Ваш браузер устарел. Рекомендуем обновить его до последней версии.

 Отдельные публикации 

 

 «Основы стратегического планирования Российской Федерации».

 [Монография - М., ИД "Наука", 2013. -302 с.]

обложка книги,2013

 

 

 

«Роль финансовых инструментов в стратегическом развитии государства». 

[Монография - М., 2011. - 168 c.]

2011

 

 

Стратегическое государственное планирование в России».

[Монография - М., 2010. -175 с.]

обложка книги,2010

Смирнова

Ольга

Олеговна

Персональный сайт

ОПУБЛИКОВАНО: Смирнова О.О. , Прохоров В.Н. Математический инструментарий для системы государственного стратегического планирования России. // Mathematical tools for the system of the state strategic planning of Russia. // «European science» 8 (9), 2015 - р.73-77

СКАН. ПУБЛИКАЦИИ: (Скан.журнала, стр 73-77).

ССЫЛКА НА СТРАНИЦУ ЖУРНАЛА:

© Смирнова О.О. При использовании материалов ссылка на источник обязательна. Авторские права защищены.

Математический инструментарий для системы государственного 

стратегического планирования России.

Mathematical tools for the system of the state strategic planning of Russia.

 

Прохоров Владимир Николаевич / Prokhorov Vladimir Nikolayevich 

Смирнова Ольга Олеговна / SmirnovaOlgaOlegovna - д.э.н.

 

Аннотация. Современные экономические модели прогнозирования не справляются с динамическими задачами в существующей экономике и практически не учитывают скорость изменения технологических укладов. В статье представлен обзор и концептуальный анализ математического инструментария, используемого в экономических моделях развитых стран. Показана невозможность создания экономических моделей государства на основе эконометрических подходов. Предложена концепция расчета экономической модели государства на основе нейронных сетей.

Ключевые слова: реализация закона № 172-ФЗ "О стратегическом планировании в РФ", стратегическое планирование, математический инструментарий, экономико - математическое моделирование, эконометрические модели, структурные модели в экономике, DGE - модели, системы принятия решения, CASE-средства, нейронные сети в экономических моделях, национальная безопасность, управление и планирование в экономике.

 

Постоянные финансовые кризисы последних лет проверили на прочность существующие экономические модели, используемые в различных развитых странах и подтвердили как наличие кризиса в экономической теории, так и кризиса в государственных системах управления, планирования и прогнозирования, не отвечающих современным требованиям реагирования на быстроменяющийся мир.

Экономика России, как и других стран, оказалась совершенно незащищенной как от мощных финансовых манипуляций на фондовых рынках, так и от отсутствия возможности просчитать последствия управленческих решений и новых технологических решений. Экономические взаимоотношения с каждым новым укладом технологий существенно усложняются, расстояние по времени между технологическими укладами существенно уменьшаются. В этой связи необходим новый современный математический инструментарий для экономических моделей, позволяющий производить вычисления в режиме реального времени с учетом всех динамических изменений в экономике [1]. Сегодня Россия нуждается в новой экономической модели, способной в существующих условиях обеспечить безопасность страны и баланс ресурсов для реализации как оперативных, так и долгосрочных задач в соответствии со стратегическими планами развития государства [2].

Математический инструментарий для экономических моделей развивался вместе с развитием экономических моделей, объективная причина развития которых была связана с усложнением производства. На первом этапе, в 30-х годах ХХ столетия, Леонтьевым была предложена экономическая модель "затраты - выпуск" и математический инструментарий в виде линейных уравнений для её описания (эконометрические модели [3]). Проблема эконометрических уравнений (моделей), которые применялись активно до 70 годов заключалась в сложности написания полного комплекса уравнений для взаимосвязей всех параметров экономической модели, что, приводило к созданию агрегированных показателей и естественному снижению качества результатов, т.к. сам процесс агрегации показателей носит экспертный оттенок.

Развитие кибернетики привело к созданию более совершенных эконометрических моделей, суть которых заключалась в том, что появились обратные связи, без которых кибернетика не воспринимает управление сложными процессами, к которым относятся экономические модели государства. Данные модели использовали метод векторной авторегрессии (VAR - 70 годы ХХ столетия и Sims в 80 годах). В 90 годах уже стали использовать векторные модели коррекции ошибок (VMEC), что позволяло установить взаимосвязь и для не стационарных процессов в долгосрочной перспективе.

Невозможность линейными уравнениями описать такой сложный объект, как экономика государств привело к созданию структурных моделей (VMEC), т.е. разделению общей системы экономических взаимосвязей в государстве на десятки взаимосвязанных структур, что естественно упростило написание уравнений, но не дало ожидаемый результат, т.к. к этому времени сама экономика перешла на новый технологический уклад. Невозможность точного описания объекта данными моделями ограничило круг их использования. Структурные модели не решили основную проблему эконометрических моделей экономики - адекватного описания объекта. Они позволили только сохранить уровень прогнозирования, среднесрочного и долгосрочного планирования на существующем уровне при повышении технологического уклада. В этой связи, зачастую модели разрабатываются гибридными, состоящими из эконометрических и структурных моделей (VAR и VMEC).

Структурно-балансовые модели получили своё развитие в динамических моделях общего равновесия (DGE-модели). Математический аппарат, по сути, остался прежним. Для решения реальных задач с помощью динамических моделей общего равновесия пришлось значительно упростить структуру реальной экономики, поэтому с помощью данных моделей, в основном, решают конкретные задачи экономики. Для решения макроэкономических и отраслевых задач данные модели существенно усложняются [1], а из-за неточности описания объекта требуют обязательной калибровки, у которой есть своя проблема - её невозможно сделать без экспертных оценок по влиянию инноваций на экономику, т.е. точность получения результатов становится зависимой от качества экспертов. Вторая проблема - учёт внутриполитических, климатических, международных и других рисков.

Развитие DGE-моделей получило широкое распространение в банковской сфере, где с учётом банковской тематик был включён дополнительный элемент - источник отклонений и флуктуаций от долгосрочных трендов с анализом формирования «разрывов» (GAPS). Данные модели получили название - динамические стохастические модели общего равновесия (DSGE-модели).

Наиболее распространённые из них: модель "ToTEM", используется банком Канады; модель "JEM", используется банком Японии; модель "BEQM", используется банком Великобритании, модель "SIGMA", используется ФРС США; модель "NAWM", используется Европейским Центральным Банком; модели мировой экономики "GEM" и "GIMF", используемые МВФ.

Из выше указанного, мы видим, что усложнение экономики опережает развитие математического инструментария для экономических моделей. Созданные модели на основе линейных уравнений, которые способны решать конкретные задачи, Однако, нет моделей, способных описать реальную экономику с прогнозом её развития на несколько лет вперёд, поэтому параллельно шло развитие экспертных систем, которые не получили большого распространения из-за большой зависимости от качества экспертов.

Параллельно в других отраслях стали развиваться самообучающие интеллектуальные модели. Толчком к их развитию было изучение работы биологической клетки, в которой ежеминутно совершаются миллионы химических реакций. В технологиях получения особо чистых полезных продуктов из полезных ископаемых очень часто используются очень сложные химические процессы. Понимая, что такие процессы невозможно описать линейными уравнениями, обратили свой взор на систему управления биологическими процессами в организме. В результате данных работ учёными МИФИ во второй половине ХХ века были созданы основы для самообучающих интеллектуальных сетей на основе "нейронных сетей", которые имитировали работу нейронных сетей биологических организмов. Модели на основе нейронных сетей в последней четверти ХХ века получили широкое применение в создании химических технологий для производства материалов с заданными свойствами, а также в прогнозных системах рынков, оптимизации товарных и денежных потоков, оптимизации производственных процессов; системах маркетинговых исследований; банковских системах прогнозирования поведения клиента, оценки риска предстоящей сделки, возможных мошеннических действий, остатков средств на корреспондентских счетах банка, движения наличности, объёмов оборотных средств, экономических параметров и фондовых индексов; системах планирования работы предприятий; аналитических системах и системах поддержки принятия решений; системах оценки активов, включая оценки недвижимости; системах оптимизации сетей электроснабжения, др.

Из вышеизложенного видно, что нейронные сети могут быть использованы в любых задачах, где есть наличие данных на определённом участке временного интервала и они не ограничены количеством переменных данных, т.е. их можно и нужно применять в экономических моделях государства. Отличие нейронных сетей от традиционных моделей прогнозирования состоит в возможности учета количества информации (тысячи и десятки тысяч данных за много лет), что и повышает точность прогноза, которая может составлять более 90%.

Но ни экометрические системы, ни нейронные сети не решают 2 основных проблемы экономики сегодня:

  1. взаимоувязка существующих инновационных технологий с инвестициями в экономики;
  2. приведение параметров, полученных в разное время, к их идентичности.

Проблема привязки инновационных продуктов к существующей системе [1] легче решается в системе нейронных сетей, но данная работа требует большой работы высококвалифицированных специалистов.

Вопрос идентичности данных решается простыми специалистами, но он достаточно трудоёмкий. Теоретическая экономическая модель развития государства (далее ТЭМ) должна иметь следующие характеристики: ядром должна быть интеллектуальная самообучающаяся распределенная многоуровневая система на основе нейронных сетей, обеспечивающая все необходимые вычисления при изменении целей социально-экономического развития; вновь возникающих международных и внутренних вызовов, влияющих на национальную безопасность; изменении технологических укладов и внедрение инновационных технологий с учётом достойного качества жизни населения, сбалансированности всех видов ресурсов, интересов частного капитала. При этом система должна обеспечить возможность оценивать в режиме реального времени экономическую и социальную эффективность принимаемых решений государственными органами, государственных и отраслевых программ и программ предприятий с государственным участие [2], а также реальных действий крупных частных компаний; анализировать все взаимосвязи субъектов экономики государства и оценивать их в системе индикативных показателей; проводить экспертизу научных работ и включать их результаты в свою базу данных.

В заключении надо отметить, что сегодня система государственного управления на всех уровнях (от федерального до муниципального) остро нуждается в полномасштабной реализации положений федерального закона от 28.06.2014 № 172-ФЗ "О стратегическом планировании в Российской Федерации". Причем это должна быть не разработка отдельных документов и методик, а комплексная реализация системы государственного стратегического планирования в РФ, построенная на современном математическом инструментарии в целях баланса ресурсов для реализации поставленных задач и обеспечения национальной безопасности России.