развития туристско-рекреационной системы Юга России [8]. Наша задача поставлена шире: оценить влияние ключевых факторов на динамику социально-экономического развития России, что предполагает построение агрегированной конструкции, охватывающей всю социально-экономическую систему страны. По своей постановке эта задача близка к известным зарубежным исследованиям, в одном из которых представлена теоретическая когнитивная модель экономики [9], а в другом – модель, построенная для оценки социально-экономических последствий разведки ресурсов нефти и газа на Кипре [10]. Из отечественных исследований особо отметим работу [11], где представлена когнитивная модель, с помощью которой выявлены основные факторы, воздействующие на процесс создания инновационной экономики в России, и показано приоритетное влияние промышленной политики на экономический рост.

Наш концептуальный подход и техника работы с прикладными когнитивными моделями охарактеризованы в работе [12], где приводятся и содержательно интерпретируются результаты моделирования среднесрочного прогноза социально-экономического развития Томской области. Данный регион интересен тем, что является одновременно ресурсным и инновационным, в его экономике большую роль играют нефтегазовый сектор, обрабатывающая промышленность и научно-образовательный комплекс. Томскую область можно охарактеризовать как своего рода «масштабную модель» России – с близкой структурой экономики, сходными достижениями и проблемами в социально-экономическом развитии. Особо следует отметить сопоставимость показателей добычи нефти и газа (как одного из главных источников дохода) на душу населения: в Томской области – примерно 15 т н. э./чел., в России – около 8 т н. э./чел.³

Результаты исследований по проблемам социально-экономического развития Томской области позволили прийти к выводам, которые в значительной мере могут быть соотносимы ко всей стране. Поэтому приступая к работе над прогнозной моделью российской экономики, мы ориентировались на результаты предшествующих исследований и на практический опыт построения когнитивных моделей, полученный в этих исследованиях.

3 Для сравнения: среднедушевые показатели добычи углеводородов в Ямало-Ненецком АО составляют около 1 тыс. т, в Ненецком АО – более 440, в Ханты-Мансийском АО – 190, в Сахалинской области – 70 т (рассчитано по данным Росстата [13]).

 

Разработанная модель российской экономики имеет горизонт прогнозирования до 2020 г. Когнитивная карта модели содержит 16 факторов, разбитых на 6 классов (табл. 1), связанных между собой 121-й дугой, моделирующей взаимовлияние.

 

Таблица 1. Факторы прикладной прогнозной модели российской экономики

 

Класс факторов	Характеристика фактора	Обозначение фактора
Базовые ресурсные факторы	Ресурсы нефти и газа (в показателях добычи, млн. т н. э.) Человеческий капитал (накопленные затраты на формирование, млрд. руб.)	0-1  Нефть 0-2  Человеческий капитал
Опосредующие финансовые потоки	Инвестиции в основной капитал (млрд. руб.) Доходы и расходы бюджета (млрд. руб.) Поступление прямых иностранных инвестиций (ПИИ, млн. долл.) Издержки производства (млрд. руб.) Затраты на инновации (расходы на НИОКР, млрд. руб.)	1-1  Инвестиции 1-2  Бюджет 1-3  ПИИ 1-4  Издержки 1-5  Инновации
Главные хозяйственные комплексы	Нефтегазовый сектор (валовая добавленная стоимость, млрд. руб.) Промышленность (обрабатывающая, валовая добавленная стоимость, млрд. руб.) Научно-образовательный комплекс (НОК, валовая добавленная стоимость, млрд. руб.)	2-1  НГС 2-2  Промышленность 2-3  НОК
Обеспечивающие факторы	Инфраструктура (выпуск отраслей инфраструктуры и обеспечива- ющих видов деятельности, млрд. руб.) Уровень технологий (качественная переменная*) Уровень развития социальной сферы (качественная переменная)	3-1  Инфраструктура 3-2  Технологии 3-3  Социальная сфера
Экстерналии	Внешняя конъюнктура (цены на нефть, долл./барр.) Внешние риски – финансовые, политические, регуляторные и пр. (качественная переменная)	4-1  Цены 4-2  Риски
Целевой фактор	Уровень развития экономики (ВВП на душу населения, тыс. руб.)	5-1 ВВП
* Качественные (не измеряемые) переменные отражают различные состояния, каждому из которых соответствует определенный числовой эквивалент. Присутствие в составе одной модели количественных и  качественных переменных возможно, поскольку поиск решения направлен на получение не абсолютных значений, а динамических (приростных) характеристик в терминах ухудшения или улучшения ситуации.

 

Предварительные значения интенсивности взаимовлияния между измеримыми факторами когнитивной модели были установлены путем корреляционного анализа. Рассматривались попарные корреляции между временными рядами данных (за период 2000-2013 гг.) по факторам, приведенным в табл. 1. Далее коэффициенты уточнялись экспертным путем сообразно логике перехода системы из одного ста- ционарного состояния в другое в результате внешних импульсных воздействий.

Необходимо отметить, что это один из наиболее сложных и неочевидных для восприятия нюансов когнитивного моделирования, ведь любая когнитивная модель – это субъективное представление эксперта о процессах в сложной динамической ситуации (системе), формально представляемое в виде ориентированного знакового графа [5]. Возникает вопрос: может ли быть оправдана подобная субъективность? Не приведет ли она к получению искаженных понятий о закономерностях развития исследуемой системы?

Проблема субъективности в значительной степени может быть решена с помощью обратной верификации, т. е. путем проверки моделей в известных условиях, их «погружения» в прошлое. Мы протестировали модель для ретроспективного периода 2000-2013 гг. на основе располагаемых статистических данных [13] по измеримым факторам модели. При этом были заданы в векторе начальных тенденций приросты следующих факторов: 0-1 нефть (+31%); 1-3 ПИИ (+28%); 4-1 цены (+182%) – на основании имеющихся статистических данных – и 4-2 риски (−70%) заданы оценочно, исходя из реалистичной гипотезы о значительном общем снижении рисков для российской экономики в 2000-е годы по сравнению с 1990-ми. Фактор «нефть» мы рассматриваем наравне с внешними воздействиями (мировыми ценами на нефть, ПИИ, рисками), поскольку динамика добычи нефти и газа в России более тесно связана с рыночной ситуацией и возможностями экспорта, чем с потребностями развития национальной экономики.

Общая корректность модели на этом этапе подтвердилась близостью рассчитанных на модели темпов приростов факторов к действительным темпам приростов в 2013 г. по отношению к 2000 г. Расчетный темп прироста ВВП составил 78% по сравнению с фак- тическим показателем на уровне 79% (табл. 2). В результате была составлена матрица коэффициентов взаимовлияний верифицированной модели, которая использовалась для построения прогноза на период до 2020 г.

Таблица 2. Расчетные и фактические темпы роста показателей модели: 2013/2000, %

Фактор	Темпы роста, 2013/2000
	расчетные	фактические
Инвестиции	278	289
Бюджет	246	223
Промышленность	160	152
ВВП	178	179

 

Результаты моделирования среднесрочного прогноза. На первом этапе численного моделирования имитировалось саморазвитие ситуации, а источниками импульсного воздействия на систему послужили приросты факторов «нефть» и «цены». Предполагалось, что добыча углеводородов в РФ к 2020 г. возрастет примерно на 10% по сравнению с 2013 г. (до 1250 млн. т в н. э. – по ориентирам Энергетической стратегии России на период до 2030 г. [14]), а цена на нефть снизится примерно на 40% (по данным экстраполяции сценарных условий прогноза социально-экономического развития РФ на период до 2018 г., Минэкономразвития России [15]). Гипотезы относительно изменения величины ПИИ и внешних рисков не рассматривались.

Расчеты показали, что при заданных импульсных воздействиях прогнозное изменение фактора ВВП в 2020 г. составляет: -12%,  доходы бюджета снизятся на 22%, инвестиции в основной капитал – на 28%; валовая добавленная стоимость обрабатывающей промышленности снизится на 9%, научно-образовательного комплекса – на 7% по отношению к уровню 2013 г. Таким образом, при саморегулировании (саморазвитии) ситуации прогнозируются кризисные тенденции в российской экономике. Ввиду нежелательности данного исхода необходимы целенаправленные воздействия на экономическую систему для формирования более благоприятных результатов.

На этапе имитации управляемого развития системы в качестве факторов, подверженных управляющим воздействиям, были выбраны следующие (см. табл. 1): инвестиции, ПИИ, промышленность, НОК, инфраструктура, риски. Это предполагает государственное стимулирование соответствующих хозяйственных процессов, секторов экономики и видов деятельности путем проведения целенаправленно регулируемой политики. Кроме того, рассматриваются меры по снижению рисков и стимулированию экономического роста (на макроуровне). Последовательно задаваемые «слабые» приращения значений всех перечисленных выше факторов на уровне 10% (рисков – сокраще- ние на 10%) позволили оценить чувствительность экономики к управляющим воздействиям по данным направлениям регулирования.

В процессе экспериментов на модели были получены показатели приростов фактора ВВП в диапазоне от -12 до +2% к 2020 г. относительно 2013 г. Если рассматривать отдельно взятые факторы, то наиболее эффективны меры по сокращению рисков. Условная комбинация слабого воздействия всех рассмотренных факторов приводит к приросту ВВП примерно на 2% (табл. 3).

Таблица 3. Прирост ВВП на душу населения в 2020 г. по отношению к уровню 2013 г. по вариантам модельных расчетов, %

Вариант расчета и управляющие факторы	Прирост душевого ВВП: 2020/2013
Саморазвитие ситуации Импульсы: нефть (+10), цены (–40) Слабые управляющие воздействия: Инвестиции (+10) ПИИ (+10) Промышленность (+10) НОК (+10) Инфраструктура (+10) Риски (–10) Комплексное воздействие	-12 -11,6 -10,5 -10,1 -10,4 -10,0 -7,6 +2,2

 

Результат моделирования соответствует неблагоприятному сценарию экономического развития. Полученные показатели ниже прогнозных ориентиров Минэкономразвития России на 2020 г.: согласно разработанному министерством консервативному сценарию долгосрочного развития, прирост ВВП должен составлять к 2020 г. 29% по сравнению с 2013 г. [16]. Экстраполяция сценарных трендов по прогнозу на 2018 г. дает показатели прироста к 2020 г. (в сравнении с 2013 г.) на 10 и 16% [15].

Требуемые интенсивности воздействия на управляющие факторы при заданном приращении целевого фактора можно вычислить на третьем этапе моделирования – решения обратной задачи. В качестве целевого примем темп прироста ВВП на душу населения к 2020 г. относительно 2013 г. равным 16%. При моделировании в этом случае установлено, что наибольшая интенсивность воздействия требуется для стимулирования ПИИ и развития НОК, а наименьшая – промышленности, инфраструктуры и рисков (рис. 1).

 

Рис. 1. Расчетные значения интенсивности управляющих воздействий, необходимых для достижения целевого прироста ВВП к 2020 г. на 16% по сравнению с 2013 г.

 

Иными словами, для обеспечения экономического роста требуются сравнительно небольшие – вследствие достаточно мощного базиса – усилия, направленные на стимулирование промышленности и инфраструктуры, а максимум регуляторных усилий необходим для привлечения инвестиций и развития инновационного сектора.

Результаты прогнозной оценки показывают, что необходимый прирост инвестиций должен быть почти в два с половиной раза более высокий, чем прирост целевого показателя (рис. 2), как это было, например, в период 2001-2007 гг. Прогнозный рост НОК оказывается сравнительно медленным, несмотря на высокую интенсивность расчетного управляющего воздействия. Вероятно, причина – в сложившемся затратном характере развития инновационной сферы, когда деятельность НОК оценивается в большей степени по затратам на инновации (доле расходов на НИОКР в ВВП), а не по реальному эффекту экономики.

 

Рис. 2. Прогнозные показатели роста факторов модели по решению обратной задачи (2013 г. = 100)

 

В целом результаты решения обратной задачи, на наш взгляд, вполне закономерны. Следует прежде всего сформировать благоприятный инвестиционный климат, способствующий аккумулированию внутренних и притоку внешних инвестиций, а также инновационный характер развития экономики: взаимосвязи этих факторов в системе будут способствовать усилению положительных воздействий остальных факторов на целевой показатель со стороны.

 

* * *

 

Полученные, на наш взгляд весьма содержательные, результаты следует признать во многом предварительными. Требуется дальнейшее изучение возможностей когнитивного моделирования для обоснования экономических прогнозов и регуляторной политики, прежде всего – при выборе ее приоритетных направлений. Исходя из своего опыта, можем отметить, что когнитивный подход наиболее эффективен в анализе и прогнозировании развития сложных экономических систем. Особенность данного подхода состоит в применении методов количественного анализа в сочетании с построением модельных конструкций, основанных на субъективном видении ситуации. Каждый этап работы опирается на решения исследователя, итог которых определяет адекватность модели. Следует особо отметить, что когнитивные модели не могут заменить собой модели других видов и классов, они лишь должны занимать свою «нишу» в составе математического инструментария, применяемого в экономических исследованиях, включая решение задач прогнозного характера. Полагаем, что дальнейшее развитие когнитивного подхода к исследованию российской экономики позволит получить действенный инструментарий и для построения прогнозов, и для обоснования решений по управлению возникающими проблемными ситуациями.

 

Литература

 

1. Аганбегян А.Г. Социально-экономическое развитие России: анализ и прогноз // Проблемы прогнозирова- ния. 2014. № 4. С. 3-16.
2. Найт Ф. Понятия риска и неопределенности // Thesis. 1994. № 5. С. 12-17.
3. Ольсевич Ю.Я. Фундаментальная неопределенность рынка и концепции современного кризиса. М.: Институт эко- номики РАН, 2011. 51 с. URL: http://www.inecon.org/images/stories/nauchnaya-jizn/konverensii/Olsevich_8-08-2011.pdf (дата обращения 13.02.2016).
4. Шмат В.В. Ресурсы в «западне» глобализации // ЭКО. 2015. № 7. С. 163-178.
5. Axelrod R. The Structure of Decision: Cognitive Maps of Political Elites. Princeton // NJ: Princeton University Press, 1976. 404 p.
6. Морозова М.Е., Шмат В.В. Как познать механизмы ресурсозависимости? Применение метода когни- тивного моделирования при исследовании ресурсозависимой экономики // ЭКО. 2015. № 6. С. 146-159.
7. Лавреш И.И., Миронов В.В., Смирнов А.В. Когнитивное моделирование социально-экономических рей- тингов регионов // Вестник ИТАРК. 2011. № 1. С. 22-30.
8. Солохин С.С. О когнитивном моделировании устойчивого развития социально-экономических систем (на примере туристско-рекреационной системы Юга России) // Искусственный интеллект. 2009. № 4. С. 150-160.
9. Carvalho J.P., Tome Jose A.B. Rule Based Fuzzy Cognitive Maps in Socio-Economic Systems // IFSA-EUSFLAT 2009 Proceedings. Lisbon. 2009. Pp. 1821-1826. URL: http://www.eusflat.org/proceedings/IFSA-EUSFLAT_2009/pdf/tema_1821.pdf (дата обращения 02.2016).
10. Neocleous , Schizas C., Papaioannou M. Fuzzy cognitive maps in estimating the repercussions of oil/gas exploration on politico-economic issues in Cyprus // 2011 IEEE International Conference On Fuzzy Systems. Taipei, Taiwan: IEEE, 2011.1119-1126. URL: http://ieeexplore.ieee.org/xpl/mostRecentIssue.jsp?punumber=5976945 (дата обращения 13.02.2016).

11. Кулешов В., Алексеев А., Ягольницер М. Дорожная карта политики реиндустриализации: когнитивный инструментарий // Экономист. 2015. № 10. С. 51-63.
12. Белан А.К., Шмат В.В. Анализ влияния ресурсных и нересурсных факторов на рост экономики Томской области с применением когнитивного подхода // Вестник НГУ. Серия: Социально-экономические науки. 2015. Т. 15. Вып. 1. С. 78-93.
13. Единая межведомственная информационно-статистическая система (ЕМИСС). URL: https://www.fedstat.ru/indicators/data.do (дата обращения 13.02.2016).
14. Энергетическая стратегия России на период до 2030 года. Утверждена распоряжением Правительства Российской Федерации от 13 ноября 2009 г. №1715-р. М.: Институт энергетической стратегии, 2009. URL: http://www.energystrategy.ru/projects/es-2030.htm (дата обращения 02.2016).
15. Сценарные условия, основные параметры прогноза социально-экономического развития Российской Федерации и предельные уровни цен (тарифов) на услуги компаний инфраструктурного сектора на 2016 год и на плановый период 2017 и 2018 годов. М.: Минэкономразвития РФ, 28 мая 2015. URL: http://economy.gov.ru/minec/activity/sections/macro/prognoz/201505272 (дата обращения 02.2016).
16. Прогноз долгосрочного социально-экономического развития Российской Федерации на период до 2030 года. М.: Ми- нэкономразвития РФ, 8 нояб. 2013. URL: http://economy.gov.ru/minec/activity/sections/macro/prognoz/doc20131108_5 (дата обращения 02.2016).