Development of an agent-oriented model of the Federal project "Modern school" on the example of the Republic of North Ossetia-Alania
Table of contents
Share
Metrics
Development of an agent-oriented model of the Federal project "Modern school" on the example of the Republic of North Ossetia-Alania
Annotation
PII
S207751800007979-5-1
DOI
10.18254/S207751800007979-5
Publication type
Article
Статус публикации
Published
Authors
Valeriy Makarov 
Affiliation: Cemi RAS
Address: Russian Federation, Moscow
Albert Bakhtizin
Affiliation: CEMI RAS
Address: Russian Federation, Moscow
Vladimir Abramov
Affiliation: CEMI RAS
Address: Russian Federation, Moscow
Elena Sushko
Affiliation: CEMI RAS
Address: Russian Federation, Moscow
Dmitry Evdokimov
Affiliation: CEMI RAS
Address: Russian Federation, Moscow
Vladimir Zhiyanov
Affiliation: CEMI RAS
Address: Russian Federation, Moscow
Rafail Imanov
Affiliation: Cemi RAS
Address: Russian Federation, Moscow
Abstract

бюджетная политика, агент-ориентированное моделирование, национальные проекты, государственное управление

Keywords
budget policy, agent based modeling, national projects, public administration
Received
20.11.2019
Date of publication
19.12.2019
Number of characters
36501
Number of purchasers
15
Views
325
Readers community rating
0.0 (0 votes)
Cite Download pdf

To download PDF you should sign in

1

Введение

Современные тенденции развития социально-экономических систем в мире обуславливают необходимость ускоренного внедрения новых инновационных подходов в области государственного управления. Для обеспечения прорывного развития страны по 13 направлениям, в 2018 г. Президентом Российской Федерации были утверждены национальные проекты на период до 2024 г., общий бюджет на реализацию которых составляет 25,7 трлн. руб.1

1. Указ Президента РФ от 9 мая 2017 г. № 203. «О Стратегии развития информационного общества в Российской Федерации на 2017–2030 годы»
2 Расходование средств в рамках национального проекта «Образование»2 в размере 784,5 млрд. руб. должно быть направлено на формирование современной и технологически развитой системы получения знаний для достижения Россией лидирующих позиций по показателям качества общих образовательных программ. Для достижения указанной цели в паспорте национального проекта были сформулированы задачи, среди которых – необходимость создания не менее 230 тыс. новых мест в общеобразовательных организациях.
2. Паспорт национального проекта "Образование", утвержденный протоколом № 16 от 24.12.2018 г. президиума Совета при Президенте РФ по стратегическому развитию и национальным проектам
3 Строительство новых образовательных учреждений началось в 2019 г., однако в настоящее время наблюдается отсутствие механизмов обоснования их востребованности с учетом динамики изменения численности обучающихся в различных муниципальных образованиях и районах, а также других показателей. Стоит отметить, что на реализацию Федерального проекта «Современная школа», в перечень задач которого входит увеличение числа образовательных мест, было выделено 295,1 млрд. руб. В связи с тем, что источником финансового обеспечения проекта являются средства федерального бюджета, особую актуальность приобретают задачи осуществления контроля за их расходованием [1, 2]. Такими полномочиями наделены3:
3. ст. 157 гл. 18 раздела V Бюджетного Российской Федерации от 31 июля 1998 г. № 145-ФЗ
4
  • Счетная палата;
  • контрольно-счетные органы;
  • Федеральное казначейство;
  • Федеральная служба по финансовому мониторингу;
  • Министерство финансов;
  • распорядители бюджетных средств.
5

В целях недопущения нарушений бюджетного законодательства, Федеральным казначейством начиная с 2017 г. осуществляется непрерывный сбор и анализ данных (мониторинг) об операциях и действиях, направленных на исполнение учреждениями бюджетных полномочий. Выполнение указанных функций достигается благодаря реализации системы управления рисками, возникающими в бюджетном процессе, а также разработке и внедрению многоаспектного анализа деятельности объектов бюджетного мониторинга, являющихся, в том числе, получателями средств из бюджетов национальных проектов [5].

6 К одним из следующих этапов развития инструментария в области бюджетного мониторинга можно отнести создание «цифрового двойника» бюджетной системы, способного «… оперативно реагировать на возникающие риски, не позволяя выполнять действия, ведущие к нарушениям, либо предупреждая о возможности совершения нарушения и неудовлетворительном состоянии соответствующих сфер деятельности объектов контроля» [4]. Стоит отметить, что реализованная в настоящее время риск-ориентированная модель контроля позволяет Федеральному казначейству обрабатывать накопленную информацию о деятельности учреждений–получателей бюджетных средств. Однако, подход должен быть дополнен современным экономико-математическим инструментарием, обладающим возможностью прогнозирования и получения иных результатов, имеющих прикладное значение. Использование новых вычислительных инструментов является приоритетной задачей, которая обуславливается высокими темпами развития технологий IT индустрии, а также постоянно возрастающей сложностью анализа и обработки больших объемов данных.
7

В контексте моделирования бюджетного процесса следует упомянуть широко применяемые в последние годы для решения практических задач нейронные сети [3], а также вычислительные модели общего равновесия (Computable General Equilibrium model, далее – CGE модели) [10, 11]. Однако применение нейронных сетей в условиях нехватки статистической информации проявляет недостаточную эффективность, а использование высокого уровня абстрагирования объекта в CGE моделях приводит к игнорированию многих аспектов его функционирования, которые могут оказаться ключевыми для исследуемых процессов.

8

Развитие компьютерных технологий, а также имитационного подхода, способствовало появлению нового инструмента – агент-ориентированного моделирования (далее – АОМ) [7], который не только лишен перечисленных выше недостатков, но и обладает более мощными функциональными возможностями, позволяющими:

9
  • проектировать сложные поведенческие структуры с помощью интуитивно понятных правил взаимодействия между агентами;
  • осуществлять быстрый переход от моно-модели к мульти-модели [19];
  • наделять агентов способностями к рациональности и обучаемости [9];
  • обеспечивать максимальную реалистичность модели;
  • проводить расчеты при различных заданных параметрах, в т. ч. варьирующихся в ходе запусков модели [8, 12].
10

Стоит также отметить, что возможность тонкой настройки типологии индивидуального поведения каждого агента позволяет эффективно использовать данный инструмент в государственных системах контроля и управления [6]. Подтверждением тому выступает ряд прикладных разработок зарубежных исследователей, посвященных использованию имитационного подхода в процессе формирования бюджетной политики.

11

Опыт применения имитационного моделирования в зарубежных системах бюджетного контроля

Проект «Horizon Digital Economy Research» [16]. Исследования Университета Ноттингема (Великобритания), осуществляющего подготовку высококвалифицированных профильных специалистов в области компьютерного моделирования, объединили в рамках проекта «Horizon Digital Economy Research» ученых из приоритетных областей науки и техники. Инициатива, поддержанная в 2009 г. Исследовательским советом Великобритании и более чем 100 академическими и промышленными партнерами, фокусируется на технических разработках, необходимых для контроля, управления и использования электронной информации в интересах общества. Пятилетняя программа исследований проекта включала следующие ключевые научные направления:

12
  • внедрение цифровых вычислений;
  • создание и развитие пользовательских сервисов нового поколения;
  • разработка технологий трансфера знаний, обеспечивающего беспрепятственное внедрение результатов научных исследований в цифровую экономику [14, 18];
  • подготовка нового поколения исследователей для удовлетворения потребностей промышленности в квалифицированных междисциплинарных кадрах;
  • взаимодействие с властью и общественностью для решения социальных проблем;
  • обеспечение координации центра для международных, национальных и региональных научных проектов.
13

Результатом приведенных выше исследований являются полученные разработки в области инфраструктурных, социальных и межорганизационных проблем, с использованием уникального междисциплинарного подхода, объединяющего идеи психологии, социологии, экономики и других гуманитарных наук. В конечном счете, использование возможностей различных подходов к моделированию должно обеспечить решение задач, связанных с повышением уровня качества жизни населения в условиях цифровой экономики [15, 17].

14

Макроэкономическая модель «NiGEM» [20]. В 90-х гг. Национальным институтом экономических и социальных исследований (Великобритания), с применением имитационного и эконометрического подходов, была разработана глобальная макроэкономическая модель «NiGEM» (общая схема представлена на рис. 1), позволяющая проводить количественную оценку экономических эффектов от различных экспансионистских фискальных мер.

15

Рис. 1. Схема взаимодействия компонентов глобальной макроэкономической модели «NiGEM» Источник: Young G. Macroeconomic Modelling and Forecasting Capabilities: NiGEM URL: https://nimodel.niesr.ac.uk/

16 Модель, охватывающая более 60 стран и регионов, позволяет:
17
  • осуществлять прогнозирование, а также проводить сценарный анализ и имитационные эксперименты с учетом более чем 5000 макропеременных;
  • воспроизводить в полном объеме различные внутренние экономические процессы;
  • проигрывать сценарные эксперименты, имитирующие различные экономические потрясения в области:
  • фискальной, денежно-кредитной политики;
  • ценообразования на сырьевом рынке, а также рынке труда;
  • формирования тарифов, торговых отношений и инвестиций;
  • возникновения рисков финансово-экономического баланса.
18 Модель доступна для использования неограниченному кругу лиц, т. к. все исторические и прогнозные данные в модели за период 1997-2044 гг. обновляются ежеквартально, и представлены в сети Интернет в открытом доступе с возможностью их экспорта.
19

Модель микросимуляции «Saphir» [13]. В 2008 г. Главным управлением Казначейства Франции с целью обеспечения поддержки процесса управления бюджетной системой была разработана модель микросимуляции «Saphir», предназначенная для оценки динамики состояния социально-демографической и экономической ситуации в результате изменения порядка налогообложения и предоставления социальных льгот. В настоящее время, данное инструментальное средство активно используется для оценки бюджетных и перераспределительных эффектов от проводимых реформ. Порядок взаимодействия с моделью «Saphir» состоит из трех этапов:

20
  • подготовка и анализ исходных данных с целью корректирования социально-демографической структуры выборки с учетом уровня доходов отдельных лиц, для обеспечения репрезентативности данных в базовом году;
  • определение периодов начисления налогов и социальных пособий в процессе симуляции;
  • агрегация всей полученной на предыдущих этапах информации для расчета имеющегося дохода каждого домохозяйства в выборке.
21 Последний этап моделирования заключается в суммировании значений всех трансфертов между различными организационными единицами, а также расчете динамики изменения уровня доходов домашних хозяйств. С помощью проводимых в «Saphir» имитационных экспериментов в области прогнозирования социально-демографической и экономической ситуации, Казначейство Франции осуществляет проведение реформ в области бюджетного планирования. Модель, используемая в качестве универсального инструмента для оценки эффективности государственной политики в области бюджетного регулирования, позволяет проводить анализ уровня жизни и вычислять наиболее распространенные показатели уровня бедности и неравенства.
22

Агент-ориентированная модель реализации федерального проекта «Современная школа» на примере Республики Северная Осетия-Алания

Несмотря на активное применение имитационного подхода в зарубежной практике, опыт использования агент-ориентированного моделирования в российской бюджетной системе недостаточно распространен. В связи с этим, авторами в среде имитационного моделирования AnyLogic4 был разработан прототип модели, позволяющий произвести оценку целесообразности запланированного размещения новых образовательных учреждений, возводимых за счет средств федерального проекта «Современная школа» национального проекта «Образование». Апробация прототипа модели осуществлялась с использованием реальных данных на примере Республики Северная Осетия-Алания (далее – РСО-Алания). На рисунке 2 представлено окно запуска прототипа модели, содержащее формулировки цели моделирования и задач, для решения которых АОМ предназначена.

4. AnyLogic – инструмент имитационного моделирования, который поддерживает различные подходы к созданию имитационных моделей, в том числе и агент-ориентированный. Более подробно см.: >>>>
23

Рис. 2. Окно запуска агент-ориентированной модели

24 Характеристика агентов. В разработанной модели представлены 3 типа агентов, имеющих индивидуальные характеристики и алгоритмы поведения: агенты-люди, агенты-образовательные учреждения, а также агенты-муниципальные образования.
25 Тип агентов № 1 – люди обладают следующими характеристиками: порядковый номер, возраст, текущее местоположение, текущий год обучения.
26 Тип агентов № 2 – образовательные учреждения реализованы в модели со следующими характеристиками: порядковый номер, местоположение, общее количество школьных мест, текущее число обучающихся.
27 Тип агентов № 3 муниципальные образования характеризуются: наименованием, границами на карте, показателем обеспеченности, образовательными местами, а также коллекциями, включающими агентов-людей и агентов-школ.
28 Исходные данные. Для построения и калибровки модели в части демографических процессов были использованы следующие показатели Федеральной службы государственной статистики по РСО-Алания:
29
  1. Распределение численности городского и сельского населения по отдельным возрастам на начало 2018 г.;
  2. Оценка численности постоянного городского и сельского населения на начало 2018 г. в разрезе муниципальных образований;
  3. Предположительная численность городского и сельского населения в 2019-2036 гг. по возрасту на начало года.
30 Расчет числа обучающихся по общеобразовательным программам проведен на основании данных Федерального статистического наблюдения Министерства науки и высшего образования Российской Федерации:
31
  1. Распределение обучающихся всех классов, кроме классов для обучающихся с ограниченными возможностями здоровья, по возрасту на начало 2018 г. (табл. 1);
  2. Характеристика функционирующих в 2018 г. образовательных учреждений, в т. ч. наименование, адрес, количество мест (табл. 2).
32

Таблица 1. Распределение обучающихся всех классов, кроме классов для обучающихся с ограниченными возможностями здоровья, по возрасту на начало 2018 г., человек

Возраст Численность обучающихся по программам, в т. ч.
начального общего образования основного общего образования среднего общего образования
Городские поселения
5 лет 0 0 0
6 лет 1 185 0 0
7 лет 6 293 0 0
8 лет 6 634 0 0
9 лет 6 673 0 0
10 лет 4 870 1 410 0
11 лет 386 5 698 0
12 лет 46 5 393 0
13 лет 28 5 121 0
14 лет 21 5 004 3
15 лет 11 3 809 728
16 лет 20 455 2 509
17 лет 3 100 1 752
18 лет 0 5 139
19 лет 0 0 36
20 лет 0 0 2
Всего 26 116 23 990 5 169
Поселения сельского типа
5 лет 1 0 0
6 лет 979 0 0
7 лет 2 829 0 0
8 лет 2 935 0 0
9 лет 2 908 59 0
10 лет 1 960 996 0
11 лет 257 2 535 0
12 лет 25 2 315 0
13 лет 15 2 268 0
14 лет 3 2 189 10
15 лет 1 1 441 454
16 лет 1 148 948
17 лет 3 23 571
18 лет 0 4 44
19 лет 0 0 0
20 лет 0 0 0
Всего 11 917 11 978 2 027
33 Таблица 2. Характеристика функционирующих в 2018 г. образовательных учреждений
п/п Наименование муниципального образования Количество общеобразовательных учреждений, ед. Количество школьных мест, ед.
1. Городской округ город Владикавказ 54 37958
2. Алагирский муниципальный район 11 5172
3. Ардонский муниципальный район 12 5010
4. Дигорский муниципальный район 11 4650
5. Ирафский муниципальный район 14 4820
6. Кировский муниципальный район 11 4012
7. Моздокский муниципальный район 33 13889
8. Правобережный муниципальный район 19 9211
9. Пригородный муниципальный район 31 13500
Всего 196 98222
34 Сведения об образовательных объектах, строящихся в 2019-2021 гг. на территории РСО-Алания за счет средств федеральной программы «Современная школа», в т. ч. их расположение, стоимость строительства и ожидаемое количество школьных мест, были получены в результате сбора сведений из реестра соглашений (договоров) о предоставлении субсидий, бюджетных инвестиций, межбюджетных трансфертов, размещенных на едином портале бюджетной системы Российской Федерации «Электронный бюджет»5 (см. табл. 3).
5. Реестр соглашений (договоров) о предоставлении субсидий, бюджетных инвестиций, межбюджетных трансфертов. URL: >>>> (дата обращения 10.09.19).
35

Таблица 3. Сведения о запланированном в 2019-2021 гг. строительстве общеобразовательных учреждений за счет средств федеральной программы «Современная школа», РСО-Алания

п/п Расположение объекта Стоимость строительства, руб. Количество школьных мест, ед.
1 Правобережный район, с. Цалык 238 776 500,00 200
2 г. Владикавказ, ул. Владикавказская, д. 69 А 584 316 400,00 1100
3 Пригородный район, с. Чермен 1 094 055 700,00 360
4 Моздокский район, с. Кизляр 1 094 055 700,00 500
5 г. Моздок, ул. Юбилейная 1 094 055 700,00 500
Итого 3 866 483 500,00 2 660
36 Взаимодействие между агентами. На представленной ниже блок-схеме (см. рис. 3) приведен алгоритм взаимодействий агентов в процессе работы модели.
37

Рис. 3. Блок-схема, отражающая алгоритмы взаимодействий между агентами. Пронумерованные переходы (1-9) более подробно описаны в тексте

38 Добавление агентов-людей в модель (1) осуществляется с помощью алгоритмов, подробно изложенных в разделе «инициализация модели». Для поступления в школу, агенты данного типа начинают поиск свободных образовательных мест в различных муниципальных образованиях. В случае если все школы в «домашнем» регионе (т. е. в том муниципальном образовании, где появился агент) переполнены (2), агенты вынуждены перемещаться в близлежащие районы (3) до момента обнаружения учреждения, где присутствуют свободные образовательные места. Успешное поступление в школы переводит агентов-людей в состояние pupil со значением текущего года обучения i-го агента currentGradei=1 (4). После выполнения всех приведенных выше операций, запускается следующий такт модели (5), в результате чего у агентов-людей в состоянии pupil происходит увеличение показателей текущего года обучения (6). Так, при выполнении условия:
39 currentGradei < 11 ,  1
40 значение переменной currentGradei увеличивается на одну единицу (7), после чего агент переводится на следующий год обучения (8). В случае невыполнения условия (1) происходит удаление агента из модели (9), что соответствует окончанию обучения по общеобразовательной программе.
41 Инициализация модели. Общий алгоритм выполнения модели состоит из следующих этапов:
42
  1. воспроизведение возрастных структур обучающихся по образовательным программам начального, основного и среднего общего образования в муниципальных образованиях РСО-Алания;
  2. вычисление на каждом такте модели возрастных структур обучающихся, а также показателей обеспеченности местами в двух сценариях: без учета, а также с учетом запланированного изменения числа образовательных мест в результате строительства новых школ;
  3. сопоставление полученных прогнозных данных для оценки целесообразности строительства новых образовательных учреждений за счёт средств федерального проекта «Современная школа».
43 Калибровка демографических показателей в 2018-2036 гг. осуществляется на основании среднего варианта прогноза Федеральной службы государственной статистики о предположительной численности населения по возрасту, а также расчетных показателей численности постоянного населения РСО-Алания в разрезе муниципальных образований (см. табл. 4), вычисляемых с помощью формулы:
44 Pfkl= Pk2018Pr2018 * Prl  2
45 где Pfkl – предположительная численность населения k-го муниципального образования в l-м году;
46 Pk2018 – численность населения k-го муниципального образования в 2018 г.;
47 Pr2018 – численность населения РСО-Алания в 2018 г.;
48 Prl – численность населения РСО-Алания в l-м году.
49

Таблица 4. Предположительная численность постоянного населения РСО-Алания в разрезе муниципальных образований в 2018-2036 гг., человек

Год Тип населения Респ. Северная Осетия-Алания в т.ч. муниципальные районы
      г. Владикавказ Алагирский Ардонский Дигорский Ирафский Кировский Моздокский Правобережный Пригородный
2018 городское 450865 322578 20043 19412 10075 0 0 41728 37029 0
  сельское 250900 1420 16720 12418 8190 15160 27406 46395 20059 103132
2019 городское 449672 321724 19990 19361 10048 0 0 0 0 0
  сельское 249651 1413 16637 12356 8149 15085 27270 46164 19959 102619
2020 городское 448753 321067 19949 19321 10028 0 0 0 0 0
  сельское 204079 1155 13600 10101 6662 12331 22292 37737 16316 83886
2021 городское 447651 320278 19900 19274 10003 0 0 0 0 0
  сельское 247412 1400 16488 12245 8076 14949 27025 45750 19780 101698
2022 городское 446354 319351 19842 19218 9974 0 0 0 0 0
  сельское 246184 1393 16406 12185 8036 14875 26891 45523 19682 101193
2023 городское 445004 318385 19782 19160 9944 0 0 0 0 0
  сельское 244923 1386 16322 12122 7995 14799 26753 45290 19581 100675
2024 городское 443602 317382 19720 19099 9913 0 0 0 0 0
  сельское 243666 1379 16238 12060 7954 14723 26616 45057 19481 100158
2025 городское 442170 316357 19656 19038 9881 0 0 0 0 0
  сельское 242426 1372 16155 11999 7913 14648 26480 44828 19382 99649
2026 городское 440669 315283 19590 18973 9847 0 0 0 0 0
  сельское 241145 1365 16070 11935 7872 14571 26340 44591 19279 99122
2027 городское 439074 314142 19519 18904 9812 0 0 0 0 0
  сельское 239842 1357 15983 11871 7829 14492 26198 44350 19175 98587
2028 городское 437437 312971 19446 18834 9775 0 0 0 0 0
  сельское 238519 1350 15895 11805 7786 14412 26054 44106 19069 98043
2029 городское 435751 311764 19371 18761 9737 0 0 0 0 0
  сельское 237213 1343 15808 11741 7743 14333 25911 43864 18965 97506
2030 городское 434034 310536 19295 18687 9699 0 0 0 0 0
  сельское 235889 1335 15720 11675 7700 14253 25766 43619 18859 96962
2031 городское 432269 309273 19216 18611 9659 0 0 0 0 0
  сельское 234563 1328 15631 11609 7657 14173 25621 43374 18753 96417
2032 городское 430478 307992 19137 18534 9619 0 0 0 0 0
  сельское 233245 1320 15543 11544 7614 14093 25478 43130 18648 95875
2033 городское 428663 306693 19056 18456 9579 0 0 0 0 0
  сельское 231906 1313 15454 11478 7570 14012 25331 42883 18540 95325
2034 городское 426892 305426 18977 18380 9539 0 0 0 0 0
  сельское 230597 1305 15367 11413 7527 13933 25188 42641 18436 94786
2035 городское 425126 304163 18899 18304 9500 0 0 0 0 0
  сельское 229302 1298 15281 11349 7485 13855 25047 42401 18332 94254
2036 городское 423388 302919 18822 18229 9461 0 0 0 0 0
  сельское 228007 1290 15194 11285 7443 13777 24905 42162 18229 93722
50 Индивидуальные характеристики присваиваются каждому из агентов при инициализации модели, а переход агентов-людей в состояние “pupil” осуществляется с помощью вероятностного распределения, основанного на данных, приведенных выше в табл. 1 (Распределение обучающихся всех классов, кроме классов для обучающихся с ограниченными возможностями здоровья, по возрасту на начало 2018 г.). Местоположение агентов, принадлежащих к различным муниципальным районам, также выбирается случайным образом внутри контура территориальных границ соответствующих муниципальных районов.
51 Интерфейс агент-ориентированной модели включает ГИС-карту, содержащую визуальную информацию о местоположении агентов в различных районах Республики (см. рис. 4).
52

Рис. 4. Интерфейс ГИС-карты в агент-ориентированной модели

53 Масштабирование до уровня отдельных районов агрегированных данных показателя прогнозируемого числа обучающихся m-х классов n-го возраста k-го муниципального образования в l-м году осуществляется с помощью формулы:
54 Pfmnkl=Pfnkl* Pmnk2018Pnk2018   3
55 где Pfnkl – предположительная численность населения n-го возраста k-го муниципального образования в l-м году
56 Pmnk2018  – численность обучающихся m-х классов n-го возраста k-го муниципального образования в 2018 г.;
57 Pnk2018 – численность населения n-го возраста k-го муниципального образования в 2018 г.
58 Наконец, показатель обеспеченности образовательными местами k-го муниципального образования в l-м году определяется по формуле:
59 Kokl=NklPkl *100 %   4
60 где Nkl – общее число школьных мест k-го муниципального образования в l-м году;
61 Pkl – суммарная численность обучающихся k-го муниципального образования в l-м году;
62 Для значения показателя обеспеченности местами Kokl  принципиально важны следующие случаи:
63
  • значение менее 100%, что соответствует дефициту образовательных мест;
  • равно 100%, что означает полную обеспеченность местами для школьников;
  • свыше 100%, что соответствует избытку школьных мест.
64 Значения показателей обеспеченности по каждому муниципальному образованию суммируется для получения итоговых результатов на уровне Республики.
65 Результаты С целью оценки влияния реализации национального проекта «Образование» на динамику показателя обеспеченности образовательными местами муниципальных округов РСО в 2019-2036 гг., с помощью агент-ориентированной модели авторами были получены прогнозные данные о динамике изменения количества обучающихся в 2018-2036 гг. (см. рис. 5).
66 Рис. 5 Динамика показателей числа обучающихся 1-х классов в процентном соотношении к 2018 г. по муниципальным образованиям РСО-Алания в 2018-2036 гг.
67 На основании полученных результатов было выявлено, что снижение темпов роста численности учащихся первых классов, начиная с 2021 г., наблюдается в Ирафском, Кировском и Пригородном муниципальных районах (в период 2020-2021 гг. снижение составило 0,6%). Отрицательную динамику показателей прироста учеников первых классов начиная с 2022 года также продемонстрировали Алагирский (0,9%), Ардонский (0,5%), Дигорский (0,9%), Моздокский (1,4%) и Правобережный (0,3%) районы. Несмотря на наибольший прирост численности обучающихся по сравнению с другими районами, отрицательная динамика также начинает прослеживаться в г. Владикавказ начиная с 2023 г. (1,7%).
68 В целом по Республике стоит отметить прогнозируемую к 2025 г. стабилизацию показателя числа первоклассников, который стремительно снижался с 2022 г. (см. табл. 5). Однако, при сравнении показателей, полученных в ходе запусков модели, снижение числа обучающихся первых классов в 2036 г. по отношению к 2018 г. в целом по Республике составит 19,4%, или 2096 человек.
69

Таблица 5. Темпы роста числа обучающихся первых классов в муниципальных округах РСО-Алания с 2018 по 2036 гг. (в %)

Год Респ. Северная Осетия- Алания в т.ч. муниципальные районы
    г. Владикавказ Алагирский Ардонский Дигорский Ирафский Кировский Моздокский Правобережный Пригородный
2018 100,0 100,0 100,0 10,00 100,0 100,0 100,0 100,0 100,0 100,0
2019 108,1 109,6 107,7 108,0 107,7 105,0 105,0 107,4 108,2 105,0
2020 111,2 112,9 110,7 111,1 110,8 107,6 107,6 110,4 111,3 107,6
2021 111,6 113,7 110,9 111,4 111,0 107,0 107,0 110,5 111,6 107,0
2022 111,3 115,5 110,0 110,9 110,1 102,2 102,2 109,1 111,3 102,2
2023 107,6 113,8 105,8 107,0 105,9 94,3 94,3 104,4 107,7 94,3
2024 103,2 109,9 101,2 102,6 101,4 88,9 88,9 99,7 103,3 88,9
2025 95,6 101,3 93,9 95,1 94,0 83,3 83,3 92,7 95,7 83,3
2026 92,7 97,9 91,1 92,2 91,2 81,4 81,4 90,0 92,8 81,4
2027 91,4 96,4 89,9 90,9 90,0 80,6 80,6 88,7 91,4 80,6
2028 89,1 93,9 87,7 88,7 87,8 78,9 78,9 86,6 89,2 78,9
2029 87,0 91,4 85,7 86,6 85,7 77,5 77,5 84,7 87,0 77,5
2030 86,1 90,3 84,9 85,8 85,0 77,1 77,1 83,9 86,2 77,1
2031 85,6 89,6 84,4 85,2 84,5 77,1 77,1 83,5 85,7 77,1
2032 85,0 88,8 83,9 84,7 84,0 76,9 76,9 83,1 85,1 76,9
2033 83,7 87,3 82,6 83,4 82,7 75,9 75,9 81,8 83,8 75,9
2034 82,4 85,8 81,3 82,0 81,4 75,0 75,0 80,6 82,4 75,0
2035 81,4 84,7 80,5 81,1 80,5 74,3 74,3 79,7 81,5 74,3
2036 80,6 83,7 79,7 80,3 79,8 74,0 74,0 79,0 80,7 74,0
70 На основании результатов проведенной серии сценарных экспериментов с использованием модели были составлены диаграммы (см. рис 6), на которых представлены результаты расчетов показателей обеспеченности школьными местами муниципальных районов, где в 2019-2021 гг. было запланировано строительство новых школ в рамках федеральной программы «Современная школа».
71

Рис. 6 Сопоставление показателей обеспеченности школьными местами в муниципальных образованиях РСО-Алания, где запланировано строительство новых образовательных учреждений в 2019-2021 гг.

72 Итак, согласно результатам моделирования, при сохранении текущего количества школ, в период 2018-2036 гг. в целом по Республике будет наблюдаться избыток мест для обучающихся по школьным образовательным программам (базовый сценарий в табл. 6). Проведенный эксперимент в модели (планируемый сценарий в табл. 6) связан с оценкой динамики показателя обеспеченности образовательными местами в результате строительства в 2019-2021 гг. пяти объектов на общую сумму 3 866 483 500 руб. (данные об учреждениях содержатся в табл. 3), которые должны обеспечить возможность поступления для 2 660 обучающихся.
73 Однако, при рассмотрении отдельных муниципальных образований, был выявлен незначительный дефицит школьных мест в г. Владикавказ вплоть до 2036 г. даже с учетом запланированного строительства (стоимостью 584 млн. руб.) школы вместимостью 1100 мест (соответствующий столбец в таблице 6 выделен зеленым цветом). В то же время, не подтвердилась целесообразность расходования средств федерального бюджета в размере, превышающем 3,5 млрд. руб., на строительство новых школьных учреждений в Правобережном, Пригородном и Моздокском районах, в которых обеспеченность существенно превышает 100% (соответствующие столбцы в таблице 6 выделены серым цветом). Причиной тому является ожидаемое недостаточное число обучающихся по общеобразовательным программам в данных муниципальных районах.
74 Таким образом, результаты моделирования показали, что новые школы либо оказываются не востребованными в тех районах, где планируется строительство, т.к. ожидаемая общая численность обучающихся в них будет слишком мала, либо, наоборот, запланированное увеличение образовательных мест не в полной мере обеспечит удовлетворение потребностей населения в школьных учреждениях. Отсюда следует, что использование результатов моделирования в процессе планирования могло бы способствовать оптимизации размещения новых школ, а также расходов на их строительство.
75

Таблица 6. Показатели обеспеченности школьными местами по муниципальным округам РСО-Алания в 2018-2036 гг. (в %) Источник: Составлено авторами.

Год Респ. Северная Осетия-Алания в т. ч. муниципальные районы
г. Владикавказ Алагирский Ардонский Дигорский Ирафский Кировский Моздокский Правобережный Пригородный
базовый планируемый базовый планируемый базовый планируемый базовый планируемый базовый планируемый базовый планируемый базовый планируемый базовый планируемый базовый планируемый базовый планируемый
2018 116,8 116,8 90,9 90,9 119,7 119,7 132,7 132,7 216,3 216,3 307,7 307,7 141,7 141,7 136,3 136,3 134,2 134,2 126,7 126,7
2019 114,4 114,4 88,9 88,9 117,3 117,3 130,0 130,0 211,9 211,9 302,8 302,8 139,4 139,4 133,6 133,6 131,4 131,4 124,7 124,7
2020 111,9 113,3 86,6 89,1 114,8 114,8 127,1 127,1 207,4 207,4 298,2 298,2 137,3 137,3 130,9 130,9 128,5 131,3 122,8 122,8
2021 109,7 112,6 84,6 87,0 112,7 112,7 124,7 124,7 203,6 203,6 295,1 295,1 135,9 135,9 128,6 137,8 126,0 128,7 121,5 124,7
2022 107,7 110,6 82,7 85,1 110,9 110,9 122,5 122,5 200,3 200,3 293,5 293,5 135,1 135,1 126,7 135,8 123,7 126,4 120,8 124,0
2023 106,2 109,1 80,9 83,3 109,6 109,6 121,0 121,0 198,0 198,0 294,6 294,6 135,6 135,6 125,4 134,5 122,0 124,7 121,3 124,5
2024 105,7 108,6 79,9 82,2 109,3 109,3 120,4 120,4 197,5 197,5 298,9 298,9 137,6 137,6 125,4 134,4 121,4 124,1 123,1 126,3
2025 106,3 109,2 79,8 82,1 110,2 110,2 121,2 121,2 199,0 199,0 305,9 305,9 140,9 140,9 126,6 135,7 122,1 124,8 126,0 129,3
2026 107,5 110,4 80,2 82,5 111,6 111,6 122,6 122,6 201,5 201,5 314,0 314,0 144,6 144,6 128,4 137,6 123,4 126,1 129,3 132,7
2027 108,7 111,7 80,7 83,1 113,1 113,1 124,1 124,1 204,2 204,2 322,2 322,2 148,4 148,4 130,3 139,7 124,8 127,6 132,7 136,2
2028 110,4 113,4 81,6 84,0 115,0 115,0 126,0 126,0 207,6 207,6 330,8 330,8 152,3 152,3 132,6 142,1 126,7 129,5 136,2 139,8
2029 112,7 115,8 83,0 85,4 117,5 117,5 128,7 128,7 212,2 212,2 340,9 340,9 156,9 156,9 135,6 145,4 129,4 132,2 140,3 144,1
2030 115,4 118,6 84,8 87,3 120,5 120,5 131,9 131,9 217,5 217,5 351,6 351,6 161,9 161,9 139,1 149,1 132,5 135,4 144,8 148,6
2031 118,3 121,5 86,8 89,3 123,6 123,6 135,2 135,2 223,0 223,0 362,1 362,1 166,7 166,7 142,7 153,0 135,8 138,8 149,1 153,0
2032 121,2 124,5 88,8 91,4 126,6 126,6 138,5 138,5 228,5 228,5 371,4 371,4 171,0 171,0 146,2 156,8 139,1 142,1 152,9 157,0
2033 124,0 127,4 91,0 93,6 129,6 129,6 141,7 141,7 233,8 233,8 379,6 379,6 174,8 174,8 149,6 160,4 142,4 145,5 156,3 160,5
2034 126,6 130,0 93,0 95,7 132,1 132,1 144,6 144,6 238,5 238,5 385,9 385,9 177,7 177,7 152,6 163,5 145,3 148,4 158,9 163,1
2035 128,7 132,2 94,7 97,4 134,3 134,3 147,0 147,0 242,3 242,3 390,8 390,8 179,9 179,9 155,0 166,1 147,7 150,9 160,9 165,2
2036 130,4 133,9 96,1 98,8 136,0 136,0 148,9 148,9 245,5 245,5 394,5 394,5 181,6 181,6 156,9 168,2 149,7 153,0 162,4 166,8
76 Дальнейшее развитие представленной в работе агент-ориентированной модели предполагается в направлении расширения ее функционала для использования в качестве комплексного инструмента оценки эффективности реализации национального проекта «Образование» в целом, а также иных национальных проектов в социальной сфере. Используемый в модели уровень детализации отдельных муниципальных образований, а также соответствие динамики модельных показателей официальному демографическому прогнозу, обеспечивают высокий уровень достоверности проводимых симуляций.
77 Научная и практическая значимость работы еще более возрастает в связи с возможностью использования преимуществ имитационного моделирования с позиции цифровизации страны, так как агент-ориентированный подход позволяет проектировать высокоэффективные вычислительные комплексы для анализа, мониторинга и прогнозирования развития сложных социально-экономических систем в России.
78 Авторы выражают благодарность за содействие при выполнении исследования: Руководителю объединенной редакции издательского дома «Бюджет», к.ф.-м.н. Дзгоеву Валерию Дмитриевичу; Заместителю руководителя Федерального казначейства, Действительному государственному советнику Российской Федерации 2 класса, д.э.н. Демидову Александру Юрьевичу; Начальнику Управления бюджетного мониторинга Федерального казначейства, Государственному советнику Российской Федерации 3 класса, д.э.н. Мальцеву Андрею Анатольевичу; Руководителю УФК по Республике Северная Осетия-Алания, Государственному советнику Российской Федерации 3 класса, к.ю.н. Дзгоеву Тимуру Валерьевичу и всему трудовому коллективу Управления Федерального Казначейства по Республике Северная Осетия-Алания.

References

1. Artyukhin R.E. Zadachi i napravleniya razvitiya kaznachejskoj sistemy Rossii // Finansy. 2011. №3.

2. Artyukhin R.E. Kaznachejstvo Rossii: strategicheskoe upravlenie i informatsionnye tekhnologii // Finansy. –2010. № 3

3. D'yachuk P.P.(Ml.), D'yachuk P.P., Karabalykov S.A., Shadrin I.V. Diagnostika neustojchivykh kognitivnykh sostoyanij aktivnykh agentov // Nejroinformatika-2016. Sbornik nauchnykh trudov: v 3 chastyakh. 2016.

4. Isaev Eh.A. Podkhody k tsifrovizatsii kontrolya v finansovo-byudzhetnoj sfere // Byudzhet.

5. 2019, №5.

6. Karavaeva I.V., Bukhval'd E.M., Pavlov V.I., Kazantsev S.V., Gel'vanovskij M.I.,

7. Ivanov E.A., Kolomiets A.G., Kolpakova I.A. Federal'nyj byudzhet Rossii na 2018–2020 gody: novyj shag k pobede nad defitsitom i inflyatsiej // Vestnik Instituta ehkonomiki Rossijskoj akademii nauk. 2018, №1.

8. Karpychev V.Yu. Informatsionnye tekhnologii upravleniya». // N. Novgorod: NIMB, 2004..

9. Makarov V.L., Bakhtizin A.R. Sotsial'noe modelirovanie – novyj komp'yuternyj proryv. Agent-orientirovannye modeli. // M.: Ehkonomika, 2013.

10. Makarov V.L., Bakhtizin A.R., Sushko E.D., Abramov V.I. Komp'yuternoe situatsionnoe modelirovanie v upravlenii ehkonomikoj // Gosudarstvennyj audit. Pravo. Ehkonomika. 2017, № 3-4

11. Mashkova A.L. Intellektual'nyj agent v sotsial'noj srede: nechetkie otsenki i pravila prinyatiya reshenij // Izvestiya YuZGU. Seriya «Upravlenie, informatika, vychislitel'naya tekhnika». –2014, № 3.

12. Prokop'ev M.G. Metodicheskie aspekty razrabotki vychislimykh modelej obschego ravnovesiya // Regional'nye problemy preobrazovaniya ehkonomiki. 2014, № 7 (45)

13. Skrypnik D.V. Byudzhetnye pravila, ehffektivnost' pravitel'stva i ehkonomicheskij rost // Zhurnal novoj ehkonomicheskoj assotsiatsii. 2016, № 2 (30)

14. Tarasov V.B. Ot mnogoagentnykh sistem k intellektual'nym organizatsiyam: filosofiya, psikhologiya, informatika. // M.: Ehditorial URSS, 2002.

15. Amoureux V., Benoteau I., Naouas A. Le modal microsimulation «SAPHIR» // State the working documents of the Treasury, 2018. URL: https://www.tresor.economie.gouv.fr/Articles/380f1480-951e-4c97-ad8a-f820ca5268f0/files/a14b1f71-2b2d-4a65-82e5-22774e8d37b9

16. Gilbert N., Ahrweiler P., Barbrook-Johnson P., Narasimhan K., Wilkinson H. Computational Modelling of Public Policy: Reflections on Practice // Journal of Artificial Societies and Social Simulation. 2018, 21 (1) 14.

17. Kravari K., Bassiliades N. A Survey of Agent Platforms // Journal of Artificial Societies and Social Simulation. 2015, 18 (1) 11.

18. McAuley D. Horizon: Digital Economy Hub at the University of Nottingham. / University of Nottingham URL: https://gow.epsrc.ukri.org/NGBOViewGrant.aspx?GrantRef=EP/G065802/1

19. Monticino M.G., Brooks E., Cogdill T., Acevedo M., Callicott B. Applying a Multi-Agent Model to Evaluate Effects of Development Proposals and Growth Management Policies on Suburban Sprawl // Proc. of the International Environmental Modelling and Software Society, Summit on Environmental Modelling and Software. Burlington (USA) URL: https://scholarsarchive.byu.edu/cgi/viewcontent.cgi?article=3457&context=iemssconference

20. Sudoh, O. Digital Economy and Social Design. // Springer, 2005.

21. Yilmaz L. Toward Multi-Level, Multi-Theoretical Model Portfolios for Scientific Enterprise Workforce Dynamics // Journal of Artificial Societies and Social Simulation. 2011, 14 (4) 2.

22. Young G. Macroeconomic Modelling and Forecasting Capabilities: NiGEM // URL: https://nimodel.niesr.ac.uk/