Сценарное моделирование макроэкономических объектов с использованием ориентированных графов – перспективный, но далеко не безоблачный путь к пониманию и прогнозированию экономических процессов. Несмотря на потенциал графовых моделей в визуализации и анализе сложных взаимосвязей, на практике исследователи сталкиваются с рядом серьезных проблем, которые необходимо преодолеть для получения достоверных и полезных результатов.
Первая проблема – это "проклятие малых данных"
Макроэкономические исследования часто ограничены небольшими выборками данных, особенно на региональном уровне. Это связано с ограниченностью доступной информации, ее фрагментарностью и сложностью сбора. В условиях малых данных традиционные статистические методы становятся менее надежными, а графовые модели, требующие четких и измеримых взаимозависимостей, особенно уязвимы. Недостаток данных может привести к искажению реальных взаимосвязей, неверной интерпретации результатов и, как следствие, к ошибочным прогнозам. Решением этой проблемы является не только расширение выборок, но и разработка методов, позволяющих эффективно использовать качественные данные, экспертные оценки и интуитивные суждения, интегрируя их в графовые модели.
Пример: Предположим, мы хотим построить граф, описывающий взаимосвязи между инвестициями в возобновляемую энергетику, уровнем занятости и экономическим ростом в небольшом регионе. Если доступны данные только за последние 5 лет и всего по нескольким компаниям, то любая выявленная взаимосвязь может быть случайной и не отражать реальной картины. Например, рост занятости может быть связан не с инвестициями в возобновляемую энергетику, а с открытием новой шахты, что является совершенно другой причиной."
Альтернативный пример: "При исследовании влияния санкций на российскую экономику, данные по импорту и экспорту за период до 2014 года могут быть недостаточными для достоверного прогнозирования долгосрочных последствий, поскольку структура торговых связей и экономическая политика страны претерпели значительные изменения после введения санкций."
Пример решения (кроме указанных): "Использовать байесовские методы для включения априорных знаний о взаимосвязях, основанных на экономической теории, в модель. Это позволяет компенсировать недостаток данных.
Вторая проблема – это "динамическая неопределенность"
Экономика – это живая, постоянно меняющаяся система, подверженная влиянию множества факторов, как внутренних, так и внешних. Эти факторы могут быть политическими, социальными, технологическими, экологическими и т.д. Динамичность экономики создает серьезные трудности для сценарного моделирования, поскольку взаимосвязи между макроэкономическими объектами могут меняться со временем. Графовые модели, построенные на основе исторических данных, могут быстро устаревать и терять свою актуальность. Для решения этой проблемы необходимо разрабатывать гибкие и адаптивные модели, способные учитывать изменения в экономической среде и оперативно перестраиваться под новые условия. Это требует применения методов машинного обучения, искусственного интеллекта и динамического программирования.
Пример: "Рассмотрим модель, связывающую цены на нефть, курс рубля и инфляцию в России. В 2020 году пандемия COVID-19 привела к резкому падению спроса на нефть и обвалу цен. Традиционная графовая модель, построенная на основе данных за предыдущие годы, не смогла бы адекватно предсказать последствия этого шока, поскольку она не учитывала возможность такого масштабного и непредсказуемого события."
Альтернативный пример: "Допустим, мы строим модель, описывающую влияние процентных ставок на инвестиционную активность. Внезапное изменение денежно-кредитной политики центральным банком, вызванное, например, геополитическими рисками, может радикально изменить поведение инвесторов и нарушить сложившиеся взаимосвязи."
Пример решения (кроме указанных): "Использовать скользящие окна данных для постоянной настройки модели на основе самых свежих данных, учитывая меняющиеся экономические условия."
Третья проблема – это "субъективность интерпретации".
Построение графовых моделей требует принятия множества решений, начиная от выбора ключевых переменных и заканчивая определением весов ребер, отражающих силу влияния. Эти решения часто основываются на экспертных оценках и интуитивных суждениях, что неизбежно вносит элемент субъективности в модель. Субъективность может привести к расхождениям в понимании ключевых эффектов и зависимостей, искажению результатов анализа и, как следствие, к принятию неоптимальных управленческих решений. Для минимизации влияния субъективизма необходимо разрабатывать алгоритмы, позволяющие систематизировать и объективизировать процесс построения графовых моделей, привлекать к анализу экспертов из разных областей и использовать методы верификации сценариев на основе реальных данных.
Пример: "При построении графа, описывающего взаимосвязь между образованием, инновациями и экономическим ростом, эксперт может переоценить влияние высшего образования и недооценить роль профессионального обучения. Другой эксперт, напротив, может считать, что профессиональное обучение имеет большее значение для инноваций. Эти разные оценки приведут к разным графовым моделям и, следовательно, к разным прогнозам."
Альтернативный пример: "При оценке силы влияния социальных сетей на потребительский спрос, эксперт, ориентированный на маркетинг, может завысить эту взаимосвязь, в то время как социолог, изучающий реальное поведение потребителей, может дать более сдержанную оценку."
Пример решения (кроме указанных): "Применять методы краудсорсинга для сбора экспертных оценок от большого числа специалистов из разных областей, а затем объединять эти оценки с помощью статистических методов, чтобы получить более объективную картину."
Видеоролик интегрирует проблемы сценарного моделирования макроэкономических объектов с использованием ориентированных графов :
-Качество и полнота данных: Недостаток данных искажает взаимосвязи и приводит к неверным выводам.
- Динамичность экономики: Быстрые изменения в экономике затрудняют своевременное обновление графовых структур.
- Субъективность оценок: Экспертные оценки вносят субъективизм, снижая надежность анализа.
Вопросы для учащихся для постановки по 3 проблемам проекта:
- "Проклятие малых данных" (Ограниченность информации):
- Какие конкретные данные вам нужны для построения желаемой модели?
- Какие типы ошибок (ложные корреляции, упущенные важные взаимосвязи) могут возникнуть из-за ограниченности данных?
-Какие методы обработки данных помогут вам справиться с ограниченностью информации?
- Динамическая неопределенность (Постоянно меняющаяся экономика):
-Какие факторы могут привести к изменениям взаимосвязей между макроэкономическими показателями, которые вы включаете в модель?
-Насколько чувствительны результаты вашей модели к изменениям ключевых параметров и взаимосвязей?
-Как вы можете оценить устойчивость вашей модели к динамической неопределенности?
- Субъективность интерпретации (Влияние личных взглядов):
-Какие решения вам придется принимать при построении модели, которые могут быть субъективными?
-Насколько сильно субъективные решения могут повлиять на результаты вашей модели?
-Как вы можете сделать процесс построения модели более прозрачным и воспроизводимым?