Модельное исследование перспектив развития научной отрасли Российской Федерации

Бесплатный доступ

Проведен анализ развития научной отрасли, обоснована ее актуальность и доказана значимость науки в получении принципиально новых знаний, поиске ответов на так называемые большие вызовы завтрашнего дня, что ставится задачей со стороны государства. Цель работы заключается в построении прогнозной модели общего состояния научной отрасли Российской Федерации для поддержки принятия решений и получения прогнозов на ближайшее будущее. Проанализированы различные виды моделей, определены их основные достоинства и недостатки применительно к теме исследования. В качестве источника данных об исследуемом объекте использовался общедоступный сервис федеральной службы государственной статистики. Из числа общедоступных годовых статистических рядов выбраны частные критерии и факторы, потенциально влияющие на объект: количество поданных заявок на выдачу патентов, внутренние затраты на исследования и разработки, разработанные передовые производственные технологии, число организаций, ведущих подготовку аспирантов, докторантов и др. Качество научной отрасли оценивалось показателями, которые составили общий критерий оценки объекта: количество выдаваемых патентов, численность исследователей, имеющих ученую степень, и используемые передовые производственные технологии. Исследована взаимная корреляция факторов. Построена линейная многофакторная модель динамики объекта. Показано, что она не может применяться для прогнозирования объекта из-за плохого качества постпрогноза. Построена регрессионно-дифференциальная модель второго порядка, обладающая хорошим качеством постпрогноза. Построен прогноз динамики изменения объекта на ближайшие три года. Исследовано влияние изменений управляемых и неуправляемых факторов на объект. Показано, что без приложения усилий научная отрасль в ближайшие годы будет ухудшать показатели, но этому можно препятствовать, увеличивая затраты и повышая прием аспирантов.

Еще

Математическое моделирование, прогнозирование, наука, исследование, разработка, регрессионно-дифференциальная модель

Короткий адрес: https://sciup.org/147232289

IDR: 147232289   |   DOI: 10.14529/ctcr190407

Текст научной статьи Модельное исследование перспектив развития научной отрасли Российской Федерации

Развитие научной отрасли любого государства является важной задачей, поскольку успехи этой отрасли могут явно отражаться во всех других сферах общества. «Следует сосредоточить повышенное внимание на развитии фундаментальной науки, нацелить её на получение принципиально новых знаний, поиск ответов на так называемые большие вызовы завтрашнего дня» – отмечено на заседании Совета по науке и образованию при Президенте РФ от 23.11.2016 [7].

Целью данной работы является построение прогнозной модели общего состояния научной отрасли Российской Федерации для поддержки принятия решений и прогноза на ближайшее будущее.

Существуют различные виды моделей: линейные многофакторные (ЛММ) [1, 6], регрессионно-дифференциальные (РДМ) [9, 12], модели пространства состояний (МПрС) [4] и другие. Каждые из них имеют свои особенности и недостатки. Так, например, ЛММ являются простыми и хорошо объясняющими, а РДМ имеют способность к прогнозированию, что и требуется для достижения цели данной работы.

Для сбора данных об исследуемом объекте в этой работе использовался общедоступный сервис Федеральной службы государственной статистики [17].

В данной работе для оценки качества исследуемого объекта были выбраны его следующие реакции, которые в конечном итоге составили общий критерий оценки объекта ( y 0) : количество выдаваемых патентов ( y 1) , численность исследователей, имеющих ученую степень ( y 2), и используемые передовые производственные технологии в целом ( y 3 ) .

В качестве внешних воздействий среды на исследуемый объект были выбраны следующие показатели: количество поданных заявок на выдачу патентов ( x 1) , число организаций, выполняющих научные исследования и разработки ( x 2) , численность персонала, занятого научными исследованиями и разработками ( x 3) , внутренние затраты на исследования и разработки ( x 4) , разработанные передовые производственные технологии ( x 5) , выпуск из аспирантуры с защитой диссертации ( x 6) , число организаций, ведущих подготовку аспирантов ( x 7) , выпуск из докторантуры ( x 8) , число организаций, ведущих подготовку докторантов ( x 9) .

Выбор реакций объекта как общий критерий оценки качества исследуемого объекта вполне пригоден для исследования, потому как отражает результат работы вузов, деятельности исследователей и пригодность использования полученных результатов в производстве.

Выбор факторов также не противоречит здравому смыслу, ибо количество организаций, подготавливающих высокообразованные кадры, результат их работы и их финансовое обеспечение напрямую влияют на объект исследования – качество научной сферы страны.

Годовые ряды факторов и реакций представлены в табл. 1.

Таблица 1

Годовые ряды данных о факторах и частных критериях

Критерий

Год

2007

2008

2009

2010

2011

2012

2013

2014

2015

2016

2017

и фак-

№ года

торы

1

2

3

4

5

6

7

8

9

10

11

y 1

23,028

28,808

34,824

30,322

29,999

32,88

31,638

33,95

34,706

33,536

34,254

y 2

103725

101049

101275

105114

109493

109330

108248

109598

111533

108388

103327

y 3

180,324

184,374

201,586

203,33

191,65

191,372

193,83

204,546

218,018

232,388

240,054

x 1

39,439

41,849

38,564

42,5

41,414

44,211

44,914

40,308

45,517

41,587

36,454

x 2

3957

3666

3536

3492

3682

3566

3605

3604

4175

4032

3944

x 3

801135

761252

742433

736540

735273

726318

727029

732274

738857

722291

707887

x 4

371080,3

431073,2

485834,3

523377,2

610426,7

699869,8

749797,63

847527

914669,1

943815,2

1019152,4

x 5

780

787

789

864

1,138

1,323

1,429

1,409

1,398

1,534

1,402

x 6

10970

8831

10770

9611

9635

9195

8979

5189

4651

3730

2320

x 7

1490

1529

1547

1568

1570

1575

1557

1519

1446

1359

1284

x 8

429

297

435

336

382

394

323

231

181

151

65

x9

579

593

598

602

608

597

585

478

437

385

223

Первым делом необходимо исключить влияние размерности используемых данных. Для этого нужно найти минимальное и максимальное значения по всем отсчетам и рассчитать нормированные значения частных критериев и факторов. Например, для критериев формула расчета будет выглядеть следующим образом:

y * ( t k ) =

y i ( t k ) - min y i ( t k ) t

max У1(tk) - min yi(tk), tt где tk ={ti,t2,...,tK}, k= 1, K - номер отсчета. Аналогично и для факторов.

Далее следует составить общий критерий (y0) на основе частных, выбрав наиболее подходящую комбинацию рангов для каждого из частных критериев. Подходящая комбинация должна быть такой, чтобы она менялась между моментами измерений как можно меньше, так как рассматривается большая социально-экономическая система, которая не может меняться резко. Формула получения общего критерия:

y o( tk) = 2 ^i (tk), (2) t где ai – вес i-го критерия. Обычно путем экспертных заключений или на основании дополнительной информации определяются ранги значимости частных критериев Ri, при этом меньшие значения рангов соответствуют большей значимости критериев [13, 15, 19].

a =—, iRi где Ri – ранг i-го критерия. Для поиска оптимальной комбинации рангов необходимо, чтобы критерий между моментами измерений менялся как можно меньше:

K - 1

^ min.

R : 2 к ( t k + 1 ) - Y ( t k )

K = 1

Результат поиска значений рангов: R 1 = 3, R 2 = 2, R 3 = 1. Результирующий график общего критерия можно увидеть на рис. 1. Так как чем меньше значение ранга, тем значимее критерий, можно сделать вывод, что кол ичество используемых передовых производ ственных технологий наиболее сильно влияет на исс ледуемый объект, в то время как количество выдаваемых патентов имеет наименьший э ффект. Эт о, наверное, можно объяснить тем, что дале ко не все патенты н а чинают сразу же активно прим еняться и, быть может, это имеет долгосрочн ый эффект.

Рис. 1. График результирующего критерия

Исследуем возможность применения ЛММ в данном случае. Попробуем построить линей ную многофакторную модель (ЛММ) вида

У о ( x ( t ) ) = a 0 + Z a i x i ( t ) ,                                                                          (5)

i где ai – коэффициенты влияния i-го фактора.

Обычно перед построением ЛММ проводят анализ выбранных факторов на их взаимную корреляцию, поскольку факторы с высокой взаимной корреляцией могут не позволить определить их изолированное влияние на результат и их следует исключать [10, 11, 16]. Рассчитаем взаимную корреляцию факторов. В табл. 2 видно, что разрабатываемые передовые производственные технологии напрямую зависят от финансирования. А, например, число организаций, ведущих подготовку докторантов и выпуск докторантов, зависит от выпуска аспирантуры, что логич- но. В то же время выпуск из аспирантуры по какой-то причине обратно пропорционален внутренним затратам, т. е. коэффициент корреляции меньше нуля.

Исключим из модели факторы: выпуск из аспирантуры с защитой диссертации (x6) и число организаций, ведущих подготовку аспирантов (x7) , так как их парная корреляция слишком высока.

Таблица 2

Парная корреляция

x 1

x 2

x 3

x 4

x 5

x 6

x 7

x 8

x 9

x 1

1

–0,022

0,066

0,051

0,271

0,147

0,453

0,142

0,403

x 2

–0,022

1

0,094

0,473

0,364

–0,599

–0,749

–0,584

–0,643

x 3

–0,066

0,094

1

–0,770

–0,714

0,595

0,303

0,566

0,495

x 4

0,051

0,473

0,770

1

0,929

–0,913

–0,671

–0,851

–0,819

x 5

0,271

0,364

0,714

0,929

1

–0,750

–0,452

–0,665

–0,600

x 6

0,147

–0,599

0,595

–0,913

–0,750

1

0,835

0,975

0,931

x 7

0,453

–0,749

0,303

–0,671

–0,452

0,835

1

0,843

0,953

x 8

0,142

–0,584

0,566

–0,851

–0,665

0,975

0,843

1

0,920

x 9

0,403

–0,643

0,495

–0,819

–0,600

0,931

0,953

0,920

1

Погрешность прогнозирования рассчитывается по формуле K

S прогн = E ( У 0 ( t k ) - У ( t k ) ) ^ min,                                                           (6)

k = 1

где y 0 ( tk ) - известное значение ; y ( tk ) - расчетное значение.

Задачу минимизации можно решить методами покоординатного или гради ентного спуска [14]. На рис. 2 изображен график пост роенной модели с постпрогнозом на один го д. По графику мо жно увиде ть, что постпрогноз у Л ММ очень плохой, поскольку значение постп рогноза больше исходных данных на целых 50 %. П оэтому она не может применяться для прогно зирования объекта.

Рис. 2. ЛММ

Теперь попробуем построить с помощью данного ПС РДМ вида m y'(t ) = a + b • y (t ) + 2 Ci- Xi (t),                                                                       (7)

i = 1

где a – константа, описывающая влияние одной n-й производной реакции при построении трен- да; b – коэффициент «обратной связи», описывающий влияние значения реакции на ее же n-ю производную; ci – коэффициенты влияния факторов. Также РДМ дополняется начальным усло- dy (0)    , вием —= y0 .

dt 0

Неизвестными в данном случае являются y’ , a , b , c i . Их поиск производится минимиза цией квадратичного отклонения расчетного значения от известных в отсчетах значений критерия:

K—12

  • 5    = £( y (tk)- у о (tk)),

к = 0

где y 0 ( tk ) - известное значение ; y ( tk ) - расчетное значение.

Задача минимизации сводится к

  • {y ', a, b, Ci}: 5 {y', a, b, ct }^ min.

Следующим шагом подбер ем комбинацию интерполяций для каждого ф актора из возможных вариантов: левая – значение ф актора действует с начала до конца промежу тка времени; правая значение в статистике приведено на к онец года; линейная – значение, которое изменяется до конца года. Также можно выкл ючить фактор, если при этом определится, ч то исключение факт о ра несущественно повлияет на качество аппроксимации.

В результате мы имеем следующую РДМ (рис. 3), которая наиболее точно аппроксимирует исходные данные.

Рис. 3. РДМ

При этом мы имеем следующе коэффициенты влияния факторов (табл. 3).

Таблица 3

Коэффициенты влияния факторов

c 1

c 2

c 3

c 4

c 5

c 6

c 7

c 8

c 9

0

0

0

0,7097

–0,5673

–0,6069

0,8901

–0,5372

0,2253

Видно, что количество поданных заявок на выдачу патентов (x1) , число организаций, занимающихся научными исследованиями и разработками (x2) и численность персонала, занятого научными исследованиями и разработками (x3) , оказались выключенными факторами, и они никак не влияют на критерий построенной модели. Число организаций, ведущих подготовку аспирантов (x7) и внутренние затраты на исследования и разработки (x4) , имеют наибольший положительный эффект на научную отрасль Российской Федерации. А вот наибольший отрицательный эффект оказывает выпуск из аспирантуры (x6) , что немного странно, но можно попробовать объяснить это тем, что увеличение количества разработанных ими технологий замедляет скорость внедрения их в производстве.

Поскольку целью данной р аботы является прогнозирование исследуемо го объекта, то ра с смотрим прогнозные свойства получен ной модели. Применим широко известный метод постпрогноза [2], основанный на расчёта х реакций модели на известные данные в теч ени е последних лет. Определим допустимый горизон т прогнозирования данной модели. Для этого следует уменьшать количество известных л ет в расчете модели ( рис. 4), чтобы определить момент, когда погреш ность прогноза станет значительной [3].

Рис. 4. Уменьшение известных лет

Уменьшение известных лет на 4 года уже значительно изменило поведени е модели.

Исходя из полученных резул ьтатов, можно предположить, что допустим ый горизонт прогн о зирования данной модели составляет 3 года.

Прежде чем прогнозироват ь реакцию объекта, надо спрогнозировать значения факторов. Примем допущение, что предоставленные сами себе факторы будут изменяться так же, как они менялись за несколько последн их лет. Нужно определить регрессионное ур авнение их повед е ния в заданной ретроспективе и рассчитать их значения в соответствии с на йденным уравнен ием [1, 5, 8, 18, 20].

Выделим три следующих воз можных уравнения регрессии факторов:

  • 1.    Фактор изменяется квадратично, то есть x ( t ) « a + bt + ct 2 .

  • 2.    Фактор изменяется линейно, т. е. x ( t ) « a + bt .

  • 3.    Для фактора не подходит ни квадратичный, ни линейный закон. Напр имер, значения фа к тора хаотично меняются вокруг какого -то среднего значения x ( t ) = x ± A x . В этом случае будем считать, что предоставленный са м себе фактор будет оставаться на уровне о дного из значений в пределах x ± A x . В том числе можно ис пользовать последнее значение годового ряда.

Для определения вида по дходящей регрессии фактора вычислим коэ ффициенты линейной корреляции R 2 , характеризующие близость исходных данных к полученным регрессией. Принято, что если R 2 0,95 , то выбранн ый вид регрессионной зависимости удовлетв орительно описывает поведение фактора в пределах ретроспективы. Причем, поскольку линейн ая регрессия является частным случаем квадратичной , алгоритм выбора вида регрессии следующи й:

  • 1.    Если для линейной ре грессии R 2 0,95 , то вид регрессии - линейный.

  • 2.    Иначе если для квадратичной регрессии R 2 0,95 , а для линейной R 2 0,95 , то вид регрессии – квадратичный.

  • 3.    Иначе использовать последнее значение годового ря да.

Теперь, после получения п рогноза значений факторов, попробуем спрог нозировать объект на три года вперед ( рис. 5).

Рис. 5. Прогноз на 3 года

По данному прогнозу мож но предположить, что если оставить «все ка к есть», то в ближа йшее время в течение 3 лет пока затели научной отрасли Российской Федерац ии упадут на 31,7 %.

Попробуем осуществить н ебольшое воздействие на некоторые факторы , которые могут быть управляемыми. Например, вну тренние затраты на исследования и разработ ки ( x 4) и число орга низаций, ведущих подготовку аспирантов ( x 7) (табл. 4).

Прогноз на три года при изменении управляемых факторов

Таблица 4

Изменение фактора

Номер года

1

2

3

x 4 – 10 %

0,8739

0,6404

0,6012

x 4 + 10 %

0,8866

0,675

0,6628

0 %

0,88

0,6572

0,632

x 7 – 10 %

0,89

0,6922

0,7016

x 7 + 10 %

0,8701

0,6223

0,5623

В результате видно (рис. 6), что увеличение внутренних затрат на разработки и исследования на 10 % приведет к уменьшению падения уровня научной отрасли РФ на 3,32 %, т. е. общее па- дение научной отрасли уже будет составлять 28,2 %. Если же данный фактор уменьшить на 10 %, то скорость падения объекта увеличится на 3,32 %. Число организаций, ведущих подготовку аспирантов, обратным путём влияет на объект, так как уменьшение данного показателя на 10 % ведет к сокращению падения научной отрасли РФ на 7,5 %, и тогда общее падение будет составлять 24 %. Изменение показателя в другую сторону приведет уже к падению науки на 39,2 %.

Рис. 6. Изменение факторов x 4 и x 7

Примем тот факт, что выпуск из аспирантуры с защитой диссертации ( x 6) и выпуск из докторантуры ( x 8) являются неупра вляемыми факторами и на них невозможно никак повлиять. Так как оба эти фактора имеют отри цательный коэффициент влияния, то рассмот рим ситуацию с о д новременным ростом данных показателей на 5 %, что отрицательно скажется на исследуемом объекте (табл. 5).

Таблица 5

Прогноз на три года с учетом неуправляемых факторов и изменения управляемых факторов

Изменение фактора

Номер года

1

2

3

0 %

0,88

0,6572

0,632

x 6 + 5 %, x 8 + 5 %

0,8691

0,6035

0,5376

x 6 + 5 %, x 8 + 5 %, x 4 + 10 %, x 7 – 10 %

0,8757

0,6562

0,638

В этом случае научную отрасль ожидает падение уже на 41,9 %, что на 10,2 % хуже, чем до изменения неуправляемых факторов. Поэтому, чтобы лицу, прини мающему решение (ЛПР), исправить данную ситуацию, необходимо воздействовать каким-то образом на управляемые факторы. Как показало исследование, решить данную проблему можно с помощью увеличения внутренних затрат ( x 4 ) на 10 % и уменьшения числа организаций, ведущих подготовку аспирантов ( x 7 ), на 10 %. Это исправит ситуацию на 10,8 %, и тогда падение научной отрасли будет даже ниже на 0,6 % относительно положения до изменения неуправляемых факторов (рис. 7).

Рис. 7. Изменение неуправляемых факторов

В результате данной работы была построена прогнозная математическая модель общего со стояния научной отрасли Росс ийской Федерации. Как показало исследова ние, наиболее важное значение для научной отрасли России в рамках данной модели имеют внут ренние затраты на и сследования и разработки, а так же число организаций, ведущих подготовку аспирантов. Обратное влияние оказывают такие факт оры, как разработанные передовые производ ственные технологии, выпуск из аспирантуры и док торантуры. Из полученных результатов про гноза можно сделать вывод, что в ближайшее врем я научную отрасль страны ожидает отрицат ельная динамика и за три года она упадет на 31,7 %. Если внутренние затраты на исследования и разработки увеличить на 10 %, то отрицательная динамика станет на 3,3 % лучше. А если уменьшить число организа ций, ведущих подготовку аспирантов, на 10 %, то отрицательная динамика станет лучше на 7,5 %. Влияние неуправляемых факторов может оказать на объект еще бол ее усугубляющие п о следствия. Например, рост вы пускников аспирантуры и докторантуры на 5 % приведет к падению научной отрасли на 41,9 %. Чтобы исправить данную ситуацию, ЛПР может повлиять на управляемые факторы, что может привести к улучшению динамики на 10,8 %.

Список литературы Модельное исследование перспектив развития научной отрасли Российской Федерации

  • Андерсон, Т. Введение в многомерный статистический анализ / Т. Андерсон. - М.: ГИФМЛ, 1963. - 500 с.
  • Гераськина, И.Н. Моделирование тренда инвестиционной и строительной деятельности Российской Федерации / И.Н. Гераськина, А.В. Затонский // Вестник МГСУ. - 2017. - Т. 12, № 11 (110). - С. 1229-1239. DOI: 10.22227/1997-0935.2017.11.1229-1239
  • Григалашвили, А.С. О применимости корреляционного анализа для исключения факторов в регрессионно-дифференциальных моделях / А.С. Григалашвили, Л.Ф. Кокшарова, И.О. Зуева // Вестник Тамбовского государственного технического университета. - 2016. - Т. 22, № 1. - С. 35-44.
  • Деруссо, П. Пространство состояний в теории управления / П. Деруссо, Р. Рой, Ч. Клоуз. - М.: Наука, 1970. - 620 c.
  • Дрейпер, Н.Р. Прикладной регрессионный анализ / Н.Р. Дрейпер. - М.: Финансы и статистика, 1986. - 366 с.
  • Дрейпер, Н. Прикладной регрессионный анализ / Н. Дрейпер, Г. Смит. - М.: Статистика, 1973. - 351 c.
  • Заседание Совета по науке и образованию. - http://kremlin.ru/events/president/news/53313 (дата обращения: 25.06.2019).
  • Затонский, А.В. Метод управления развитием социального ресурса региона на основе регрессионно-дифференциального моделирования / А.В. Затонский, Т.В. Янченко // Управление большими системами: сб. - 2015. - № 54. - С. 86-113.
  • Затонский, А.В. Преимущества дифференциальных моделей в эколого-экономическом моделировании / А.В. Затонский // Известия Томского политехнического университета. Инжиниринг георесурсов. - 2012. - № 5. - С. 134-139.
  • Затонский, А.В. Программные средства глобальной оптимизации систем автоматического регулирования / А.В. Затонский. - М.: Инфра-М: ИЦ РИОР, 2013. - 136 с.
  • Затонский, А.В. Теоретический подход к управлению социально-техническими системами / А.В. Затонский // Программные продукты и системы. - 2008. - № 1. - С. 29-32.
  • Затонский, А.В. Преимущества дифференциальной модели сложной экономической системы / А.В. Затонский, Н.А. Сиротина // Образование. Наука. Научные кадры. - 2012. - № 8. - С. 98-102.
  • Математическое моделирование и обработка информации в исследованиях на ЭВМ / И.А. Прошин, Д.И. Прошин, Н.И. Мишина и др.; под ред. И.А. Прошина. - Пенза: ПТИ, 2000. - 422 с.
  • Мышкис, А.Д. Элементы теории математических моделей / А.Д. Мышкис. - М.: Комкнига, 2007. - 192 с.
  • Орлов, А.И. Нечисловая статистика / А.И. Орлов. - http://www.aup.ru/books/m162 (дата обращения: 25.06.2019).
  • Сиротина, Н.А. Об аппроксимации факторов дифференциальной модели социально-экономической системы / Н.А. Сиротина, Т.В. Янченко, А.В. Затонский // Современные исследования социальных проблем (электронный научный журнал). - 2012. - № 11. - C. 6.
  • Федеральная служба государственной статистики. - http://www.gks.ru (дата обращения: 25.06.2019).
  • Янченко, Т.В. Обоснование порядка регрессионно-дифференциальной модели краевого социального ресурса / Т.В. Янченко // Системы управления и информационные технологии. - 2014. - № 3.1 (57). - С. 187-191.
  • Янченко, Т.В. Определение оптимальной ранжировки частных критериев оценки краевого социального ресурса / Т.В. Янченко, А.В. Затонский // Экономика и менеджмент систем управления. - 2013. - Т. 10, № 4. - С. 99-104.
  • Chaturvedi, A. Robust Bayesian Analysis of the Linear Regression Model / A. Chaturvedi // Journal of Statistical Planning and Inference. - 1996. - No. 50. - P. 175-186.
  • DOI: 10.1016/0378-3758(95)00052-6
Еще
Статья научная