Все выпуски

В статье рассматривается нелинейная модель динамики численности разновозрастных занятых в экономике региона, построенная по принципам базового моделирования в эконофизике. Продемонстрированы сложные режимы динамики модели, накладывающие фундаментальные ограничения на средне- и долгосрочный прогноз численности занятых в регионе. По аналогии с биофизическим подходом предложена классификация социальных взаимодействий разновозрастных работников. Приведен модельный анализ оценки уровня занятости среди возрастных групп населения. Верификация модели проведена на статистических данных Еврейской автономной области.

В работе исследуется дискретная модификация модели А.П. Михайлова «власть – общество», ранее предложенная автором. Эта модификация основана на стохастическом клеточном автомате, то есть имеет микродинамику, принципиально отличную от базовой непрерывной, основанной на дифференциальных уравнениях модели. При этом макродинамика дискретной модификации, как показано в предыдущих работах, совпадает с макродинамикой исходной модели. Этот важный результат, однако, вызывает вопрос, в чем смысл использования дискретной модели. Ее главной особенностью является гибкость, позволяющая добавлять в рассмотрение самые разные факторы, учет которых в непрерывной модели либо приводит к существенному росту вычислительной сложности, либо в принципе невозможен.

В данной работе рассматриваются несколько примеров подобного расширения области применимости модели, при помощи которого решается ряд прикладных задач.

Одна из модификаций модели учитывает экономические связи между регионами и муниципалитетами, что не могло быть исследовано в базовой модели. Вычислительные эксперименты подтвердили улучшение социально-экономических показателей системы при наличии таких связей.

Вторая модификация включает в себя возможность внутренней миграции в системе. С ее помощью был получен ряд результатов, связанных с социально-экономическим развитием более благополучного региона, притягивающего мигрантов.

Кроме этого, была исследована динамика системы при изменении количества регионов и муниципалитетов в системе. Показано негативное влияние этого процесса на социально-экономические показатели системы и найдено возможное управление, имеющее целью преодоление этого негативного влияния.

Результатами данного исследования, таким образом, явились как решение отдельных прикладных задач, так и демонстрация на их примере более широких возможностей дискретной модели по сравнению с базовой непрерывной.

Данная работа посвящена модификации ранее предлагавшегося автором дискретного варианта модели А. П. Михайлова «власть–общество». Эта модификация учитывает социально-экономическое развитие системы и коррупцию в ней по аналогии с непрерывной моделью «власть–общество–экономика–коррупция», но имеет в своей основе стохастический клеточный автомат, описывающий динамику распределения власти в иерархии. Новая версия модели построена путем введения в пространство состояний клетки ранее предлагавшегося клеточного автомата переменных, соответствующих численности населения, объему экономического производства, объему основных производственных фондов и уровню коррупции. Структура социально-экономических зависимостей в системе заимствована из модели Солоу и непрерывной детерминированной модели «власть–общество–экономика–коррупция», однако особенностью новой модели является ее гибкость, позволяющая рассматривать в ее рамках региональные различия во всех параметрах социально-экономического развития, различные модели производства и динамики народонаселения, а также транспортные связи между регионами. Построена имитационная система, включающая три уровня властной иерархии, пять регионов и 100 муниципалитетов, при помощи которой проведен ряд вычислительных экспериментов. В ходе этого исследования получены результаты, указывающие на изменение характера динамики распределения власти при повышении уровня коррупции. Если в отсутствие коррупции (аналогично предыдущей версии модели) распределение власти в иерархии асимптотически стремится к одному из стационарных состояний, то при наличии высокого уровня коррупции объем власти в системе испытывает нерегулярные колебательные изменения и лишь в дальнейшем также сходится к стационарному состоянию. Данные результаты можно содержательно интерпретировать как снижение стабильности властной иерархии при усилении коррупции.

Анализ экономических показателей региона играет важную роль в управлении и планировании развития, при этом валовой региональный продукт (ВРП) является одним из ключевых индикаторов экономической деятельности. Применение искусственного интеллекта, в том числе нейросетевых технологий, позволяет значительно повысить точность и надежность прогнозов экономических процессов. В данном исследовании сравниваются три модели нейросетевых алгоритмов для прогнозирования ВРП одного из типичных регионов РФ — Удмуртской Республики — на основе временных рядов за период с 2000 по 2023 год. В качестве моделей выбраны нейронная сеть с алгоритмом летучей мыши (BA-LSTM), модель нейронной сети обратного распространения ошибки, оптимизированная с помощью генетического алгоритма (GA-BPNN), и нейросетевая модель Элмана, оптимизированная алгоритмом роя частиц (PSO-Elman). В ходе исследования были выполнены такие этапы нейросетевого моделирования, как подготовка исходных данных, обучение моделей и их сравнительный анализ по показателям точности и качества прогнозов. Такой подход позволяет оценить преимущества и недостатки каждой модели в контексте прогнозирования ВРП, а также определить наиболее перспективные направления для дальнейших исследований. Использование современных нейросетевых методов открывает новые возможности для автоматизации анализа региональной экономики и повышения качества прогнозных оценок, что особенно актуально при ограниченных данных и для оперативного принятия решений. В исследовании в качестве входных данных для прогнозирования ВРП используются такие факторы, как величина производственного капитала, среднегодовая численность трудовых ресурсов, доля продукции высокотехнологичных и наукоемких отраслей в ВРП, а также показатель, учитывающий инфляцию. Высокая точность прогнозов, достигнутая в результате включения этих факторов в нейросетевые модели, подтверждает наличие сильной связи между этими факторами и ВРП. Результаты исследования показали высокую точность нейросетевой модели BA-LSTM на валидационной выборке: коэффициент детерминации составил 0,82, средняя абсолютная процентная ошибка — 4,19%. Качество и надежность этой модели свидетельствуют о ее способности эффективно предсказы- вать динамику ВРП. В прогнозном периоде до 2030 года в Удмуртской Республике ожидается ежегодное увеличение ВРП +4,6% в текущих ценах или +2,5% в сопоставимых ценах 2023 года. К 2030 году прогнозируется ВРП на уровне 1264,5 млрд руб.

В работе рассматривается метод исследования панельных данных, основанный на использовании агломеративной иерархической кластеризации — группировки объектов на основании сходства и разли- чия их признаков в иерархию вложенных друг в друга кластеров. Применялись 2 альтернативных способа вычисления евклидовых расстояний между объектами — расстояния между усредненными по интервалу наблюдений значениями и расстояния с использованием данных за все рассматриваемые годы. Сравнивались 3 альтернативных метода вычисления расстояний между кластерами. В первом случае таким расстоянием считается расстояние между ближайшими элементами из двух кластеров, во втором — среднее по парам элементов, в третьем — расстояние между наиболее удаленными элементами. Исследована эффективность использования двух индексов качества кластеризации — индекса Данна и Силуэта для выбора оптимального числа кластеров и оценки статистической значимости полученных решений. Способ оценивания статистической достоверности кластерной структуры заключался в сравнении качества кластеризации, на реальной выборке с качеством кластеризаций на искусственно сгенерированных выборках панельных данных с теми же самыми числом объектов, признаков и длиной рядов. Генерация производилась из фиксированного вероятностного распределения. Использовались способы симуляции, имитирующие гауссов белый шум и случайное блуждание. Расчеты с индексом Силуэт показали, что случайное блуждание характеризуется не только ложной регрессией, но и ложной кластеризацией. Кластеризация принималась достоверной для данного числа выделенных кластеров, если значение индекса на реальной выборке оказывалось больше значения 95%-ного квантиля для искусственных данных. В качестве выборки реальных данных использован набор временных рядов показателей, характеризующих производство в российских регионах. Для этих данных только Силуэт показывает достоверную кластеризацию на уровне $p < 0.05$. Расчеты также показали, что значения индексов для реальных данных в целом ближе к значениям для случайных блужданий, чем для белого шума, но имеют значимые отличия и от тех, и от других. Визуально можно выделить скопления близко расположенных друг от друга в трехмерном признаковом пространстве точек, выделяемые также в качестве кластеров применяемым алгоритмом иерархической кластеризации.