Моделирование поведения потребителей в целях управления устойчивым развитием социально-экономических систем

Актуальность исследования

Стратегия развития любой социально-экономической системы, отвечающая ключевым принципам устойчивого развития, имеет в конечном счете своей целью улучшение качества жизни людей в долгосрочной перспективе. Это справедливо как для стратегий управления региональным развитием, так и для стратегий, разрабатываемых для муниципальных, корпоративных и даже районных систем управления. В сочетании с нарастающей глобальной тенденцией к повсеместной индивидуализации производства (ставшей в последние десятилетия практически осуществимой, в первую очередь, благодаря возможностям точечной контекстной рекламы и неуклонному росту онлайн-продаж) этот тезис обнажает одно из белых пятен современной экономической теории, а именно – практически полную невозможность прогнозирования поведения потребителей. По существу, единой и достаточно достоверной в статистическом отношении модели поведения потребителя на современном рынке не существует. Известные модели, такие как модель принятия решений фон Неймана-Моргенштерна, модель потребительских предпочтений Фишбейна и ряд других, имеют весьма жесткие ограничения по применимости, поскольку не учитывают большого числа факторов потребительского поведения. Этому обстоятельству посвящен, в частности, хорошо известный «парадокс Алле», сформулированный будущим Нобелевским лауреатом Морисом Алле еще в 1950-е гг. [2]. По этой причине на протяжении последних 25-30 лет появилась масса исследований, посвященных уточнению полной картины факторов, оказывающих детерминирующее воздействие на реально наблюдаемое в рыночных условиях потребительское поведение. К числу подобных исследований можно отнести, бесспорно, работы классиков поведенческой экономической теории Дэниела Кэнемана и Амоса Тверски [13; 14], Роберта Шиллера, Ричарда Талера, Дэна Ариэли [12]; также необходимо отметить российских авторов, уделяющих пристальное внимание данной проблематике – А.В. Белянина [3; 4], В.И. Ключарёва [6; 7], В.С. Автономова [1]. Этой же проблеме посвящен ряд публикаций авторов [5; 8-11].

Исходя из вышесказанного, чрезвычайно актуальным направлением в русле проектирования социально-экономических  систем, ориентированных  на принципы устойчивого развития, следует считать  исследования в области  имитационного моделирования поведения потребителей,  выполняемые коллективом  авторов при финансовой поддержке гранта Российского фонда фундаментальных исследований №18-01000291 «Моделирование поведения потребителей с применением искусственных нейронных сетей».

Основная задача исследования

Основная задача описываемого в настоящей статье исследования – моделирование поведения социально-экономических систем, в первую очередь – рынков, групп и сегментов потребителей, трудовых коллективов (в целях дальнейшего прогнозирования поведения всех этих систем). В основу исследования закладывается исходное предположение о том, что любую социально-экономическую систему можно представить как взаимодействие множества отдельно взятых субъектов, каждый из которых руководствуется одними и теми же общими принципами. Исходя из этого, в случае достоверного моделирования поведения отдельно взятого субъекта и его реакций на любые внешние воздействия появляется возможность моделирования поведения социально-экономических систем в целом, при условии, что известен ряд ключевых параметров подобных систем. При этом ставится задача научиться идентифицировать тип конкретной системы без уточнения и идентификации типа каждого ее составляющего элемента (поскольку это бы, во-первых, крайне увеличило трудоемкость анализа, и, во-вторых, затронуло проблему приватности в случае с трудовыми коллективами), что возможно делать по распознаванию характерных признаков поведения всей системы в целом.

Следует особо отметить, что данное исследование носит глубоко междисциплинарный характер, поскольку постановка задачи определяет необходимость серьезного симбиоза теоретических знаний экономической и психологической сфер, а также сферы IT. Широта постановки цели (моделирование поведения в целом, с выделением потребительского поведения лишь в качестве частного случая) подразумевает необходимость проведения многолетних исследований с привлечением максимально обширного эмпирического материала, а также широкого круга специалистов во всех трех указанных областях. При этом, авторским коллективом принято решение об отказе от использования метода анкетирования в целях сбора эмпирических данных, который использовался при проведении прошлых исследований в 2011-2018 гг., в силу следующих причин:

• 1)    невозможность собрать количество анкет, которое можно было бы считать достаточным для формулирования каких-либо статистически достоверных выводов;

• 2)    практически полная невозможность (вследствие неизбежной трудоемкости процедуры анкетирования, что, в свою очередь, суживает поле поиска респондентов почти исключительно до студенческой аудитории) обеспечения репрезентативности полученных данных;

• 3)    невозможность обеспечения достоверности полученных в ходе анкетирования ответов респондентов.

Если в исследованиях, проводимых в предшествующие периоды, не ставилась задача получения сколько-нибудь значимой статистической достоверности результатов, а лишь проводилась проверка той или иной гипотезы (например, о принципиальном наличии либо отсутствии влияния какого-либо поведенческого фактора), а в описываемом исследовании подобная задача уже становится актуальной, то метод анкетирования был заменен на компьютерное имитационное моделирование с последующей пошаговой адаптацией тестового алгоритма моделирования для достижения максимально возможной эмпирической достоверности полученной на каждом шаге модели.

Концепция модели принятия решений

Основная задача исследования – построение компьютерного алгоритма, позволяющего возможно более точно имитировать процесс принятия решений человеком в динамическом аспекте.

При этом важной особенностью является то, что предлагается отказаться от обучения искусственной нейросети распознаванию схем поведения отдельных анкетируемых респондентов (поскольку очевидны два слабых места подобного подхода: неизбежная ограниченность объема выборки и высокая вероятность «зацикливания» нейросети, когда она досконально выучивает поведение данной группы респондентов, но при этом теряет предсказательные способности при попытке прогнозирования поведения иных респондентов, не входящих в исходную выборку). Вместо этого предлагается формировать для компьютерного алгоритма всевозможные наборы входных переменных и задавать ему тестовые варианты алгоритма принятия решений некоторым условным «субъектом» на основе этих данных, что позволит получить десятки и сотни тысяч решений, сгенерированных данной моделью. Функция искусственной нейросети при этом сводится к поэтапной подстройке (через алгоритм подбора синаптических весов сети) основных параметров обучаемой модели. Для проверки адекватности полученной модели для каждого тестового варианта алгоритма предлагается использовать две процедуры:

• 1)    кластеризацию решений, полученных от разных «субъектов», на предмет выявления характерных повторяющихся поведенческих паттернов; критерием достоверности тестируемого алгоритма следует считать выделение числа и пропорционального распределения паттернов, аналогичных распределению в реальных сообществах;

• 2)    анализ рядов динамики на предмет выявления сходимости ряда значений выбора «субъекта» к максимальному значению ожидаемой полезности; наличие подобной сходимости ряда следует считать критерием достоверности тестируемого алгоритма и «рациональности»¹ полученной модели.

Дополнительным критерием высокой достоверности полученной модели можно считать такой ход обучения модели, в процессе которого в поведении «субъекта» начнут просматриваться психологические явления, характерные для реальных людей (например, устойчивые поведенческие схемы, стереотипное мышление, фобии, дурные привычки, комплексы и т.д.).

Для построения модели необходимы следующие наборы переменных:

• -    «память», “background” субъекта – совокупность формализованных событий, состоявшихся ранее в жизни субъекта, с фиксацией привязки к одной из жизненных сфер и возникших в связи с ними положительных и отрицательных эмоций;

• -    система эмоциональных приоритетов субъекта – индивидуальная значимость эмоции каждого вида;

• -    алгоритм установления ассоциативных связей между оцениваемыми перспективами развития событий и памятью; для этого необходимо идентифицировать всевозможные виды деятельности субъекта и возможные сценарии для каждого вида деятельности (при моделировании предлагается исходить из того, что распознаются именно сценарии, а не отдельные объекты);

• -    функционирование модели имеет привязку к фактору времени, поэтому необходим счетчик условного времени в модели; он может работать дискретно, то есть на каждом шаге, к примеру, исходить из того, что с прошлого шага прошел 1 день или 1 месяц;

• -    параметр, описывающий процесс ослабевания ассоциативных связей с течением времени (чтобы отразить тот факт, что давнишний опыт влияет на принятие решений в значительно меньшей степени, нежели недавно пережитый);

• -    алгоритм собственно принятия решений на основе оценки (сверки с памятью через алгоритм выявления ассоциативных связей) ожидаемых эмоциональных эффектов и оценки их субъективной значимости.

Способы описания и задания переменных

«События» в памяти представляются в виде принятых решений (бинарная переменная выбора = 1, в противном случае (отвергнутые решения) = 0), с порождаемыми ими эмоциональными состояниями по каждой жизненной сфере, протекающими во времени. Соответственно, динамический рисунок протекания этих эмоциональных состояний закладывается разработчиками и в ряде случаев может отличаться от ожидаемых на момент принятия решения эмоциональных состояний.

Для этого задаются:

• -    перечень типов переживаемых эмоциональных состояний;

• -    атрибутивная шкала интенсивности переживания эмоциональных состояний (принимает различные значения для каждого конкретного объекта-решения; зависит от

параметров объекта, задаваемых разработчиками, субъективной значимости эмоциональных состояний и ассоциаций с прошлым опытом);

• -    оценки субъективной значимости эмоциональных состояний (зависят от темперамента субъекта, задаются разработчиками перед запуском модели; не меняются по ходу работы модели);

• -    параметры объекта, задаваемые для каждого объекта-решения разработчиками.

По всей видимости, в процессе обучения модели не удастся (по крайней мере, на первоначальном этапе, дабы не усложнять чрезмерно модель) задать реальные параметры объектов (то есть, например, для человека – пол, рост, цвет волос, возраст и т.д., для машин – форму, тип кузова, цвет, состояние и т.д.), поскольку в реальной жизни разнообразие объектов чрезвычайно велико; кроме того, разные люди в любом случае одни и те же свойства объектов воспринимают и оценивают по-разному. По этой причине предлагается для пробного варианта модели задать некоторое стартовое количество (например, сотню) универсальных параметров, не прописывая их конкретные черты и привязку к конкретным типам объектов, а ограничившись их простой нумерацией; при формировании же разработчиками «памяти» каждому «состоявшемуся» событию должны быть приписаны определенные параметры. Ассоциативные связи выстраиваются нейросетью (через отдельный слой связей) именно по сочетанию определенных объектов-решений, заданных через их определенные параметры, с «переживаемыми» после принятия решений эмоциональными состояниями с учетом субъективной значимости. При этом нужно учитывать, что одни и те же параметры могут для одного «субъекта» распознаваться как связанные с одной жизненной сферой, а для другого – с совсем иной. Распознавание принадлежности объекта-решения к той или иной жизненной сфере происходит именно по значению параметров, сопровождающих оцениваемый объект-решение, и по сопоставлению с памятью.

Модель исходит из того, что субъект постоянно стремится максимизировать переживание положительных эмоций и одновременно минимизировать переживание отрицательных; при этом сам он не в состоянии полностью управлять собственными эмоциональными состояниями – то есть, он не может точно прогнозировать, какие именно объекты и события переживание каких эмоций в нем вызовут, и ориентируется только по собственному жизненному опыту и по мнению (советам) других людей (то есть косвенно учитывает ИХ жизненный опыт и ИХ ассоциативные связи).

Каждый объект-решение должен описываться не одним, а множеством параметров, поскольку в реальной жизни именно распознавание определенной комбинации параметров приводит человека к тем или иным выводам относительно ожидаемых эмоциональных состояний.

Для нейросети имеем три группы входов:

• -    вектор значимости эмоции каждого вида (лингвистическая переменная);

• -    состояние памяти в текущий момент времени t (множество уже принятых решений, каждое из которых описывается набором параметров – они, в свою очередь, делятся на ожидаемые на момент принятия решения эффекты и на реальное текущее состояние этих эффектов (то, по какому конкретно сценарию пошли развиваться события после принятия решения в прошлом, должно определяться рандомизацией); также учитывается время, прошедшее с момента принятия решения);

• -    вектор параметров оцениваемых решений (в качестве параметров задается только обладание решений теми или иными свойствами; на текущем этапе исследования свойства будут не атрибутивными, а просто пронумерованными).

Алгоритм принятия решения

В описываемой модели используется следующий алгоритм, основанный на вышеперечисленных предпосылках (в виде блок-схемы алгоритм представлен на рис. 1):

Образ решения (выбор из 2-3 заданных альтернатив) со всеми параметрами (свойствами) → непосредственная реакция на свойства решения (сверка с собственной системой предпочтений в отношении свойств (базирующейся исключительно на опыте взаимодействия с аналогичными свойствами в прошлом; имеется в виду непосредственная реакция на сами свойства, а не на опыт принятия нами решений в прошлом и их последующую реализацию) и с системой предпочтений в отношении эмоций) → сверка с памятью (если имеется опыт в отношении решений с похожим набором свойств; если такого опыта нет, то решение принимается только на основании непосредственной реакции, либо принимается решение о поиске дополнительных данных (о чужом жизненном опыте)) → корректировка по итогам сверки с памятью непосредственной оценки → формирование вектора ожидаемых эмоциональных состояний по каждой альтернативе → выбор одной из альтернатив.

Электронное научное издание «Устойчивое инновационное развитие: проектирование и управление»

том 15 № 3 (44), 2019, ст. 3

Состояние памяти в момент времени t

Непосредственная эмоциональная реакция на свойства образа ситуации

Распознавание привходящего образа ситуации выбора, установление ассоциативных связей с памятью

Сверка с предпочтениями в отношении эмоций

Добавление принятого решения к памяти в момент времени t+1

Корректировка первоначальной оценки ситуации

Формирование вектора ожидаемых эмоциональных состояний по каждой альтернативе

Принятие решения по критерию оптимизации ожидаемого эмоционального состояния

Рис. 1. Алгоритм принятия решений субъектом, используемый в данной модели

Эта процедура выполняется для каждой альтернативы, после чего решение принимается в пользу той из альтернатив, которая приносит наибольший ожидаемый эмоциональный эффект.

То, каким образом события развиваются после принятия решения (в зависимости от параметра t), закладывается в модель заранее; по каждому решению запрограммирован (в виду набора соответствующих функций) динамический рисунок переживаемых эмоциональных состояний, например, радость обладания ослабевает довольно быстро, в соответствии с законом убывающей предельной полезности; эстетическая радость ослабевает намного медленнее, поскольку благо долго «приедается», страх отрицательных последствий медленно, но верно нарастает, и т.д.. При этом предлагается заложить случайные вариации для каждой из функций ослабевания эмоций с течением времени, то есть в каждом конкретном случае задавать немного различную степень крутизны этих функций.

Заключение

В настоящий момент на основе разработанной авторским коллективом компьютерной модели поведения потребителя чрезвычайно активно ведутся работы по подготовке к запуску непосредственного обучения модели на искусственно сгенерированных примерах с последующей пошаговой адаптацией параметров модели с использованием искусственных нейросетей. Наибольшей проблемой данного этапа является разработка соответствующего программного обеспечения, необходимого для успешного функционирования модели, в тех пределах, в которых использование макросов и готовых логических формул MS Excel оказывается недостаточным.

Можно надеяться, что в течение календарного года будут получены первые полноценные результаты процесса моделирования потребительского поведения, которые можно будет использовать для решения задач проектирования социально-экономических систем различного типа, ориентированных на принципы устойчивого развития.

Journal of Business. October. Vol. 59. N 4. Part 2: The Behavioral Foundations of Economic Theory. P. 251-278.