Принципиальная модель автоматизированного регионального стратегирования

Введение, цель

Проведенный автором анализ стратегий социально-экономического развития (ССЭР) регионов России, а также выводов исследова-телей соответствующей проблематики показал, что научная обоснованность формируемых ССЭР в большинстве регионов находится на недостаточно высоком уровне, как и системность применяемых механизмов разработки и имплементации ДСП: не до конца учитывается целесообразность ориентации ССЭР на наиболее перспективные секторы экономики конкретного региона, на невысоком уровне находится промежуточный и заключительный контроль реализации ССЭР, не в полной мере обеспечивается соответствие и согласованность формируемых ССЭР стратегиям вышестоящего национального уровня [1–8].

Федеральный закон № 172-ФЗ от 28.06.2014 определяет систему стратегического планирования в Российской Федерации как «механизм обеспечения согласованного взаимодействия участников стратегического планирования на основе принципов стратегического планирования при осуществлении разработки и реализации документов стратегического планирования, а также мониторинга и контроля реализации документов стратегического планирования в рамках целеполагания, прогнозирования, планирования и программирования с использованием нормативно-правового, информационного, научно-методического, финансового и иного ресурсного обеспечения» [9, с. 3]. В данном рамочном законе содержатся достаточно общие методические указания по формированию ССЭР для регионов, что приводит к большому разнообразию вариантов их интерпретации и форм данного ДСП среди субъектов федерации и делает актуальным решение задачи создания унифицированного механизма подготовки и корректировки ССЭР регионов.

В настоящее время мониторинг и контроль ССЭР осуществляется бюрократически «в ручном режиме» – пока данным законом прямым образом не предписывается использование механизма автоматизации и поддержки принятия управленческих решений, отмечается лишь, что «…корректировка плана мероприятий по реализации ССЭР субъекта Российской Федерации осуществляется по решению его высшего исполнительного органа» [9, с. 19], а область применения Федеральной информационной системы стратегического планирования (ФИС СП) ограничивается ре-гистрирующей ДСП, согласующей, монито-ринговой и контрольной функциями.

Действующий классический бюрократи-ческий метод разработки и принятия ССЭР, основанный на агрегировании предложений нижестоящих органов властной иерархии в соответствии с заданными верхним уровнем приоритетами, характеризуется трудоемкостью и низкой скоростью принятия стратегических решений, а, следовательно, критическим устареванием необходимой информации, которое ведет к снижению качества принимаемых решений, имеет глубокие корни, возникшие в докомпьютерную эпоху, и подробно разобрано в научной литературе [2–4; 10].

Вместе с тем концепции автоматизированных систем управления сложными объектами (например, региональными социальноэкономическими системами), призванными служить как для оказания поддержки в принятии стратегических решений, так и для автоматического принятия решений, известны сравнительно давно – классификации их видов формируются по ряду критериев: классу, типу связей, типу переменных, фактору времени, типу детализации данных [11; 12; 14]. По классу выделяют следующие модели: имитационные, общеэкономического равновесия, вероятностно-статистические, на основе интеллектуальных технологий; по типу связей: детерминированные, стохастические; по типу переменных: дискретные, непрерывные, смешанные; по фактору времени: статические, динамические; по степени детализации: агрегированные, детализированные.

Ввиду незрелости инфраструктурной и технологической базы компьютеризации, до перехода к шестому технологическому укладу, в управлении сложными социальноэкономическими системами фрагментарно применялись лишь детерминированные, дискретные, статические агрегированные либо детализированные модели – ярким примером такой модели, разработанной в 1960–1980 гг. для научно обоснованного управления плано-вой экономикой СССР академиком В. М. Глушковым, но в полной мере так и не начавшей свою работу, является Общегосударственная автоматизированная система учета и обработки информации (ОГАС) [13–15]. Данная модель имела в своей основе целевую функцию повышения эффективности плановой экономики через общесоюзное снижение транзакционных издержек за счет создания единой информационно-управляющей сети в реальном времени и оптимизации затрат и выпуска отраслей народного хозяйства в соответствии с принципом экономического равновесия. Инфраструктурное обеспечение ОГАС строилось на сети отраслевых и региональных информационных центров, связанных между собой в единую многоуровневую компьютерную сеть, получающих информацию как от автоматизированных систем управления предприятиями (АСУП), так и посредством ручного ввода массивов автоматически неоцифрованных данных. В комплексную систему ОГАС входили вычислительные центры Госплана, отраслевые АСУ, вычислительные государственные сети Центрального статистического управления. Отраслевые АСУ делились на меньшие категории и состояли из АСУП. Кроме того, высокая степень слаженности и быстродействия всей системы достигалась за счет отсутствия бюрократических препон при сборе и отправке информации от АСУП до главного вычислительного центра. В случае запуска ОГАС все собранные данные отражали бы действительное положение дел в экономике страны, следовательно, в перспективных планах в момент апробации и отладки системы подразумевалось, что ОГАС позволит перейти к динамическому планированию в народном хозяйстве. Однако данная система управления опередила свое время и не была внедрена по ряду причин [12; 15], не умаляющих, но лишь подчеркивающих ее потенциал.

К настоящему времени сложились все инфраструктурные, нормативно-правовые условия для формирования и внедрения автома-тизированной системы управления социальноэкономическими процессами.

Так, в России на высшем уровне уделяется большое внимание задачам нормативно-правовой поддержки цифровой трансформации [16–21]. Указ Президента Российской Федерации № 309 «О национальных целях развития Российской Федерации на период до 2030 года и на перспективу до 2036 года» устанавливает конкретные целевые показатели и задачи в рамках национальной цели «Цифровая трансформация государственного и муниципального управления, экономики и социальной сферы», в частности: «достижение к 2030 году "цифровой зрелости" государственного и муниципального управления, ключевых отраслей экономики и социальной сферы, предполагающей автоматизацию большей части транзакций в рамках единых отраслевых цифровых платформ и модели управления на основе данных с учетом ускоренного внедрения технологий обработки больших объемов данных, машинного обучения и искусственного интеллекта; формирование рынка данных, их активное вовлечение в хозяйственный оборот, хранение, обмен и защита» [16, с. 6].

Отметим, что информатизация в России, выраженная в реальных величинах, характеризуется высокими темпами: в 2024 г. рост индексов физического объема добавленной стоимости в сфере информации и связи оказал наибольшее влияние на увеличение ВВП (прирост 12 %) [22].

К сформировавшимся к 2025 г. трендам в сфере цифровизации эксперты относят разработку решений, использующих ИИ, а также управление безопасностью и рисками в этой сфере; бизнес-аналитику с использованием нейросетей; цифровых двойников; обогащение и интеграцию данных; автономные системы [23]. Впечатляет и подчеркивает серьезность намерений власти в вопросах цифровой трансформации глубокая проработка данных нормативно-правовых актов: например, «решение в области искусственного интеллекта – совокупность аппаратных и (или) программных средств, предназначенных для выполнения с использованием технологий искусственного интеллекта прикладных задач и повышения эффективности деятельности организаций, органов публичной власти, под которыми понимаются органы государственной власти, иные государственные органы, …, органы местного самоуправления, а также для повышения производительности труда» [17, с. 8].

С 2025 г. началась реализация национального проекта «Экономика данных...», который состоит из восьми федеральных проектов и отражает технологические тенденции будущего. В частности, он включает в себя проекты «Цифровое государственное управление», кото-рый предусматривает полную цифровизацию госуправления и переход на безбумажный документооборот; «Искусственный интеллект», предусматривающий внедрение технологий искусственного интеллекта в экономику, социальную сферу и государственное управление, а также внедрение новых автоматизированных технологий сбора, обработки и формирования официальной статистической информации [21]. Детализируя положения нацпроекта отметим, что планируется «развитие систем сбора данных с использованием высокочувствительных датчиков и квантовых сенсоров; совершенствование передачи данных в режиме реального времени; создание отечественных систем хранения данных, включая облачные платформы, центры обработки данных и вычислительные мощности на базе квантовых и фотонных тех-нологий; обеспечение безопасности данных через развитие технологий квантовых комму-никаций и шифрования для защиты от классических и квантовых кибератак; разработка национальных стандартов и протоколов работы с данными; создание алгоритмов обработки и анализа данных на основе искусственного интеллекта с использованием российского программного обеспечения и развитие отечественных платформ для совместной работы программистов; формирование рынка больших данных» [21, с. 7–10].

Целью данного исследования является разработка принципиальной схемы процессов автоматизированного регионального страте-гирования с использованием современных технологий.

Методы исследования

В статье применяются методы логического анализа и синтеза, парсинга, логических абстракций; моделирования; системный методологический подход; сравнительный и статистический анализ, методы структурного анализа, статистической обработки данных, экспертной оценки, графической интерпретации. Данное исследование является смешанным, поскольку сочетает качественный анализ для построения концептуальной модели и количественный анализ для ее верификации и наполнения данными. В основе дизайна лежит моделирование как ключевой метод. Исследование носит описательно-аналитический характер, направленный на выявление связей и закономерностей в данных, а также содержит корреляционный анализ для установления взаимосвязей между стратегическими показателями региона.

Результаты и дискуссия

В современных реалиях становится возможным и экономически оправданным адаптивное, опережающее, управляемое на основе потока больших данных (от англ. big data driven) cтратегирование РСЭС и отдельно сектора креативных индустрий. Адаптивное стратегирование представляет собой подход, при котором стратегические решения принимаются на основе автоматизированного анализа больших массивов данных, алгоритмов машинного обучения и цифрового моделирования [11; 12; 15; 24–28].

Такое стратегирование возможно осуществлять на основе применения современных технологий, совместно действующих в специализированной автоматизированной программно-аппаратной информационно-телекоммуникационной среде (АПАИТС), принципиальная схема которой представлена на рисунке.

В соответствии с «Концепцией невидимого интеллекта», предусмотренной в национальном проекте «Экономика данных...» [21], диагностические комплексы и физические дат-

Принципиальная схема автоматизированного стратегирования РСЭС Schematic diagram of automated RSES strategization

Источник: составлено автором.

Source: compiled by the author.

чики интернета вещей (ИВ) (от англ. Internet of Things – IoT) и сетевые официальные и альтернативные ресурсы-агрегаторы через протоколы API (от англ. application programming interface – интерфейс программирования при-ложений), позволяющие разным программам обмениваться данными, динамически поставляют в биг дата (от англ. big data – большие данные) массив системы, инфраструктурно расположенный в региональном дата-центре (от англ. Data Centre – центр хранения данных) фактическую информацию, содержащую цифровые индикаторы состояния избранных «контрольных точек» рассматриваемой РСЭС или ее сектора (например, креативных индустрий).

Накопление данных осуществляется в региональном дата-центре, кроме того эти данные по мере необходимости поступают в вы-шестоящий федеральный дата-центр для использования на уровне государственного управления и планирования. Далее данные в автоматизированном режиме анализируются с использованием сильного искусственного интеллекта (СИИ)1 [17, с. 3] в соответствующем органе исполнительной власти региона, где расположен департамент аналитики АПАИТС, происходит прогнозное моделирование и проверка предлагаемых системой управленческих решений. После этого результат в виде информации на интерактивных панелях (от англ. Dashboards), а также отчетов и рекомендаций автоматически отправляется на рассмотрение экспертного корпуса для верификации и возможной корректировки, а затем на рассмотрение уполномоченных коллегиальных органов, принимающих решения на оперативном, тактическом и стратегическом уровнях.

В табл. 1 представлены существующие ключевые технологии, которые применяются для построения АПАИТС.

Ключевой является технология цифровых двойников (ЦД) – набора адаптивных моделей, которые симулируют поведение физической системы в виртуальной системе, получая данные в реальном времени для обновления параллельно жизненному циклу этой системы. Цифровой двойник повторяет физическую систему для предсказания ошибок и возмож-ностей для изменения, чтобы предписать дей-ствия в реальном времени по оптимизации или смягчению непредвиденных событий через наблюдение и оценки операционной профильной системы [24–26; 28].

Принципиальное отличие цифрового двойника от имитационных моделей, систем мониторинга, сбора и обработки данных заключается в наличии двусторонней обратной связи между виртуальным компонентом системы и реальным объектом.

Табл. 1. Необходимые для построения АПАИТС технологии

Tab. 1. Technologies necessary for the construction of APAITS

Технология	Пример применения
Биг дата и искусственный интеллект, в том числе Обработка естественного языка (ОЕЯ) (от англ. Natural Language Processing)	Анализ социальных сетей, новостей, отзывов, прогнозирование спроса
Цифровые двойники	Моделирование эффекта от новых законов
Блокчейн	Учет авторских прав и NFT-транзакций
ИВ-датчики	Мониторинг посещаемости креативных пространств
API-интеграции	Автоматический динамический сбор данных из официальных (ФИС СП, Росстат, ФНС, Госуслуги, министерства) и частных дата-массивов (маркетплейсов, социальных сетей, стримингов, баз данных)
Машинное обучение (МО)	Прогнозирование, кластеризация проблем

Источник: составлено автором.

Source: compiled by the author.

Табл. 2. Сетевые ресурсы, предоставляющие данные разных типов по API

Tab. 2. Network resources that provide different types of API data

Источник Тип данных API Государственные и открытые данные Росстат Занятость, оборот компаний, ВРП API Росстата ФНС Количество зарегистрированных ИП и юрлиц API ФНС Портал Госуслуг Данные о грантах и поддержке бизнеса API Госуслуг Минкульт/ Минцифры Финансирование проектов, инфраструктура Зависит от региона, например, API Москвы Данные цифровых платформ и соцсетей VK, Telegram Активность креативных сообществ VK API , Telegram Bot API , Spotify Популярность локальных исполнителей Spotify API , API RuTube, YouTube Просмотры, география аудитории YouTube Data API youtube/v3), RuTube API Wildberries, Ozon Продажи креативных товаров (хендмейд, дизайн) Wildberries API , Ozon API Финансовые и бизнес-данные СберБизнес, Т-Банк Обороты малого бизнеса в креативных сферах API Т-Банк Краудфандинг (, Boomstarter) Успешные проекты, сборы API NFT-маркетплейсы (OpenSea, Rarible) Продажи цифрового искусства OpenSea API Данные образовательных и научных учреждений Вузы (например, НИУ ВШЭ, МГУ) Выпускники творческих специальностей Локальные API, например, API НИУ ВШЭ Coursera, Skillbox Популярность курсов (дизайн, программирование) Coursera API

Источник: составлено автором.

Source: compiled by the author.

Современное представление архитектуры ЦД насчитывает шесть слоев: слой оборудования и сенсоров, слой источников данных, слой локальных хранилищ данных, слой Интернета вещей, слой облачных хранилищ данных, слой визуализаций и симуляций [25]. Таксономия данных для работы АПАИТС может быть сле-дующей: структурированные данные (ФНС, Росстат); полуструктурированные данные (API маркетплейсов); неструктурированные данные (социальные сети, ИВ); производные данные (индексы, прогнозные модели). Циф-ровой двойник может автоматически получать актуальные данные из внешних и внутренних источников через API, чтобы анализировать состояние креативных индустрий в режиме реального времени. Для АПАИТС могут использоваться государственные (закрытые и открытые) и общедоступные открытые данные, поставляемые в систему через соответствующие API. Примеры некоторых сетевых ресурсов, предоставляющих API как на платной, так и на бесплатной основе, даны в табл. 2.

Алгоритм обработки и преобразования получаемых АПАИТС из разных источников данных представляется таким образом. На первом шаге осуществляется сбор и интеграция данных. ЦД агрегирует информацию из множества источников через API, автомати-ческий парсинг интернет-ресурсов (от англ. parsing – анализ структуры) и ручные выгрузки: государственные данные (Росстат, ФНС, Минкульт); данные бизнеса (транзакции, отчеты, маркетплейсы); соцсети и платформы (тренды, анализ настроений); инфраструктурные показатели (заполняемость коворкингов, посещаемость мероприятий). На втором шаге происходит очистка и нормализация собранных АПАИТС данных, включающая удаление дубликатов, исправление ошибок; приведение к единому формату (например, все денежные показатели в рублях); обогащение данных (например, добавление геолокации к бизнесам). На третьем шаге СИИ ЦД производит анализ и выявление паттернов поведения объекта управления с применением следующих методов: дескриптивная аналитика (что происходит?) на основе отслеживания динамики ключевых показателей (рост/падение числа стартапов); диагностическая аналитика (почему?), в том числе на базе корреляционного анализа (например, связь между грантами и ростом IT-компаний); прогнозная аналитика (что будет?) с определением трендов (СИИ предсказывает дефицит специалистов через два года); прескриптивная аналитика (что делать?) через моделирование и симуляцию эффекта от возможных решений.

На четвертом шаге АПАИТС реализуется генерация рекомендаций: на основе анализа система предлагает конкретные меры, ранжированные по приоритетности (высокое/ среднее/низкое влияние); срочности (например, «решить задачу в течение 6 месяцев»); ре-сурсоемкости (бюджет, время на реализацию).

На пятом шаге реализуются процессы визуализации и формирования проектов ДСП – преобразования «выхода» в форму, удобную для восприятия человеком: данные и рекомендации выводятся в интерактивных панелях для органов власти. Это могут быть графики, карты, тепловые карты (например, концентрация организаций креативных индустрий по районам); автоматические отчеты и проекты

ДСП в форме PDF-документов с обоснованием решений.

На заключительном шаге происходит получение АПАИТС обратной связи, на основе которой ЦД проходит дообучение: органы власти внедряют меры, ЦД отслеживает их эффективность через новые данные, СИИ-модель корректирует вес факторов.

Отметим, что для полномасштабного внедрения АПАИТС технологических ограниче-ний нет – это вопрос принципиального управленческого решения на том или ином уровне масштабирования (государство, отрасль, регион, муниципальное образование) и финансирования соответствующей инфраструктуры. Что касается решения перспективной задачи привлечения возрастающих в геометрической прогрессии вычислительных мощностей при масштабирования АПАИТС, здесь существует потенциал использования высокопроизводительных суперкомпьютеров или квантовых компьютеров – либо специально закупленных и выделенных для нужд национальной АПАИТС, либо используемых на основе аренды машинного времени в российских облачных квантовых сервисах в случае необходимости обеспечения работы менее требовательной региональной или секторальной АПАИТС.

Заключение

Таким образом, внедрение системы адаптивного регионального стратегирования на основе АПАИТС должно стать современным инструментом развития регионов страны, обеспечивая поддержку принятия стратегических решений при кардинальном снижении транзакционных издержек данного процесса. Цифровой двойник РСЭС, основываясь на реальных фактических данных, автоматически поступающих в реальном времени по различным каналам, осуществляет непрерывный автоматический мониторинг ключевых по-казателей контроля, реализуя двухстороннюю обратную связь, позволяющую адаптировать (дообучать) модель в процессе – становится возможным использование предиктивной аналитики: прогнозирование сценариев с помощью сильного искусственного интеллекта; автоматизированная генерация решений с кон- кретными мерами и проектами корректировки ССЭР. При этом принципиальное формирование целей, окончательный выбор целей, а также ответственность за этот выбор должны оставаться прерогативой человека – группы лиц, принимающих решения в рамках той или иной системы коллегиального принятия решений и придания им юридической силы. В перспективе национальная и региональные системы стратегического управления должны представлять собой многоуровневый, иерархически упорядоченный адаптивный механизм формирования и реализации стратегического плана развития страны.