Экономико-географическая экспертиза

3.1. Общие положения

3.2. Интуитивные методы

3.3. Изыскательские методы

3.4. Нормативные методы

3.5. Методы с обратной связью

3.5.1. Сущность и типология глобальных проблем

3.5.2. Организация деятельности Римского клуба (РК)

3.6. Экспертиза глобальных процессов

3.6.1. Глобальное изменение климата

3.6.2. Типология регионов РФ по типу циклической динамики урожайности

3.1. Общие положения

Основные принципы экономико-географической экспертизы

Проблемами географического прогнозирования занималась значительная группа отечественных и зарубежных исследователей – Т. В. Звонкова, Ю. Г. Саушкин, Э. Янч, Ю. В. Яковец, Ю. Г. Симонов, И. Р. Спектор и др. «Прогноз – научное предвидение будущего, учитывающее совокупность условий и факторов развития, новейшие тенденции науки и техники, общую картину изменения материального мира» (Саушкин Ю.Г. 1967). Прогноз необходим человечеству в «горизонтальном» и «вертикальном направлениях», т. е. в различных областях науки, в различных сферах применения, и на различных уровнях развития в пределах той или иной сферы знания того или иного элемента жизнедеятельности (продукта, стадии промышленного производства, востребованности на рынке, на любом уровне развития науки и техники и т. д.). Другое определение «Прогноз – это одна из форм познания объективного мира… Прогнозирование обычно характеризуют как определение будущего состояния объекта или перспектив развития. Будущее состояние не является конечной целью прогноза. Необходима обратная связь из будущего в настоящее, т.к. только в том случае возможно управление и предупреждение возможных неблагоприятных явлений. Именно в неразрывной связи теоретических предпосылок и практических мероприятий состоит идеологический смысл активного прогнозирования», дано Звонковой (Звонкова Т.В. 1972).

Э. Янч, занимавшийся проблематикой прогнозирования научно-технического прогресса, определял прогноз схожим образом. «Прогноз – вероятностное утверждение о будущем с относительно высокой степенью достоверности». Методы географического прогнозирования можно поделить на общенаучные и специальные географические методы. Каждый из этих типов можно представить подтипами. Общенаучные методы – это логические (индукция, дедукция и т. д.); экспертных оценок, экстраполяций, методы моделирования; специально географические методы представлены палеогеографическим и методом оценок и индикаций.

Все разнообразие известных методов экономического прогноза обычно сводят к четырем большим классам: 1) качественные методы, базирующиеся на самых общих закономерностях общественного развития; 2) методы экспертных оценок; 3) экстраполяция; 4) метод математического моделировании. В свою очередь, Э. Янч описал порядка 100 методов научно-технического прогнозирования, которые актуальны и для географического прогнозирования. Он писал о том, что все методы прогнозирования можно поделить на четыре больших группы: интуитивные, изыскательские, нормативные и методы с обратной связью.

Все прогнозы можно поделить по территориальному признаку на локальные, региональные и глобальные географические прогнозы. По длительности сроков прогнозирования прогнозы могут быть оперативными (краткосрочными), тактическими, стратегическими, долгосрочными и сверхдолгосрочными. Важно здесь отметить, что временные категории географических прогнозов нуждаются в упорядочении, так как смысл, который вкладывается в понятие долгосрочный прогноз погоды или долгосрочный прогноз развития экономики, в конкретном значении может не совпадать. В одном случае это месяцы, в другом годы.

Взаимодействие экономической и физической географии заключается в том, что оно происходит в процессе формирования территориальных природно-хозяйственных систем (ТПХС). Формирующие их подсистемы разные, но, во-первых, общество выступает в качестве сильнейшего фактора изменения природы, а, во-вторых, природа – это непрерывно меняющаяся экономически опосредованная материальная база общественного производства и многих сторон жизни общества. Таким образом, при прогнозировании необходимо наличие комплексного подхода, не имеет смысла рассматривать при прогнозировании лишь один объект без его взаимосвязи с другими. Любой объект находится в системе других объектов, каждый из которых находится в большей или меньшей степени взаимосвязи с исследуемым объектом. Необходимо осуществлять прогнозирование в физической географии и на основе этого осуществлять экономический прогноз. С другой стороны, при прогнозировании изменений природной среды необходимо осуществлять прогноз экономической ситуации – антропогенной среды. В работе была предпринята попытка осуществления прогноза ситуации в регионах (оценка последствий) на основе уже сделанного прогноза изменения климата.

В работах Звонковой Т.В. и Касимова Н.С. географическое прогнозирование понимается как «комплексная многоплановая эколого-географическая проблема, где теория, методы и практика прогнозирования тесно связаны с охраной природной среды и ее ресурсов, планированием и проектированием, экспертизой проектов». Главные цели географического прогнозирования были определены следующим образом:

• установить границы измененной природы;

• оценить степень и характер ее изменения;

• определить дальнодействие «эффекта антропогенного изменения» и его направленность;

• определить во времени ход этих изменений, учитывая взаимосвязь и взаимодействие элементов природных систем и тех процессов, которые осуществляют эту взаимосвязь.

Симонов Ю.Г. определял географический прогноз, как «прогноз последствий хозяйственной деятельности человека, прогноз состояния той природной среды, в которой протекает общественная сфера производства и личная жизнь каждого из людей… Конечной целью всей системы географических наук является определение в будущем состояния географической среды нашей планеты», – тем самым осуществляется привязка к абсолютно конкретному человеку, для комфортного существования которого и осуществляется весь прогноз. В то же время Симонов Ю.Г. выделяет другой тип географических прогнозов, который никак не связан с суждениями о будущем, он имеет отношение к размещению явлений в пространстве – пространственный прогноз. «И в том и в другом случае прогноз опирается на установленные наукой закономерности. В одном случае – на законы пространственных размещений, определяющихся сочетанием законоформирующих факторов, в другом – это закономерности временных последовательностей явлений. Важной особенностью географических прогнозов является их пространственно-временное единство».

Спектор И.Р., так же как и Симонов Ю.Г., занимался пространственно-временными аспектами географического прогнозирова-
ния [22, с. 192–207]. Он определял географический прогноз как «высказывание, фиксирующее с априорной оценкой вероятности и заданным временем упреждения состояния социально-экономических и природных систем, формирующихся на земной поверхности, в характерных пространственно-временных интервалах». Спектор И.Р. так же определяет специфику географического прогнозирования по сравнению с прогнозами в других областях науки: «специфика географического прогнозирования вытекает, во-первых, из субстанциональных особенностей прогнозируемых объектов (различий в типах связности), которые предопределяют скорости саморазвития и характер взаимоотношений систем с внешней средой, во-вторых, из соотношений пространственно-временных аспектов развития прогнозируемых систем». Спектор И.Г. подчеркивает важность правильного выбора масштабной единицы географического прогнозирования и время географического прогнозирования и делает вывод об оптимальном соотношении единиц пространства и времени.

Таким образом, при прогнозировании необходимо учитывать два критерия: пространство и время. Категории «пространство», «территория» всегда была предметом изучения географии.

Отдельно взятый географический прогноз часто не является удобным для предоставления его людям, работающим в сфере управления. Для физико-географического прогноза часто необходимо наличие привязки непосредственно к жизнедеятельности человека. А роль этой привязки осуществляет экономическая оценка. В то же время между экономическим и экономико-географическим прогнозами нет тождества, хотя и есть известная связь. Экономико-географический прогноз относится к пространственно обусловленным явлениям. Он говорит о том, какие изменения произойдут в будущем в тех или иных пространственных системах, в пространственных связях и взаимодействиях... Обобщая, можно сказать, что при экономико-географическом прогнозе надо знать и учитывать многие факторы развития систем производительных сил, которые, будучи связаны с совокупностью условий географической среды, изменяются и исторически, и пространственно в той или иной степени зависят от результатов человеческой деятельности как предвиденных, так непредвиденных. Любое исследование по географическому прогнозированию необходимо осуществлять с привязкой к определенной территории. «В границах определенных территориальных регионов» должны прогнозироваться, во-первых, предвидимые на расчетные сроки изменения природной среды под влиянием хозяйственной деятельности человека и, во-вторых, будущие условия работы производственных комплексов и жизни человека в измененной среде.

В настоящее время всесторонне законченное прогнозирование должно исходить из сопоставления нормативного прогнозирования (этот метод основывается на том, какие цели преследуются и исходя из будущих желаний, из потребностей осуществляется прогноз) и изыскательского прогнозирования (основывается на том, какие существуют возможности, какие предпосылки, какая исходная база данных, какова история объекта прогнозирования)… Интуитивные методы делают в принципе возможным «случайный доступ» ко всем уровням исследований (имеются в виду уровни перемещения технологии: от уровней разработки до уровней воздействия). Изыскательские методы могут быть подразделены на два класса, указывающие на их потенциальное применение.

Методы, с помощью которых порождается новая технологическая информация, охватывают следующие группы: экстраполяция тенденций изменения технологических параметров и функциональных возможностей, «кривые обучения», экстраполяция контекстуального картографирования, морфологическое исследование, а возможно так же написание сценариев (табл. 3.1.1).

Методы, с помощью которых упорядочивается и перерабатывается наличная информация, охватывают следующие группы: историческая аналогия, написание сценариев и синоптическая итерация, вероятностные методы преобразований, экономический анализ, операциональные модели, методы, имеющие дело с агрегированным уровнем и др.

Применение нормативных методов предполагает наличие больших возможностей выбора, и, прежде всего, в области технологии, чем это может быть обеспечено при данных бюджетных или иных ограничениях.

Методы с обратной связью могут быть в конечном счете созданы из сочетания элементов изыскательского и нормативного прогнозирований.

Чаще всего используются единовременно методы изыскательского и нормативного прогнозирований. Ключевая проблема в этом интегрированном прогнозировании – это увязка между собой этих разных подходов. Ее осуществляет чаще всего экономический анализ.

Таблица 3.1.1. Обобщенные методы научно-технологического прогнозирования (по Э. Янчу)

Интуитивное мышление	«Мозговая атака»
	Метод «Дельфы»
	Утопия и научная фантастика
Изыскательское прогнозирование	Экстраполяция временных рядов, аналоговые модели
	Экстраполяция временных рядов, феноменологическая
	Кривые обучения
	Контекстуальное картографирование
	Морфологическое исследование
	Написание сценариев и синоптическая итерация
	Историческая аналогия
	Элементы вероятностного прогнозирования
	Экономический анализ
	Операционные модели
	Агрегированный уровень
Нормативное прогнозирование	Горизонтальные матрицы решений
	Вертикальные матрицы решений
	Простые методы, исследование операций
	Простые методы теории принятия решений
	Интегрированные схемы дерева целей
	Сетевые методы
	Операционные модели
	Системный анализ
Методы с обратной связью	Поисковые идеи
	Интегрированные системы информационной технологии

Таблица составлена по (Янч Э., 1974)

3.2. Интуитивные методы

Интуитивные методы представляют собой единовременную усиленную работу нескольких экспертов над поиском новых идей социально-экономического развития территорий и решений накопленных проблем развития территориальных общностей населения и их естественноисторической и социокультурной среды. Методы предназначены для поиска как можно большого числа идей, т. е. устраивается своеобразное «массовое генерирование идей».

В настоящее время одним из наиболее распространенных методов проведения экспертизы является «мозговая атака» и ее различные варианты. Хотя сама концепция «мозговой атаки» зародилась много веков назад, общественное признание и широкое распространение она получила в мире в 50-е годы прошлого века, первоначально как метод тренировки творческого мышления. В СССР методы «мозговой атаки» получили распространение в информатике и некоторых отраслях промышленности в 60-е годы. Однако есть основания утверждать, что в вооруженных силах и ВПК не позже, чем в ведущих мировых странах того периода. В частности разработка таких общенациональных программ как ядерная и ракетно-космическая, просто не могли обойтись без его применения.

Все методы, ориентированные на открытие новых идей, активизацию мышления, поиска согласованных вариантов решений, выросли из концепции «мозговой атаки», которая в нашей литературе получила более употребимое обозначение «мозговой штурм».

Выделяется обычно прямая и обратная «мозговая атака», метод «обмена мнениями», операционное творчество, опросных листов, стимулированного наблюдения и т.п.

Прямая «мозговая атака» может проводиться как с отдельными группами лиц, так и с группами экспертов, в предположении, что из большого числа субъективных точек зрения экспертов, при условии их компетентности по меньшей мере несколько являются хорошими.

Прямая «мозговая атака» как метод выбора лучших точек зрения предполагает режим максимальной поддержки. Наиболее распространенный взгляд на процедуру проведения атаки базируется на четырех основных принципах проведения экспертизы:

1) ведущий должен сформулировать проблему в основных терминах, выделив единственный центральный пункт;

2) не объявляется ложной ни одна точка зрения;

3) подхватывается любая идея;

4) каждый участник должен ощущать поддержку и поощрение, что позволяет ему освободиться от скованности.

Исследования в ряде стран показали довольно значительное повышение производительности труда экспертов в рамках данной процедуры. Однако она обладает и некоторыми недостатками, в частности значительным остается наведенное влияние экспертов на мнения друг друга.

Обратная «мозговая атака» представляет собой противоположную методику выявления недостатков рассматриваемых проектов и поиска консенсуса между авторами и экспертами. Для этого первоначально исследовательской группе или институту поручается разработка инновационного проекта социально-экономического развития региона (территории). Затем перед группой экспертов ставится задача максимально «разгромить» проект, концентрируясь на поиске узких мест, неверных или недостаточно обоснованных суждений с акцентом на их доказательность и возможность верификации презентуемых данных. На следующем этапе авторам проекта и экспертам-оппонентам поручается подготовка совместного итогового доклада (проекта).

Другим вариантом «мозговой атаки» является метод «обмена мнениями», цель которого – достижение согласия между ограниченной группой экспертов (обычно не более 6 участников). В современных терминах этот метод направлен на достижение консенсуса (не все поддерживают, но никто не возражает) и является хорошей школой для перевода мышления в диалоговую форму.

Вариант «операционного творчества» предполагает очень важное условие – только руководитель группы (в нашем случае преподаватель) знает истинный характер проблемы и организует экспертизу таким образом, чтобы инициировать игроков к поиску единственного решения. Этот вариант жесткой деловой игры при ряде типичных для того вида игр недостатков имеет то преимущество, что позволяет за ограниченное число итераций путем отбрасывания «разбегающихся» на слишком большое расстояние идей прийти к искомому решению.

Стимулированное наблюдение, по Э. Янчу, – строго тренировочная методика. Обычно при ее применении используются гипотетические варианты. Например, гипотетический континент, на котором распределение природных зон и ресурсов определяется участниками на основе имеющейся у них суммы знаний о природных законах. Другие игроки или игрок разрабатывают проект рационального природопользования или освоения этого материка. Возможно введение экстремальных условий (стихийные бедствия, техногенные катастрофы и т. п.). Задачей участника (участников) становится либо проведение экспертизы предложенного проекта, либо поиск путей выхода из сложившейся ситуации. Причем возможен как открытый, так и закрытый сценарий.

Возможны варианты «мозговой атаки», когда дается заранее готовый проект, например переброска части стока северных рек в аридные регионы страны, и ставится задача участникам (экспертам) подвергнуть его разгромной критике. Возможны также модификации, когда в качестве задачи экспертизы ставится проблема добиться максимальной поддержки своей точки зрения другими экспертами. Такой подход во многом близок сценарию игры «Выборы».

Метод опросных листов – разновидность опроса, в ходе которого респондентами являются эксперты — высококвалифицированные специалисты в определенной области деятельности. Метод подразумевает компетентное участие специалистов в анализе и решении рассматриваемой проблемы. В практике социологических исследований используется:

• для прогноза развития того или иного явления;

• для оценки степени достоверности массового опроса;

• для сбора предварительной информации о проблеме исследования (зондаж);

• в ситуациях, когда массовый опрос простых респондентов не возможен или не эффективен.

С определенной натяжкой к этой группе методов можно отнести соцопросы, углубленные и специнтервью.

Однако у большинства из этих методик есть недостаток, связанный с отсутствием анонимности суждений и, как следствие, зависимость сознания эксперта от общественного мнения, сложившейся традиционной точки зрения, воззрений друзей и коллег и т.п. Для устранения этих недостатков экспертных процедур корпорацией РЭНД разработан метод «Дельфы» или дельфийская процедура.

Метод «Дельфы» представляет собой последовательность итеративных циклов «мозговой атаки», при которой делается попытка избежать вмешательства психологических факторов, способных снизить ценность заседаний по принципу «мозговой атаки». Для экспертов проектируются определенные блоки вопросов в определенной последовательности. После этого экспертов в письменной форме просят дать ответы на поставленные вопросы. Как правило, это вопросы, касающиеся прогнозного горизонта до 20 лет и охватывающие различные сектора экономики, прежде всего критические технологии (КЦ), способные изменить будущее (технологический уклад) и их проекцию на территории. Другим более близким к экономико-географической экспертизе вариантом является выявление таких КЦ, которые влияют на тренды развития конкретного региона (района), или группы регионов (районов). В результате снижается возможность влияния одних участников на других.

На следующем шаге (итерации) эксперты получают обобщенные собственные суждения в обезличенной форме. На этом этапе эксперт уже представляет позиции других экспертов по рассматриваемой проблематике и место своих суждений среди них, но не знает, кто конкретно их высказал. В результате снижается воздействие личностных факторов на позицию эксперта. Эксперты на этой стадии должны определиться с вероятностью свершения событий, перечисленных в обобщенном списке, в одни (несколько или все) временные отрезки, представленные в виде квартилий и медианных интервалов. Как правило, на этом шаге удается достигнуть согласия по значительному числу позиций.

Для согласования (получения квалифицированного большинства экспертов) позиций по оставшимся расхождениям в оценках, на следующем шаге, тем из числа экспертов, чьи точки зрения не совпадают с мнением большинства (инакомыслящим), дается возможность в письменной форме высказать дополнительные аргументы в пользу своей позиции, после чего процедура распределения суждений по квартилям продолжается. Это важное положение дельфийской процедуры исходит из предположения о важности для прогнозирования отклонений от «общего потока». После чего процедура голосования повторяется. Теоретически количество итераций может быть бесконечно большим, но опыт показывает, что после трех-четырех итераций уровень согласия экспертов не возрастает и требуется новая экспертиза с иным набором экспертов.

В современных технологиях дельфийская процедура редко используется как самостоятельный метод прогнозирования. Как правило, ее применяют для получения экспертных значений весовых коэффициентов при интеграции факторных значений признаков в комплексных схемах решений или при проведении процедуры «Форсайта».

Из дельфийской процедуры и метода критического пути в начале 5 кондратьевского цикла появился Форсайт (наряду с фрактальной геометрий и другими инновациями), который постепенно превратился в важный инструмент развития инновационной экономики1. Сначала его применяли для формирования образов будущего в сфере технологий, там он отработан особенно хорошо. Затем технология Форсайта стала использоваться в бизнесе — дорожные карты2 и результаты форсайт-проектов стали основанием для разработки стратегий в бизнесе.

При использовании Форсайта для бизнес-компаний возник ряд проблем, разрешение которых впоследствии было заложено в технологию Форсайта. Во-первых, объект, с которым начинают иметь дело разработчики, зачастую не определен и требует специальной проработки (например, такой объект как «экология» далеко не очевиден и объединяет в себя большое количество сфер). Во-вторых, участие в проекте, как правило, принимает большое количество разных позиций, экспертная среда оказывается очень разнородной (начиная от позиции инвестора, заканчивая домохозяйкой).

Последние десять лет активно проводятся форсайт-проекты городов: Дублин, Барселона, Штутгарт; форсайт-проекты социального развития стран: Великобритания, Австрия, Финляндия, Франция, ЮАР. Форсайт становится инструментом для формирования социальной реальности. Страны, претендующие на лидерство в современном мире, начали работать на создание своего социального будущего и активно включают в этот процесс общество и соответствующим образом пытаются трансформировать устаревшие институты.

Стратегический Форсайт предполагает несколько этапов (П. Бишоп).

1. Формирование объекта – отрасль или направление, сфера деятельности.

2. Формирование существенных условий – целевых показателей, которые должны быть достигнуты в будущем. Для Форсайта принципиальным является, чтобы существенные условия отражали качественное изменение (например, снижение веса летательных аппаратов) и имели количественное выражение.

3. Сканирование – формирование «карты сферы» (стейкхолдеры3, эксперты, компании), выбор методов исследования и проведение экспертных опросов.

4. Альтернативы будущего – в выделение тенденций, которые можно спрогнозировать, выделение зон неопределенности и формирование возможных сценариев будущего.

5. Планирование и исполнение – разработка и создание дорожных карт, включение всех стейкхолдеров в обсуждение будущего, изменение стратегии и действий заказчика Форсайта (изменение стратегии, формирование новых проектов и программ).

Опыт форсайт-проектов западных стран показывает, что необходимо отвечать на вопросы: чего хотят участники проекта в будущем, на что будут работать, к чему прилагать усилия. При проведении технологического Форсайта разработка или продукт, как правило, задается заказчиком.

Следующим шагом прорисовывается экспертная среда и вырабатываются ответы на следующие вопросы.

Кто главные «стейкхолдеры»?

Кого считать экспертом?

Кого, на каком этапе и в каком качестве включать в проект?

Кто составляет круг лиц, принимающих решения?

Какие тенденции существуют и как оценить их влияние?

Следующий этап – определение методов, необходимых прогнозов, способов исследований (метод «Дельфы» или дельфийская процедура, экспертные панели или какой-то другой).

Методы исследования ориентированы на определение возможных вариантов будущего. Основой для оценки вариантов будущего являются экспертные оценки. Методология Форсайта вобрала в себя десятки традиционных и достаточно новых экспертных методов. При этом происходит их постоянное совершенствование, отработка приемов и процедур, что обеспечивает повышение обоснованности предвидения перспектив научно-технического и социально-экономического развития. Основной вектор развития методологии направлен на более активное и целенаправленное использование знаний экспертов, участвующих в проектах. Обычно в каждом из форсайт-проектов применяется комбинация различных методов, в числе которых:

метод «Дельфы»;

SWOT-анализ;

«мозговой штурм»;

построение сценариев;

дорожная карта (сетевой график);

дерево целей;

анализ взаимного влияния и другие методы технологического прогнозирования.

Чтобы учесть все возможные варианты и получить полную картину, привлекается, как правило, значительное число экспертов. Так, в японских долгосрочных прогнозах научно-технологического развития, проводимых каждые пять лет, участвует более двух тысяч экспертов, которые представляют все важнейшие направления развития науки, технологий и техники, а в последнем корейском проекте участвовали более 10 тысяч экспертов.

Форсайт ориентирован не только на определение возможных альтернатив, но и на выбор наиболее предпочтительных из них. В процессе выбора применяются различные критерии для определения наиболее предпочтительных вариантов. Так, например, при выборе критических технологий может использоваться критерий достижения максимального экономического роста, а при построении технологической дорожной карты для отрасли — выявление потенциальных рыночных ниш и выбор технологий, позволяющих максимально быстро разработать конкурентоспособные продукты для возникающих рынков. Выбор стратегии развития производится на основе последовательности широких экспертных консультаций, что позволяет предвидеть самые неожиданные пути развития событий и возможные «подводные камни».

Большинство форсайт-проектов в качестве центрального компонента включают перспективы развития науки и технологий. Результатом обсуждений становится появление новых идей, связанных с совершенствованием механизмов управления наукой, интеграцией науки, образования и промышленности и в конечном счете, повышение конкурентоспособности страны, отрасли или региона. Важным результатом является развитие неформальных взаимосвязей между участниками Проектов, создание единого представления о ситуации. В ряде проектов формирование горизонтальных сетей, площадок, в рамках которых ученые и бизнесмены, преподаватели вузов и чиновники, специалисты смежных областей могут систематически обсуждать общие проблемы, рассматривается как один из главных эффектов.

Таким образом, Форсайт представляет собой значительно более комплексный подход, чем традиционное прогнозирование, т.к. предполагает участие больших групп экспертов ориентированных не на разработку конкретных траекторий, а на оценку возможных перспектив инновационного развития, связанных с прогрессом науки и технологий, очерчиваются возможные технологические горизонты, которые могут быть достигнуты при вложении определенных средств и организации систематической работы, а также вероятные эффекты для экономики и общества. Кроме того, он всегда нацелен на разработку практических мер по приближению выбранных стратегических ориентиров.

Другие методы интуитивного прогноза: утопия и научная фантастика как художественные труды на темы прогнозов. В целом в интуитивных прогнозах экспертов наблюдается склонность к чрезмерному оптимизму в отношении близкого будущего и к излишнему пессимизму в отношении более отдаленного будущего.

Что касается таких методов как утопия и научная фантастика, то их названия говорят сами за себя – это художественные труды на темы прогнозов. «Художники и поэты видят настоящее, а в настоящем существует эмпирическая основа для исторических тенденций».

3.3. Изыскательские методы

Различные виды экстраполяций относятся к изыскательским методам. Экстраполяция – это основной количественный метод. При формировании прогнозов с помощью экстраполяции обычно исходят из статистически складывающихся тенденций изменения тех или иных количественных характеристик объекта. Экстраполяционные методы являются одними из самых распространенных и наиболее разработанных среди всей совокупности методов прогнозирования. С помощью этих методов экстраполируются количественные параметры больших систем, количественные характеристики экономического, научного, производственного потенциала, научно-технического прогресса, характеристики соотношения отдельных подсистем, блоков, элементов в системе показателей сложных систем и др.

Однако достоверность экстраполяционных прогнозов в значительной мере обусловливаются обоснованностью выбора горизонта прогноза, пониманием характера причинно-следственных связей, наличием долговременных рядов ретроспективных наблюдений или общепринятой теории. Последовательность действий при использовании данного метода следующая:

– четкое определение задачи, выдвижение гипотез о возможном развитии явления или процесса, выявление факторов, способствующих или тормозящих развитие, определение допустимой дальности;

– выбор системы параметров и их унификация;

– сбор и систематизация данных;

– выявление тенденции или симптомов изменения изучаемых величин.

При экстраполяции принципиально важным является своевременное выявление намечающихся сдвигов и зарождения новых тенденций.

Для повышения точности экстраполяции используются различные приемы. Один из них состоит, например, в том, чтобы экстраполируемую часть общей кривой развития (тренда) корректировать с учетом реального опыта развития отрасли-аналога исследований или объекта, опережающих в своем развитии прогнозируемый объект.

Под трендом понимается характеристика основной закономерности (длительной тенденции) движения во времени, при этом предполагается, что через время можно выразить влияние основных факторов.

Под тенденцией понимается некоторое общее направление развития, при этом тенденцию стремятся представить в виде более или менее гладкой траектории.

Анализ показывает, что стандартные методы не дают достаточной точности прогнозов на 20–25 лет. Они дают положительные результаты на ближайшую перспективу прогнозирования тех или иных объектов не более 5 лет.

Для нахождения параметров приближенных зависимостей между двумя или несколькими прогнозируемыми величинами по их эмпирическим значениям применяется метод наименьших квадратов. Его сущность состоит в минимизации суммы квадратов отклонений между наблюдаемыми (фактическими) величинами и соответствующими оценками (расчетными величинами), вычисленными по подобранному уравнению связи.

Среди наиболее распространенных методов можно выделить:

– экстраполяция на основе среднего значения временного ряда, исходящая из предположения, что средний уровень ряда не имеет тенденции к изменению или если это изменение незначительно;

– экстраполяция по скользящей и экспоненциальной средней. Для краткосрочного прогнозирования, наряду с другими приемами, могут быть применены адаптивная или экспоненциальная скользящая средняя (наиболее часто для циклических процессов, например урожайности в сельском хозяйстве);

– экстраполяция на основе среднего темпа, когда в основу прогностического расчета положен средний темп роста;

– однофакторные прогнозирующие функции, когда прогнозируемый показатель зависит только от одного факториального признака. В качестве фактора-аргумента в однофакторной прогнозирующей функции можно использовать не только время, но и другие факторы, если известна их количественная оценка на перспективу (табл. 3.3.1).

Таблица 3.3.1. Однофакторные прогнозирующие функции

Наименования функции	Вид функции
Степенной полином	y = a0 + a1t + a2t2 +…+ antn
Парабола	y=a0+a1t+a2t2
Линейная функция	у = а0+а1t
Экспоненциальная (показательная)	y = e a0 + a1t +a2 t 2, y = ea0 + a1 t
Степенная	y = a0 t a1
Логарифмическая	у = а0+а1 ln t
Комбинация линейной и логарифмической функций	у = а0+a1t+а2 ln t
Функция Конюса	у = t (а0+a1 ln t)
Функция Торнквиста	y = a1t / (a1+ t)
Логистическая (сигмоидальная)	y = a0 / (1+a1 e-a2 t)
Частный случай логистической функции	y = 1 / (a0 + a1e- t)
Гипербола	y = a0 + a1 / t
Комбинация линейной функции и гиперболы	у = а0+а1t + a2 / t

При прогнозировании колебательных (циклических) процессов применяют тригонометрические функции, ряды Фурье.

Степенной полином может описать любые процессы изменения показателя y в зависимости от значений t. Корреляционное отношение для степенного полинома, служащее мерой тесноты корреляционной связи в нелинейных моделях, приближается к единице по мере увеличения числа степеней полинома до числа уровней временного ряда. Одновременно линия регрессии приближается к фактическим уровням показателя за прошедшее время, что не позволяет установить его тренд и экстраполировать его на перспективу. Поэтому для прогнозирования обычно не применяют полином выше третьей степени. Таким образом, в качестве прогнозирующей функции целесообразно использовать лишь три частных случая степенного полинома: линейную модель, параболу и полином третьего порядка.

Однофакторная линейная модель отражает постоянный ежегодный абсолютный прирост в размере a1, т. е. арифметическую прогрессию. Парабола (степенной полином) второго порядка описывает случаи увеличения абсолютного ежегодного прироста на постоянную величину 2a2, а третьего порядка – S-образную кривую с двумя точками изгибов.

Экспонента первого порядка (показательная функция) предусматривает постоянный ежегодный темп роста, равный 100 e a1 процентов (т.е. геометрическую прогрессию), а второго порядка – постоянное увеличение ежегодных темпов роста в e 2a2 раз. Степенная функция соответствует случаю ускоряющегося при а1>1 или замедляющегося при а1<1 роста абсолютного ежегодного прироста. Логарифмическая функция выражает случай сокращения абсолютного ежегодного прироста, а функции Торнквиста и Конюса, комбинация линейной функции с логарифмической – затухающий рост абсолютного ежегодного прироста. Логистическая (сигмоидальная) кривая представляет собой модифицированную геометрическую прогрессию, в которой возрастание затухает по мере приближения к определенному пределу. Наконец, гиперболы характерны для тех случаев, когда в начальной стадии абсолютные уровни показателя резко сокращаются, а на последующих этапах этот процесс сокращения постепенно затухает (рис. 3.3.1).

a)

b)

Рис. 3.3.1. Логистическая кривая (а) – общий тренд, (б) – гипотетический тренд роста численности населения

При экстраполяции эволюции сложных многоуровневых территориальных природно-хозяйственных систем наиболее часто используются логистические или S-образные кривые или их совокупности. Для экстраполяции могут быть использованы аналитические модели, взятые, к примеру, из физики. Они (модели) делают видимым влияние внешних, горизонтально действующих факторов, которое обуславливает сложную зависимость между научно-техническим прогрессом и временем. Строго говоря, простая экстраполяция долговременных тенденций в действительности содержит один аналитический элемент – интуитивное ожидание того, что комбинированное действие внутренних и внешних факторов, обусловивших эту тенденцию в прошлом, останется неизменным в течение будущего периода или будет постепенно и плавно изменяться в соответствии с расчетной кривой. В целом в интуитивных прогнозах экспертов наблюдается склонность к чрезмерному оптимизму в отношении близкого будущего и к излишнему пессимизму в отношении более отдаленного будущего.

В целом логистическая кривая отражает неуклонный рост численности какой-либо популяции от исходного положения до верхнего предела увеличения численности (верхняя асимптота), после чего колеблется параллельно абсциссе (оси времени). Описывает реальный тип роста естественных популяций всех видов живых организмов. Математический анализ логистической кривой впервые произведен П. Ферхульстом (1838) с помощью логистического уравнения

где N — численность популяции, r — специфическая скорость ее роста, К — емкость среды по отношению к данной популяции и выражается в соответствующей данной емкости предельной численности этой популяции.

Кривые обучения являются кривыми, которые корректируют прогнозы, настроенные «сверхоптимистично» и «сверхпессимистично». В общем случае, если две какие-либо переменные связаны между собой в динамическом процессе, то эта связь может быть описана с помощью некоторой функциональной зависимости, наглядным отражением которой является кривая. Применение данного метода не только значительно облегчает понимание зависимости, но и делает эту зависимость видимой, отражая динамику взаимной связи. Эббингауз Г. показал, как идет процесс забывания выученного материала во времени.

Контекстуальное картографирование представляет собой широкую концепцию, объединяющую качественный и количественный подходы и применимую, по существу, ко всем уровням перемещения технологии. С помощью этого метода тенденции могут выражаться в виде процесса приобретения и применения знаний или в виде эволюции конфигурации системы. В инновационном менеджменте под контекстуальным картографированием понимают метод графического представления потока информации о результатах научных исследований и проектных разработок, направленных на развитие отдельных подсистем и элементов ТПХС, позволяющий представить будущее их состояние. При этом скорость разработок и их масштаб могут рассматриваться в качестве прогнозных факторов формирования существенных трансформаций в структуре ТПХС, их роли в принципиальных вопросах их функционирования. Отраженная на контекстуальной карте информация подлежит изучению и прогностической интерпретации, которая должна быть представлена в виде выводов. Важно помнить, что существует временной лаг в инновационном процессе, по прошествии которого определенная научно-техническая информация (НТИ) материализуется. Эмпирически установлено, что значение этого интервала составляет: от включения проблемы в план научно- технических работ до использования результатов этих работ — 10–
30 лет (соответствует информации типа I индивидуального задания); от момента окончания научно-исследовательских работ до использования их результатов — 8–10 лет (соответствует информации II индивидуального задания); от момента патентования до использования результатов работ — 5–8 лет; от момента проектных разработок изделий до их серийного выпуска — 2–5 лет (соответствует информации типа III индивидуального задания).

Морфологический метод структурирует мышление таким образом, что «генерируется» новая информация (касающаяся таких комбинаций, которые при несистематической деятельности воображения ускользают от внимания); поэтому он не ограничен каким-либо одним уровнем перемещения технологии или даже задачами технологического прогнозирования вообще.

Термин «написание сценариев» означает метод, который пытается установить логическую последовательность событий, чтобы показать, как, исходя из существующей ситуации, может шаг за шагом развертываться будущее состояние. Сценарии необходимы для моделирования реальности.

Пример

Не сценарная информация: сильный дождь привел к гибели людей в поселке.

Сценарная информация: сильный дождь в горах привел к паводку на реке, который смыл растущие по берегу реки деревья и кустарник. В результате в потоке оказалось много стволов и веток. Встретив на пути преграду в виде узкого моста весь древесный поток засел, образовав стихийную плотину. Достигнув критического уровня, поток прорвал плотину и водяным валом высотой в несколько метров обрушился на дома в населенном пункте, расположенные как на пойме, так и первой надпойменной террасе. В результате – разрушение жилого фонда и гибель людей.

Синоптическая итерация – это те же сценарии по одной проблеме, но в разных областях, итеративно объединенные.

В основе метода качественной исторической аналогии лежит сопоставление объектов с различными исходными разноуровенными характеристиками. Результат – для одного объекта можно спрогнозировать какую-либо характеристику, основываясь на уже существующем историческом опыте схожего объекта. Но важно помнить, что «в одну и ту же воду в реке дважды не войдешь», т. е. трансформация аналоговой ТПХС происходила в иных естественно-исторических условиях.

Пример

Опыт реструктуризации Рурского угольного бассейна в Германии в 60 –70-е гг. прошлого века был использован для реструктуризации Кизеловского бассейна на Урале. Однако вместо замещающей занятости и обновления фондов мы получили депрессивный район.

Вероятностное прогнозирование возможно лишь тогда, когда можно заранее определить все возможные варианты развития событий. Если существует вероятность какого-либо исходного процесса, то вероятности остальных можно посчитать. Для этого метода используется теория вероятностей.

Экономический анализ (анализ издержки – прибыль) существует для перевода прогнозирования на язык экономических показателей. Он необходим для увязки вертикального (межуровенный) и горизонтального (внутриуровенный) прогноза в интегральный. Методы экономического анализа развиты в высокой степени.

Операционные модели и моделирование вообще на настоящий момент являются одним из наиболее сложных и наиболее динамично развивающихся методов прогнозирования. «Модель – представления процессов, описывающих в упрощенной форме некоторые аспекты реальной действительности; в случае технологического прогнозирования они стремятся охватить как можно большее число нетехнологических факторов.

Имитация (моделирование) – использование модели путем манипулирования ее элементами на ЭВМ, проигрывание модели человеком или обоими способами. Игры – особый способ построения моделей, допускающий одновременное многостороннее взаимодействие соревнующихся и сотрудничающих игроков. Прогнозирование на агрегированном уровне представляет собой более детальное изучение процессов в «горизонтальном» направлении.

В Советском Союзе имитационное моделирование активно развивалось в 60–80-е гг. прошлого века, когда были созданы научные школы в Москве, Киеве, Санкт-Петербурге, Новосибирске и других городах. Ими был разработан ряд систем имитационного моделирования (СЛЭНГ, НЕДИС, СТАМ и др.). Наиболее активно имитационное моделирование применялось при анализе сложных систем в экономики. Одновременно происходила акцепция и адаптация зарубежных разработок (семейства языков GPSS, пакеты прикладных программ ПМДС (GPSS/360) и ПМДС 2.0 (GPSS V)). В результате синтеза отечественных и зарубежных разработок советская школа имитационного моделирования получила мировое признание. В постсоветский период интерес к этому направлению научной и практической деятельности утрачен. Однако в последние годы, по мере экономического роста, наблюдается определенный «ренессанс». Сегодня метод применяется в изучении бизнес-процессов, динамики населения, дорожного движения и логистики, математического моделирования исторических процессов, рыночных отношений, управления проектами и т.п.

Общая схема имитационного моделирования может быть представлена в виде последовательной итеративной процедуры.

Первый этап – постановка цели, задач моделирования и определение способов их решения.

Второй этап – формализация описания моделируемого объекта на основе выбранной теоретической базы (состав исследуемого объекта, взаимодействие между элементами внутри объекта и объекта с внешней средой). В конце этапа словесное описание исследуемой системы преобразуется в абстрактную математическую структуру. В случае компьютерного моделирования создаются программы для ЭВМ. Завершается этап верификацией модели и проверкой соответствия модели свойствам реальной системы.

Третий этап – апробация модели путем «прогона» ее на ЭВМ.

Четвертый этап – анализ результатов исследования и выводы по полученным результатам.

Пятый этап – окончательные выводы и рекомендации по использованию результатов моделирования для достижения поставленных целей.

3.4. Нормативные методы

Основным методом, использующимся в нормативном прогнозировании, является метод горизонтальных матриц решений.

Горизонтальные матрицы решений существуют для оценки первоочередности того или иного из ряда предлагаемых проектов с различными горизонтально действующими факторами (примеры матриц: затраты – выпуск, исследования – рыночные возможности и т. д.). Обычно используются двумерные и трехмерные матрицы. Наиболее часто горизонтальные матрицы решений используются для определения оптимального распределения ресурсов при заданных ограничениях. При этом в качестве ресурсов могут выступать денежные потоки, рабочая сила, основные фонды, энергетические ресурсы и т. д.

Вертикальные матрицы решений существуют для учета вертикального перемещения технологии; изучены довольно слабо (пример: исследования – производство). Наиболее часто используются трехмерные вертикальные матрицы решений. Наиболее известной является «Общая схема разработки системы национальной космической программы», разработанная в компании «Норт америкэн авиэйшн».

Простые методы выбора проектов на основе исследования операций основаны на комбинации экономических методов, используемых главным образом для определения чистой ценности проектов в текущий момент на основе расчетных оценок, с методами исследования операций; при наличии определенных ограничений. Простые методы выбора проектов на основе теории решений – это опросные листы с тем, чтобы эксперты оценили ряд параметров по балльным или сравнительным шкалам.

Комплексные схемы решений с использованием дерева целей: деревья целей с количественными показателями используются в качестве вспомогательного средства при принятии решений и носят в этом случае название дерева целей. Каждой из рассматриваемых целей приписывается свой количественный вес, на который умножается рассчитанный для каждого проекта вклад в достижение этой цели. Дерево целей имеет три уровня: цели, стратегии, тактики. В настоящее время дерево целей и решений так же активно используется при прогнозировании отдельными компаниями. В качестве входных данных для дерева целей необходимы три вида входных данных:

• определение целей, концепций и требований для отдельных систем и технологических возможностей на разных уровнях, начиная от компонентов и функциональных подсистем и кончая комплексными функциональными системами;

• критерии для изменения ценности на каждом из уровней и количественные веса для этих критериев;

• числовые оценки значимости различных факторов (политических явлений, научно-технических систем и т.п.) в связи с критериями каждого уровня дерева целей.

Сетевые методы также активно используются компаниями при планировании (рис. 3.4.1). «Исходя из целей компании и учитывая “идеальную” концепцию, формулируются альтернативные концепции и соответственно определяются области исследования. Затем оценивается уровень, который должен быть достигнут в этих областях для реализации данной концепции, и производится расчет плотности вероятностей различных сроков достижения такого уровня. В заключение эти вероятностные оценки уровней синтезируются в прогноз степени осуществимости конкретной концепции, представленной в виде распределения вероятностей в зависимости от сроков» (Э. Янч, 1974).

Рис. 3.4.1. Сетевой график

Наиболее распространенным вариантом является построение сетевых графиков – цепи работ (процесс, предшествующий возникновению определенного события) и событий, связанных технологической последовательностью. Работа включает как технологические процессы, так и время ожидания, сопряженное с перерывами в этих процессах. Под событием понимают результат работы, без которого не могут быть начаты другие работы. В сетевых графиках события обозначаются кружками (цифра в кружке – номер события), а последовательность выполнения работ стрелками (числа возле стрелок характеризуют намеченную длительность выполнения работ). С помощью сетевых графиков достигается либо оптимизация длительности выполнения, либо себестоимости осуществляемых работ.

В соответствии элементам графов (дугам и вершинам) ставятся числовые оценки (параметры операции: продолжительность, стоимость или трудоемкость), что позволяет осуществлять глубокий анализ, а в ряде случаев оптимизацию. Сетевая модель определяет с любой требуемой степенью детализации состав работ комплекса и порядок выполнения их во времени. Сетевые модели используются не только при планировании и прогнозировании, но и для построения систем сетевого планирования и управления.

Метод критического пути – один из наиболее распространенных в сетевом моделировании. Он представляет собой:

• анализ состояния процесса в каждый заданный момент времени;

• определение последовательности работ с целью предотвращения задержки времени выполнения плана к намеченному сроку;

• метод оценки пересмотра программ (PERT).

Метод оценки и пересмотра программ – одна из разновидностей систем сетевого планирования и управления, основанная на использовании понятия критического пути. В отличие от других аналогичных методов применяется для организации наиболее сложных систем, где нет основы для получения точных оценок времени, необходимого для выполнения каждой из работ и лишь оцениваются их вероятности. Обычно используются три основные переменные: время, ресурсы, этапы выполнения. Такую систему называют также PERT-time (П.-время). В случае, когда задачей является снижение издержек на выполнение программы, применяется вариант PERT-cost («П.-стоимость»), который включает еще и переменную «затраты». В общем случае критический путь – это последовательность задач, определяющих дату завершения проекта.

К критическим задачам также относятся задачи, имеющие ограничения:

• фиксированное начало;

• фиксированное окончание;

• как можно позже (если проект планируется от даты начала);

• как можно раньше (если проект планируется от даты конца).

Для отображения критического пути используется «Диаграмма Ганта» (рис. 3.4.2) с его отслеживанием.

Рис. 3.4.2. Диаграмма Ганта

Следующим этапом анализа является попытка уменьшить длительность критических задач при помощи следующих приемов:

• сокращение трудозатрат, если они оказались завышенными;

• добавление трудовых ресурсов для более быстрого выполнения задачи, если имеются подходящие свободные ресурсы;

• разбиение задачи на несколько параллельных, выполняемых различными сотрудниками.

Операционные модели похожи на методы изыскательского прогнозирования с тем отличием, что при нормативном прогнозировании они создают возможность программировать различные возможные при данных ограничениях альтернативы и субъективные ответные реакции, не требуя при этом нереального расширения объема необходимой информации. Поэтому игры для замкнутых циклов гораздо более приспособлены для имитации на вычислительных машинах, чем игры для открытых систем. Главное преимущество игр с замкнутым циклом состоит в возможности быстрого проигрывания вариантов.

3.5. Методы с обратной связью

3.5.1. Сущность и типология глобальных проблем

Явления, которые принято называть «глобальными проблемами», возникли в середине XX в., и были осознаны научной общественностью спустя 20 лет. Глобальные проблемы – это проблемы, касающиеся (в той или иной степени) всех стран и народов, всех секторов экономики и жизни территориальных общностей населения, решение которых возможно лишь объединенными усилиями всего мирового сообщества. С решением этих проблем связано само существование земной цивилизации или, по крайней мере, ее дальнейшее развитие.

Рис. 3.5.1. Типология глобальных проблем современности

Глобальные проблемы имеют комплексный характер, плотно взаимопереплетаясь друг с другом. С известной долей условности можно выделить два основных блока (рис. 3.5.1):

– проблемы, связанные с противоречием между обществом и окружающей средой (система «общество – природа»);

– социальные проблемы, связанные с противоречиями внутри общества (система «человек – общество»).

Перечисленные проблемы вызревали асинхронно. Английский экономист Т. Мальтус еще в начале XIX в. сделал вывод об опасности чрезмерного роста населения. После 1945 г. стала очевидна угроза развития оружия массового уничтожения. Разрыв мира на передовой «богатый Север» и отсталый «бедный Юг» был осознан как проблема только в последней трети XX в. Проблема международной организованной преступности стала острой лишь в конце XX в.

Тем не менее корректно считать моментом рождения глобальных проблем середину XX в. Именно в этот период развертываются два процесса, которые представляются основными первопричинами современных глобальных проблем. Первый процесс – глобализация социально-экономической и политической жизни, основанная на формировании относительно единого мирового хозяйства. Второй – развертывание научно-технической революции (НТР), которая многократно умножила все возможности человека, в том числе и по самоуничтожению. Именно по мере действия этих процессов проблемы, ранее остававшиеся локальными, превращаются в глобальные. Например, опасность перенаселения затронула все страны тогда, когда в развитые государства хлынули волны мигрантов из развивающихся стран, а правительства этих стран стали требовать «нового международного порядка» – безвозмездной помощи как платы за «грехи» колониального прошлого.

Для решения глобальных проблем стал широко применяться системный анализ, который ограничивает задачу без существенных отклонений от строгой ее формулировки. Он осуществляется с помощью таких средств, как математические методы, позволяющие сократить последовательный анализ всех возможных комбинаций; оценка чувствительности задачи к различным факторам и отбрасывание несущественных переменных; агрегирование переменных в комплексные факторы; рациональная формулировка критериев оптимизации.

Системы с обратной связью представляют ту общую концепцию, которая лежит в основе всех более сложных методов прогнозирования.

Следует различать два основных типа моделей с обратной связью.

1. Модели с контурами обратной связи между различными уровнями или направлениями перемещения технологии, например, между разными стадиями технологического развития и их последствиями (для технологического планирования).

2. Модели с контурами обратной связи между различными «временными сечениями», т. е. между ситуациями (комплексными сценариями), ожидаемыми через различные интервалы времени. Простейшей обратной связью будет связь между будущим сценарием и текущим моментом (для «социальной технологии»).

К методам с обратной связью относится большинство моделей, созданных в рамках работ Римского клуба, который посвящает свою деятельность изучению глобальных проблем, прогнозированию развития человечества и предложению возможных вариантов выхода из неблагоприятных и нежелательных потенциальных и существующих ситуаций.

Модель МИР-1

В 1970 г. к деятельности Римского клуба присоединился Дж. Форрестер, предложив разработать и апробировать имитационную модель мировых процессов. Созданная им математическая модель могла в первом приближении имитировать развитие мировой ситуации с помощью пяти основных взаимозависимых переменных: населения, капиталовложений, использования невозобновляемых ресурсов, загрязнения среды и производства продовольствия. Эта новая методика получила название «Мировая динамика».

Первый вариант модели, «МИР-1», состоял из более чем сорока нелинейных уравнений, описывающих взаимозависимость выбранных переменных. Позже ученик Форрестера Д. Медоуз возглавил группу, которой предстояло превратить модель «МИР-2» в получившую впоследствии известность «МИР-3». В дальнейшем системная динамика как инструмент исследования стала базой многих эффективных инструментов моделирования поведения социальных систем (Richmond, 1985; Pugh, 1986, Eberlein, 1991).

3.5.2. Организация деятельности Римского клуба (РК)

Свою деятельность Клуб начал в 1968 г. после встречи в Академии Деи Линчеи в Риме (отсюда и его название). Сама штаб-квартира РК находится в Париже. Деятельность РК координируется исполнительным комитетом (12 человек). Пост президента РК последовательно занимали А. Печчеи, А. Кинг (1984–1991) и Р. Диес-Хохлайтнер (с 1991). Действительными членами РК могут быть не более 100 человек из разных стран мира. За последующие годы было создано более 30 национальных ассоциаций РК, ведущих в своих странах пропаганду его концепций (в первую очередь концепции устойчивого развития).

Россия вначале 2000-х гг. представлена в Клубе тремя людьми: почетным членом клуба является М. Горбачев, действительными членами – Д. Гвишиани и С. Капица. Ранее членами РК были Е. К. Федоров, Е. М. Примаков и Ч. Айтматов. В 1989 г. в СССР была создана Ассоциация содействия РК, после распада СССР она реформировалась в Российскую ассоциацию содействия РК.

Основным «продуктом» деятельности РК являются его доклады, посвященные приоритетным глобальным проблемам и путям их решения. По заказу РК видными учеными подготовлено более 30 докладов (табл. 3.5.1). Кроме того, в 1991 г. руководителями РК был подготовлен первый доклад от имени самого Римского клуба – «Первая глобальная революция».

Таблица 3.5.1. Аналитические материалы, разработанные под эгидой Римского клуба

Год	Названия	Разработчики
1972	Пределы роста	Д. Медоуз и др.
1974	Человечество у поворотного пункта	М. Месарович и Э. Пестель
1975	Пересмотр международного порядка	Я. Тинберген
1976	За пределами века расточительства	Д. Гарбор и др.
1977	Цели для человечества	Э. Ласло и др.
1978	Энергия: обратный счет	Т. Монбриаль
1979	Нет пределов обучению	Дж. Боткин, Э. Эльманджра, М. Малица
1980	Третий мир: три четверти мира	М. Гернье
1980	Диалог о богатстве и благосостоянии	О. Джириани
1980	Маршруты, ведущие в будущее	Б. Гаврилишин
1981	Императивы сотрудничества Севера и Юга	Ж. Сен-Жур
1982	Микроэлектроника и общество	Г. Фридрихс, А. Шафф
1984	Третий мир способен себя прокормить	Р. Ленуар
1986	Будущее океанов	Э. Манн-Боргезе
1988	Революция босоногих	Б. Шнейдер
1988	За пределами роста	Э. Пестель
1989	Пределы опустошенности	О. Джарини, В. Сиэль
1989	Африка, победившая голод	А. Лемма, П. Маласка
1991	Первая глобальная революция	А. Кинг, Б. Шнайдер
1994	Способность управлять	Е. Дрор
1995	Скандал и позор: бедность и недоразвитость	Б. Шнайдер
1995	Принимать природу во внимание: к национальному доходу, способствующему жизни	В. Ван Дирен
1997	Фактор четыре: удвоение богатства, двукратная экономия ресурсов	Э. Вайцзеккер, Э. Ловинс, Л. Ловинс
1997	Пределы социального единства: конфликты и понимание в плюралистическом обществе	П. Бергер
1998	Как мы должны работать	О. Джарини, П. Лидтке
1998	Управление морями как глобальным ресурсом	Э. Манн-Боргезе
1999	В Сети: гипотетическое общество	Ж.-Л. Цебриан
2000	Человечность побеждает	Р. Мон
2001	Информационное общество и демографическая революция	С. Капица
2002	Искусство заставляет думать	Ф. Фестер
2003	Двойная спираль обучения и работы	О. Джарини, М. Малица
2004	Пределы роста – 30 лет спустя	Д. Медоуз и др.
2005	Пределы приватизации	Э. Вайцзеккер
2012	2052: Глобальный прогноз на ближайшие сорок лет	Й. Рандерс

В исследованиях РК широко используются компьютерное моделирование и институциональная методология, основанная на междисциплинарном подходе и первостепенном внимании к институтам (организациям и культурным ценностям). Большое влияние на развитие теории глобалистики оказала предложенная И. Пригожиным (действительным членом Клуба) концепция синергетики.

В своей научной ориентации РК эволюционировал от внимания на противоречия между обществом и природой, к анализу социальным проблемам и путей их решения.

Пик влияния РК на мировое общественное мнение пришелся на 1970–1980-е гг. Под влиянием его деятельности глобалистика сформировалась как междисциплинарная обществоведческая дисциплина и вошла в научную культуру, однако активность Римского клуба и внимание общественности к ней заметно упали.

3.6. Экспертиза глобальных процессов

3.6.1. Глобальное изменение климата

Точки зрения на глобальное изменение климата

Сегодня сложилось общепринятое представление о активизации процесса глобальных изменений, наиболее ярким примером которого является экспериментально подтвержденное повышение средних мировых температур.

Рис. 3.6.1. Изменение среднегодовой температуры приповерхностного воздуха на Земле по данным модели ИВМ РАН и IPCC (справа)

Черной линией на рис. 3.6.1 изображены среднегодовые глобальные температуры за период метеонаблюдений, красной – прогнозные ИВМ РАН. Не трудно видеть явно выраженную логистическую кривую. Следует отметить, что существует множество моделей различных стран, институтов, описывающих поведение глобальной температуры в будущем. Модели описывают по-разному изменение температуры, но при этом у всех существует схожесть в поведении графика в долгосрочной перспективе: температура увеличивается, ее рост напоминает экспоненциальный, а затем наблюдается либо коллапс, либо стабилизация показателя по модели логистической кривой.

Среди экспертов существуют две диаметрально противоположные точки зрения на существование глобального потепления.

Первые выступают за наличие глобального потепления и утверждают следующее:

• глобальное потепление уже существует;

• наблюдается повышение глобальных температур;

• коэффициенты для поправки на урбанизацию существуют;

• «парниковый эффект» связан с количеством СО2, содержание в атмосфере которого растет и который вызывает потепление воздуха;

• причина заключается в «парниковом эффекте», за которым и будет будущее.

Вторые, напротив, считают, что:

• всяческое афиширование и акценты – это «заговор сотни политиков и ученых», которые занимаются привлечением внимания и получением денег на свою деятельность, снижением экономического роста различных единиц и многое другое;

• неочевиден эффект потепления, т.к. существует эффект урбанизации, наличие синоптических станций недостаточно регулярно. Станции часто находятся в непосредственной близости к населенным пунктам, либо непосредственно в них;

• почти половина станций регистрирует понижение температур;

• данные не доказывают, что глобальное потепление спровоцировано антропогенными причинами, в связи с тем, что с 1910 по
1944 г. наблюдается такой же стремительный рост температур при отсутствии аналогичного с нашим временем промышленного роста (такого же количества эмиссий не было, а рост сравним);

• будущее не зависит от глобального потепления, т.к. все будет тоже меняться (наука, энергосберегающие технологии, отношения в социуме и т.д.), а не стоять на месте, следовательно эффект глобального потепления не будет иметь решающего значения в будущем;

• при построении моделей часто не достаточно учитывается либо математическая составляющая, либо климатическая (моделированием могут заниматься математики, не являющиеся специалистами в географии или географы, не обладающие достаточными знаниями в математике);

• глобальное изменение температур укладывается в случайное Виннеровское распределение, а, следовательно, на этой основе нельзя прогнозировать что-либо, в частности, такой экспоненциальный рост.

Таким образом, не установлено, происходит ли глобальное потепление под влиянием человека или это отражение природной цикличности. Не ясно и каково будет его «поведение» в краткосрочной и долгосрочной перспективах.

Задание: Какой точки зрения придерживаетесь вы? Обоснуйте свое экспертное заключение.

Вместе с тем следует отметить, что, несмотря на то, что неочевидно, есть ли глобальное потепление и каковы будут его физические, а, следовательно, и социально-экономические последствия, человечество продолжает нерационально пользоваться ресурсами, загрязнять окружающую среду, ухудшать экологию. Последствия этих необдуманных действий могут привести к таким вещам, как затопление территорий, смещение природных зон, изменение в специализации сельского хозяйства и других климатообусловленных и климатозависимых отраслей хозяйства4, видовое обеднение и т. д. Эти проблемы активно освещаются экологами и физико-географами.

Для изучения глобального изменения климата, предотвращения нежелательных последствий был построен ряд моделей различными научно-исследовательскими организациями. В качестве примера приведем имитационную математическую прогностическую компьютерную Модель общей циркуляции атмосферы и океана (МОЦАО) ECHAM4/OPYC3 (Германия) при двух сценариях антропогенного радиационного воздействия: А2 – без учета эмиссии сульфатного аэрозоля и В2 – с учетом этой эмиссии. В2 – это сценарий с более ярко проявившимся потеплением, на большую Δ изменившимся. Россия находится в Северном полушарии, занимая огромные территории, при этом большая часть территории находится в высоких широтах, где наблюдаются наибольшие изменения климата. Здесь же прогнозируются самые сильные изменения в будущем. По результатам исследований было получено, что ансамбль моделей лучше соотносится с действительностью, нежели каждая отдельно взятая модель, что является как раз результатом экспертных оценок.

Полученные результаты демонстрируют, что на фоне общего глобального потепления наибольшее повышение приземной температуры в XXI веке ожидается зимой в Сибири и на севере Дальнего Востока. При этом следует заметить, что глобальное потепление отразится в основном на зимних температурах, в то время как летние температуры незначительно подвергнутся изменению.

В свою очередь, долгосрочный прогноз глобального изменения климата – это основа для экспертной оценки производных изменений в сферах жизнедеятельности человечества, выявить и оценить социально-экономические последствия.

Последствия глобального изменения климата

Предстоящие изменения климата могут иметь значительные природные, экономические и социальные последствия на территории России, важнейшими из которых будут: изменение агроклиматического потенциала, специализации сельского и лесного хозяйства; сокращение ледовитости северных морей и рек; сокращение топливно-энергетических затрат на обогрев зданий и сооружений; общая деградация и сокращение площади вечной мерзлоты; изменения гидрологического режима в бассейнах Сибирских рек; рост пожароопасности и т.п.

Отрицательные эффекты проявятся в протаивании вечной мерзлоты, что приведет к тому, что многие здания северных районов, построенных в областях вечной мерзлоты, станут непригодными для жилья в силу того, что грунт «поплывет». Продолжится уменьшение общего содержания озона в атмосфере и, соответственно, возрастание доли жесткого ультрафиолетового излучения. В связи с потеплением ожидается рост повторяемости неблагоприятных краткосрочных явлений, общее увеличение осадков и стока в бассейнах Волги и Каспийского моря, Невы и Ладожского озера, Оби, Енисея и Лены, а также их изменчивости, из-за уменьшения весенне-летних осадков увеличится вероятность засух и усилится опустынивание в Калмыкии, Астраханской, Волгоградской, Ростовской областях.

В качестве потенциальных ущербов можно отметить многочисленные прямые и косвенные ущербы для здоровья в связи с потеплением (болезни дыхательных путей, сердца, появление нетипичных тропических эпидемий и т. д.), ущербы для сельского хозяйства (потеря плодородия, аридизация основных районов земледелия, заболачивание), ущербы для лесного хозяйства (лесные пожары, вредители, потеря биоразнообразия), увеличение числа стихийных бедствий и их силы, ухудшение экологической обстановки и многое другое.

В качестве положительных эффектов потепления климата могут рассматриваться экономия энергоресурсов, увеличение продуктивности сельского и лесного хозяйства, снижение затрат в строительстве и на транспорте, удлинение срока эксплуатации Северного морского пути, рек и др.

Экспертиза социально-экономических последствий климатических изменений для хозяйства и населения заключается в нескольких основополагающих постулатах:

• социально-экономические результаты динамики природных систем рассматриваются в рамках системной парадигмы и представлений о наличии территориальных природно-хозяйственных систем (ТПХС), в пределах которых природная подсистема определяет рамочные условия для социально-экономической;

• при медленных изменениях характеристики и ритмики природных систем социально-экономические системы адаптируются к ним в рамках смены специализации и образа жизни («деликатная» настройка ТПХС). При этом в случае совпадения природной и социально-экономической ритмики (или близких параметрических характеристиках), например в рамках 50-летних кондратьевских циклов или близких к двойным циклам Чижевского 25-летних циклах Кузнеца адаптация социально-экономических систем осуществляется в режиме воспроизводства капитала (основных средств).

1. «Гидрологический» блоК

1.1. Одним из блоков методики является оценка ущербов, связанных с изменением гидрологического режима речной сети европейской части России. Наиболее «ущербными» для социально-экономических систем являются быстрые изменения или нарастающая аритмия природных характеристик в рамках годовой, и особенно внутригодовой ритмики.

1.2. В общем случае оцениваются не ущербы (так как в реальной действительности не бывает только отрицательных последствий), а осуществляется технологический цикл оценки современного состояния — оценки воздействия – оценки последствий.

1.3. В качестве еще одного концептуального подхода используется модель концентров Пробста, сутью которой являются представления о наличие как прямых эффектов (последствий) динамики природных систем, так и косвенных – первого, второго и т. д. порядков. При этом в рамках подобного подхода желательным условием является учет эффекта мультипликатора.

Особенностью информационной базы является оценка всего материально-вещественного и стоимостного содержания национального богатства в границах рассматриваемых зон воздействия. При этом в условиях отсутствия, как правило, полноценной информации широко используется нормативный подход и тесно с ним связанные плотностные пространственные характеристики.

В общем виде социально-экономический потенциал на единицу территории оценивается как функция от накопленного национального богатства (основные фонды + личное имущество граждан + эксплуатируемые минерально-сырьевые и иные природные ресурсы) по субъектам РФ.

Для конкретных видов воздействия подобная оценка базируется на переводе абсолютных показателей в удельные.

Примеры расчета

Калининградская область. Густота речной сети в нивальной зоне при равнинном рельефе около 1 км на км2 в Калининградской области. Тогда при площади – 15,1 тыс. км2 и населении 949,6 тыс. чел. исходя из нормативного значения средней ширины зоны потенциального затопления и подтопления в 100 м получаем, что суммарная площадь долинных комплексов в зоне воздействия составляет около 10% территории субъекта федерации (или применительно к Калининградской области – 1500 км2). С учетом концентрации большей части социально-экономического потенциала в пределах долинных и береговых, при наличие морей и озер комплексов (в среднем не менее 3/4) потенциально рисковую часть национального богатства, которая может браться в качестве базы для расчетов ущербов в 50%. Иными словами, удельная плотность социально-экономического потенциала в зоне затопления на пол порядка выше средней по региону. Проверяем сходимость результатов при двух способах расчета. При средней плотности населения 63 чел./ км2 получаем 1500×315=470 тыс. чел. в зоне риска или (470/950)×100=49,5%. При базе для расчетов ущерба в 50% получаем 950×0,5=475 тыс. чел. Таким образом, при обоих результатах расчета для нивальной зоны получаются близкие результаты.

Белгородская область расположена в пределах холмистого рельефа в слабо засушливой зоне. Площадь 27,1 тыс. км2. Численность населения 1498 тыс. человек. Общая протяженность речной сети – 5000 км. При умножении суммарной протяженности рек на среднюю нормативную ширину пойменной части 100 м получаем около 500 км2 долинных комплексов в зоне риска или около 1,8%.

Расчет: Средняя плотность населения по области = 1498 тыс.чел. / 27,1 тыс. км2 = 55,3 чел. км2. Реально плотность населения в пределах долинных комплексов составит 278 чел./км2 Следовательно в зоне потенциальных ущербов в области проживает 278×500=139,0 тыс. чел. или свыше 9% населения области. С учетом тяготения к речным комплексам более интенсивных секторов экономики долю национального богатства, находящегося в зоне затопления, можно оценить величиной не менее 1/5.

Примеры расчета для других регионов

Волгоградская область. Площадь региона составляет 113,9 тыс. км2. Численность населения 2636,5 тыс. чел. Общая протяженность водотоков составляет 8 тыс. км. В зоне риска около 800 км2 или 0,7% территории. Однако реально площадь существенно больше, т.к. не учитывается наличие транзитных рек с широкими долинами (Волга и Дон). Следовательно общую площадь можно оценить близкой как и в Белгородской области к 2%. При средней плотности населения 23,1 чел./ км2 в пределах рисковых долинных комплексов проживает 115 чел./ км2×2050 км2=235,8 тыс. чел. или около 9% населения области.

Вологодская область Площадь составляет 145,7 тыс. км2. Население 1301 тыс. чел. В общей сложности протяженность водотоков составляет около 70 тыс. км. В зоне риска около 7000 км2 или 4,8% территории, что близко к аналогичным показателям для Калининградской области. При средней плотности населения 9 чел./ км2 в пределах рисковых долинных комплексов проживает 45 чел./ км2×7000 км2=315,0 тыс. чел. или около ¼ населения области.

Ивановская область Площадь – 21,8 тыс. км2. Численность населения – 1176,2 тыс. чел. Общая протяженность водотоков около 5000 км. В зоне риска около 500 км2 или 2,3% территории, что с учетом преобладания водораздельных пространств может рассматриваться как близкое к другим регионам нивальной зоны. При средней плотности населения 54 чел./км2 в пределах рисковых долинных комплексов проживает 270 чел./км2×500 км2=135,0 тыс. чел. или около 11% населения области.

Апробация показала достаточно неплохое приближение полученных результатов. Это позволяет принять для субъектов равнинной части нивальной зоны в качестве среднего значения 5% рисковых территории (при более точных расчетах от 10% для слабодренированных плоских переувлажненных территорий, до 2,5% для всхолмленных и приводораздельных территорий), а для рек засушливой зоны от 1 до 2% рисковых территорий.

Задание

По приведенной в примерах методике рассчитайте процент рискованных территорий для выбранного субъекта федерации.

Примеры расчета

Обязательным персонажем расчетов предлагаемой методики является человек, как в статистическом представлении «домашних хозяйств», так и персонально с его личностными характеристиками (демографическими, квалификационными, культурными и т.п.). Составной частью методики является оценка инвестиционной привлекательности долинных комплексов (инвестиционный потенциал и риски, в т.ч. связанные с природной и антропогенной динамикой берегов). Общий алгоритм расчетной части предполагает итеративную процедуру суммирования социально-экономических эффектов природной динамики.

1. Расчет плотности населения (на км2 или га), отдельно по сельскому и городскому и последующая его корректировка для долинных комплексов.

2. Расчет плотности национального богатства (при отсутствии статистики – основных фондов и личной собственности граждан) (на км2 или га). При этом считается как остаточная стоимость (для оценки прямого ущерба), так и восстановительная (для оценки затрат на восстановления в текущих рыночных ценах).

3. Расчет упущенной выгоды (снижение прибыли или появление убытков), также как плотностная характеристика.

4. Расчет потерь собственного инвестиционного потенциала (сумма сальдированной прибыли и амортизации).

5. Расчет потерь доходной части бюджета.

6. Расчет увеличение расходной части бюджета.

При получении интегрального ущерба следует учитывать, что одни ущербы являются разовыми (2, 3, 4), а другие «растянутыми во времени» (5, 6).

Важно отметить, что предложенный подход не зависит от точности климатических моделей, фактически для любого сценария может быть произведена оценка ущербов от затопления и подтопления.

2. Блок «Жилищно-коммунальное хозяйство» (ЖКХ)

Пример расчета климатических последствий для «Жилищно-коммунального хозяйства»

Отбор параметров, регионов и работа с климатической моделью.

Для анализа экономической выгоды от глобального изменения климата в сфере ЖКХ берется одна статья расхода, самая важная: затраты на отопление. Технические показатели сопротивления охлаждению и другие инженерные характеристики берутся за константу, изучается экономия на тепловой энергии только при изменении двух параметров:

1) разница температур воздуха снаружи и внутри здания (норматив +18оС) в течение отопительного сезона, который начинается с понижением среднесуточной температуры ниже +8 0С (этот показатель в дальнейшем будем называть дефицитом тепла);

2) длительность отопительного сезона (суток).

Климатическая модель (МОЦАО) ECHAM4/OPYC3 дает значения среднемесячных температур за период с 1980 по 2100 г. при двух различных сценариях: А2 и В2. При исследовании берется несколько точек, для которых смотрятся показатели: 2004, 2005, 2020, 2050, 2099 годы. Между этими датами происходят флуктуации, характер которых в рассмотрение не берется.

Для изучения последствий выбираем субъекты РФ: Вологодская, Самарская, Ростовская, Томская области, Таймырский АО, Приморский край. На основе температурных данных подсчитывается дефицит тепла для каждого ключевого года. Помимо этого рассчитываются показатели длительности отопительного сезона.

Затем вычисляется показатель ГСОП (градусо-сутки) для каждого сценария, года, региона. С помощью него и ряда социально-
экономических показателей подсчитываются затраты на отопление (о методике подсчета см. ниже).

Для расчета потребления топлива (в тут) так же используются показатели численности населения, объем жилых зданий, цена за одну тут, техническая характеристика здания.

Методика основывается на положении, что глобальное потепление есть, и оно будет продолжаться в течение столетия. Рост приземных температур описывается моделью ECHAM4/OPYC3. В методике не учитываются или считаются за константу характеристики, указанные в таблице 3.6.1.

Таблица 3.6.1. Параметры подсчета затрат на отопление жилых зданий

Параметр	Константа/не учитывается	Значение константы и ее размерность
Изменение сопутствующих температуре метеорологических показателей, таких как осадки, ветер, облачность, солнечная радиация и т.д.	Не учитывается
Численность населения	Учитывается, но на 2010 г. Изменение численности населения за 100 лет не учитывается	Че.
Объем жилых помещений. Считается через жилплощадь, умноженную на 2,9 м. Берем такую высоту потолков за среднюю	Учитывается, но на 2010 г. Изменение объема жилплощади за 100 лет не учитывается	2,9м×м2
Качество жилого фонда (тип постройки)	Не учитывается
Транспортные издержки на перевоз топлива	Не учитывается
Структура потребляемого топлива в регионе	Не учитывается
Цена за тут в различных регионах	Учитывается. Берется показатель за 2010–2012 гг.	руб./тут
Цена на ресурсы. Изменение структуры запасов ресурсов. Как следствие – изменение цены	Не учитывается
Температура на предстоящие 100 лет	Учитывается	оС
Технико-инженерная характеристика здания	Учитывается	0,3 Вт/м3×К
ГСОП (градусо-сутки, градусо-часы)	Учитывается	оС×30дн. (оС×720 часов)
Количество тут, затрачиваемое на производство 1Гкал	Учитывается	1 Гкал – 200 кг ТУТ
Коэффициент перевода мВт → Гкал	Учитывается	1,16
Степень урбанизированности региона	Не учитывается

Подсчет дефицита тепла, длительности отопительного сезона

Полученные числовые ряды температур приповерхностного слоя атмосферы обрабатываются следующим образом. Все месяцы во всех регионах во всех сценариях во все годы делятся на те, что имеют среднемесячную температуру выше +8 оС и ниже.

Д = Σ(18 − t ср. мес.< 8°С),

где (Д) – дефицит тепла; сумма берется всех разностей за весь отопительный сезон, который начинается с того момента, когда среднесуточная температура переходит через порог в 8оС.

Далее, ГСОП5 = (Д)×30×24, где 30 – это количество дней в месяце, 24 – час/сутки.

Для определения продолжительности отопительного сезона строились графики среднемесячных температур, и по ним подсчитывалось, сколько полных и неполных месяцев являются отопительными.

Подсчет невязки (пример расчета величины невязки для Вологодской области – сценарий А2 модели ECHAM4/OPYC3).

Пусть Δ – это невязка, с помощью которой нам необходимо откорректировать прогноз. Будем считать, что в 2004–2007 году эта невязка равна 1,8, т.к. это является реальным расхождением на 2004–2007 гг. между прогнозом и произошедшей действительностью. В это же время будем считать, что в 2099 году эта невязка уже составляет 0,05. Эта величина мала по сравнению с исследуемыми величинами. Помимо этого, большинство моделей расходятся по показаниям вычисленных температур на изучаемом отрезке времени. При этом отмечается, что модели, в конце концов, сходятся в среднем на одних и тех же показаниях среднемесячной глобальной температуры. Тем самым можно принять допущение, что расхождение модельного показателя с показателями еще не произошедшего будущего различаются на величину, равную 0,05.

В качестве приближения к значению температурному выберем асимптотическое, т.к. модели на более отдаленный срок показывают схожие результаты, при этом Δ остается, и неизвестно, в какую сторону оно будет меняться. Берем условно, что данные модели приближаются к асимптоте снизу.

Тогда, Δ=R×e-kt, где

Δ – невязка, которая должна скорректировать показания модели

R – коэффициент, определяющий начальные условия

k – это коэффициент, описывающий параметр приближения к асимптоте

e – экспонента

t – отсчет времени в годах от базового 2004 года.

Таким образом, в 2004 году имеем: t=0, Δ=1,8, => R=1,8. В 2099 году имеем: t=95, Δ=0,05, R=1,8, => 0,05=1,8×е-95k. После решения данного уравнения получаем искомый коэффициент k=0,038. Для уменьшения невязки в 2099 г., возьмем этот коэффициент равным 0,04. Решаем уравнения для каждого года, используя этот коэффициент, и находим невязку Δ.

Таблица 3.6.2. Пересчет показателей длительности отопительного сезона Вологодской обл. (сценарий А2)

Вологодская обл.	Реальная величина, 2004	Модель, 2004	Модель, 2020	Модель, 2050	Модель, 2099
	7,8	6	6	5,2	4,5
Исправленное		7,8	6,949	5,48	4,54
Невязка		1,8	0,94	0,285	0,04

Для каждого года это значение свое. Значения показателей для Вологодской области приведено в таблице 3.6.2.

Таким образом, подсчитав невязку и скорректировав значения модели для длительности отопительного сезона, необходимо внести поправку и в показатели дефицита тепла. Это осуществляется таким же образом, что и расчет для корректирования длительности отопительного сезона (табл. 3.6.3.).

Таблица 3.6.3. Исправленные показатели дефицита тепла Вологодской обл.

А2	2004	2005	2020	2050	2099
Вологодская обл. Показатели дефицита тепла по модели	155,71	137,93	155,69	119,82	102,75
Реальный дефицит	202,42	182,1	180,31	126,41	103,66

Пример подсчета затрат на отопление. Сводные таблицы

Для примера детального рассмотрения подсчета экономических затрат на отопление жилых зданий возьмем Вологодскую область по сценарию А2 (без учета эмиссии. Более «мягкий»).

Дано:

q = 0,3 Вт/м3×К – техническая характеристика здания;

S = 28491900 м2 – площадь жилых помещений;

V = 82626510 м3 – объем здания, исходя из высоты потолков 2,9 м;

(Д) = 202,424165 оС×год – дефицит тепла;

ГСОП (градусо-часы) = 145745,399 оС×час;

1 ТУТ = 1200 руб.;

1 Гкал = 200 кг тут;

1 Гкал/час = 1,16 мВт/час.

Таким образом, Q = q× V× ГСОП×1,16/106. =>

=> Q = 4190766,91 Гкал – затрачиваемая тепловая энергия за отопительный сезон при данном дефиците тепла. =>

=> Y = Q×1,2×200; Y = 1005784058 руб = 1 млрд руб.

Те же расчеты были произведены для всех регионов всех лет обоих сценариев. Совокупные конечные затраты на отопление приведены в таблице 3.6.4.

Таблица 3.6.4. Затраты на отопление жилого фонда в субъектах РФ в тыс. руб.

	2004	2005	2020	2050	2099	% от 2004
A2
Вологодская о.	1005784	904758,7	895926,2	628081,2	515053	49%
Приморский кр.	1403842	1486539	1390646	1134364	924722,1	34%
Ростовская о.	1598190	1448619	1179880	920383,8	207907,1	87%
Саратовская о.	1730778	1427529	1227703	987231,9	558200,4	68%
Таймырский АО	46513,16	45507,17	43216,7	34295,68	27774,85	40%
Томская о.	732827,3	647545,8	626293,4	583589,1	398918,4	46%
В2
Вологодская о.	1166925	1225791	755963	570131,1	528316,4	55%
Приморский кр.	1242692	1490153	1352044	1150503	1014554	18%
Ростовская о.	1451896	1277854	775433,4	567030,2	335880,5	77%
Саратовская о.	1752766	1395887	984325,5	792074,2	708558,3	60%
Таймырский АО	44960,88	45277,28	42350,57	35224,19	27776,08	38%
Томская о.	929725,1	813363,6	647795,7	509383,1	366677,9	61%

Анализ прогнозируемых затрат на отопление

В результате проделанной работы были получены данные, характеризующие степень снижения издержек на отопление жилых зданий. В целом, снижение затрат в действующих ценах будет составлять 2–2,5 раза. При этом более сильная экономия будет наблюдаться при развитии сценария В2. При анализе полученных диаграмм и общем анализе ситуации следует обратить внимание на следующие аспекты.

На обеих диаграммах хорошо отображается резкое падение затрат за столетие. При этом В2 имеет более резкий скачок вниз между 2005 и 2020 годами, в то время как по сценарию А2 резкое снижение наблюдается как раз между 2050 и 2099 годами (рис. 3.6.2). Это объя-
сняется именно тем, что в сценарии В2 заложены другие исходные характеристики (с учетом эмиссии сульфатного аэрозоля) (рис. 3,6,3).

Величина затрат на отопление в динамике зависит только от длительности отопительного сезона и величины дефицита тепла. Наиболее важными последствиями повышения температуры воздуха являются более раннее начало и увеличение продолжительности теплого сезона, более раннее окончание отопительного периода и уменьшение дефицита тепла. При этом фактическая длительность отопительного сезона может меняться несильно, зато потепление будет отражаться на степени отрицательности зимних температур – будут падать значения дефицита тепла.

Рис. 3.6.2. Затраты на отопление жилого фонда в регионах, тыс. руб. (А2)

На момент 2004–2007 гг. дифференциация в величине затрат достаточно велика между регионами; к 2099 году эта дифференциация между самым затратным и незатратным регионом (без учета Таймырского АО и Приморского края) уже составляет 160 млн руб. (А2), в противовес 1 млрд (А2).

Поведение кривых на временном интервале кардинально различается в первой половине века. Это подтверждает предположение о том, что все модели стремятся к одному и тому же значению.

Сказать, что В2 приведет к большей суммарной экономии в связи с более сильным потеплением к середине века нельзя. Верно обратное: 26,35 млрд. руб. (А2) и 29,82 млрд. руб. (В2).

Затраты на отопление за счет роста температур снижаются в 1,2–5 раза.

По мере глобального потепления будет затрачиваться меньше топлива на ЖКХ. Следовательно, будут снижаться объемы выбрасываемых в атмосферу вредных веществ, а, следовательно, темпы потепления будут опять снижаться.

Рис. 3.6.3. Затраты на отопление в регионах, тыс.руб. (В2)

В каждом явлении всегда присутствуют прямые и обратные связи. В связи с этим следует отметить, что зимние температуры повышаются более быстрыми темпами, но и летние температуры так же повышаются. В связи с этим вполне возможно повышение затрат летом на обеспечение функционирования кондиционеров, которые в той или иной мере будут компенсировать экономию страны на затратах на отопление. Тем более эта проблема актуальна для южных засушливых районов нашей страны.
К 2099 году в Саратовской области по прогнозу в июле среднемесячная температура (!) будет составлять +34оС, а в Вологодской области +24оС. К середине века летняя изотерма в +20оС будет проходить уже на широте Вологодской области в европейской части России. Следовательно, затраты на кондиционирование помещений возрастут. Другой вопрос, что обеспечение отопления является функцией государства, а кондиционирование жилого фонда, скорее всего, ляжет на плечи населения, как это происходит во многих южных теплых и жарких странах.

Анализ модели показывает, что максимальное потепление обнаруживается в северных районах. Казалось бы, что и затраты там должны пропорционально падать, но этого не наблюдается, так как затраты при данном способе подсчета зависят еще и от объема жилого фонда. Поэтому максимальное относительное снижение затрат будет наблюдаться в районах максимального освоения, т. е. в Ростовской и Саратовской областях.

Тем самым глобальное изменение климата будет иметь свои как положительные для России, так и отрицательные последствия. Затраты на отопление при прочих равных условиях будут снижаться. По какому-то сценарию в одном регионе будут затраты выше по сравнению с другими, по другому ниже. Об однозначности выводов говорить не приходится.

3. «Аграрный» блок

Общая динамика урожайности зерновых за вторую половину XX в.

Рассмотрим смещения зон урожайности сельскохозяйственных культур с разным характером цикличности6 под воздействием солнечно-земных циклов Чижевского в результате глобального потепления. Циклы урожайности зерновых культур в России рассматривались с 1947 по 2000 г. В течение всего периода наблюдается четкое разделение природного и антропогенного факторов. В советское время, начиная с 1960-х гг., антропогенное воздействие было направлено на увеличение урожайности. Это воздействие подразумевало совершенствование системы земледелия: оптимизацию севооборотов, комплекс мелиоративных мер, механизацию труда, внесение минеральных удобрений. Все эти меры привели к повышению средних значений урожайности зерновых культур в большинстве земледельческих районов страны.

Процесс интенсификации сельскохозяйственного производства, направленный на повышение урожайности, продолжался в СССР на протяжении более 20 лет (с 1960 по 1980-е гг.). В результате, теоретическая кривая достигает своего максимума в начале-середине 1980-х гг. В отличие от циклических процессов, например, в лесном комплексе, интенсификация сельского хозяйства происходила в разных регионах с очень небольшими хронологическими сдвигами, однако результаты ее оказались неодинаковыми.

И действительно, стартовые условия – урожайность до начала интенсификации – меньше отличались в разных регионах, чем итоговые результаты (табл. 3.6.5).

Таблица 3.6.5. Урожайность зерновых культур до начала интенсификации и на стадии ее завершения.

Регион	Средняя урожайность
	1951–1955	1981–1985
Новгородская область	4,5	11,1
Воронежская область	7,74	17,7
Республика Тыва	9,8	6,2

В процессе интенсификации происходили изменения и в циклах меньшего масштаба, которые задаются преимущественно природными факторами (в частности, циклами Чижевского). В большинстве регионов (на рис. 3.6.4 исключение составляет только Алтайский край) с течением времени увеличивались амплитуды малых циклов. Налицо явление резонанса: на повышательной фазе большого цикла (процесс интенсификации) усиливаются малые колебания.

Рис. 3.6.4. Макротренды урожайности зерновых во второй половине XX в.

Рис. 3.6.5. Динамика урожайности зерновых культур некоторых субъектов РФ (ц/Га)

Заметим, что увеличивается амплитуда малых циклов, которая, как видно из рис. 3.6.5 зачастую оказывается больше амплитуды большого цикла. «Природа берет свое»: минимумы урожайности в 1970–1980-е гг. в большинстве регионов были равны средним значениям урожайности в 1950-е гг. Исходя из этого можно предположить, что на данном уровне развития производительных сил природные ритмы в большей степени влияют на динамику урожайности зерновых, чем антропогенное воздействие. Советской аграрной науке не удалось добиться стабильных урожаев7. Более того, в процессе интенсификации увеличились риски, связанные с производством зерна, что осложняло планирование.

Однако средние значения урожайности все же выросли, т. е. в процессе интенсификации увеличился потенциал производства зерна. Но предел этого увеличения определялся опять же природными факторами, регионы с бóльшим природным потенциалом ведения зернового хозяйства ответили на интенсификацию лучшими результатами.

Таким образом, интенсификация увеличила потенциал выращивания зерновых на большинстве территорий, но вместе с ним увеличились и риски, связанные с производством зерна.

Переходный период 1990-х гг. ознаменовался резким сокращением антропогенного воздействия на агроландшафты. Из-за диспропорций цен сельскохозяйственной и промышленной продукции снизился платежеспособный спрос сельскохозяйственных организаций, что привело к снижению объемов внесения минеральных удобрений, сокращению амортизационных отчислений, износу основных фондов и т. д. Изменения произошли и в севооборотах. Сельхозпроизводители сориентировались в первую очередь на быстрый оборот капитала и стали в течение несколько лет подряд высаживать наиболее ликвидные культуры, такие как подсолнечник. Все это привело к тому, что теоретическая кривая урожайности (средние значения) в 1990-е гг. имеет отрицательную динамику во всех регионах.

3.6.2. Типология регионов РФ по типу циклической динамики урожайности

Выделяются три практические задачи исследования циклических процессов:

1) определение потенциала территории по выращиванию зерновых культур;

2) определение рисков;

3) вероятностный прогноз урожайных и неурожайных лет.

Рис. 3.6.6. Типология регионов РФ по динамике урожайности зерновых культур

Стоит заметить, что понятие «риск» применяется формально и определяется только коэффициентом вариации выращивания зерновых. Если на территории наблюдается стабильный двухгодичный цикл, как в сухих степях, пусть даже с большими амплитудами, то нельзя говорить о больших рисках, т.к. риск подразумевает неопределенность.

Результаты типологии приведены на карте (рис. 3.6.6). Стоит отметить, что визуально по графику урожайности практически невозможно отнести регион к тому или другому типу, что связано с большой амплитудой и частотой малых циклов. Но доказательством адекватности предложенной типологии является территориальная целостность полученных типов. Ниже приводится их характеристика.

Пример описания типов регионов по динамики урожайности зерновых культур

Тип 1. Европейское Нечерноземье. При проведении типологии в эту группу вошли 13 регионов (табл. 3.6.6), относящихся к нечерноземной зоне европейской части РФ. На севере этот тип заканчивается северной границей земледелия, которая ориентировочно на этом участке проходит по линии западный и южный берега Ладожского озера – южный берег Онежского озера – Великий Устюг – Соликамск. В самой северной части типа 1 земледелие развито уже гораздо слабее, что связано со сменой дерново-подзолистых почв подзолистыми. В частности Архангельская область попала в этот тип исключительно благодаря земледелию на ее крайнем юге.

Восточная граница проходит вдоль предгорий Урала, затем от Перми вниз по Каме и далее до Ижевска, в районе которого стыкуются сразу три типа. Южная граница наиболее точно описывается сменой дерново-подзолистых почв на серые лесные и совпадает с границей смешанных лесов и лесостепи по линии Брянск – Калуга – Нижний Новгород. В районе Рязанской и Владимирской областей граница типа 1 проходит севернее границы зоны смешанных лесов, что связано с азональными, а точнее реликтовыми, особенностями ландшафта (ополье, мещерская низменность). Вся Рязанская и большая часть Владимирской областей отнесена к типу 2. Восточнее Нижнего Новгорода генеральное направление границы проходит по линии Йошкар-Ола – Ижевск, что довольно точно соответствует границе серых лесных почв. При этом лесная зона (в прошлом), часть лесостепи, попадает в другие типы. Западная граница типа 1 совпадает с государственной границей России.

Таблица 3.6.6. Потенциал и риски регионов типа 1

Регион	1954–2000			1996–2000		1991–1995		1986–1990
	Средняя урожайность, ц/Га	±l	Риски, %	Средняя урожайность, ц/Га	Риски, %	Средняя урожайность, ц/Га	Риски, %	Средняя урожайность, ц/Га	Риски,%
Архангельская	9,0	4,8	38,9	6,8	13,4	9,4	24,3	13,4	48,7
Вологодская	10,6	5,1	38,5	10,8	16,8	11,5	6,2	13,4	40,9
Ленинградская	15,0	9,2	42,8	14,7	14,8	14,6	16,9	20,1	30,2
Новгородская	8,3	4,2	36,2	7,5	32,9	8,1	22,5	10,4	34,6
Псковская	8,6	3,6	32,8	8,6	21,7	9,2	11,5	10,2	26,2
Ивановская	10,4	5,1	38,6	9,6	35,2	13,4	16,5	15,2	20,1
Тверская	10,0	4,8	34,0	8,7	29,0	9,7	16,1	14,6	17,0
Костромская	8,8	4,4	38,6	8,5	23,4	9,6	8,3	10,9	28,8
Смоленская	9,5	5,2	38,8	9,6	27,2	11,7	18,6	12,4	24,5
Ярославская	10,0	4,6	36,1	9,0	33,5	9,3	18,1	11,4	35,8
Кировская	9,4	4,1	36,1	12,3	19,8	12,7	14,4	12,4	33,8
Пермская	9,3	2,2	27,4	9,7	19,2	9,9	6,5	10,9	38,4
Удмуртия	9,6	3,6	34,9	12,2	18,7	12,3	11,5	12,2	35,7
Среднее по типу	9,9	4,7	36,8	9,8	22,9	10,9	14,6	12,9	31,5

По результатам исследованиям автора П. А. Чистякова

Общие физико-географические черты данного типа – преобладание дерново-подзолистых почв, умеренно-континентальный климат с преобладанием западного переноса и активной циклонической деятельностью.

В таблице 3.6.6 приведены основные показатели потенциала и рисков выращивания зерновых. В среднем по типу возможно гарантированное получение урожая зерновых 10±4,7 ц/Га. Это довольно низкий потенциал, к тому же тип 1 не отличается стабильностью с точки зрения получения урожаев. Среднемноголетней урожайности соответствует урожайность в среднем за 1996–2000 гг. Видно, что вместе со средней за пять лет урожайностью снижаются и риски выращивания зерновых. Минимальные риски в целом по типу пришлись на начало 1990-х гг. В этот период с вероятностью не менее 20% регионы теряли в среднем 14,6% от потенциально возможного урожая. Самая высокая урожайность в типе 1 у Ленинградской области, что связано со значительной интенсивностью ведения сельского хозяйства, ориентированного на потребление в агломерации Санкт-Петербурга.

При анализе графиков изменения урожайности в большинстве регионов типа 1 была выявлена четкая смена периодов с двухгодичной цикличностью и с ее отсутствием. Отсутствие двухгодичных колебаний выражается чаще в стабильной отрицательной динамике в течение
5–6 лет, либо в изменении урожайности по параболе в течение 8–11 лет. Во всех регионах типа 1, кроме Костромской области и Республики Удмуртия, со сдвигом 1–2 года наблюдалась монотонная отрицательная динамика урожайности в 1976–1981 гг. Периоды устойчивости отмечались также за 15–16 лет до этого – начале 1950-х гг, – а через 15 лет после этого с 1996 г. во всем типе 1 начался новый монотонный спад.

Отметим, что сокращение внесения удобрений началось еще в 1990–1991 гг., наиболее острый пришелся на 1993–1994 гг., из чего можно сделать вывод, что инерционность данного типа регионов по отношению к антропогенному воздействию на агроландшафт – около 5 лет. Исходя из ретроспективы, можно было предположить, что с текущего 2004 г. начнется новый период ярко выраженных двухгодичных колебаний. Что и подтвердилось в последующее десятилетие.

В качестве ключевой территории для составления прогноза была взята Тверская область (рис. 3.6.6). Этот регион целиком попадает в природные границы типа 1 и обладает сравнительно большой площадью, что позволяет говорить о некотором осреднении.

На графике, изображающем гармонические колебания (нижняя линия на рис. 3.6.5), хорошо просматриваются процессы двух масштабов: 22-летний циклы и 5-летние колебания. Примечательно, что фазы большего цикла совпадают по продолжительности с циклами солнечной активности Чижевского. Однако из-за отсутствия эмпирических данных точно установить подобную зависимость не представляется возможным. Наличие 5-летних циклов на паттерне объясняется усреднением реальных двухгодичных колебаний.

Исходя из результатов гармонического анализа, прогноз для Тверской области и для типа 1 в целом на ближайшие несколько лет неутешителен.

Допустимая ошибка для прогноза по Тверской области оказалась велика: Ѳ =±7,4. Это означает, что в любой из предстоящих лет существует возможность получения урожая выше потенциального среднего. Но также имеется возможность, что в некоторых годах прогноз ошибается в лучшую сторону, особенно с учетом ожидаемого периода с четкими двухгодичными колебаниями. Подобный прогноз с большим допуском эффективен при сравнении двух территорий в целях планирования зернового хозяйства, при выборе возможных вариантов.

Прогнозы урожайности были сделаны в 2003 г., начиная с 2001 г. Сегодня у нас есть возможность частично проверить сделанные прогнозы. Проверялся прогноз урожайных и неурожайных лет, сравнение значений урожайности со среднемноголетним проверить в настоящее время не представляется возможным из-за несоответствия текущей и ретроспективно пересчитанной статистики. По прогнозу вероятность получить урожай меньше потенциального среднего будет возрастать. Перелом тенденции наступит лишь в 2006 г. За период с 2001 по 2008 г. самыми урожайными должны быть года 2003 и 2008, а самым неурожайным – 2006.

На самом деле урожайность в 2001–2012 гг. изменялась следующим образом (табл. 3.6.7).

Таблица 3.6.7. Динамика урожайности в Тверской области (ц/га).

2001	2002	2003	2004	2005	2006	2007	2008	2009	2010	2011	2012	2013
10,4	11,1	14,3	12,2	11,1	12,5	14,4	15,7	14,6	11,1	13,4	13,4	13,1

Из таблицы видно, что 2001 г. действительно был наименее урожайным, а после максимума 2003 наметилась тенденция к сокращению урожайности. В 2007–2009 гг. вновь наблюдались высокие урожаи, а начиная с 2010 г. в полном соответствии с моделью урожайность снизилась и, несмотря на вывод наименее продуктивных земель из оборота, остается низкой.

Резюме. На всей территории России урожайность изменяется циклически. Иерархия циклов и их периоды образуют три макротипа: Европейский, Сибирский, Дальневосточный. В первом динамику урожайности определяют 22-летние циклы, осложненные малыми колебаниями с постоянным периодом. Второй характеризуется цикличностью, изображенной на рисунках 3.6.5 и 3.6.6. В третий макротип входят исключительно дальневосточные регионы, характеризующиеся чередованием 16-летних и 27-летних циклов, причем последние осложнены циклами меньшего масштаба. Циклы внутри каждого макротипа не совпадают по фазам, что дает возможность компенсировать неурожаи. Вероятностный прогноз, приведенный, начиная с 2002 г., подтверждается полученными статистическими данными.

Отметим также некоторое сходство пространственной конфигурации выделенных типов с типами демографической динамики, особенно в европейской части России. Большинство из них ориентированы с юго-запада на северо-восток, а тип 1 имеет субширотное простирание. Наибольшая неоднородность по типам демографической динамики, равно как и урожайности зерновых, наблюдается среди регионов, прилегающих к условной линии Белгород – Пенза – Казань. Примечательно, что территории, входящие в тип 8 «Юг Западной Сибири», так же выделяются среди своих соседей и по демографической динамике.

Каждый макротип характеризуется особым соотношением между циклической динамикой урожайности и циклами солнечной активности.

На каждом графике (см. рис. 3.6.5) показаны солнечная активность (число цюрихских пятен на солнце в логарифмическом масштабе) и теоретические значения урожайности. Оба показателя пронормированы. Теоретические значения урожайности определялись значениями периодической функции: ряда Фурье. Число членов ряда было подобрано таким образом, чтобы выделялись только циклы, находящиеся на вершине иерархии.

Большие циклы урожайности в Тверской области и в Краснодарском крае (Европейский макротип) имеют период (22 года) в 2 раза больший, чем период солнечных циклов Чижевского. Следующий этап – корреляционный анализ. На верхних рисунках, описывающих урожайность в Тверской области и Краснодарском крае – нормированные значения солнечной активности и урожайности. Для Тверской области коэффициент корреляции (K) близок к 0, это отсутствие всякой зависимости, но, помня о том, что период циклов урожайности в европейском макротипе составляет 22 года, проведем эксперимент, взяв модуль от периодической функции урожайности. По нижнему рисунку видно, что максимум урожайности наступает через два года после максимума солнечной активности и, если сместить на два года назад по времени динамику урожайности, коэффициент корреляции (K-2) оказывается очень высоким. Экстремумы урожайности наступают на 2 года позже, чем максимумы солнечной активности.

Несмотря на абсолютно разные физико-географические условия в Краснодарском крае наблюдается очень похожий тип динамики. Именно на уровне 22-летних циклов. Малые циклы имеют абсолютно другие характеристики.

Рубежом, после которого при движении на восток кардинально меняется динамика урожайности, является Урал. В Сибири мы видим более сложную цикличность на уровне 10–20-летних циклов. Коэффициент корреляции демонстрирует очень слабую отрицательную взаимосвязь. Тем не менее также прослеживается двух-трех- летний сдвиг экстремумов урожайности относительно экстремумов солнечной активности. Периоды циклов урожайности и солнечной активности не являются кратными в данном временном масштабе. В условиях резко континентального климата доминирующим фактором урожайности является количество осадков и фазы вторжения воздушных масс различного происхождения. В случае засухи летом или, например, ранних заморозков осенью урожай просто гибнет. Безусловно, неблагоприятные погодные явления случаются и в европейской России, но их вероятность ощутимо меньше. Подобные погодные явления в исследуемом временном интервале не имеют стабильного периода, и попытки прогноза и объяснения причин уводят к изучению динамики циркуляции атмосферы.

В Дальневосточном типе динамики наблюдается уже более значимая отрицательная зависимость. Циклы урожайности развертываются в противофазе циклам солнечной активности. И это прямое статистическое подтверждение закона квантитативной компенсации.

Так или иначе можно подтвердить предположение, что солнечные циклы (равно как, возможно, и другие космические ритмы) не определяют период и тем более амплитуды циклов, но выступают в роли камертона, «привязывают» различные циклические процессы к оси времени. Характеристики 5–6-летних циклов урожайности напрямую не связаны с наличием 22-летних циклов, но они определяют сроки смен фаз цикла. Такая же зависимость наблюдается не только во временной, но и в функциональной иерархии. Если принять гипотезу о Солнце как «камертоне», а не детерминанте земных процессов, то разница между прямой и обратной корреляцией отсутствует.

Можно считать доказанным, что одними из важнейших факторов, прямо или косвенно определяющих циркуляцию атмосферы, являются космические. Когерентность между солнечными циклами и циклами урожайности в условиях резко континентального климата нарушают нерегулярные метеорологические циклы. В этом случае логично предположить, что кратность периодов этих циклов восстанавливается на достаточно высоком иерархическом уровне.

Задание

Дайте интерпретацию внутригодовой цикличности для отраслей экономики России (рис. 3.6.7–3.6.11).

---