Везде
Simulation Model of Russian Society. Creation and Analysis of Virtual Population
Table of contents
Annotation Estimate Publication content
References Comments
Share
Metrics
Simulation Model of Russian Society. Creation and Analysis of Virtual Population
Annotation
PII
S207751800012620-1-1
DOI
10.18254/S207751800012620-1
Publication type
Article
Статус публикации
Published
Authors
Nerses Khachatryan 
Occupation: Deputy Director for Research
Affiliation: Central Economics and Mathematics Institute, Russian Academy of Sciences
Address: Russian Federation, Moscow
Anatoly Akinshin
Occupation: Head of local networks laboratory
Affiliation: Central Economics and Mathematics Institute, Russian Academy of Sciences
Address: Russian Federation, Moscow
Olga Kuznetsova
Occupation: Junior Researcher
Affiliation: Central Economics and Mathematics Institute, Russian Academy of Sciences
Address: Russian Federation, Moscow
Edition
Volume 15 Issue 4
Abstract

Forecasting is an important tool in decision-making process in many areas, whether it is business planning or government regulation. With the development of modern technologies and digital society more efficient methods of forecasting and modeling appear, for example the agent-based modeling. The authors create an agent-based model of Russian society. With this model it will be possible to forecast important indicators in different spheres, for example demography or economy. The main goal of creating this model is to make a working tool of forecasting for determination the socio-economic policy of the Russian regions and the country as a hole. The first result of launching the model is population of agents based on real statistic data.

Keywords
computer simulation, agent-based modeling, virtual population, demographic model, forecasting, researchers, experimental results, Russian regions
Received
19.10.2020
Date of publication
06.12.2020
Number of purchasers
10
Views
685
Readers community rating
0.0 (0 votes)
Cite Download pdf

To download PDF you should sign in

Additional services access
Additional services for the article
Services benefits
100 RUB / 1.0 SU
Additional services for all issues for 2020
Services benefits
1200 RUB / 24.0 SU
1

Введение

Задача прогнозирования всегда актуальна, ведь полученные результаты напрямую влияют на процесс принятия управленческих решений в самых различных сферах. Особенно данная тема актуальна в рамках государственного регулирования в России ввиду необходимости реализации национальных проектов, закона о государственном стратегическом планировании1, программ развития (например, Стратегии научно-технологического развития Российской Федерации)2.
1. Федеральный закон «О стратегическом планировании в Российской Федерации» от 28 июня 2014 г. № 172-ФЗ

2. Указ Президента Российской Федерации от 1 декабря 2016 г. № 642 «О стратегии научно-технологического развития Российской Федерации» (Распоряжение Правительства Российской Федерации от 15 августа 2019 г. № 1824-р)
2

В последние годы большую популярность получило прогнозирование на основе компьютерного моделирования. Это объясняется существенным увеличением вычислительных мощностей и как следствие возможностью проведения большого количества экспериментов. Одним из видов компьютерного моделирования является агент-ориентированное моделирование [1]. Оно основано на создании децентрализованных агентов и исследовании их поведения, определяющего поведение всей системы в целом. Данный вид моделирования очень гибок и может быть применён практически к любой задаче (как теоретической, так и практической), из-за чего широко используется во многих странах, например, США, Великобритании, Испании, Германии, Пакистане, Китае и других. Многие примеры опубликованы в международном журнале «Journal of Artificial Societies and Social Simulation» [9-12].
3

В России агент-ориентированное моделирование используется сейчас в основном в сфере научных исследований, в частности при изучении социально-экономических процессов. Здесь можно выделить работы сотрудников ЦЭМИ РАН [2-8].
4 Авторами разрабатывается агент-ориентированная модель, представляющая собой воспроизведённый в электронном пространстве упрощённый двойник Российского общества (далее - АОМ). Разработка данной модели состоит из следующих этапов:
5
  1. создание популяции агентов, которая должна максимально точно отображать реальное общество в определённый, заданный момент времени;
  2. реализация алгоритмов поведения агентов, которые должны максимально точно имитировать принятие решений реальных граждан (в результате которых и будет формироваться прогноз);
  3. анализ выходных данных, визуализация, выводы.
6 Основная цель разработки данной модели - создание инструмента прогнозирования для определения социально-экономической политики регионов и страны в целом, причем в отличии от аналогичных данная модель должна оценить роль науки и инноваций, а также управленческих решений в этих сферах деятельности (например, создание научно-образовательных центров мирового уровня) в развитии регионов РФ и страны в целом.
7 Данная статья посвящена первому этапу работы АОМ, то есть методам и принципам воссоздания популяции агентов, имитирующим общество Российской Федерации. Говоря о технологической составляющей, основная часть АОМ реализована на C# в среде разработки Visual Studio 2019. Для обеспечения возможности запуска модели на суперкомпьютере (что необходимо для максимальной точности расчётов) с использованием OpenMP либо MPI, часть программного кода должна быть реализована в C++.
8 Стоит уточнить, что и начальное создание агентов с учётом численности в 145 миллионов и дальнейшее моделирование – очень ресурсоёмкие вычислительные задачи, требующие, в том числе, массового распараллеливания вычислений на большом числе узлов суперкомпьютера. Поэтому имеет смысл задать «масштаб модели» - параметр, который будет определять соотношение модельной и реальной численности людей. Такое допущение позволяет значительно снизить требования к вычислительным ресурсам при разработке и отладке модели, но требует реализации дополнительного правила в некоторых случаях при округлении численности агентов, которые исчисляются в натуральных числах. Источники статистических данных для АОМ представлены Единой межведомственной информационно–статистической системой (ЕМИСС)3 и Федеральной службой государственной статистики (Росстат)4.
3. >>>>

4. >>>>
9

Цели и концепция

Глобальная цель АОМ - создание инструмента прогнозирования важных для страны показателей (таких как, ВВП, национальный и личный доход, число занятых, уровень научно-технического прогресса) для определения социально-экономической политики страны и её субъектов. Особенность подхода заключается в том, что предметом моделирования являются не сами макропоказатели, а агенты (люди), действия которых, в свою очередь, формируют эти макропоказатели.
10 Агенты-люди, каждый в отдельности со своим персональным набором характеристик, создаются на первом этапе работы АОМ. Основная цель этого этапа – создание популяции агентов, которая была бы максимально приближена к реальному обществу Российской Федерации (далее - РФ). Это необходимо для обеспечения достаточного уровня точности будущих прогнозов. Поэтому свойства, которыми наделяются агенты, не гипотетические, а их значения распределяются в соответствии с официальной статистикой по каждому субъекту РФ.
11 Таким образом, агенты формируются на основе региональных показателей, а далее в зависимости от их действий происходит изменение этих показателей на следующем этапе модельного времени (Рис. 1).
12

Рисунок 1. Формирование прогнозных показателей
13

Описание модели

Свойства агента. Создать абсолютно точную копию человека невозможно. Тем не менее, некоторые основные качества человека можно перенести его электронному двойнику. В модели каждый агент представлен следующими свойствами:
14
  1. ID агента
  2. Пол
  3. Возраст
  4. ID региона
  5. ID семьи
  6. Работа / сфера деятельности:
  • ребёнок (агенты с возрастом < 18 лет)
  • студент
  • безработный
  • исследователь
  • другая сфера деятельности
  • пенсионер

7. Ученая степень (для исследователей)

8. Уровень квалификации

9. Оплата труда

10. Группа доходности.
15 Стоит уточнить, что, пределов детализации свойств агента не существует, и всегда есть возможность дополнить его тем или иным свойством в зависимости от объекта исследования и поставленной задачи. Например, при анализе банковской сферы или сферы промышленности можно добавить соответствующие сферы деятельности и другие необходимые свойства, используя соответствующие статистические данные (при их наличии). С технологической точки зрения, это означает возможность добавления необходимых свойств в класс, соответствующий агенту, и необходимой функциональности в методы этого класса, реализующие его поведение.
16 Свойства семьи. В процессе моделирования необходимо учитывать семейное положение агентов (людей) и наличие детей в семьях. Для этого в модель добавлен еще один класс (public class Family), имеющий следующие свойства:
17
  1. ID семьи
  2. ID региона
  3. ID первого родителя
  4. ID второго родителя
  5. Доход семьи
  6. Список детей
18 Объекты – семьи, экземпляры этого класса, создаются после начального создания всех агентов-людей по правилам, описанным ниже (см. «Методология создания агентов»).
19 Методология создания агентов. Популяция агентов создаётся в каждом субъекте РФ в соответствии с данными региональной статистики: начиная с численности и половозрастной структуры населения. Далее созданным агентам присуждаются остальные свойства (см. «Свойства агента»). Принципиальная задача заключается в том, как агрегированные статистические данные (например, по численности безработных или по уровню дохода в регионе) «превратить» в свойство для каждого отдельного агента.
20 ID. ID – уникальный идентификационный номер, который присваивается каждому агенту в момент его создания. Стоит уточнить, что такой ID будет присваиваться и новым агентам, которые будут «рождены» уже в процессе работы модели. Такие уникальные номера нужны для отслеживания «жизненного пути» агента.
21 Пол, возраст, регион проживания. Данные по численности населения с разбивкой по полу и возрасту представлены по каждому субъекту РФ. Таким образом, при помощи этих данных можно создать соответсвующее количество агентов-женщин и агентов-мужчин каждого возраста.
22 ID семьи. ID семьи – идентификационный номер каждой созданной в модели семьи. Технологически семьи образуются следующим образом: после создания агента решается, первое, состоит ли он в браке и, если да, то с каким конкретно агентом; второе, есть ли в этой семье дети и, если есть, то сколько и в каком возрасте. Такие агенты-дети также «прикрепляются» к ID этой семьи. По достижении 18 лет они перестают быть агентами-детьми, «открепляются» от семьи и могут сами создать новую семью. Вероятность нахождения в браке для агентов определяется в соответствии с данными опроса Фонда «Общественное мнение»5 следующим образом:
5. >>>>
23

Таблица 1. Порядок присвоения статуса «в браке»

Возрастной диапазон агентов-женщин, лет Доля от численности в возрастном диапазоне, % Результат
18 – 30 42% Модель находит агента-мужчину в том же возрастном диапазоне в том же регионе. Образуется семья со своим ID.
31 – 45 72%
46 – 60 67%
> 60 46%
24 Стоит уточнить, что данные в Таблице 1 показывают не вероятность вступить в брак для указанных возрастов, а долю агентов указанных возрастов, уже состоящих в браке. Также следует отметить, что из-за довольно больших возрастных диапазонов и использования стохастической процедуры для выбора агентов-мужчин и агентов-женщин, возможно создание семей со значительной разницей в возрасте между мужем и женой.
25 Агенты-дети создаются в том же порядке, что и прочие агенты (см. «Пол, возраст, регион проживания»). Тем не менее, их дополнительно необходимо «прикрепить» к той или иной семье в том же регионе, в котором они были созданы. Агенты-дети «прикрепляются» к семье, в которой агент-женщина имеет соответствующий агенту-ребёнку возраст согласно Таблице 2.
26 Таблица 2. Порядок «присоединения» агентов-детей к агентам-женщинам
Возрастной диапазон агентов-детей, лет Возрастной диапазон агентов-женщин, лет
0 – 4 22 – 30
5 – 9 27 – 35
10 – 14 32 – 40
15 - 18 36 - 55
27 Семьи заполняются агентами-детьми последовательно: сначала все семьи получают по одному ребёнку, и только после того, как все семьи заполнены, - по второму ( если «свободные» дети ещё остались) и так далее. В результате в модели возможно образование семей с одним, двумя, тремя и более детьми. Пересечение возрастных диапазонов у агентов–женщин не допускает равномерного распределения детей по семьям. Интересно отметить, что уже на этом этапе в результате анализа работы модели хорошо видны отличия различных регионов.
28 Работа / сфера деятельности
29

1. Первыми в данной модели отбираются агенты-студенты (агенты, которым будет присвоен статус «студент»). Имеется статистика об общей численность студентов в регионе.6 В случайном порядке отбираются агенты, подходящие по возрасту согласно Таблице 3. Сразу стоит уточнить, что присутствует ряд допущений:

6. Численность студентов в государственных и муниципальных образовательных организациях высшего образования, ЕМИСС: >>>>
30
  • все студенты поступают на 1-й курс обучения в 18 лет;
  • студенты-бакалавры учатся четыре года, магистры – два года;
  • никто из студентов не работает;
  • ввиду наличия статистики только о численности студентов на всех годах обучения, этот показатель был адаптирован авторами для определения численности студентов на каждом году обучения.
31 Таблица 3. Порядок присвоения статуса «студент»
Курс обучения Возраст агента, лет Численность студентов, % от общей численности студентов в регионе
1 курс бакалавриата 18 22%
2 курс бакалавриата 19 20%
3 курс бакалавриата 20 19%
4 курс бакалавриата 21 18%
1 курс магистратуры 22 11%
2 курс магистратуры 23 10%
32

2. Далее среди агентов отбираются те, которым будет присвоен статус «безработный». В данном случае механизм прост: имеется информация о численности безработных в регионе.7 В соответствии с этой численностью в случайном порядке отбирается такое же количество агентов, которые старше 18 лет, младше пенсионного возраста (60 лет для агентов-женщин и 65 лет для агентов-мужчин) и не имеют статус «студент».

3. Следующими отбираются агенты-исследователи. Исследователи в модели - это работники, занятые научными исследованиями и разработками, во всех сферах науки.8 Они отбираются среди агентов, которые, во-первых, имеют возраст больше 23 лет, во-вторых, не имеют статуса «безработный». Стоит уточнить, что такой возраст выбран, исходя из предположения, что агент-исследователь должен закончить 6 лет обучения в ВУЗе. В целях повышения детализации агенты-исследователи дополнительно разделяются по учёным степеням. Для этого агенты со статусом «исследователь» ранжируются по уровню квалификации (подробнее про начисление баллов квалификации см. далее). Агентам из начала списка в количестве равном реальной численности докторов наук в регионе присваивается статус «доктор наук».9 Следующему пулу агентов по списку в аналогичном порядке присваивается статус «кандидат наук».10

4. Другим агентам, которые не получили ни один из выше перечисленных статусов, а также старше 18 лет, но моложе пенсионного возраста, присваивается статус «другая сфера деятельности».

5. Все «оставшиеся» агенты страше песионного возраста получают статус «пенсионер».

7. Уровень безработицы (по методологии МОТ), ЕМИСС: >>>>

8. Численность персонала, занятого научными исследованиями и разработками (по категориям; по субъектам Российской Федерации, движение персонала), Росстат, раздел «Наука и инновации»: >>>>

9. Численность персонала, занятого научными исследованиями и разработками (по областям науки; по возрастным группам; по учёным степеням; по субъектам Российской Федерации), Росстат, Наука и инновации: >>>>

10. там же
33 Уровень квалификации. Понятие квалификации в данной модели включает опыт, знания, талант, профессиональные навыки и прочие умения, которые агент применяет в своей профессиональной сфере деятельности. Предполагается, что квалификация исчисляется в условных баллах, которые начисляются агенту, исходя из его возраста, статуса и прочих характеристик в каждый шаг модельного времени (см. Таблицу 4). Агенты-дети, безработные, пенсионеры не получают баллов квалификации.
34 Таблица 4. Порядок начисления баллов квалификации на каждом шаге модельного времени
Статус агента Количество баллов квалификации
1 курс бакалавриата от 1 до 3
2 курс бакалавриата от 1 до 3
3 курс бакалавриата от 1 до 3
4 курс бакалавриата от 1 до 3
1 курс магистратуры от 2 до 5
2 курс магистратуры от 2 до 5
Исследователь от 5 до 8
Другая сфера деятельности агент окончил бакалавриат: от 3 до 8 агент не окончил бакалавриат: от 1 до 3
35 В момент создания популяции агент уже должен иметь определённое количество баллов квалификации. Начисляются они по логике, основанной на порядке получения баллов на каждом шагу модельного времени (см. Таблицу 4), следующим образом (см. Таблицу 5):
36 Таблица 5. Порядок начисления баллов квалификации в начальный момент модельного времени
Статус агента Количество баллов квалификации
1 курс бакалавриата от 1 до 3
2 курс бакалавриата от 2 до 6
3 курс бакалавриата от 3 до 9
4 курс бакалавриата от 4 до 12
1 курс магистратуры от 8 до 17
2 курс магистратуры от 12 до 22
Исследователь (от 12 до 22) + (число лет агента – 23) * (от 5 до 8)
Другая сфера деятельности агент окончил бакалавриат: (от 4 до 12) + (число лет агента – 21) * (от 3 до 8) агент НЕ окончил бакалавриат: (число лет агента – 18) * (от 1 до 3)
Безработный (число лет агента – 18) * (от 0 до 8)
37 В этом процессе имеет место предположение о том, что вне зависимости от возраста все созданные агенты-исследователи закончили магистратуру, безработные – не учились вовсе. Для агентов «другой сферы деятельности» необходимо учитывать возможное наличие высшего образование (доля людей с высшим образованием для каждого региона берется из статистических данных)11.
11. Состав занятого населения по уровню образования, Росстат, Статистическое издание «Регионы России. Социально-экономические показатели»: >>>>
38

Оплата труда и группа доходности. В модели доход имеют агенты, которые имеют работу, то есть имеют статус «исследователь» или «другая сфера деятельности» (далее – «работающие» агенты), их доход определяется на основе статистических данных об оплате труда персонала, занятого научными исследованиями и разработками12 и оплате труда наёмных работников организаций13 соответственно. Также используется информация о распределении общего объёма денежных доходов по 20%-м группам населения.14 Каждая из таких групп населения имеет определённую долю от общей суммы дохода в регионе. Первая группа – группа с самым низким доходом, пятая – с самым высоким. Таким образом, на основе выше указанных данных можно получить среднее значение дохода агентов каждой группы и с их помощью задать пограничные значения дохода агентов каждой из групп, внутри которых для каждого агента этой группы будет определён персональный размер оплаты труда. Ниже приведем процедуру задания указанных границ.

12. Средняя заработная плата научных сотрудников в организациях государственной и муниципальной форм собственности, Росстат, Рынок труда, занятость и заработная плата, Заработная плата отдельных категорий работников социальной сферы и науки, Итоги федерального статистического наблюдения в сфере оплаты труда отдельных категорий работников социальной сферы и науки в 2020 году: >>>>

13. Оплата труда наемных работников по регионам Российской Федерации, ЕМИСС: >>>>

14. Распределение общего объема денежных доходов по 20-ти процентным группам населения, ЕМИСС: >>>>
39

Пусть Ci , i=1,…,5 – среднее значение дохода агентов i-ой группы. Тогда значения верхней и нижней  границы данной группы, обозначаемые Di1, Di2, i=1,…,5   задаются следующим образом:
40

D11 = C1 – (C2 - C1)/2,  D12 = D11 + 2(C1 - D11)

Di1 = Di-1,2 ,  Di2 = D i1 + 2(C i - D i1), i=2,…,5
41 Данная процедура наглядно продемострирована на рис.2. На нем синими точками обозначены средние значение доходов агентов в группах, а красными – границы групп доходности.
42

Рисунок 2. Средние значения и границы групп доходности в г. Москве.
43 Уровень оплаты труда агента привязывается к уровню его квалификации. Для его определения, во-первых, «работающие» агенты ранжируются по уровню квалификации. Во-вторых, в соответствии с этим рейтингом агенты делятся на равные пять групп. В-третьих, агентам присваивается индивидуальный уровень оплаты труда равномерно внутри границ их групп доходности. Для агентов-пенсионеров уровень дохода определяется исходя из среднего размера начисленных пенсий в регионе с условием случайной диверсификации в пределах 20%-в.15
15. Средний размер назначенных пенсий по категориям пенсионеров, ЕМИСС: >>>>
44

Результаты запуска первого этапа модели

Результатом реализации первого этапа модели является созданная популяция агентов-людей, отображающая состояние Российского общества на текущий момент времени, который является начальным для модели. Отметим, что при этом используются статистические данные за 2018 год в силу отсутствия информации по определенным показателям за 2019 год. В техническом плане результатом реализация данного этапа модели является создание следующих баз данных:
45
  • агентов с учётом всех присвоенных им свойств;
  • семей с учётом всех внутрисемейных связей;
  • агрегированным показателям в каждом регионе.
46 Устойчивость модели. Одним из важных свойств модели является устойчивость. В данном случае под устойчивостью модели в рамках реализации ее первого этапа понимается способность создавать популяции, соответствующие свойства которых отличаются друг от друга на допустимо малую величину при повторных запусках модели. У создаваемой в данной модели популяции есть свойства, которые являются постоянными, - это численность населения, численность агентов-женщин и агентов-мужчин в каждом возрасте, численность студентов, безработных, исследователей, работников других сфер деятельности, пенсионеров (см. Таблицу 6). Модель формирует популяцию, основываясь на численности каждой из этих категорий. Таким образом, в рамках указанных свойств популяция остаётся неизменной вне зависимости от количества запусков модели (при неизменных начальных условиях). Однако присвоение агентам других свойств несёт в себе определённый вероятностный характер. Это говорит о том, что в рамках этих свойств с каждым запуском модели получаемые популяции будут несколько различаться.
47 Таблица 6. Вариативность свойств популяции агентов
№ Свойство агента Свойство на уровне региона Вариативность
1 ID численность населения постоянно
2 Пол численность женщин и мужчин постоянно
3 Возраст численность населения в каждом возрасте постоянно
4 ID региона - -
5 ID семьи численность семей постоянно
6 Сфера деятельности численность студентов, безработных, исследователей, работников других сфер деятельности, пенсионеров постоянно
7 Учёная степень Численность докторов и кандидатов наук постоянно
8 Уровень квалификации среднее значение по региону варьируется
9 Оплата труда среднее значение по региону варьируется
10 Группа доходности среднее значение внутри каждой группы по региону варьируется
48 Оценка устойчивости будет сформирована на основе среднего по региону уровня оплаты труда (для исследователей и работников других сфер деятельности), а также уровня квалификации. Уровень квалификация рассчитывается без учёта детей и пенсионеров, так как они не принимают участия в трудовой деятельности.
49

Стоит отметить, что на результаты устойчивости модели может значительно влиять параметр «масштаб модели» (см. «Введение»). Запуск с масштабом один к одному (1/1) даст наиболее точные и наименее вариативные результаты. С учётом имеющихся технических мощностей для оценки устойчивости было проведено несколько вариантов экспериментов: с масштабами один к тысяче (1/1000), один к двумстам (1/200), один к ста (1/100), один к пятидесяти (1/50). В масштабе 1/1000 и 1/200 модель была запущена по пять раз, в масштабе 1/100 - три раза и в масштабе 1/50 – один раз. Варианты запусков с каждым «масштабом модели» были усреднены по всем запускам. В Таблицах 7, 8, 9 можно видеть результаты среднего расхождения по всем регионам от усреднённого варианта.
50

Таблица 7. Среднее значение расхождения от усреднённого варианта по оплате труда исследователей, %

 Оплата труда исследователей
  Масштаб модели
№ запуска 1/1000 1/200 1/100
1 9,73% 5,15% 3,05%
2 10,11% 4,54% 3,40%
3 10,01% 4,42% 3,40%
4 8,84% 4,75%  
5 9,39% 4,38%  
51 Как следует из Таблицы 1 максимальное расхождение от усреднённого по всем пяти запускам варианта составляет 10,11% (в масштабе 1/1000, запуск 2). Кроме того очевидно, что с увеличением «масштаба модели» вариативность показателя снижается: среднее расхождение в масштабе 1/1000 составляет 9,62%, в масштабе 1/200 – 4,65%, в масштабе 1/100 - 3,28%.
52

Таблица 8. Среднее значение расхождения от усреднённого варианта по оплате труда работников других сфер, %

Оплата труда работников других сфер
  Масштаб модели
№ запуска 1/1000 1/200 1/100
1 0,70% 0,38% 0,18%
2 0,78% 0,33% 0,22%
3 0,73% 0,30% 0,22%
4 0,64% 0,33%  
5 0,64% 0,31%  
53

По оплате труда работников других сфер деятельности расхождения от усреднённого варианта по всем запускам незначительно, максимальное значение составляет 0,78% (Таблица 8). Также с увеличением «масштаба модели» вариативность показателя снижается: среднее расхождение показателя в масштабе 1/200 по отношению к масштабу 1/1000 меньше в 2,1 раза, а в масштабе 1/100 по отношению к масштабу 1/200 меньше в 1,5 раза.
54

Таблица 9. Среднее значение расхождения от усреднённого варианта по уровню квалификации, %

Квалификация
  Масштаб модели
№ запуска 1/1000 1/200 1/100
1 2,46% 1,65% 0,67%
2 2,70% 1,43% 0,80%
3 2,51% 1,37% 0,90%
4 2,73% 1,02%  
5 2,78% 1,03%  
55 Вариативность показателя уровня квалификации также можно назвать не значительным – самое большое значение – 2,78%. Также, как и в случае с другими показателями, она снижается с увеличением «масштаба модели»: среднее расхождение в масштабе 1/1000 составляет 2,64%, в масштабе 1/200 – 1,3%, в масштабе 1/100 - 0,79%.
56 Сложно говорить о степени устойчивости модели, так как понятия точности и устойчивости в данном случае субъективны и будут зависеть от конкретной поставленной цели и объекта исследования. Тем не менее, значения расхождений от усреднённого варианта говорят о том, что модель довольна устойчива. Кроме того, полученные результаты показывают, что, чем больше значение параметра «масштаба модели», тем менее вариативны показатели, то есть тем устойчивее модель. Самым вариативным показателем является оплата труда исследователей. Это объясняется тем, что устойчивость данного показателя более чувствительна к масштабу модели, чем устойчивость показателя, характеризующего оплату труда работников других сфер в силу существенной разницы в их количестве.
57 Сравнение с реальностью. Кроме уровня устойчивости важно оценить, насколько популяция, которая получается «на выходе», правдиво отражает нынешнюю ситуацию в обществе. Для этого модельные показатели необходимо сравнить с реальными региональными данными. Стоит отметить, что для этого будут использованы только два показателя: оплата труда исследователей и оплата труда работников других сфер деятельности. Это связано с тем, что уровень квалификации в модели представляет собой набор условных баллов, а аналогов оценки уровня квалификации в количественном исчислении в официальной статистике не представлено.
58

Таблица 10. Расхождение модельного и реального уровней, %

Показатель 1/1000 1/200 1/100 1/50
Оплата труда исследователей 70,92% 39,96% 32,18% 20,44%
Оплата труда работникам других сфер деятельности 35,74% 31,78% 31,08% 30,92%
59

По Таблице 10 можно видеть, что расхождения модельного и реального уровней довольно значительны. Особенно это касается показателя «оплата труда исследователей». Причём модельные значения по регионам в основном ниже реальных значений. Тем не менее, можно оценить динамику с увеличением масштаба модели от 1/1000 до 1/50. По оплате труда исследователей расхождение сокращается почти в 3,5.
60

Стоит обратить внимание, что ситуацию значительно «портят» отдельные регионы, где численность агентов сравнительно небольшая. Особенно это касается численности исследователей. В таких регионах отклонения модельных значений от реальных самые большие. В связи с этим, в качестве эксперимента в популяции, созданной с масштабом 1/50, были выделены 25 регионов, которые имеют наибольшую численность агентов-исследователей (Таблица 11). Можно видеть, что по таким регионам оплата труда исследователей отличается от реального уровня в среднем на 4,73%.
61

Таблица 11. Регионы, которые имеют наибольшую численность агентов-исследователей

№ Регион Численность исследователей, ед. Модельное значение, руб./мес. Реальное значение, руб./мес. Расхождение, %
1 г. Москва 4 098 66 455 66 760 0,46%
2 Московская область 1 736 53 915 54 135 0,41%
3 г. Санкт-Петербург 1 501 61 077 62 099 1,65%
4 Нижегородская область 817 54 198 55 474 2,30%
5 Иркутская область 435 45 787 53 887 15,03%
6 Свердловская область 411 40 575 41 616 2,50%
7 Челябинская область 304 46 229 47 113 1,88%
8 Республика Татарстан 254 42 355 42 445 0,21%
9 Ростовская область 235 45 020 44 711 0,69%
10 Воронежская область 220 29 566 29 760 0,65%
11 Самарская область 200 51 992 51 703 0,56%
12 Новосибирская область 199 58 544 46 321 26,39%
13 Пермский край 197 47 801 49 036 2,52%
14 Калужская область 180 28 656 29 062 1,40%
15 Республика Башкортостан 156 56 936 56 102 1,49%
16 Тюменская область 155 105 356 102 802 2,48%
17 Ленинградская область 144 45 127 44 800 0,73%
18 Краснодарский край 139 37 496 37 828 0,88%
19 Ярославская область 124 27 885 27 563 1,16%
20 Пензенская область 116 35 142 37 718 6,83%
21 Приморский край 116 52 201 54 260 3,79%
22 Саратовская область 112 30 651 32 726 6,34%
23 Владимирская область 102 33 541 36 588 8,33%
24 Ульяновская область 101 47 198 53 145 11,19%
25 Кемеровская область 90 47 917 58 652 18,30%
          4,73%
62

Заключение

Для обеспечения качества будущих прогнозов принципиальное значение в моделировании играет точное воспроизведение начального состояния («среза» на данный момент). Именно поэтому воссоздание виртуальной популяции, приближенной к реальной, так важно. В статье была продемонстрирована способность разрабатываемой модели к формированию популяции, в достаточной мере устойчивой и похожей на реальное общество при приближении численности агентов к реальной численности людей в стране.
63 Результаты реализации первого этапа представленной модели имеют ценность сами по себе в качестве объекта исследования разных свойств, как на уровне отдельных агентов, так и на уровне регионов и страны в целом. Стоит отметить, что большим преимуществом разрабатываемой модели является возможность детализации агентов – добавление и уточнение их свойств. Кроме того, получаемая виртуальная популяция является базой для дальнейшей реализации алгоритмов действий агентов, на основе которых будет формироваться прогноз макропоказателей, чем и планируют заниматься авторы в рамках дальнейших работ.

References

1. Makarov V.L., Bakhtizin A.R. Sotsial'noe modelirovanie - novyj komp'yuternyj proryv (agent-orientirovannye modeli). M.: Ehkonomika, 2013

2. Makarov V.L., Bakhtizin A.R., Beklaryan G.L., Akopov A.S. Imitatsionnoe modelirovanie sistemy umnyj gorod: kontseptsiya, metody i primery // Natsional'nye interesy: prioritety i bezopasnost'. 2019, T. 15, № 2.

3. Makarov V.L., Bakhtizin A.R., Beklaryan G.L., Akopov A.S. Razrabotka programmnoj platformy dlya krupnomasshtabnogo agent-orientirovannogo modelirovaniya slozhnykh sotsial'nykh sistem // Programmnaya inzheneriya. 2019, T. 10, № 4.

4. Makarov V.L., Bakhtizin A.R., Beklaryan G.L., Akopov A.S., Rovenskaya E.A., Strelkovskij N.V. Ukrupnennaya agent-orientirovannaya imitatsionnaya model' migratsionnykh potokov stran Evropejskogo soyuza // Ehkonomika i matematicheskie metody. 2019, T. 55, № 1

5. Makarov V.L., Bakhtizin A.R., Sushko E.D., Ageeva A.F. Agent-orientirovannaya model' Evrazii i imitatsiya realizatsii krupnykh infrastrukturnykh proektov // Ehkonomika regiona. 2018, T. 14, № 4.

6. Makarov V.L., Bakhtizin A.R., Sushko E.D., Vasenin V.A., Borisov V.A., Roganov V.A. Superkomp'yuternye tekhnologii v obschestvennykh naukakh: agent-orientirovannye demograficheskie modeli // Vestnik Rossijskoj akademii nauk. 2016, T. 86, № 5

7. Khachatryan N.K., Kuznetsova O.I. Komp'yuternoe modelirovanie variantov prostranstvennogo razvitiya nauchno-tekhnologicheskoj sfery v Rossijskoj Federatsii // Ehkonomika i matematicheskie metody. 2020, T. 56, №3.

8. Khachatryan N.K., Kuznetsova O.I. Komp'yuternoe modelirovanie variantov raspredeleniya innovatsionnoj aktivnosti po regionam Rossii // Vestnik TsEhMI. 2018, № 1. DOI: 10.33276/S0000105–8–1

9. Hartshorna M., Kaznatcheeva A., Shultz T. The evolutionary dominance of ethnocentric cooperation // Journal of Artificial Societies and Social Simulation. 2013, 16(3).

10. Reardon S., Kasmanb M., Klasikc D., Baker R. Agent-based simulation models of the college sorting process // Journal of Artificial Societies and Social Simulation. 2016, 19 (1).

11. Takacsa K., Squazzoni F. High standards enhance inequality in idealized labor markets // Journal of Artificial Societies and Social Simulation. 2015, 18 (4).

12. Yun W., Moon I., Lee T. Agent-based simulation of time to decide: Military commands and time delays // Journal of Artificial Societies and Social Simulation. 2015, 18 (4).

Comments

No posts found

Write a review
Translate