Концептуальная модель системы поддержки проекционного принятия решений в экономике

Введение

Прогресс в современной экономике и социальной сфере невозможен без полномасштабного применения информационных систем и технологий, обеспечивающих эффективную обработку больших массивов данных, объективную оценку достигнутого и перспективного состояния, выбор направлений развития и осуществляющих информационное сопровождение сравнительного анализа широкого спектра экономических систем на различных уровнях управления. За последние 25 лет классический многокритериальный выбор трансформировался в направлении принятия решений по совокупности групп показателей (проекций) [7–10] (Lapaeva, 2016; Lapaeva, 2016; Lapaeva, 2016; Lapaeva, 2018) с последующим целеполаганием на исследование структуры сопоставляемых систем. Приращение знаний в рассматриваемой предметной области преимущественно достигнуто за счет разработки оптимизационных методов [5] (Lapaev, 2025) и моделей [6] (Lapaev, 2025) проекционного выбора. Следующим шагом становится формирование концептуальной модели системы поддержки проекционного принятия решений в экономике, чему и посвящена данная статья. Базис такой модели известен и заложен в публикациях [11–13] (Lapaeva, 2015; Lapaeva, 2018; Lapaeva, 2017). Остается учесть особенности исходных данных текущего периода и реализовать структурный ракурс, обеспечиваемый методами [5] (Lapaev, 2025) и моделями [6] (Lapaev, 2025).

Описание модели

В статье предлагается следующая концептуальная модель системы поддержки проекционного выбора, способствующая принятию научно обоснованных решений различными стейкхолдерами (рисунок 1). Ключевым звеном модели выступает информационная система. Система поддержки принятия решения объединяет модули ввода и вывода информации, базу данных основных показателей исследуемых экономических систем в динамике, а также блок обработки информации, реализующий методы, модели и методики проекционного выбора. Исходными для модели служат как открытые данные, публикуемые на информационных ресурсах Росстата, профильных министерств и ведомств, Банка России, бирж, консалтинговых агентств, хозяйствующих субъектов и пр., так и внутренняя информация экономических агентов, которая может быть недоступной для внешних пользователей. На каждом иерархическом уровне используется свой специфичный набор показателей и проекций.

Характеризуя источники информации, изначально остановимся на Единой межведомственной информационно-статистической системе (ЕМИСС) [1]. ЕМИСС представляет собой государственную информационную систему, объединяющую официальные государственные информационные статистические ресурсы, формируемые субъектами официального статистического учета в рамках реализации федерального плана статистических работ [1]. Межведомственная система создана в целях обеспечения доступа с использованием сети Интернет государственных органов, органов местного самоуправления, юридических и физических лиц к официальной статистической информации, включая метаданные, формируемой в соответствии с федеральным планом статистических работ [1]. Сейчас ЕМИСС объединяет информацию от 61 ведомства РФ в разрезе 8742 показателей [15]. ЕМИСС выводится из эксплуатации в конце текущего года и ей на смену приходит государственная информационная система «Цифровая аналитическая платформа предоставления статистических данных».

Концепция создания цифровой аналитической платформы утверждена более пяти лет назад распоряжением Правительства РФ от 17.12.2019 № 3074-р [3]. Целью построения платформы первоначально заявлялось обеспечение перехода к новой структурной и функциональной модели производства и распространения статистических данных, реализующей принципы единого информационного пространства данных, принципиально нового качества данных, прослеживаемости и взаимосвязи понятий и объектов статистического учета, однократного предоставления первичных статистических данных и их многократного повторного использования, интеграции этой новой модели в цифровую экономику [3].

Рисунок 1 – Концептуальная модель системы поддержки

проекционного принятия решений в экономике

Источник: составлено автором.

Согласно Положению о государственной информационной системе «Цифровая аналитическая платформа предоставления статистических данных», утвержденному Постановлением Правительства РФ от 22.06.2021 № 956 [2], целью создания системы является обеспечение цифрового взаимодействия участников системы на основе единой методологии и информационно-технологической инфраструктуры для решения следующих задач:

а) снижение отчетной нагрузки при проведении федеральных статистических наблюдений;

б) исключение дублирования форм статистического наблюдения и статистических показателей;

в) обеспечение единого учета форм статистического наблюдения и статистических показателей;

г) обеспечение единого источника данных об объектах статистического наблюдения, о формах статистического наблюдения и статистических показателях;

д) обеспечение доступа к официальной статистической информации;

е) повышение уровня детализации и увеличение объема предоставляемой пользователям системы официальной статистической информации;

ж) повышение качества принимаемых управленческих решений.

Создание, эксплуатация и развитие системы осуществляются на основе следующих принципов:

а) прозрачность процессов сбора и обработки информации;

б) использование единой методологии сбора и обработки статистических данных;

в) достоверность и непротиворечивость информации системы;

г) однократность предоставления первичных статистических данных и многократность их использования;

д) актуальность и доступность информации системы, а также своевременность ее предоставления пользователям системы [2].

Существенный объем профильной информации аккумулируется Банком России [14]. Важным источником оперативных данных служат биржевые (фондовые) индексы [16]. Наряду с этим значения показателей могут быть получены по итогам обработки мнений экспертов либо соцопросов. Источники информации для межстрановых сопоставлений также достаточно разнообразны. В частности, агрегатор макроэкономических данных «Trading Economics» предоставляет сведения по 196 странам, включая исторические данные и прогнозы по более чем 20 млн экономических показателей, обменным курсам, индексам фондового рынка, доходности государственных облигаций и ценам на сырьевые товары [17]. На уровне промышленных предприятий источником информации может выступать бухгалтерский баланс, отчет о финансовых результатах, форма №4-инновация, отчетность об устойчивом развитии и пр.

Согласно модели, осуществляется процесс ввода данных, производятся систематизация и ранжирование информации для организации базы данных. После обработки входных данных системой происходит решение задачи проекционной оптимизации по критериям, заданным соответствующим заинтересованным лицом. Информационная система предоставляет стейкхолдеру широкое многообразие показателей и проекций, всесторонне характеризующих исследуемые экономические системы.

Для проведения сравнительной оценки экономического состояния применяются авторские системы методов [5] (Lapaev, 2025) и моделей [6] (Lapaev, 2025), а также реализующие их методики проекционного выбора, которые составляют основу используемого алгоритма. Выявленная согласно алгоритма структура представляет собой иерархический набор рангов в многокритериальном случае или же совокупность кластеров – при задействовании нескольких проекций. По итогам всех итераций на базе принятых показателей система генерирует отчет в удобной для стейкхолдера форме. Информационная система поддержки позволяет более эффективно обрабатывать данные, обеспечивает возможность задействования большого круга проекций и показателей, что предопределяет повышение качества принятия решений в экономике.

Моделирование

Рассмотрим пример синтеза первого (начального) кластера в пятипроекционной постановке согласно модели. Сведения по экономическим системам S₁–S₁₂ представлены на рис. 2–6. Их можно трактовать как ретроспективные, текущие либо прогнозные (плановые) данные. Здесь и далее предпочтительные направления изменения показателей обозначены стрелками (максимизация). Первый и второй показатели определяют центр окружности, а третий – ее диаметр.

Рисунок 2 – Эффективное решение в первой проекции

Источник: составлено автором.

Машинный расчет по методике эффективного выбора [4] (Lapaev, 2016) дает следующее паретовское множество в первой проекции: М¹_эф = {S₁, S₃, S₅, S₆, S₇, S₈, S₉, S₁₀} (выделено жирным шрифтом).

Перейдем ко второй проекции (рис. 3).

Рисунок 3 – Эффективное решение во второй проекции

Источник: составлено автором.

Паретовское множество во второй проекции примет вид М²_эф = {S₂, S₃, S₄, S₅, S₆, S₉, S₁₀, S₁₁, S₁₂}.

Рассмотрим третью проекцию (рис. 4).

Рисунок 4 – Эффективное решение в третьей проекции

Источник: составлено автором.

Паретовское множество в третьей проекции запишем в виде М³_эф = {S₃, S₄, S₅, S₉, S₁₀}.

Перейдем к четвертой проекции (рис. 5).

Рисунок 5 – Эффективное решение в четвертой проекции

Источник: составлено автором.

Паретовское множество в четвертой проекции примет вид М⁴_эф = {S₁, S₃, S₅, S₈, S₉, S₁₀, S₁₁}.

Рассмотрим пятую проекцию (рис. 6).

Рисунок 6 – Эффективное решение в пятой проекции

Источник: составлено автором.

Паретовское множество в пятой проекции запишем в виде М⁵_эф = {S₂, S₄, S₁₀, S₁₁}.

Руководствуясь концептуальной моделью, посредством пересечения частных эффективных множеств проекций синтезируем первый кластер (протоструктуру) М_1КЛ = {S₁, S₃, S₅, S₆, S₇, S₈, S₉, S₁₀}∩{S₂, S₃, S₄, S₅, S₆, S₉, S₁₀, S₁₁, S₁₂}∩{S₃, S₄, S₅, S₉, S₁₀}∩{S₁, S₃, S₅, S₈, S₉, S₁₀, S₁₁}∩{S₂, S₄, S₁₀, S₁₁} = {S₁₀}. Далее по аналогии из оставшихся экономических систем S₁–S₉, S₁₁ и S₁₂ можно выделить нижестоящие кластеры вплоть до установления всей кластерной структуры.

Продолжим модельный эксперимент на других исходных данных (рис. 7–11) и приведем пример формирования квазикластера.

Рисунок 7 – Эффективное решение в первой проекции

Источник: составлено автором.

Паретовское множество в первой проекции примет вид М¹_эф = {S₂, S₃, S₄, S₇, S₁₁, S₁₂}.

Перейдем ко второй проекции (рис. 8).

Рисунок 8 – Эффективное решение во второй проекции

Источник: составлено автором.

Паретовское множество во второй проекции запишем в виде М²_эф = {S₃, S₆, S₇, S₈, S₉, S₁₀, S₁₁}.

Рассмотрим третью проекцию (рис. 9).

Рисунок 9 – Эффективное решение в третьей проекции

Источник: составлено автором.

Паретовское множество в третьей проекции примет вид М³_эф = {S₁, S₂, S₈, S₁₀, S₁₁}.

Перейдем к четвертой проекции (рис. 10).

Рисунок 10 – Эффективное решение в четвертой проекции

Источник: составлено автором.

Паретовское множество в четвертой проекции запишем в виде М⁴_эф = {S₃, S₅, S₈, S₉, S₁₁}.

Рассмотрим пятую проекцию (рис. 11).

Рисунок 11 – Эффективное и квазиэффективное решения в пятой проекции

Источник: составлено автором.

Паретовское множество в пятой проекции примет вид М⁵_эф = {S₁₀}. По пяти проекциям первый кластер не сформирован: М_1КЛ = {S₂, S₃, S₄, S₇, S₁₁, S₁₂}∩{S₃, S₆, S₇, S₈, S₉, S₁₀, S₁₁}∩{S₁, S₂, S₈, S₁₀, S₁₁}∩{S₃, S₅, S₈, S₉, S₁₁}∩{S₁₀} = Ø. Для раскрытия неопределенности задействуем второй ранг в последней (пятой) проекции. Машинный расчет по методике эффективного выбора [4] (Lapaev, 2016) из оставшихся экономических систем S₁–S₉, S₁₁ и S₁₂ дает М⁵_2р = {S₃, S₁₁}. Тогда квазиэффективное множество в пятой проекции примет вид М⁵_кэф = {S₃, S₁₀, S₁₁}. Согласно концептуальной модели путем пересечения частных множеств проекций синтезируем первый квазикластер (протоструктуру) М_1КВ = {S₂, S₃, S₄, S₇, S₁₁, S₁₂}∩{S₃, S₆, S₇, S₈, S₉, S₁₀, S₁₁}∩{S₁, S₂, S₈, S₁₀, S₁₁}∩{S₃, S₅, S₈, S₉, S₁₁}∩{S₃, S₁₀, S₁₁} = {S₁₁}. В данном случае реализован асимметричный выбор. Однако возможно и симметричное решение. Для его получения предстоит привнести в анализ вторые ранги в проекциях 1–4 (рис. 7–10).

Построение нижестоящих кластеров (квазикластеров) осуществляется в той же логике, что и для рисунков 2–6. Заметим, что ранее по мере многопроекционного выбора в проекции 5 (рис. 11) выделено два ранга: первый – М⁵_1р = {S₁₀} и второй – М⁵_2р = {S₃, S₁₁}. При необходимости в этой проекции (либо в любой другой) аналогично может быть выявлен третий и все последующие ранги, т.е. получена иерархическая ранговая структура целиком.

Остается обсудить ситуации поиска взаимоприемлемых решений заинтересованными сторонами в рамках метода совмещения структур, частично использовав предшествующую информацию по ряду проекций из десяти имеющихся. Положим, что взаимодействуют три стейкхолдера. Позиция первого представлена на рисунках 2 и 3, второго – на рисунках 4–6 и третьего – на 8, 9 и 11.

Тогда первый кластер первого стейкхолдера имеет вид М1_1КЛ = {S₁, S₃, S₅, S₆, S₇, S₈, S₉, S₁₀}∩{S₂, S₃, S₄, S₅, S₆, S₉, S₁₀, S₁₁, S₁₂} = {S₃, S₅, S₆, S₉, S₁₀}, второго – М2_1КЛ = {S₃, S₄, S₅, S₉, S₁₀}∩{S₁, S₃, S₅, S₈, S₉, S₁₀, S₁₁}∩{S₂, S₄, S₁₀, S₁₁}= {S₁₀} и третьего – М3_1КЛ = {S₃, S₆, S₇, S₈, S₉, S₁₀, S₁₁}∩{S₁, S₂, S₈, S₁₀, S₁₁}∩{S₁₀} = {S₁₀}. Посредством пересечения первых кластеров трех заинтересованных сторон находим взаимоприемлемое решение (протоструктуру) М_ВП = {S₃, S₅, S₆, S₉, S₁₀}∩{S₁₀}∩{S₁₀} = {S₁₀}. Суть моделирования ясна.

Заключение

Разработанная концептуальная модель наряду с предшествующими оптимизационными моделями и методами займет существенное место в теории и методологии проекционного выбора и будет востребована при исследовании широкого круга экономических систем объектного и проектного типов на различных иерархических уровнях для решения актуальных задач оценки эффективности, безопасности, устойчивости, инновационности и пр.