Введение

Пандемия COVID-19 привела к серьезным демографическим, социально-экономическим и территориальным последствиям. Эти вызовы требуют от мирового сообщества разработки как мер реагирования, так и предвидения новых угроз. Поэтому создание современных инструментов прогнозирования различных показателей интенсивности воздействия пандемии становится важным и актуальным для рассмотрения и оценки межрегиональных различий [29]. Одним из инструментов анализа и прогнозирования социально-экономических последствий пандемии могут выступать агент-ориентированные модели (АОМ), в которых имитируется поведение децентрализованных самообучающихся агентов, имеющих собственные цели и возможности. Развиваемый в последнее время агент-ориентированный подход базируется на специальном классе вычислимых моделей, основанных на индивидуальном поведении множества агентов. Агент-ориентированный подход к моделированию универсален и удобен для прикладных исследователей и практиков в силу своей наглядности, но при этом предъявляет высокие требования к вычислительным ресурсам [15]. Модели подобного типа применяются на различных уровнях государственного управления. Агентные модели пользуются популярностью для изучения социально-экономических сфер, в частности, получения оценочных показателей поведения людей при тех или иных обстоятельствах. Поведение людей может резко меняться, например, в период стрессовых ситуаций таких как, чрезвычайные происшествия, стихийные бедствия, эпидемии. В последнем случае эпидемии несут в себе огромный риск распространения инфекции по всей планете. Для изучения путей распространения вирусов различной этиологии и составления прогнозов последствий эпидемии используются имитационные модели [1-3]. Ущерб от эпидемии каждое государство ощущает по-разному, так как уровень подготовки к подобным чрезвычайным ситуациям различается. Для поддержки экономики страны принимают антикризисные меры, которые нацелены, в первую очередь, на преодоление серьезных последствий в самых уязвимых секторах для того чтобы не допустить «пробуксовки» после эпидемии. В конкретном случае рассматривается ситуация, которая разворачивалась вокруг эпидемии, вызванной вирусом COVID-19 [29, 32]. Принимаются беспрецедентные меры для того, чтобы пройти этот период с наименьшими потерями:

• отсрочки по обязательным платежам;
• кредитные каникулы;
• денежные компенсации;
• дотационные выделения средств семьям с детьми;
• налоговые каникулы;
• формирование законодательных документов, направленных на налоговые послабления для наиболее пострадавших отраслей (в России таких сфер деятельности выделено 12, а по виду экономической деятельности 50) и др.

На первый план выходят задачи по поддержке реального сектора экономики. Также для сокращения последствий от эпидемии государства разрабатывают финансовые инструменты для восстановления капитализации фондовых рынков [7].

Отечественные и зарубежные разработки в области имитационного моделирования для оценки социо-эпидемиолого-экономических процессов

В рамках реализации проекта была поставлена задача – смоделировать социально -экономические последствия от COVID-19 на примере субъектов Российской Федерации и пострадавших отраслей. Формируя изначальную схематическую форму агентной модели потребовалось изучить специфику социально-экономических процессов и эпидемиологические аспекты на базе уже действующих моделей. Модели подобного класса являются достаточно гибкими и адаптивными для изучения подобных явлений. Ко всему прочему такие механизмы могут дополнять программный арсенал мониторинговых центров, входящих в состав органов государственного управления в качестве вспомогательного средства по борьбе с распространением инфекций и предупреждению их последствий. Цифровая оснащенность программными продуктами последнего поколения очень важна, так как это напрямую влияет на коммуникационное взаимодействие между государственными органами власти и гражданами (по этому принципу работают современные центры управления регионом (ЦУР)). Надо отметить, что агент-ориентированные модели широко распространены и используются, в частности, для изучения экономических и финансовых кризисов, а также влияния вирусных эпидемий. В качестве примера можно привести глобальную агент-ориентированную модель «Symphony project», где рассматриваются и анализируются политические меры регулирования в момент экономических и финансовых кризисов. В модели присутствует набор инструментов, который позволяет:

• собирать и анализировать информационные блоки, используя различные источники, в том числе, рынок ипотеки и социальные сети;
• имитировать экономическую динамику;
• вовлекать гражданское население в процесс принятия решений.

Следующий пример  – агентная модель, которая создавалась для воспроизведения надежных прогнозов оценки последствий эпидемии лихорадки «Эбола» в 2014-2015 годах в Либерии. В модели использованы демографические особенности населения в соответствии с данными переписи. Специалисты также учитывали сеть социальных контактов и другие аспекты, влияющие на распространение инфекции. Приводится аналитическая часть модели и продемонстрирован функционал, позволяющий оценить эпидемиологическую ситуацию в данной стране [38]. В качестве другого примера применения АОМ можно назвать модель распространения кори в ирландском городе Шулле (Ирландия) в 2012 г. Авторы предложили смоделировать вспышку инфекционного заболевания в 33 разных городах и провели корреляцию между выходными данными и характеристиками городов [31]. Для формирования архитектурной части модели и создания блоков взаимодействия агентов также использовался опыт построения моделей, которые сконструированы для изучения социально-экономических процессов и распространения различных эпидемий. Условно такие модели можно разделить на три блока. Экономический блок имитационных моделей:

• Global Economic Model – модель, разработанная в Оксфорде, в ее структуру входит около 80 стран, функционал позволяет решать вопросы различной экономической направленности, в том числе, анализировать цены на нефть или последствия замедления роста экономики Китая [18].
• World Economic Forecasting Model (WEFM) – глобальная модель ООН, сконструированная на базе Project LINK (начало проекта 1960 годы). Данная модель объединяет в себе макромодели из 80 стран для проведения детализированных прогнозов [19].
• MULTIMOD Mark III Econometric Model – масштабная экономическая модель, разработанная Международным валютным фондом, в основе лежит модель Mark III, которая вбирает в себя семь крупнейших индустриальных стран [25].
• National Institute Global Econometric Model (NiGEM) – глобальная макроэконометрическая модель, которая используется специалистами разных стран с 1987 года, ее возможности позволяют строить сценарные экономические прогнозы для 60 стран и регионов [17].
• GaR IMF Growth at Risk Model – имитационная модель, позволяющая связывать различные макроэкономические события для прогнозирования экономического роста [16].

Социальный блок имитационных моделей:

• Модель Social Petersburg - имитационная разработка, созданная с помощью программного обеспечения AnyLogic, которая обладает интерактивным интерфейсом и позволяет инициировать новые проекты строительства детских образовательных учреждений [22].
• Модель Вологодской области – «Губернатор» - региональная имитационная модель с возможностью воспроизведения симуляции социально-экономических процессов Вологодской области, в основе которой лежит моделирование самостоятельных экономических агентов, где наибольшее внимание было уделено личностям агентов-людей [23].
• Демографическая модель «Россия» - глобальная имитационная модель, позволяющая симулировать репродуктивное поведение людей, исходя из их личных характеристик [21].
• Tax Policy Measures for Education and Healthcare Sectors of Russian Economy – в модели рассматриваются последствия проведения двух налоговых мер по снижению ставки единого социального налога и параллельного повышения ставки подоходного налога, проведено сопоставление с теневым сектором экономики России [20].

Эпидемиологический блок имитационных моделей:

• Модель распространения эпидемии COVID-19 на примере г. Москва – имитационный инструмент для прогнозирования эпидемиологической обстановки, исходя из карантинных мер и анализа пиковых нагрузок на систему здравоохранения [10].
• Deep neural network models for mid-term forecast of the COVID-19 effect in the Russian regions – модель среднесрочного прогноза социально-экономических последствий COVID-19 в российских регионах, основанная на глубоких нейронных сетях. Модель обучается на различных данных, включая ежедневные случаи заболеваемости и смертности, возрастную структуру заболевших, транспортную доступность регионов и уровень безработицы. Экспериментальная оценка моделей показывает, что демографические показатели и показатели здравоохранения могут значительно повысить точность прогнозирования среднесрочных экономических показателей [29].
• Epidemic Spreading in Urban Areas Using Agent-Based Transportation Models – широкомасштабная модель для проведения симуляции пространственной передачи инфекционных заболеваний и принятия мер по предотвращения распространения [30].
• Modeling triple-diffusions of infectious diseases, information, and preventive behaviors through a metropolitan social network —An agent-based simulation – эпидемиологическая модель с реализованным функционалом передачи заболевания и поведенческим фактором агентов-людей [34].
• An agent-based approach for modeling dynamics of contagious disease spread – агентная модель симулирующая инфекционные заболевания с помощью диффузии в городской среде, используя связи агентов-людей при передаче инфекции на примере вспышки кори в Бернаби (Канада) [37].
• An Agent-Based Modeling for Pandemic Influenza in Egypt – модель основана на взаимодействии агентов внутри искусственной среды и описывает процесс распространения пандемического гриппа HINI в Египте [33].

Модельная интерпретация некоторых разработок позволила сформировать дальнейшее видение концепции модели и дала возможность поставить новые задачи связанные, в первую очередь, с актуальным набором статистических данных для построения исходного состояния модели и ее фундаментальной основы.

Концептуальное представление архитектуры модели на базе статистической и аналитической информации

Для сбора статистических данных и дальнейшего построения модели были изучены информационные и новостные источники, в которых представлялись списки наиболее пострадавших регионов от коронавирусной инфекции COVID-19, используемые ограничительные меры, экономический спад в период пандемии и демографическая составляющая. В качестве демонстрационного примера были выбраны следующие субъекты РФ: Мурманская область, Краснодарский край, Свердловская, Самарская и Воронежская области [14]. При обработке данных, собранных с пяти субъектов РФ было выявлено применение разноуровневых ограничительных мер, связанных с противодействием распространения коронавирусной инфекции и которые условно можно разделить на три группы:

• жёсткие меры (Мурманская область и Краснодарский край);
• средние меры (Свердловская и Самарская области);
• умеренные меры (Воронежская область);

Руководителям каждого субъекта России было дано право самостоятельно определять необходимость введения умеренных или более жестких мер по противодействию распространению инфекции исходя из эпидемиологической обстановки в регионе. Фактически данное право наложило на государственные органы местного управления обязанность вести ежедневный мониторинг и, руководствуясь оперативными данными, принимать решения о послаблениях или ужесточении. Так, в ряде субъектов РФ сразу были введены жесткие ограничения, связанные с запретом проведения массовых мероприятий, посещением граждан общественных мест, перевод на удаленную работу сотрудников организаций, временном закрытии предприятий общественного питания и досуга (работа только на вынос), а также прочие меры, серьезно повлиявшие на социально-экономические процессы региона. Вторая категория ограничилась введением запретов по количеству людей, которые могут посещать единовременно мероприятия (50-100 человек), тем самым запрещая все массовые мероприятия досугового характера, также дополнительно было рекомендовано перевести 30-50% сотрудников организаций на удаленный режим работы. Третья категория ограничивалась профилактическими мерами, требованиями по применению средств индивидуальной защиты, а также вводом ограничения по посещаемости мест массового скопления людей. Исходя из данных, опубликованных в государственных информационных источниках, была составлена диаграмма с вводимыми мерами по дням/месяцам (табл. 1.). Также стоит подчеркнуть, в период действия ограничительных мер, некоторые запреты могли корректироваться исходя из последних сводок, получаемых руководством региона, какие-то меры продолжали действовать до снятия ограничений, а другие снимались по мере необходимости [4-6].

Также стоит взять во внимание разработанную Высшей школой государственного управления (ВШГУ) Оксфордского университета имени Л. Блаватника систему «индекса строгости мер» - Government Response Stringency Index. На основании данных индикаторов можно описывать насколько строгие ограничения могут действовать в регионах (табл. 2). Система содержит 18 индикаторов, но в исследовании используются только 9, как наиболее информативные. Такие индикаторы могли бы стандартизировать меры, применяемые во время эпидемий.

Программное представление имитационной модели

В статье описана архитектура модели, которая сформирована на базе имеющихся программных средств и созданных компьютерных прототипов в отечественной и зарубежной практике. Первая версия модели сконструирована на базе взаимодействия агентов внутри «искусственного общества» с использованием различных статистических и аналитических баз. Представленная концептуальная блок-схема (рис. 3) подробно описывает взаимодействие различных типов агентов внутри модели.

Программное средство, выбранное для реализации поставленной задачи - платформа для создания агент-ориентированных моделей «AnyLogic». В демонстрационном прототипе собраны три действующих блока: демографический, экономический и эпидемиологический. Совокупное использование всего функционала данных блоков позволяет решать поставленную задачу, а именно – анализ экономических последствий от COVID-19, используя разные статистические базы и варьируемые параметры для актуализации сценарных экспериментов [10, 11]. Проводя настройку внутренней системы модели, было принято решение о создании трех групп агентов, не считая «вспомогательных», которые не несут когнитивных функций, а выступают в качестве сигнальных агентов. Три группы:

• Тип агентов № 1: агенты-люди – население регионов.
• Тип агентов № 2: агенты-организации – все организации региона (микро, малые, средние и крупные организации).
• Тип агентов № 3: агенты-регионы – субъекты Российской Федерации.

Каждый агент имеет свои индивидуальные характеристики: возраст, пол, финансовые накопления и так далее. Для организаций реализованы такие характеристики как: размер предприятия, численность персонала, финансовые активы. Агенты – субъекты РФ выступают в роли «виртуальной витрины» и демонстрируют аккумулированную статистическую информацию в виде таблиц и графиков, которые отражают социально-эпидимиолого-экономические характеристики. Для оценки последствий от COVID-19 были собраны соответствующие данные, которые позволяют после проведения сценарных экспериментов оценить тенденцию закрываемых организаций, оценить масштаб введения ограничительных мер в регионах, рассмотреть эпидемиологическую ситуацию на базе имеющейся статистики, проанализировать наиболее пострадавшие отрасли [26]. 

Важно отметить, что симуляционные эксперименты проводятся с некоторыми ограничениями, что усложняет процесс калибровки модели. С учетом данного ограничения приходится применять масштабируемость, которая напрямую влияет на точность симуляции и сценарных прогнозов. Собранные статистические данные имеют задел для расширения модели путем включения в архитектуру 85 субъектов Российской Федерации при применении суперкомпьютерных технологий (ввиду ограниченности производственных мощностей стандартизированных ПК). При детализированной проработке, подобного рода модели позволяют задействовать в одном многофункциональном прототипе различные математические инструменты, которые, в свою очередь, расширяют применяемый спектр статистических данных для проведения экспериментов. Совместное применение инструментария различного класса сложности и принадлежности дают возможность рассчитать более достоверный прогноз для исследуемого процесса или объекта. Наиболее актуальной задачей в развитии этого направления является практика применения таких моделей в органах государственной власти и коммерческих организациях. Еще одним важным аспектом представляется изучение сложно-прогнозируемых явлений, например – эпидемий и их последствия социально-экономического характера, возможные риски рецессий экономик в эти периоды и анализ резко возрастающего спроса на социальную поддержку от государства.

Широкий арсенал дает уникальные возможности использовать данные модели как универсальный механизм мониторинга и виртуального помощника при принятии управленческих решений. Их функционал позволяет задействовать программные средства различного класса, в том числе, они могут применяться совместно с нейронными сетями, математическими моделями, 3D-4D надстройкой и прочими дополнительными технологиями, которые могли бы дополнить, улучшить и нагляднее продемонстрировать сценарные прогнозы [35, 36].

Заключение

В условиях пандемии коронавирусной инфекции возрастает необходимость в разработке методов научно-обоснованной оценки последствий как на уровне экономики страны, так и на уровне регионов. Одной из острых проблем развития российской экономики в условиях пандемии коронавируса является конфликт между мерами защиты жизни и здоровья людей и падением экономической активности. Для поддержки экономики страны принимаются антикризисные меры, которые нацелены, в первую очередь, на преодоление серьезных последствий в самых уязвимых секторах. В рамках исследования для оценки социально-экономических последствий эпидемии и воспроизведения прогнозов используется современный инструментарий имитационного моделирования – агент-ориентированное моделирование. На вспышки инфекционных заболеваний влияют различные факторы и для достоверной оценки ситуации потребуется внушительный набор статистических показателей. Возможности АОМ напрямую зависят от детализации и достоверности получаемой информации. Без развитой информационной базы и своевременной обработки данных сложно выстраивать устойчивые прогнозы в масштабе региона и страны в целом, поскольку прогнозные данные будут не актуальны или иметь большую погрешность [8]. Практическое применение таких моделей в отечественной и зарубежной практике растет, что подтверждает работоспособность и значимость таких разработок. Их активно используют для изучения социально-экономических процессов, а также эпидемиологических, но моделей, где сразу рассматриваются три вида процессов очень мало. Для представленной модели характерно использование именно трех блоков при оценке масштаба влияния COVID-19. Выполнен широкий спектр задач по поиску и анализу зарубежного и отечественного опыта в этом направлении. Проведен сбор и обработка информационных данных из различных государственных источников, проанализирована собранная статистическая информация из альтернативных источников, сконструированы агрегированные и адаптивные базы данных, которые можно подгружать и актуализировать с учетом поступления обновляемых данных. На этапе программной реализации разработана типология агентов, структурные связи, блок-схема их взаимодействия, а также симуляционные процессы, касающиеся демографических, экономических и эпидемиологических процессов. Ввиду ограниченности производственных мощностей офисных компьютеров, наиболее актуальной задачей, после калибровки модели и проверки ее на реалистичные прогнозные показатели формируется новая задача, связанная с отладкой и полной перенастройкой системы под использование суперкомпьютерных мощностей, где имитацию можно будет производить в масштабе 1:1. Дальнейшие перспективы расширения модели – надстройка базы данных и программных кодов для 85 субъектов Российской Федерации с учетом индивидуальных характеристик каждого региона. Результаты исследования продемонстрировали потенциал имитационного моделирования при прогнозировании последствий вирусных эпидемий в регионах России. Дальнейшее развитие данного направления исследования будет включать уточнение разработанной модели для анализа последствий распространения вирусных эпидемий с точки зрения социально-экономического развития территориальных систем на основе полученных прогнозных сценариев.