Идентификация параметров агент-ориентированной модели управления промышленным комплексом региона
DOI:
https://doi.org/10.17059/ekon.reg.2024-1-4Ключевые слова:
промышленность, агентное моделирование, регрессионный анализ, региональный промышленный комплекс, идентификация параметров системы управления, фазовый вектор, прогноз развитияАннотация
Новые вызовы, стоящие перед отечественной экономикой, требуют построения моделей, позволяющих адекватно оптимизировать процессы управления промышленностью на уровне региона. Данная работа посвящена разработке агент-ориентированной модели трехуровневого иерархического минимаксного управления региональным промышленным комплексом. Целью настоящего исследования является разработка методики решения задачи идентификации параметров агент-ориентированной модели управления промышленным комплексом региона на примере Свердловской области. Для выполнения поставленной цели предложено теоретическое обоснование реализуемого подхода, приведена формализация задачи идентификации параметров системы управления промышленным комплексом региона, описан алгоритм построения и отбора моделей для оценки параметров системы управления. В качестве метода решения задачи идентификации выбран подход на базе линейного регрессионного анализа. Подготовка информационной базы для апробации подхода проводилась в условиях Свердловской области по 28 видам экономической деятельности, относящихся к промышленному производству, по данным за 2005–2021 гг. При построении статистических моделей идентификации фазовый вектор задается следующими параметрами: среднегодовая численность работников предприятий, основные фонды, валовая добавленная стоимость, объем отгруженных товаров, выполненных работ и услуг, сальдированный финансовый результат организаций, инвестиции в основной капитал, затраты на внедрение и использование цифровых технологий. Вектор управления задан факторами привлечения бюджетных средств, а также привлечения средств кроме бюджетных (из внешних источников). В результате исследования построено 125 моделей достаточно высокого качества, которые могут быть использованы в решении задачи идентификации параметров для построения агент-ориентированной модели управления процессами развития промышленности Свердловской области. Полученные статистические модели позволяют установить связь между агентами, уточнить их специфику, рассчитать и дать оценку результатов применения механизмов управления. Предложенный подход применим для построения прогнозов развития регионального промышленного комплекса в соответствии с планируемыми управляющими воздействиями, а также для вычисления оптимального набора управляющих воздействий для достижения промышленностью целевых параметров.
Библиографические ссылки
Akberdina, V. V., & Shorikov, A. F. (2022). Managing industrial complexes: A hierarchical agent-oriented model. Upravlenets [The Manager], 13 (6), 2–14. https://doi.org/10.29141/2218–5003-2022-13-6-1 (In Russ.)
Bonabeau, E. (2002). Agent-Based Modeling: Methods and Techniques for Simulating Human Systems. Proceedings of the National Academy of Sciences of the United States of America, 99 (3), 7280–7287. https://doi.org/10.1073/pnas.082080899
Castelle, K., Bradley, J., & Chesterman, Ch. (2022). Systems Theory for Complex System Governance. In: C. B. Keating, P. F. Katina, C. W. Chesterman Jr., J. C. Pyne (Eds.), Topics in Safety, Risk, Reliability and Quality (pp. 97–118). Springer, Ch-am. https://doi.org/10.1007/978-3-030-93852-9_4
Chen, Z. (2023). Analysis of economic growth forecast based on regression model. Highlights in Science, Engineering and Technology, 42 , 91–98. https://doi.org/10.54097/hset.v42i.7068
Flud, N. A. (2006). How to measure “sustainability of development”? Voprosy statistiki, 10 , 19–29. (In Russ.)
Gichiev, N. S. (2021). Impact of fixed capital investment for economic growth: regional aspect. Regionalnye problemy preobrazovaniya ekonomiki [Regional problems of economic transformation], 7 , 121–128. https://doi.org/10.26726/1812–7096-2021-7-121-128. (In Russ.)
Golova, I. M. (2021). Ecosystem Approach to Innovation Management in Russian Regions. Ekonomika regiona [Economy of regions], 17 (4), 1346–1360. https://doi.org/10.17059/ekon.reg.2021-4-21 (In Russ.)
Harman, G. (2010). Diophantine approximation with multiplicative functions. Monatshefte für Mathematik, 160 , 51–57.
Haslwanter, Th. (2022). Linear Regression Models. An Introduction to Statistics with Python, 1651 , 229–263. https://doi.org/10.1007/978-3-030-97371-1_12
Ivanter, V. V. (2016). Strategy of transition to economic growth. Problemy prognozirovaniya [Studies on Russian economic development], 1 , 3–8. (In Russ.)
Karaca, Y. (2022). Theory of complexity, origin and complex systems. In: Multi-Chaos, Fractal and Multi-fractional Artificial Intelligence of Different Complex Systems (pp. 9–20). Academic Press. https://doi.org/10.1016/B978-0-323-90032-4.00003-1
Kislitsyn, E. V., & Gorodnichev, V. V. (2021). Simulation of development of individual heavy industry sectors. Biznes-informatika [Business Informatics], 15 (1), 59–77. https://doi.org/10.17323/2587-814X.2021.1.59.77 (In Russ.)
Kucheryavskiy, S., Rodionova, O., & Pomerantsev, A. (2023). Procrustes cross-validation of multivariate regression models. Analytica Chimica Acta, 1255 , 341096. https://doi.org/10.1016/j.aca.2023.341096
Li, X., & Zhuang, X. (2022). Eco-City Problems: Industry–City–Ecology, Urbanization Development Assessment in Resource-Exhausted Cities. Sustainability, 15 (1), 166. https://doi.org/10.3390/su15010166
Lu, Y. (2021). Empirical Analysis on the Relationship Between Tertiary Industry Structure and Economic Growth Based on Multiple Regression — A Case Study of Henan Province. E3S Web of Conferences, 235 , 02019. https://doi.org/10.1051/e3sconf/202123502019
Majumder, Sh. (2022). Economic and non-economic determinants of economic growth in Bangladesh: multivariate regression analysis. Independent Journal of Management & Production, 13 , 693–718. https://doi.org/10.14807/ijmp.v13i2.1545
Makarov, V. L., & Bakhtizin, A. R. (2009). New tools in social sciences — agent-oriented models: General description and specific examples. Ekonomika i upravlenie [Economics and Management], 12 , 13–25. (In Russ.)
Makarov, V. L., Bahtizin, A. R., & Sushko, E. D. (2020). Agent-based model as a tool for controlling environment of the region. Zhurnal Novoy ekonomicheskoy assotsiatsii [Journal of the New Economic Association], 1 (45), 151–171. https://doi.org/10.31737/2221–2264-2020-45-1-6 (In Russ.)
Pacala, F. A. (2023). A multiple regression analysis of economic outputs as a factor in TIMSS score in science among selected countries in Asia. International Journal of Humanities, Social Sciences and Business (INJOSS), 2 (2), 218–224. https://doi.org/10.54443/injoss.v2i2.51
Pareto, A. (2022). A robust method for regression and correlation analysis of socio-economic indicators. Quality & Quantity, 57 , 5035–5053. https://doi.org/10.1007/s11135-022-01599-z
Peskov, D. (2022). Conditions of technological sovereignty. Ekonomist [Economist], 6 , 30–32. (In Russ.)
Qian, F., Tang, Y., & Yu, X. (2023). The Future of Process Industry: A Cyber-Physical-Social System Perspective. IEEE transactions on cybernetics , 37607148. https://doi.org/10.1109/TCYB.2023.3298838
Rao, C., & Toutenburg, H. (1995). Exact and Stochastic Linear Restrictions. In: Linear Models (pp. 111–154). Springer, New York, NY. https://doi.org/10.1007/978-1-4899–0024-1_5
Romanova, O. A., & Ponomareva, A. O. (2020). Multi-vector Industrial Policy in Russia in an Emerging New Industrial Landscape. Zhurnal ekonomicheskoy teorii [Russian Journal of Economic Theory], 17 (2), 276–291. https://doi.org/10.31063/2073–6517/2020.17-2.3. (In Russ.)
Romanova, O. A., & Ponomareva, A. O. (2022). Industrial region under sanctions: risks and opportunities for development. In: Aktualnye problemy ekonomiki i upravleniya. V: sbornik statey Desyatoy vserossiyskoy nauchno-prakticheskoy konferentsii s mezhdunarodnym uchastiem, 20–21 oktyabrya 2022 g. [Current problems of economics and management: collection of articles of the Tenth All-Russian scientific and practical conference with international participation] (pp. 106–112). Ekaterinburg: Publishing house USGU. (In Russ.)
Shirov, A. A., Gusev, M. S., & Yantovskiy, A. A. (2012). Justification of possible scenarios for the long-term development of the Russian economy. EKO [ECO], 6 , 60–80. (In Russ.)
Shorikov, A. V., Korovin, G. B., & Sirotin, D. V. (2023). Methodology for regional industrial complex management: Architecture of an agent-based model. Upravlenets [The Manager], 6 , 63–76. https://doi.org/10.29141/2218–5003-2023-14-6-5 (In Russ.)
Smorodinskaya, N. V. (2017). Complication of the organization of economic systems in the conditions of nonlinear development. Vestnik Instituta ekonomiki RAN [The Bulletin of the Institute of Economics of the Russian Academy of Sciences], 5 , 104–115. (In Russ.)
Togoontumur, T., & Cooray, N. (2023). Does Collaboration Matter: The Effect of University-industry R&D Collaboration On Economic Growth. Journal of the Knowledge Economy , 1–15. https://doi.org/10.1007/s13132-023-01469-5
Tsvetkov, V. Ya. (2017). Emergentism. Mezhdunarodnyy zhurnal prikladnykh i fundamentalnykh issledovaniy [International Journal of Applied and Basic Research], 2–1 , 137–138. (In Russ.)
Uskova, A. Yu., & Salomatova, J. V. (2023). Assessment of factors of sustainability of manufacturing sector in industrial regions of Russia. Ekonomika promyshlennosti [Russian Journal of Industrial Economics], 16 (1), 77–85. https://doi.org/10.17073/2072–1633-2023-1-77-85 (In Russ.)
Working, H., & Hotelling, H. (1929). Applications of the Theory of Error to the Interpretation of Trends. Journal of the American Statistical Association, 24 (165A), 73–85. https://doi.org/10.1080/01621459.1929.10506274
Yan, B., Yao, B., & Zhang, Ch. (2023). Industrial structure, high-quality development of logistics industry and the economy. PloS ONE, 18 (5), e0285229. https://doi.org/10.1371/journal.pone.0285229
Zhang, W., Zhang, T., Li, H., & Zhang, H. (2022). Dynamic spillover capacity of R&D and digital investments in China’s manufacturing industry under long-term technological progress based on the industry chain perspective. Technology in Society, 71 , 102129. https://doi.org/10.1016/j.techsoc.2022.102129
Zolotarev, K., Belyaeva, N., Mikhailov, A. N., & Mikhailova, M. (2016). Dependence between LD50 for Rodents and LC50 for Adult Fish and Fish Embryos. Bulletin of Experimental Biology and Medicine, 162 , 439–444. https://doi.org/10.1007/s10517-017-3636-y
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Copyright (c) 2024 Victoria V. Akberdina , Andrey F. Shorikov , Grigoriy B. Korovin , Dmitry V. Sirotin
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
