Рассматривается алгоритм для реализации адаптивного поведения агентов в агент-ориентированных моделях (АОМ). Предполагается, что агент обладает некоторой внутренней параметрической моделью окружающего мира, которая порождает функцию правдоподобия для получаемой агентом информации об окружающем мире. Процесс адаптивного обучения агента за счет изменения параметров представлен в виде фильтрации в общей модели пространства состояний. В статье описан алгоритм SQ-фильтра, в котором используется линейная гауссовская плотность перехода и квадратичное по параметрам приближение для логарифмической функции правдоподобия. Данный алгоритм является модификацией классического фильтра Калмана. Он приложен к линейной регрессии с меняющимися параметрами. При поступлении агенту новой информации оценки параметров, в число которых входят как коэффициенты регрессии, так и дисперсия ошибки, корректируются оценки параметровадаптивным образом с учетом возможных выбросов. Работоспособность предложенной адаптивной регрессии проверена на двух экономических АОМ. Алгоритм показал хорошие результаты как в модели искусственного фондового рынка при предсказании агентами-трейдерами рыночной цены, так и в модели российской экономики при предсказании фирмами спроса на свою продукцию. С его помощью можно наделять агентов правдоподобным поведением без использования чрезмерно сложных расчетов.
Идентификаторы и классификаторы
Традиционная теоретическая экономика, по сути, описывает «поведение неправдоподобно разумных людей в неправдоподобно простых ситуациях» (Leijonhufvud, 1993). Поведение обычных людей больше похоже на адаптивное, чем на полностью рациональное. Важность моделирования адаптивного поведения и адаптивного обучения давно осознана в макроэкономическом и финансовом моделировании (Leijonhufvud, 1993; Timmermann, 1993; Evans, Honkapohja, 2001; Carceles-Poveda, Giannitsarou, 2007; Sinitskaya, Tesfatsion, 2015). Предположение о том, что все агенты знают структуру экономического равновесия и действуют полностью оптимально на основе этого понимания, заменяется на более правдоподобное предположение, что агенты эконометрическими методами оценивают параметры своих внутренних моделей исходя из имеющихся данных. В частности, в современных исследованиях рассматриваются модели с обучением на основе (рекурсивного) метода наименьших квадратов, стохастического градиента и т. п. (Carceles-Poveda, Giannitsarou, 2007)
Список литературы
1. Авдеева О.А., Цыплаков А.А. (2015). Метод адаптивного оценивания срочной структуры процентных ставок // Экономический журнал ВШЭ. Т. 19. № 4. С. 609-639. EDN: VEJRLR
2. Лукашин Ю.П. (2003). Адаптивные методы краткосрочного прогнозирования временных рядов. М.: Финансы и статистика. EDN: QOOPUZ
3. Цыплаков А.А. (2022). Стационарность и рост в агент-ориентированной модели экономики // Мир экономики и управления. Т. 22. № 1. С. 84-102. EDN: PADNPO
4. Шеннон Р. (1978). Имитационное моделирование систем - искусство и наука. М: Мир.
5. Arthur W.B. (1991). Designing economic agents that act like human agents: A behavioral approach to bounded rationality. The American Economic Review, 81, 2, 353-359. Papers and Proceedings of the Hundred and Third Annual Meeting of the American Economic Association, May, 353-359.
6. Arthur W.B., Holland J., LeBaron B., Palmer R., Tayler P. (1997). Asset pricing under endogenous expectations in an artificial stock market. In: W.B. Arthur, S. Durlauf, D. Lane (eds.). The economy as an evolving complex system II. Reading: Addison-Wesley, 15-44.
7. Brenner T. (2006). Agent learning representation: Advice on modelling economic learning. Сh. 18. Handbook of Computational Economics, 2, 895-947.
8. Carceles-Poveda E., Giannitsarou C. (2007). Adaptive learning in practice. Journal of Economic Dynamics & Control, 31, 2659-2697.
9. Creal D., Koopman S.J., Lucas A. (2013). Generalized autoregressive score models with applications. Journal of Applied Econometrics, 28, 5, 77-795.
10. Dawid H., Delli Gatti D. (2018). Agent-based macroeconomics. In: Handbook of computational economics. Vol. 4. C. Hommes, B. Lebaron (eds.). SSRN Electronic Journal, 63-156. DOI: 10.2139/ssrn.3112074
11. DeAngelis D.L., Diaz S.G. (2019). Decision-making in agent-based modeling: A current review and future prospectus. Frontiers in Ecology and Evolution, 6, 237. EDN: WXYFZS
12. Evans G.W., Honkapohja S. (2001). Learning and expectations in macroeconomics. Princeton: Princeton University Press.
13. Harvey A.C. (2013). Dynamic models for volatility and heavy tails: With applications to financial and economic time series. Econometric society monograph. Cambridge: Cambridge University Press.
14. Hunter E., Namee B.M., Kelleher J.D. (2017). A taxonomy for agent-based models in human infectious disease epidemiology. Journal of Artificial Societies and Social Simulation 20, 3, 2. Available at: https://www.jasss.org/20/3/2.html. DOI: 10.18564/jasss.3414
15. Hyndman R.J., Koehler A.B., Ord J.K., Snyder R.D. (2008). Forecasting with exponential smoothing: The state space approach. New York: Springer.
16. Iori G., Porter J. (2018). Agent-based modeling for financial markets. In: The Oxford handbook of computational economics and finance. S.-H. Chen M. Kaboudan, Y.-R. Du. (eds.). New York: Oxford University Press, 635-666. DOI: 10.1093/oxfordhb/9780199844371.013.43
17. Kirman A. (2011). Learning in agent-based models. Eastern Economic Journal, 37, 20-27.
18. Lange K.L., Little R.J., Taylor J.M.G. (1989). Robust statistical modeling using the t distribution. Journal of the American Statistical Association, 84, 881-896.
19. Leijonhufvud A. (1993). Towards a not-too-rational macroeconomics. Southern Economic Journal, 60, 1, 1-13. EDN: HGDLTD
20. Nguyen J., Powers S.T., Urquhart N., Farrenkopf T., Guckert M. (2021). An overview of agent-based traffic simulators. Transportation Research Interdisciplinary Perspectives 12, December, 100486.
21. Rand W. (2006). Machine learning meets agent-based modeling: When not to go to a bar. C.M. Macal, D.L. Sallach, M.J. North (eds.). Proceedings of the Agent 2006 conference on social agents: Results and prospects. Argonne National Laboratory and University of Chicago, Chicago, 51-59.
22. Shannon R.E. (1976). Simulation modeling and methodology. WSC ’76: Proceedings of the 76 Bi-centennial conference on winter simulation, December, 9-15.
23. Sinitskaya E., Tesfatsion L. (2015). Macroeconomies as constructively rational games. Journal of Economic Dynamics & Control, 61, 152-182.
24. Tanizaki H. (1996). Nonlinear filters: Estimation and applications. 2nd ed. Berlin, Heidelberg: Springer-Verlag.
25. Tesfatsion L. (2012). Detailed notes on the Santa Fe artificial stock market (ASM) model. Available at: http://www2.econ.iastate.edu/tesfatsi/SFISTOCKDetailed.LT.htm.
26. Timmermann A.G. (1993). How learning in financial markets generates excess volatility and predictability in stock prices. The Quarterly Journal of Economics, 108, 4, 1135-1145. EDN: BQTQQB
27. Weidlich A., Veit D. (2008). A critical survey of agent-based wholesale electricity market models. Energy Economics 30, 1728-1759.
Выпуск
Другие статьи выпуска
Авторы анализируют основные положения книги «Мезоэкономика России: стратегия разбега» (М., 2022, под редакцией Г. Б. Клейнера). Книга, подготовленная коллективом известных ученых ЦЭМИ РАН и их коллегами, является третьей в цикле книг, опубликованных под редакцией Г. Б. Клейнера, и продолжает размышления, начатые в монографиях «Мезоэкономика переходного периода: рынки, отрасли, предприятия» (М., 2001) и «Мезоэкономика развития» (М., 2011). Эти книги, объединенные целостным замыслом, дают системное видение особого, мезоэкономического уровня современной экономики вообще и российской экономики, в особенности. В статье позитивно оцениваются аргументы авторов новой книги, доказывающих обоснованность выделения мезоэкономики - особого экономического подпространства, лежащего между микро- и макроэкономическими уровнями. Особое внимание авторы «размышлений» уделяют методологическим и теоретическим вопросам рецензируемой монографии. В частности, подчеркивается, что современный уровень развития технологий, характеризующийся господством 4 и 5 укладов и начавшегося перехода к 6 технологическому укладу, а также система отношений позднего капитализма, предполагающая появление пострыночных и посткапиталистических отношений, объективно формируют особые воспроизводственные отношения на уровне отраслевых, межотраслевых и региональных комплексов. В статье выделяются значимые результаты анализа авторами монографии отраслевых и региональных комплексов России, в частности, таких как сфера высоких технологий, нефтегазовый комплекс, электроэнергетика, аграрный сектор и другие. Авторы рецензии, высоко оценивая книгу, вместе с тем отмечают спорные и дискуссионные вопросы монографии, указывая, в частности, на то, что при анализе ряда вопросов в ней утрачивается акцент на собственно мезоэкономическом подпространстве экономики.
Метод пометок (метод Дейкстры) предназначен для решения задачи поиска кратчайшего пути между двумя вершинами в графе с заданными длинами ребер. Если каждое ребро графа характеризуется не одной, а несколькими характеристиками, например, временем и стоимостью проезда по ребру, возникает задача многокритериальной оптимизации, в которой требуется построить оптимальный по Парето путь с учетом предпочтений лица, принимающего решения (ЛПР). В 2020 г. А. М. Беловой и А. А. Заславским был предложен один из возможных способов к решению этой задачи, основанный на оптимизации одного из критериев при заданных ЛПР ограничениях на остальные критерии. В данной работе описывваются результаты вычислительных экспериментов, проведенных для проверки эффективности предложенного алгоритма.
В статье рассматриваются подходы к оптимизации запасов в цепях поставок крупных промышленных компаний. Актуальность данного вопроса касается в первую очередь поставок наиболее дорогих категорий материальных ресурсов, при расчете размера заказа которых необходимо дополнительно учитывать потери от иммобилизации оборотного капитала (альтернативные издержки). В практике отечественных и зарубежных компаний получили широкое применение модификации формулы оптимального размера заказа, с помощью которых компании достигают экономического компромисса между уровнем доступности запасов на складе и затратами на их закупку и содержание. При этом величина потерь от иммобилизации в некоторых случаях может существенно влиять на уровни складских запасов компании, а значит — и на потребность в таких объектах логистической инфраструктуры, как складские помещения, подъемно-транспортное оборудование и пр. На сегодняшний день единая методика оценки потерь от иммобилизации оборотного капитала в запасах отсутствует, что обусловлено спецификой деятельности компаний, относящихся к разным отраслям промышленности и видам бизнеса. В связи с чем существенно отличаются подходы к выбору ставок для определения суммы таких потерь и оценки их влияния на эффективность деятельности компаний. Корректный учет альтернативных издержек может быть использован при разработке диверсифицированных подходов к планированию потребности в складских запасах, который позволит, с одной стороны, максимально удовлетворять заказы внутренних и внешних клиентов, а с другой — не допускать формирования избыточных запасов. Поэтому вопрос разработки отраслевых методик оценки финансовых потерь при работе с запасами материальных ресурсов является актуальным.
При оценке нефинансовых активов обычно не учитывается возможность их досрочной продажи (до окончания срока службы). Такая продажа актива предусматривает определенное время на его экспозицию. Предлагается модель для оценки рыночной стоимости актива с учетом указанных обстоятельств, основанная на методе дисконтирования денежных потоков. Выгоды (денежные потоки), генерируемые активом при использовании его по назначению в предстоящий период, предполагаются известными. В модели принимается, что досрочная продажа обусловлена выявлением (реальных или предполагаемых) угроз локального характера, т. е. относящихся только к конкретному активу и его владельцу. Момент выявления угрозы и длительность последующей экспозиции актива рассматриваются как случайные величины. Полученные формулы позволяют учесть также влияние инфляции, устранимых отказов актива и изменение его стоимости в период экспозиции
В работе предлагаются специальные методы статистического подхода к анализу региональных межотраслевых взаимосвязей. В качестве реальной системы, по статистическим данным которой проводятся все количественные расчеты, рассматривается Российская Федерация без трех самых больших административных единиц (Москвы, Санкт-Петербурга, Московской области). В отличие от материальных связей модели Леонтьева анализируются информационно-статистические связи между отраслями. Для этого используются понятия энтропии и информации с целью выявления особенностей взаимодействия между шестью производственными отраслями и шестью информационными секторами экономики. Эти взаимодействия рассматриваются с позиций закона необходимого разнообразия, а сложность по Колмогорову, которой в работе придается особое значение и которая оценивается энтропией распределения показателей выпуска региональных подсистем. Вводятся понятия и произведена количественная оценка сложности регионов и отраслей. Структура информационных связей между показателями экономической системы находится как с помощью регрессионного анализа, так и на основе предлагаемых коэффициентов информативности. Особенно подчеркивается роль условных энтропий при статистическом анализе межотраслевых взаимодействий. Структуры взаимодействия представлены в виде соответствующих графов связи. Обосновывается, что рассчитанные коэффициенты информативности и условные энтропии дают возможность сделать качественный анализ и прогноз. Произведенные расчеты по статистическим данным показали, что в регионах с преобладанием энтропии управления над энтропией производства выпуск на одного занятого существенно выше. На основании общего рассмотрения региональных энтропий представляется целесообразным рекомендовать регионам России повысить сложность отраслей связи и научно-профессиональной деятельности хотя бы до уровня сложности отрасли обрабатывающего производства.
Повышение экономической сложности региона может способствовать повышению уровня материального благосостояния населения, поэтому ее рост следует рассматривать как один из критериев оценки решений, способствующих диверсификации. Увеличение объема производства одного сектора в регионе может приводить к изменению структуры сильных секторов его экономики и оценки его экономической сложности. Важно учитывать, что при этом могут изменяться структуры сильных секторов других регионов. В работе представлены условия, при выполнении которых происходят такие изменения. Проведен сравнительный анализ траекторий оценок экономической сложности регионов, построенных на основе двух подходов: 1) выбор сектора или вида экономической деятельности в регионе для развития до уровня сильного, который обеспечивает максимальный рост экономической сложности региона; 2) выбор сектора или вида экономической деятельности, который имеет самую высокую оценку экономической сложности. Траектории оценок экономической сложности регионов, построенные двумя разными способами, целесообразно рассматривать в качестве альтернатив для сравнения с траекториями, полученными на основе экспертного выбора направления диверсификации. Представлены результаты регрессионного анализа, указывающие на возможность прогнозирования оценок экономической сложности регионов по секторам с использованием оценок экономической сложности регионов по видам экономической деятельности, первой и второй главных компонент структуры экономики по видам экономической деятельности.
Цель предлагаемой статьи — обосновать применение авторского подхода и методологии, основанных на сочетании технологий машинного обучения и построения направленных графов с их последующей кластеризацией для системного изучения количественных и качественных характеристик рынка государственных закупок и поведения агентов этого рынка. В результате проведенного исследования выделены благодаря инновационному подходу к исследованию, основанному на сочетании технологий машинного обучения и теории сетей и графов, ранее неучтенные региональные и отраслевые факторы, влияющие на взаимоотношения агентов рынка государственных закупок. Систематизированы модели взаимоотношений на этом рынке в авторской трактовке, интегрирующей макроэкономическую ситуацию на рынке и маркетинговые стратегии игроков рынка. Выявлены такие устойчивые шаблоны поведения агентов рынка государственных закупок, как «изоляция», «консерватизм», «мобильность», и обосновано, что изолированное или консервативное поведение игроков рынка повышает вероятность возникновения коррупционных сговоров. Все вышеперечисленное не было системно изучено ранее и имеет научную новизну и высокую практическую значимость. Проведенные исследования способствовали приращению научного знания в прикладном применении теории сетей и графов, в вопросах государственного регулирования экономики, противодействия монополизации рынков и повышении конкуренции. Практические результаты работы связаны с формированием рекомендаций российским органам власти – регуляторам рынка государственных закупок и участникам торгов по выбору эффективных стратегий поведения на рынке.
Несмотря на высокую степень разработанности математического аппарата микроэкономической теории, недостаточное внимание в литературе уделено моделированию поведения экономических секторов под воздействием внешних шоков с учетом их межсекторальных связей. В частности, речь идет об исследовании ценовой политики отраслей, которая оказывает непосредственное влияние на величину спроса, выпуск и маржинальность. В связи с этим целью данной работы является анализ изменения величин добавленной стоимости отраслей в условиях экономических шоков. Для достижения поставленной цели авторами разработана методика моделирования поведения экономических агентов в части их ценовой политики. Эта методика основана на введении функций спроса на конечное потребление в методологию межотраслевого баланса. С помощью предложенной методики исследуется динамика цен на продукцию с учетом межсекторальной зависимости, а также ее влияние на объем производства, добавленную стоимость, маржинальность и объем выпуска каждого сектора. В модель ценообразования также были включены отрасли, не производящие продукцию для конечного потребителя. Предлагаемая методика апробировалась на примере трех секторов и дала следующие ключевые результаты. Маржинальность отраслей, не производящих продукцию для конечного потребителя, не зависит от параметров функций спроса на конечную продукцию. На маржинальность таких отраслей влияет только структура промежуточного потребления. Слишком высокий уровень технологической зависимости отраслей от промежуточной отрасли так же невыгоден для нее, как и слишком низкий. Результаты данной работы могут быть полезны для планирования государственных инвестиций и оценки их влияния на ключевые отрасли экономики.
В статье рассматриваются последние тенденции в динамике доли оплаты труда в ВВП в странах с высоким и средним уровнем дохода, а также взаимосвязь с неравенством в распределении доходов. Растущее беспокойство по поводу роста неравенства из-за COVID-19 во всем мире объясняет необходимость исследований в этой области. В работе исследуются глобальные статистические свойства (стационарность, наличие детерминированного или стохастического тренда) панельных данных, а также отдельных временных рядов, отражающих долю оплаты труда в ВВП для ряда стран. Для оценки параметров тренда использована модель авторегрессии со структурным сдвигом и фиксированными индивидуальными эффектами для панельных данных. Выявлено, что для стран с высокой долей оплаты труда в ВВП характерен негативный тренд в период 1990–2010 гг., который сменился слабым положительным трендом. Вместе с тем для отдельных стран с низкой долей оплаты труда в ВВП негативные тенденции усилились после глобального экономического кризиса 2008–2009 гг. Для группы стран, где доля оплаты труда составляет в среднем от 42 до 56% ВВП, гипотеза о наличии тренда не подтвердилась. Наши результаты подтверждают актуальность негативных тенденций, вызванных в период 1990–2010 гг. такими общими факторами, как технологические изменения и глобализация, и указывают на разнонаправленные тенденции в последующее за глобальным кризисом десятилетие.
Статья посвящена оценке уровня различных видов доверия в современном российском обществе. Исследование проведено на основе социологического опроса. Актуальность работы обусловлена значительной ролью доверия в определении потенциала устойчивости и адаптивности социально-экономической системы к шокам. Целью исследования является анализ уровня четырех видов доверия: межличностного, генерализированного, институционального и политического - в современном российском обществе и изучение взаимосвязей между ними. Авторами были проанализированы ответы респондентов на четыре группы вопросов и проведены измерения соответствующих видов доверия; сделаны выводы о наличии или отсутствии общей тенденции в распределении ответов. Было выявлено, что в рамках исследуемой выборки высокий уровень межличностного доверия, продемонстрированный респондентами, сочетается со сравнительно низким уровнем генерализированного доверия и низким уровнем политического и институционального доверия. Также были сделаны предположения относительно факторов, оказавших влияние на восприятие респондентами вопросов разного типа и, соответственно, на распределение полученных ответов. Наконец, авторами были сделаны выводы содержательного и технического рода о результатах проведенного социологического опроса. Проведенное исследование не дает оснований для формулировки окончательных выводов об уровне различных видов доверия в российском обществе. Однако оно наглядно демонстрирует значимую дифференциацию этих уровней, а также противоречия в оценке респондентами гипотетических и реальных жизненных ситуаций.
Издательство
- Издательство
- ЦЭМИ РАН
- Регион
- Россия, Москва
- Почтовый адрес
- 117418, Москва, Нахимовский пр, 47
- Юр. адрес
- 117418, Москва, Нахимовский пр, 47
- ФИО
- Альберт Рауфович БАХТИЗИН (Директор)
- E-mail адрес
- albert.bakhtizin@gmail.com
- Контактный телефон
- +7 (499) 1290822