Возможности экономико-математического моделирования и искусственного интеллекта для государственного управления обсудили на сессии Общероссийского форума «Стратегическое планирование в регионах и городах России» в Санкт-Петербурге. В дискуссии приняли участие представители ведущих российских научных центров, занимающихся экономическим прогнозированием и моделированием.
Как измерить эффективность
Модератором сессии «Экономико-математические модели в эпоху ИИ: новые инструменты для государственного управления», организованной ФАНУ «Востокгосплан», выступила директор по исследовательским проектам и экспертным разработкам организации Елена Агешина.
Открывая мероприятие, она обратила внимание на один из главных вызовов государственного управления: необходимость выбирать наиболее эффективные направления расходования бюджетных средств в условиях ограниченности ресурсов.
По словам Елены Агешиной, экономико-математическое моделирование может использоваться на всех этапах стратегического планирования – от разработки прогнозов и определения приоритетов до выбора конкретных мер, мониторинга их реализации и оценки полученных результатов.
При этом универсальной модели, позволяющей решить любую управленческую задачу, не существует. А значит нужен правильный выбор инструментов и возможность их совместного использования.
«Мы обсудим, какие модели можно использовать, в каких сферах управления, какие есть трудности и ограничения в их применении. И как сделать так, чтобы меры государственного регулирования давали результаты, которые можно количественно оценить, а не только интуитивно представить», – обозначила задачу дискуссии Елена Агешина.
Она рассказала о комплексе инструментов, разработанных экспертами Востокгосплана. В их числе:
- вычислимая модель общего равновесия (CGE), позволяющая оценивать прямые и косвенные последствия мер государственной промышленной политики для экономики Дальнего Востока;
- модели на основе межотраслевого баланса, используемые для прогнозирования социально-экономического развития регионов;
- агент-ориентированная демографическая модель, дающая возможность исследовать поведение населения и результаты демографической политики.
Эффект за скобками
О применении моделей общего равновесия для обоснования управленческих решений в регионах рассказал руководитель направления «Макроэкономические исследования и прогнозирование» ФАНУ «Востокгосплан» Игорь Лаврентьев.
Эксперт подчеркнул, что при оценке результативности мер поддержки нередко учитываются преимущественно прямые результаты – например, объем инвестиций, выпуск продукции или добавленная стоимость, созданная предприятием.
Однако запуск нового производства влияет на целую систему взаимосвязанных рынков. Предприятию нужны сырье, оборудование, работники. Оно формирует спрос на продукцию поставщиков, конкурирует с другими отраслями за трудовые ресурсы. Это влияет на цены и доходы населения. В результате совокупный эффект государственной поддержки может существенно отличаться от первоначальных расчетов.
Например, эффект от деятельности резидентов территорий опережающего развития не ограничивается созданной ими валовой добавленной стоимостью. Благодаря межотраслевым связям положительные результаты могут распространяться и на предприятия, работающие за пределами преференциальных режимов. Экономико-математическое моделирование позволяет оценивать эти эффекты, часто остающиеся «за скобками» и более полно раскрывать вклад ТОР в развитие региональной экономики.
Именно для оценки подобных взаимосвязей используются вычислимые модели общего равновесия. Они позволяют проследить, как первоначальное воздействие на отдельную отрасль распространяется на остальные секторы и экономику региона в целом.
Практическое применение такого подхода Игорь Лаврентьев продемонстрировал на примере Стратегии социально-экономического развития Хабаровского края до 2042 года, в разработке которой задействованы специалисты Востокгосплана. Правительство региона определило девять приоритетных отраслевых комплексов. Перед экспертами стояла задача оценить, насколько перспективы развития этих сфер зависят от доступности ресурсов, в частности – труда и капитала.
Для этого была построена рекурсивно-динамическая модель экономики региона, охватывающая 84 вида экономической деятельности. Она позволяет просчитывать не только непосредственную реакцию экономики на изменение условий, но и последствия, которые проявляются спустя несколько лет.
Эксперты сделали предположение, что ежегодный темп роста экономики в данном периоде (с 2024 по 2042 год) может составлять 2,76 % ежегодно (важно: это не прогноз, а именно калибровочное предположение). Они рассмотрели три сценария проявления эффектов воздействия относительно данной базовой траектории при: увеличении доступного производственного капитала на 1% за счет дополнительных инвестиций, увеличении предложения труда на 1% и одновременном смягчении обоих ресурсных ограничений.
Расчеты показали, что расширение доступности ресурсов способствует росту валового регионального продукта, однако характер этого роста различается. Дополнительные инвестиции дают заметный первоначальный импульс, который постепенно ослабевает по мере выбытия капитала. Эффект увеличения предложения труда оказывается более устойчивым и со временем усиливается.
При этом реакция отдельных отраслей существенно отличается от динамики экономики в целом. Увеличение доступности капитала может заметно стимулировать одни виды деятельности, одновременно создавая условия для перераспределения ресурсов между секторами.
«Основной вывод заключается в том, что хабаровская экономика более трудоинтенсивная, и на шоки труда она реагирует более выраженно, чем на шоки капитала», – отметил Игорь Лаврентьев, подчеркнув, что результаты получены в рамках принятых модельных предпосылок.
Таким образом, моделирование позволяет не просто определить потенциальные источники роста, но и оценить, какие ресурсные ограничения наиболее значимы для экономики конкретного региона.
По мнению Игоря Лаврентьева, возможности экономико-математических моделей сегодня используются далеко не полностью. Одним из препятствий остается недостаток региональной статистики и низкая оперативность ее обновления.
Однако отсутствие идеальной информационной базы не должно становиться причиной отказа от использования моделей. Необходимо учитывать ограничения исходных данных и корректно интерпретировать результаты.
Дополнительные возможности открывает искусственный интеллект. Его применение способно ускорить подготовку данных, проведение многочисленных сценарных расчетов и анализ полученных результатов. Это постепенно снижает трудоемкость моделирования и повышает доступность инструментов для органов власти.
Но существует и другая проблема – отсутствие отлаженных механизмов использования модельных расчетов при принятии решений.
«Это требует формирования некоторых регламентов работы с этим инструментарием. И пока этих регламентов нет, сложно внедрять такой инструментарий, потому что люди не понимают, как это использовать, как интерпретировать и как на основании этого принимать решения», – подчеркнул эксперт.
При этом региональным органам власти необязательно создавать собственные большие подразделения моделирования. Возможна работа с научными учреждениями и специализированными экспертными коллективами. Главное – определить, на какие вопросы должны отвечать модели и как их результаты будут учитываться в управленческой практике.
Заменит ли ИИ экономические модели?
Разные классы моделей предназначены для решения разных задач. Какподчеркнулзаведующий лабораторией математического моделирования экономических процессов Института экономической политики имени Е.Т. Гайдара Андрей Полбин, эконометрические инструменты особенно востребованы для оценки текущей экономической ситуации и краткосрочного прогнозирования.
Другие модели необходимы для анализа долгосрочных последствий государственной политики. Например, при стимулировании цифровизации производства важно учитывать не только ожидаемое повышение производительности, но и потребность в вычислительных мощностях, конкуренцию за инвестиционные ресурсы, изменения на рынке труда и возможную реакцию денежно-кредитной политики.
Особую сложность представляет прогнозирование последствий внедрения принципиально новых технологий, поскольку исторических данных об аналогичных процессах может просто не существовать.
Как отметил эксперт, в таких случаях необходимы имитационные модели, способные воспроизводить взаимосвязанные реакции экономических субъектов.
Андрей Гнидченко, ведущий эксперт Центра макроэкономического анализа и краткосрочного прогнозирования, остановился на границах применимости традиционных моделей и возможностях их совершенствования с помощью искусственного интеллекта.
В качестве примера он привел прогнозы последствий резкого повышения торговых тарифов в 2025 году. Расчеты, выполненные с использованием CGE-моделей Кильского института мировой экономики, существенно разошлись с фактической динамикой мировой торговли и производства.
Однако, по мнению эксперта, это не свидетельствует о несостоятельности самого класса моделей. Проблема может заключаться в попытке применить инструмент, ориентированный преимущественно на долгосрочные равновесные изменения, для оценки краткосрочного экономического шока.
«Неудача модели – это не всегда диагноз ее полной неконкурентоспособности. Это часто повод для ее модификации. И также стоит помнить, что нужно каждую модель применять в тех условиях, для которых она предназначена», – подчеркнул Андрей Гнидченко.
Эксперт представил собственные эксперименты с использованием современных моделей искусственного интеллекта. Полученные результаты показали, что ИИ-инструменты могут быть особенно полезны в некоторых случаях.
«ИИ может применяться для метаанализа параметров, для классификации объектов, для работы с исходными данными, которые подаются на вход модели. Поэтому, в принципе, для любой модели, даже если у нее есть строгие теоретические ограничения, какое-то применение ИИ вполне возможно», – отметил Андрей Гнидченко.
Вместе с тем искусственный интеллект пока не способен полностью заменить традиционные подходы.
«Несмотря на бесспорный прогресс ИИ применительно к моделированию, мы не нашли «волшебную таблетку», – подытожил эксперт.
Дмитрий Скрыпник, директор Центра экономического моделирования природных ресурсов и окружающей среды НИУ ВШЭ, посвятил выступление необходимости выбора отраслевых приоритетов экономического развития России.
По его оценкам, создание полного комплекса технологий четвертой промышленной революции с нуля потребовало бы инвестиций в размере 36-44 трлн долларов. Самостоятельное освоение всего спектра таких технологий экономически нереалистично.
«Это взгляд с точки зрения инвестпотребности. А помимо этого, когда мы создаем стек технологий, нужно еще понимать, а сможем ли мы внутри страны его как-то продать. И вот оказывается, что ни для одной территории, ни для одной страны это не является окупаемым», – отметил Дмитрий Скрыпник.
Следовательно, принципиальное значение приобретает выбор направлений, на которых необходимо сосредоточить ограниченные ресурсы.
Эксперт предложил оценивать отраслевые приоритеты с учетом межотраслевых связей, способности формировать спрос на продукцию поставщиков, обеспечивать развитие смежных производств и создавать долгосрочные экономические эффекты.
Важную роль, по его мнению, должны играть координация государственной промышленной политики, развитие производственных цепочек и оценка бюджетной отдачи инвестиций.
В качестве одного из возможных инструментов Дмитрий Скрыпник представил концепцию инвестиционного бюджетного правила, при котором государственные вложения рассматриваются с точки зрения их способности обеспечивать будущий экономический рост и увеличение бюджетных поступлений.
Директор Центрального экономико-математического института РАН Альберт Бахтизин рассказал о развитии агент-ориентированного моделирования.
В отличие от подходов, оперирующих преимущественно агрегированными экономическими показателями, агентные модели позволяют воспроизводить поведение множества отдельных участников экономических и социальных процессов.
Каждый виртуальный агент обладает определенными характеристиками: возрастом, доходом, местом проживания, составом семьи, уровнем образования и другими параметрами. Благодаря этому можно определять реакцию разных групп населения на изменения государственной политики.
В ЦЭМИ РАН разработан комплекс подобных моделей, включающий цифровой двойник социальной системы России. Один из примеров его практического применения – оценка последствий демографической политики и мер поддержки семей с детьми. Модель, включающая около 140 млн агентов, позволяет исследовать не только общенациональные результаты, но и различия между регионами и возрастными группами населения.
По словам Альберта Бахтизина, новые возможности открывает объединение моделей с искусственным интеллектом. Особенно перспективным эксперт считает развитие гибридных систем, в которых искусственный интеллект помогает обрабатывать дополнительную информацию и ускорять исследовательский процесс.
Участники дискуссии представили разные подходы к экономическому моделированию, но ключевой вопрос оказался общим: как сделать результаты научных расчетов востребованными при разработке и реализации государственной политики?
Модели позволяют оценивать последствия решений до их принятия, сравнивать альтернативные сценарии и выявлять эффекты, которые невозможно увидеть при анализе отдельных показателей. Искусственный интеллект расширяет эти возможности, но одновременно повышает требования к проверке результатов и корректности исходных предпосылок.
Как подчеркнула Елена Агешина, государственное управление не должно опираться исключительно на накопленный опыт, особенно когда речь идет о разработке стратегий на десятилетия вперед. Современная экономическая наука предлагает инструменты, позволяющие проверять управленческие гипотезы и количественно оценивать возможные последствия решений. Опыт Востокгосплана показывает, что экономическое моделирование уже сегодня может решать прикладные задачи регионального развития – от оценки мер государственной поддержки до выявления ресурсных ограничений и обоснования долгосрочных приоритетов. Следующий шаг – более широкое включение этих инструментов в повседневную практику государственного управления.