— Альберт Рауфович, в чем сила агент-ориентированного принципа при моделировании социально-экономических процессов?
— Современный мир демонстрирует возрастающую сложность взаимодействия субъектов социально-экономических систем большинства стран. Численность населения Земли с 1960 года выросла к началу 2021-го почти в 2,6 раза, а к 2050 году прогнозируется на уровне около 10 миллиардов. Объем мировой торговли в процентах от мирового ВВП с 1960-х увеличился с 25 до 60,3%. Многими отмечается, что частота мировых кризисов также выросла: участились военные конфликты, гибридное противостояние ключевых мировых игроков и так далее. В этой связи остро встает проблема поиска аналитических инструментов нового поколения.
— А какими инструментами пользовались раньше?
— В основном методами многомерного статистического анализа, например регрессионными уравнениями. Их использование для прогноза возможно, но условно, так как при сильной флуктуации проходящих в социально-экономической сфере процессов этот инструмент мало пригоден.
С 1990-х годов стали применяться методы компьютерного моделирования социально- экономических процессов: оптимизационные модели, вычислимые модели общего равновесия, дискретно-событийные, системно-динамические, агент-ориентированные модели, нейронные сети, экспертные системы, генетические алгоритмы.
Возрастающая сложность мира, пандемия, разрыв производственных цепочек, торговые войны, политические катаклизмы, с одной стороны, и колоссальная производительность современных систем — с другой, несомненно приведут к появлению инструментов, оценивающих мультипликативные эффекты на социально-экономические системы большинства государств.
Используемые на практике модели основаны чаще всего на равновесном подходе, наиболее известные из них: GTAP, Miragrodep, Mirage, Globe, Multimod, GEM, Global Macrofinancial Model, The Long Term Growth Model, Moody’s Research Labs Inc. Model, WorldScan, Link, WEFM, KPMG-MACRO, NiGEM. Тем не менее предсказывать будущие события они практически неспособны — «черные лебеди» 2020 года это хорошо показали.
— А что же с агент-ориентированными моделями?
— Потенциально они могут рассматриваться в качестве инструментов для решения не только перечисленных выше проблем. К настоящему времени разработаны сотни специализированных программных средств для построения агентных моделей (NetLogo, RePast, MASON, AnyLogic и многие другие), но помимо этого есть и готовые решения от ведущих IT-компаний (Microsoft, IBM, ESRI, Wolfram Research).
— В каких сферах могут использоваться такие модели?
— Во-первых, эпидемиология (оценка скорости распространения эпидемий). Во-вторых, пешеходное движение, включая имитацию процессов эвакуации.
Применимы такие модели и в киноиндустрии. В начале 2000-х годов был разработан программный продукт Massive, который может использоваться для одновременной обработки десятков, сотен тысяч и вплоть до миллионов объектов.
Четвертой областью применения являются демографические процессы — более точное прогнозирование численности и миграции населения, оценка эффективности различных мер госполитики в этой области.
— Какая широкая сфера применения!
— Да, и не только! Еще агент-ориентированные модели можно использовать при работе с транспортными системами, окружающей средой…
— Например?
— Третий год подряд специалистами в области высокопроизводительных вычислений стран БРИКС проект «Цифровая Земля», учитывающий атмосферные, океанические изменения, биогеохимию океана, динамику ионосферы, эволюцию ледяного покрова и реализуемый в том числе с использованием агентного подхода, обозначается как приоритетный.
Землепользование, моделирование городских агломераций, реконструкция исторических событий и симуляторы военных конфликтов, моделирование и исследование социальных сетей и процессов в экономике — как видите, спектр применения чрезвычайно широк!
— А как обстоят дела с такими моделями в России?
— На площадке ЦЭМИ РАН под руководством академика РАН Макарова мы разработали несколько агент-ориентированных моделей: демографические модели для Москвы, Санкт-Петербурга, Вологодской области и страны в целом, отраслевую модель (на примере ракетно-космической промышленности), модель для стран Евросоюза, эпидемиологическую модель.
Совместно с коллегами из Китая был построен симулятор социально-экономической динамики, охватывающий социально-экономические системы более ста стран мира.
— В чем особенности агент-ориентированной модели? Чем она отличается от других?
— Ряд исследователей увязывает появление агентных моделей с клеточными автоматами 1940-х годов, концепцию которых предложил один математик Джон фон Нейман. Одной из наиболее известных среди этих моделей является игра «Жизнь», разработанная английским математиком Джоном Хортоном Конвеем в 1970 году, не только ставшая классической, но и породившая огромное количество всевозможных вариаций.
При этом принципиальное отличие заключается в том, что модели других классов включают в себя крупные объекты (регионы, отрасли, совокупности предприятий или домохозяйств), а агент-ориентированные модели — как объекты микроуровня (отдельные люди или предприятия), так и макроуровневые переменные, вычисляемые как результат взаимодействия атомарных единиц.
— Построение агент-ориентированной модели предполагает широкое использование искусственного интеллекта. Насколько это сегодня реально?
— Агент-ориентированное моделирование связано с распределенным искусственным интеллектом, в этих системах роль отдельного агента и его стратегия могут быть очень простыми, но сложное поведение образуется путем самоорганизации всей совокупности индивидуумов. Примером такой модели может быть роевой интеллект.
К примеру, алгоритм, имитирующий действия муравьев, можно использовать для решения задач поиска маршрутов на графах (задача коммивояжера).
Часто системы распределенного искусственного интеллекта технологически разрешаются с помощью многоагентных систем. Вообще, думаю, одно из направлений дальнейшего развития агентного подхода — как раз симбиоз с такими системами.
С другой стороны, агенты модели могут быть формализованы в виде сложных программных конструкций, использующих технологии искусственного интеллекта. Но на практике обычно агенты простые, с небольшим набором параметров и несколькими поведенческими функциями.
— Насколько сложен и отработан математический аппарат, применяющийся при создании агент-ориентированной модели?
— Как правило, сложный математический аппарат не используется. Сложность таких моделей в другом. Если в ней десятки и сотни тысяч агентов (или миллионы) и каждый определяется набором из 20–30 уравнений (часть из которых могут быть стохастическими), то мы получаем огромную систему уравнений, не решаемую аналитически, а только через усреднение результатов множества компьютерных симуляций. Таким образом, несмотря на потенциальную реалистичность данного инструмента, полученные результаты зачастую трудно верифицировать с позиции причинно-следственных связей.
— Какие цели преследует создание агент-ориентированной модели, что получается на выходе? Каково практическое применение?
— Разработанные в ЦЭМИ РАН модели были неоднократно использованы на практике.
К примеру, в 2014 году в Санкт-Петербурге под руководством академика РАН Владимира Квинта разработана и принята к реализации Стратегия экономико-социального развития города до 2030 года. Для мониторинга Стратегии и оценки эффективности управленческих решений была построена агент-ориентированная модель социально-экономической системы города.
В 2011 году была разработана первая версия самый крупной в России демографической агент-ориентированной модели (140 миллионов агентов), которая постоянно дорабатывалась вплоть до сегодняшнего дня. С использованием этой модели совместно с коллегами из администрации президента были получены демографические прогнозы до 2030 года и оценен эффект от реализации программы материнского капитала.
Симулятор социально-экономической динамики, разработанный вместе с рядом организаций КНР, был использован для расчетов последствий различных сценариев торговых конфликтов между США и другими странами, с одной стороны, и Россией и Китаем — с другой.
С его помощью были посчитаны не только, например, такие события до 2025 года, как постепенное сокращение торгового дисбаланса между США и Китаем на 5% в год и рост объема торговли между США и странами ЕС, с одной стороны, и Индией, Вьетнамом, Мексикой и Бразилией — с другой, но и сделан ряд важных выводов. Например, о дальнейшем усилении Китая и ослаблении США и о том, что большинство стран слабо чувствительны к изменению торгового дисбаланса между ними. Кроме того, модель позволяет предположить, что Индия, Россия и Германия по-прежнему остаются потенциальными точками притяжения для образования новых центров силы.
