Моделирование и прогнозирование показателей социально-экономического развития региона

Размещено на http://www.allbest.ru/

3

Моделирование и прогнозирование показателей социально-экономического развития региона

Яндыбаева Н.В.

Аннотация

Цели. Разработка математической модели для прогнозирования показателей социально-экономического развития региона. Проведение вычислительного эксперимента с разработанной моделью и анализ полученных результатов.

В процессе исследования использовались методы сравнительного анализа, обобщений, системного подходов. Информационно-эмпирической базой исследования являются данные Федеральной службы государственной статистики и региональных органов власти.

Проанализирован существующий подход к разработке региональных прогнозов, выявлены проблемы в региональном прогнозировании, снижающие качество прогнозов.

Предложена альтернативная методика формирования долгосрочных прогнозов социально-экономического развития региона с использованием разработанной с использованием системно-динамического подхода математической моделью.

Научная новизна заключается в следующем: предложена новая математическая модель, разработанная на основе модели системной динамики, для моделирования и прогнозирования показателей социально-экономического развития региона.

Представленный подход к прогнозированию показателей социально-экономического развития региона позволяет повысить эффективность прогнозного инструментария и предоставляет ЛПР возможность оперативного управления ситуацией в регионе. Разработанная математическая модель способствует увеличению точности региональных прогнозов.

Показаны результаты прогнозирования показателей социально-экономического развития Балаковского муниципального района Саратовской области на временном интервале [2011; 2021] гг.

Ключевые слова: прогнозирование, системная динамика, математическая модель, показатели социально-экономического развития

математическая модель прогноз экономическое развитие

Изменения и трансформации, происходящие сегодня в стране, диктуют необходимость адаптивности региональной политики. Это особенно актуально для страны, состоящей из множества регионов, имеющих свою особую траекторию развития, без учета которой принятие большинства управленческих решений будет иметь негативные последствия. Поэтому прогнозирование социально-экономического развития страны и регионов представляется важной задачей для органов исполнительной власти России, в ходе решения которой определяются возможные сценарии развития и выявляются наиболее оптимальные направления региональной социально-экономической политики.

В работах А. Ю. Калиниченко [1], В. А. Чейметовой, были определены особенности социально-экономического развития регионов. Проблемами регионального прогнозирования занимались также А. Р. Белоусов, A. M. Зубахин, А. Г. Гранберг [2], Г. В. Горелова [3], О. С. Пчелинцев и др.

В ходе проведенного исследования были определены следующие причины прогнозных ошибок, значительно снижающих качество регионального прогнозирования:

· не полная согласованность целей и задач на различных уровнях управления, что способствует невыполнению плановых социально-экономических показателей;

· в планах и прогнозах отсутствует учет особенностей снабжения региона определенными ресурсами, в силу чего многие плановые показатели не могут быть достигнуты;

· статистические данные, предоставляемые предприятиями и организациями города в отделы статистики, зачастую являются неполными и неточными;

· при формировании регионального прогноза необходимо учитывать целевые показатели федеральных и региональных программ социально-экономического развития;

· неверный выбор сценария социально-экономического развития региона: он не всегда объективно отражает реальные возможности социально-экономического развития конкретного региона [4];

· недостаточно используются возможности математического моделирования [5].

При формировании региональных прогнозов используется следующая информация: сценарные условия развития РФ [6], других государств мира, данные о колебаниях цен на товары производителей-монополистов и прочие сведения, которые предлагает применять Минэкономразвития РФ.

Рассмотрим существующую методику регионального прогнозирования на примере Балаковского муниципального района Саратовской области (далее - БМР):

Необходимые для разработки прогноза статистические данные по БМР аккумулируются «Отделом государственной статистики в г. Саратов №2 (включая специалистов в г. Балаково)».

Методической основой при оценке текущего состояния социально-экономического развития БМР являются «Сценарные условия, основные параметры прогноза социально-экономического развития Российской Федерации и предельные уровни цен (тарифов) на услуги компаний инфраструктурного сектора на 2016 год и на плановый период 2017 и 2018 годов».

Специалистами отдела экономического анализа и прогнозирования администрации БМР на основе статистических данных разрабатываются прогнозные эконометрические модели.

При этом заполняются стандартные табличные формы (2П) с применением методических рекомендаций, которые специалисты отдела экономического анализа и прогнозирования получают из Управления анализа и прогнозирования администрации муниципального образования «Город Саратов».

Рассчитанные прогнозные значения показателей социально-экономического развития БМР помещаются в ГАС «Управление» и используются ЛПР различных уровней власти в качестве основы для принятия управленческих решений [7]. Однако широко применяемые сотрудниками отдела экономического анализа и прогнозирования эконометрические методы разработки прогнозной модели не всегда позволяют получить достоверные прогнозы, поскольку не предсказывают появление кризисных тенденций в экономике региона. Поэтому для повышения эффективности разработки региональных прогнозов необходимо использовать альтернативные математические методы и модели, например, модель системной динамики, используемую для анализа сложных экономических и социальных процессов и явлений. Модель системной динамики содержит следующие элементы: системные уровни (далее - моделируемые переменные), которые являются аккумуляцией в петлях обратной связи; потоки, передвигающие содержимое между уровнями; процедуры решений, которые изменяют темпы. Процедуры решений с уровнями соединяются с помощью каналов информации. Для моделируемых переменных Хi(t), составляются дифференциальные уравнения:

(1)

где - положительный/ отрицательный темп скорости переменной Хi(t), содержащий все детерминанты, способствующие росту / убыванию анализируемой переменной.

Допустим, что темпы дифференцируются на произведение функций, зависящих только от факторов, являющихся совокупностью основных переменных - функций моделируемых переменных:

где FVj=gj(yi1(t)…yiх(t))-внешние факторы, причем Х=Х(j)<n, k=k(j)<n (число системных уровней) [8].

На следующем этапе формируется система нелинейных, неоднородных, разнотемповых, нестационарных дифференциальных уравнений. Значения моделируемых переменных рассчитываются из решения системы уравнений на заданном временном интервале с заданными начальными условиями. Внешние факторы FVi(t) измеряются либо в качественной шкале, либо в количественной. В расчетах используются нормированные значения факторов:

где VFi(t) - текущее значение переменной в численной шкале, VFiн - нормировочный коэффициент. Предположим, что все моделируемые переменные являются количественными. В расчетах применяются нормированные значения моделируемых переменных, рассчитанные по формуле: где Хi(t) - текущее значение моделируемой переменной, определенное в численной шкале, Хiн - нормировочный коэффициент (значения переменных в 2011 году).

Выберем моделируемые переменные XiR (t) , которые представляют собой подборку, характеризующую уровень социально-экономического развития БМР [9]:

Х1R(t) - численность постоянного населения (тыс. чел.);

Х2R(t) - занято в экономике, всего (тыс. человек);

Х3R(t) - численность безработных, зарегистрированных в центре занятости

населения (на 1 января следующего за отчётным года) (чел.);

Х4R(t) - уровень безработицы, %;

Х5R(t) - среднемесячная зарплата (руб.);

Х6R(t) - продолжительность жизни населения (лет);

Х7R(t) - суммарный выброс загрязняющих веществ в атмосферу (тыс. тонн);

Х8R(t) - миграционный прирост (чел.);

Х9R(t) - объем отгруженных товаров собственного производства, выполненных работ и услуг промышленными предприятиями (млрд. рублей);

Х10R(t) - объем производства продукции сельского хозяйства (в фактически действующих ценах), млн. руб.;

Х11R(t) - индекс потребительских цен по Саратовской области.

Так как моделируемые переменные являются абсолютными [10] и затрудняют расчеты, их следует нормировать с применением нормировочных коэффициенты - значений моделируемых переменных в 2011 году.

Для иллюстрации причинно-следственных связей между моделируемыми переменными Х1R(t)-Х11R(t) применяется орграф, представленный на рис. 1.

Рис. 1. Ориентированный граф взаимосвязей между X1R(t)-X11R(t)

Разработанная математическая модель для БМР имеет вид:

(3)

Принятые в модели (3) обозначения внешних факторов VF _i (t) :

I(t) - инфляция (%);

D(t) - численность экономически активного населения (чел.);

W(t) - предложение трудовых ресурсов (чел.);

P(t) - численность населения (чел.);

Pm(t)- среднедушевой доход населения (руб.);

F(t) - фонд рабочего времени (чел.-дн.);

Ub(t) - численность безработных (чел.);

M(t) - объем миграции (чел.);

E(t) - средняя заработная плата (руб.);

Sc(t) - среднедушевые доходы населения (руб.);

Bis(t) - количество частных предпринимателей (чел.);

Sh _min (t) - прожиточный минимум (руб.);

VT(t) - спрос на труд в различных отраслях народного хозяйства (чел.) ;

Bd(t) - дефицит бюджета (руб.);

Bg(t) - профицит бюджета (руб.);

In(t) - размер инвестиций (руб.);

Q(t) - затраты на обучение и переподготовку кадров (руб.);

U(t) - уровень безработицы (%);

Pr(t) - уровень потребительских цен (руб.);

Sh _pr - число зарегистрированных преступлений;

PZ(t) - число промышленных предприятий;

VZ(t) - объем выбросов загрязняющих веществ в воду, почву, воздух (у.ед.);

Ze(t) - затраты на охрану окружающей среды (руб.);

S(t) - количество умерших (чел.);

ZB(t) - число инфекционных больных (чел.);

ShB- число коек в больницах (ед.);

SB(t) - численность населения с доходом ниже прожиточного минимума (чел.).

В модели также используются функциональные зависимости fi(X _i ), предназначенные для учета взаимовлияния моделируемых переменных:

f ₁ (X ₁ ) - зависимость численности занятых в экономике от численности постоянного населения;

f ₂ (X ₁ ) - зависимость объема отгруженных товаров собственного производства, выполненных работ и услуг промышленными предприятиями от численности постоянного населения и др.

Функциональные зависимости определяется на основе корреляционно-регрессионного анализа, и имеют вид полиномов 3-4 степени.

Проверка адекватности разработанной математической модели осуществляется с использованием ретроспективных данных. На рис. 2 приведен график динамики показателей социально-экономического развития БМР на интервале [2011; 2021] гг.

Из графика видно, что значения показателей социально-экономического развития Х ₁ , Х ₂ , Х ₅ , Х ₆ , Х ₇ , Х ₈ , Х ₉ , Х ₁₀ , Х ₁₁ на прогнозном интервале [2018; 2021] лет вырастут незначительно. Значения показателей Х ₃ , Х ₄ снизятся также не существенно. В таблице 1 приведены значения фактических и прогнозных показателей социально-экономического развития БМР.

Таким образом, представлено описание разработанной на основе модели системной динамики математической модели для прогнозирования показателей социально-экономического развития региона. Приведены результаты вычислительного эксперимента по БМР на временном интервале [2011; 2021] гг.

Рис. 2. Динамика показателей социально-экономического развития БМР на интервале [2011; 2021] гг.

Таблица 1. Фактические и прогнозные значения показателей социально-экономического развития БМР

Литература

1.Калиниченко А. Ю. Информационные технологии прогнозирования социально-эконо¬мичес¬кого развития региона // Региональная информатика «РИ 2014»: материалы XIV Санкт-Петербургской международной конференции. СПб: Изд-во СПОИСУ, 2014. С. 188-189.

2.Гранберг А. Г. Основы региональной экономики / Гос. Ун-т Высшая школа экономики. М.: ГУ ВШЭ, 2006.

3.Горелова Г. В., Масленникова А. В. Композиция когнитивного моделирования и системной динамики для решения задач управления развитием региональных систем // 6-я Всероссийская мультиконференция по проблемам управления МКПУ-2013, УИнтЭргОС-2013: сб. трудов в 4-х т. Ростов-на-Дону: ЮФУ, 2013. Т. 3. С. 94-97.

4.Яндыбаева Н. В. Анализ информационных систем для прогнозирования социально-экономического развития региона// Актуальные проблемы взаимодействия государства, гражданского общества, личности и бизнеса. Сборник статей по материалам конференции, посвящённой Дню российской науки. Саратов-М.: Десятая Муза, 2017. С. 166-172.

5.Яндыбаева Н. В. Модели и методы прогнозирования социально-экономического развития региона //Проблемы развития устойчивых отношений между государством, гражданским обществом и бизнесом: вызовы времени. Сборник статей по материалам конференции, посвящённой Дню российской науки. Саратов, 2016. С. 165-173.

6.Сценарные условия, основные параметры прогноза социально-экономического развития российской федерации и предельные уровни цен (тарифов) на услуги компаний инфраструктурного сектора на 2016 год и на плановый период 2017 и 2018 годов, утвержденные Минэкономразвития России. М., 2015.

7.Яндыбаева Н. В.Об особенностях формирования региональных прогнозов // Актуаль¬ные проблемы современности: науки и общества. Изд-во Балаковского филиала РАНХиГС. 2018. №1. С. 39-43.

8.Форрестер Дж.Мировая динамика. М.: АСТ; СПб.: Terra Fantastica, 2003.

9.Итоги социально-экономического развития БМР. Сайт администрации Балаковского муниципально-го района [электронный ресурс]. URL: http://www.admbal.ru/page/sotsialno-ekonomicheskoe-razvitie-bmr.

10.Показатели, характеризующие состояние эконо-мики и социальной сферы Балаковского муници-пального района за 2011-2018 гг. [электронный ресурс]. URL: http://www.gks.ru/scripts/db_inet2/passport/pass.aspx?base=munst63&r=63607000.

Размещено на Allbest.ru