Modified agent-oriented method for green risks and technologies assessment

This study explores the modeling, analysis, and assessment of green projects and technologies’ risks. The main distinguishing feature of green projects is their environmental focus, often accompanied by a certain disregard for economic factors. The investigation examines a modified agent-oriented me...

Повний опис

Збережено в:

Бібліографічні деталі
Дата:	2025
Автори:	Кузнєцова, Н. В., Шевчук, О. С.
Формат:	Стаття
Мова:	Українська
Опубліковано:	Інститут проблем реєстрації інформації НАН України 2025
Теми:	аgent-based modelling risk assessment green risks green projects stochastic process behavioral strategies
Онлайн доступ:	https://drsp.ipri.kiev.ua/article/view/354576
Теги:	Додати тег Немає тегів, Будьте першим, хто поставить тег для цього запису!
Назва журналу:	Data Recording, Storage & Processing
Завантажити файл:

Репозитарії

Data Recording, Storage & Processing

_version_	1867479074827403264
author	Кузнєцова, Н. В. Шевчук, О. С.
author_facet	Кузнєцова, Н. В. Шевчук, О. С.
author_institution_txt_mv	[ { "author": "Н. В. Кузнєцова", "institution": "Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського»" }, { "author": "О. С. Шевчук", "institution": "Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського»" } ]
author_sort	Кузнєцова, Н. В.
baseUrl_str	http://drsp.ipri.kiev.ua/oai
collection	OJS
datestamp_date	2026-06-08T07:18:31Z
description	This study explores the modeling, analysis, and assessment of green projects and technologies’ risks. The main distinguishing feature of green projects is their environmental focus, often accompanied by a certain disregard for economic factors. The investigation examines a modified agent-oriented method for the simulation of financial companies’ activities. The simulation is performed at the environment where the utilization of natural resources, in particular CO2 emissions, wastewater, and drinking water consumption, is regulated. Additionally, the simulation environment incorporates a functioning green quota market. Special attention is given to the analysis of various agents’ behavioural strategies. Behavioural strategies determine agents’ goals, as well as decision-making logic and principles during modelling. Four types of behavioural strategies were formulated: «Ignorance», «Adaptive business», «Green policy», and «Green quota trade». Each strategy reflects radically different approaches to economic activity conducted in an environment with natural resources usage regulations. The simulation on energy sector companies’ data usage was conducted with the aim of analysing and comparing the efficiency of proposed strategies. The modelling confirmed that behavioural strategy is a decisive factor with a major influence on a financial company’s future growth and development. Thus, the campaign can successfully adapt to the green quota regime and maintain economic growth in the future, in the case when the effective behavioural strategy is chosen. On the other hand, an inefficient strategy can cause major financial degradation, even with a risk of bankruptcy. Furthermore, the modelling demonstrated that behavioural strategies could have different relative effectiveness at different simulation time horizons. Fig.: 2. Refs: 10 titles.
doi_str_mv	10.35681/1560-9189.2025.27.3.354576
first_indexed	2026-04-13T01:00:05Z
format	Article
fulltext	ISSN 1560-9189 Реєстрація, зберігання і обробка даних, 2025, Т. 27, № 3 35 DOI: 10.35681/1560-9189.2025.27.3.354576 УДК 303.732.4 Н. В. Кузнєцова, О. С. Шевчук Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» пр. Берестейський, 37, к. 35, 03056, Київ, Україна e-mail: natalia-kpi@ukr.net, oleksii.shevchuk.bus@gmail.com Модифікований агентно-орієнтований метод оцінки ризиків зелених проєктів і технологій Розглянуто моделювання, аналіз та оцінку зелених проєктів і техноло- гій. Основною відмінністю зелених проєктів є їхня суто екологічна спря- мованість і певне нехтування економічного фактору. Запропоновано покращений агентно-орієнтований метод імітації діяльності фінансо- вих компаній у середовищі, у якому встановлено обмеження на викорис- тання природних ресурсів і введено ринок зелених квот. Розглянуто по- ведінкові стратегії, що визначають цілі та логіку прийняття рішень агентів під час моделювання. Моделювання різних стратегій компаній показало, що поведінкова стратегія є визначальним фактором, що впливає на майбутнє фінансової компанії. Так, при виборі ефективної стратегії компанія може адаптуватися до введення режиму зелених квот і продовжити зростати в економічній складовій, проте, при ви- борі неефективної стратегії, компанії може загрожувати банкрутс- тво. Ключові слова: агентно-орієнтоване моделювання, оцінка ризиків, зеле- ні ризики, зелені проєкти, стохастичний процес, поведінкові стратегії. Вступ Екологічна криза є важливою проблемою сучасного суспільства. Великий об- сяг екологічних викидів, зокрема діоксиду вуглецю CO2, є причиною глобального потепління, зміни клімату та зростаючої кількості стихійних лих. Зелене квоту- вання стало важелем впливу урядів країн на приватні компанії і способом стиму- лювати їх знаходити екологічні рішення у виробництві з метою сталого зниження обсягів екологічних забруднень. Незважаючи на те, що у 2025 р. Сполучені Штати Америки вже вдруге вийшли з Паризької кліматичної угоди (попередній вихід краї- ни був у 2020 р., а повернення у 2021 р.), вони будуть змушені повертатися до зо- бов’язання зі скорочення шкідливих викидів в атмосферу, зниження негативного впливу на екосистему, оскільки довге ігнорування даної проблеми може спричи- нити непоправні екологічні зміні та суттєві економічні збитки для країни. © Н. В. Кузнєцова, О. С. Шевчук mailto:natalia-kpi@ukr.net Н. В. Кузнєцова, О. С. Шевчук 36 Україна на шляху до вступу до Євросоюзу також змушена враховувати ви- моги та проводити зміни відповідно до встановленої нормативної бази та вимог кур- су на зелені трансформації. Так, у січні 2025 року Міністерством цифрової транс- формації України було представлено стратегію, в якій окреслено план цифрового розвитку інноваційної діяльності України до 2030 року. Особлива увага приділяє- ться впровадженню інновацій у GreenTech, зокрема проєктам декарбонізації і збе- рігання електроенергії і технологій енергоефективності в промисловості. Для фі- нансових компаній це формує новий виклик, оскільки з’являється потреба в адап- тації до нових умов. Ці зміни створюють потребу в інструментах аналізу і оцінки компаній у новому фінансовому середовищі, де екологічна компонента має знач- ний вплив на економічну діяльність. Постановка завдання В умовах впровадження зеленого курсу, компанії стикаються зі складною за- дачею балансування між економічною ефективністю та екологічною відповідніс- тю. Традиційні методи оцінки ризиків часто не дають можливості чітко оцінити та врахувати економічні перспективи, тому виникає потреба розробки інструмента- рію, який дозволив би моделювати сценарії розвитку компаній під впливом як рин- кових, так і регуляторних екологічних чинників. Метою роботи є розробка та дослідження модифікованої версії агентно-орієн- тованого методу імітації діяльності фінансових компаній у середовищі, в якому ди- намічно регулюється використання екологічних ресурсів (викиди CO2, стічні води та споживання питної води). Завдання полягає у створенні моделі, що включає ри- нок зелених квот і дозволяє налаштовувати поведінкові стратегії агентів для ана- лізу їхньої стійкості до змінних вимог середовища і аналізу ефективності розгляну- тих стратегій. Огляд літератури Агентно-орієнтований підхід — це відносно новий підхід до комп’ютерного моделювання, що застосовується для імітації дій і взаємодій агентів у визначеному середовищі з метою вивчення складних явищ на основі простих локальних взаємо- дій [1]. Фундаментальна перевага зазначеного підходу полягає у здатності генеру- вати емерджентні властивості високого рівня через механізми мікровзаємодій. Зо- крема, це є актуальним для економічних ринків, які традиційно ґрунтувалися на поняттях досконалих ринків, однорідних агентів і довгострокової рівноваги, що ро- било їх аналітично та обчислювально доступними [2]. Агентно-орієнтований підхід має широкий спектр застосування. Так, його ви- користання можна знайти у дослідженні процесів ціноутворення на ринку нерухо- мості [3, 4]. У сфері електроенергетики, поєднання агентно-орієнтованого підходу із теорією ігор використовується для аналізу секторальної динаміки на ринку елект- роенергії і визначення оптимального балансу між традиційними та відновлюва- ними джерелами енергії [5, 6]. У галузі «зеленої» промисловості та регуляції викидів вуглецю, агентно-орієн- тований підхід також знайшов застосування. Наприклад, для оцінки та вдоскона- лення схеми торгівлі квотами на викиди CO2 у Тайвані було використано поєднання Модифікований агентно-орієнтований метод оцінки ризиків зелених проєктів і технологій ISSN 1560-9189 Реєстрація, зберігання і обробка даних, 2025, Т. 27, № 3 37 агентно-орієнтованого підходу та аналізу економічної ефективності [7]. Інше дос- лідження [8] симулювало схему торгівлі вуглецевими квотами, зосереджуючись на різноманітності агентів з точки зору розмірів компаній, стилів управління та гори- зонтів планування. Метою моделювання було проаналізувати, як ці чинники впли- вають на поведінку компаній, і як ринок діоксиду вуглецю CO2 впливає на компанії та навпаки. Таким чином, існуючі дослідження здебільшого фокусуються на окремих ас- пектах регулювання або використовують спрощені моделі поведінки агентів. Не- достатньо дослідженим залишається комплексний вплив екологічних квот на фі- нансову стійкість компаній в умовах динамічної «зеленої» політики. Тому дана ро- бота направлена на розробку модифікованого методу, що дозволяє моделювати адаптивні стратегії компаній і оцінювати ризики їхньої діяльності за певної еконо- мічної політики. Опис агентно-орієнтованого методу У роботі розроблено та застосовано агентно-орієнтований метод для симуля- ції комерційної діяльності фінансових компаній у середовищі з регулюванням ви- користання екологічних ресурсів і сформованим ринком зелених квот. Ґрунтую- чись на принципах і кроках попередньої версії агентно-орієнтованого методу [9], даний метод пропонує покращення, що проявляються у більш гнучкій і різноманіт- ній поведінці агентів та елементів середовища. При цьому було впроваджено додат- кові інструменти налаштування агентів, середовища та системи в цілому. Ці ново- введення дають можливість формувати й аналізувати різні поведінкові стратегії агентів і політики середовища. Загальний опис компонентів агентно-орієнтованого методу. Основними компонентами агентно-орієнтованого методу є агенти та середо- вище. Агентами є фінансові компанії, що належать до різних індустрій. Агенти ха- рактеризуються економічними і екологічними показниками, а також мають якісні характеристики. До якісних характеристик агента належить галузева приналеж- ність і показники ефективності діяльності. У методі передбачена можливість пок- ращення характеристик ефективності агентами шляхом інвестування. Агенти ві- льні в керуванні власними ресурсами, проте вони змушені дотримуватися встанов- лених середовищем правил і обмежень. Середовище є зовнішньою компонентою методу, що регулює діяльність і взаємодію агентів. Також середовище відповіда- льне за зовнішні процеси системи, що відбуваються за уніфікованими правилами для всіх агентів, зокрема генерацію прибутку і екологічних забруднень. Окрім цього, саме елементи середовища відповідальні за процеси видачі та регуляції по- літики зелених квот. Опис агентів. Агент характеризується набором показників, які можна класифікувати як за- гальні/якісні, економічні та екологічні: «Назва компанії», «Галузь», «Загальні ак- тиви», «Витрати», «Дохід», «Забруднення», «Інвестиції у фінансову ефективність», «Інвестиції в екологічну ефективність». Показник «Витрат» є складеним значен- ням, яке розраховується як сума двох стандартних фінансових показників: загаль- них операційних витрат і собівартості реалізованої продукції. Н. В. Кузнєцова, О. С. Шевчук 38 Фінансові показники (загальні активи, загальні операційні витрати, собівар- тість реалізованої продукції і дохід) — це дані річних фінансових звітів компаній. Забруднення є екологічним показником, що описує річний сукупний вплив компа- нії на екологію (викиди CO2 і стічні води та використання інших водних ресурсів), що було конвертовано у грошовий еквівалент згідно з методологією Гарвардської Бізнес-Школи [10]. Іншою характеристикою агентів є інвестиції. Інвестиції поділяються на еко- номічні і екологічні, вони визначають розвиток відповідного типу ефективності агентів. Показники ефективності мають значний вплив на підрахунок згенерова- ного доходу і об’єму забруднень. Показники ефективності розраховуються за фор- мулами: 𝐸𝑓𝑓𝑘,𝑖,𝑡 𝑓𝑖𝑛 = 1 − 1 𝑒 𝜆𝑓𝑖𝑛∗𝑐𝑘 𝑓𝑖𝑛 ∗∑ 𝐼 𝑘,𝑖,𝑗 𝑓𝑖𝑛𝑡−1 𝑗=1 , (1) де ∑ 𝐼𝑘,𝑖,𝑗 𝑓𝑖𝑛𝑡−1 𝑗=1 — сума інвестицій в економічну ефективність за попередні ітерації; 𝑐𝑘 𝑓𝑖𝑛 𝜖(0,∞) — параметр значущості інвестицій в економічну ефективність; 𝜆𝑓𝑖𝑛 — параметр значущості усіх інвестицій в економічну ефективність; 𝐸𝑓𝑓𝑘,𝑖,𝑡 𝑒𝑐𝑜 = 1 − 1 𝑒𝜆 𝑒𝑐𝑜∗𝑐𝑘 𝑒𝑐𝑜∗∑ 𝐼𝑘,𝑖,𝑗 𝑒𝑐𝑜𝑡−1 𝑗=1 , (2) де ∑ 𝐼𝑘,𝑖,𝑗 𝑒𝑐𝑜𝑡−1 𝑗=1 — сума інвестицій в екологічну ефективність за попередні ітерації; 𝑐𝑘 𝑒𝑐𝑜𝜖(0,∞) — параметр значущості інвестицій в екологічну ефективність; 𝜆𝑒𝑐𝑜 — параметр значущості усіх інвестицій в екологічну ефективність. Параметри 𝑐𝑘 𝑓𝑖𝑛 , 𝑐𝑘 𝑒𝑐𝑜, 𝜆𝑓𝑖𝑛 та 𝜆𝑒𝑐𝑜 використовуються для налаштування впли- ву інвестування на ефективність, як для усіх агентів, так і в рамках галузі чи окре- мого агента. Опис середовища. Середовище об’єднує усі зовнішні елементи та процеси системи, що будуть справедливими для усіх агентів. У даному методі розглядаються два елементи се- редовища: Глобальна Система Управління Квотами (ГСУК) та Ринок Зелених Квот (РЗК). ГСУК є елементом середовища, що відповідає за підрахунок і видачу зелених квот, а також контролює виконання правил зеленого квотування та нараховує штрафи. ГСУК ініціалізується перед початком ітеративного процесу та визначає загальний об’єм квот 𝑄𝐶𝑖,0, що буде надаватися в межах кожної індустрії 𝑖 відносно початкових показників забруднень агентів 𝑃𝑘,𝑖,0: 𝑄𝐶𝑖,0 = 𝛿𝑏𝑎𝑠𝑒 ∗∑ 𝑃𝑗,𝑘,0 𝑛 𝑗=1 , (3) де 𝛿𝑏𝑎𝑠𝑒 ∈ (0,1] — параметр, що визначає, яка частка початкових забруднень буде визначена як початковий об’єм квот. Крім цього, загальний об’єм квот 𝑄𝐶𝑖,𝑡 лінійно знижується після кожної іте- рації на параметр 𝛿𝑙𝑖𝑛𝑒𝑎𝑟 ∈ (0,1], роблячи обмеження поступово більш суворими для агентів і стимулюючи розвиток екологічної ефективності: Модифікований агентно-орієнтований метод оцінки ризиків зелених проєктів і технологій ISSN 1560-9189 Реєстрація, зберігання і обробка даних, 2025, Т. 27, № 3 39 𝑄𝐶𝑖,𝑡+1 = (1 − 𝛿 𝑙𝑖𝑛𝑒𝑎𝑟) ∗ 𝑄𝐶𝑖,𝑡. (4) Розподіл зелених квот між агентами залежить від їхніх операційних витрат 𝐸𝑘,𝑖,𝑡. Для отримання квот, агенти надсилають свої операційні звіти та вказують заплановані на поточному кроці операційні витрати. На основі цієї інформації і від- бувається розрахунок квот для кожного агента в рамках індустрії 𝑖: 𝑄𝑘,𝑖,𝑡 = 𝑄𝑖,𝑡 ∗ ( 𝐸𝑘,𝑖,𝑡 ∑ 𝐸𝑗,𝑖,𝑡 𝑛 𝑗=1 ) . (5) Ринок Зелених Квот (РЗК) є торгівельним майданчиком для агентів, що до- зволяє перерозподіляти квоти між компаніями. Агенти можуть спробувати продати потенційний надлишок зелених квот на ринку, або компенсувати нестачу квот шля- хом їхньої купівлі. Алгоритм агентно-орієнтованої взаємодії. Одна ітерація алгоритму моделювання складається із десяти послідовних кро- ків (рис. 1). Ці кроки можуть бути умовно поділені на етапи: планування, торгівлі квотами, операційної діяльності та імплементації результатів. Кожній ітерації ал- горитму відповідає один рік фінансової діяльності компанії. Розглянемо кожен крок детальніше далі. Рис. 1. Схема однієї ітерації моделювання Крок 1: «Планування витрат». На кроці планування витрат визначаються операційні витрати 𝐸𝑘,𝑖,𝑡, що бу- дуть використані агентом 𝑘 на поточній ітерації 𝑡. Обсяг нового операційного бю- джету визначається шляхом аналізу результатів попередньої ітерації, при цьому агент оцінює як економічну, так і екологічну складову діяльності. Економічна скла- дова розглядається у вигляді зміни чистих прибутків ∆𝑁𝑅𝑘,𝑖,𝑡 агента: ∆𝑁𝑅𝑘,𝑖,𝑡 = { 𝑁𝑅𝑘,𝑖,𝑡 𝐴𝑘,𝑖,𝑡 , якщо 𝑁𝑅𝑘,𝑖,𝑡 < 0 і 𝑁𝑅𝑘,𝑖,𝑡−1 < 0 𝑁𝑅𝑘,𝑖,𝑡 − 𝑁𝑅𝑘,𝑖,𝑡−1 𝐴𝑘,𝑖,𝑡 , інакше , (6) Н. В. Кузнєцова, О. С. Шевчук 40 де 𝑁𝑅𝑘,𝑖,𝑡 — чистий прибуток агента 𝑘 на ітерації 𝑡; 𝐴𝑘,𝑖,𝑡 — загальні активи агента 𝑘 на ітерації 𝑡. Екологічну складову агент аналізує на основі значення перевищення квот ∆𝑄𝐸𝑘,𝑖,𝑡: ∆𝑄𝐸𝑘,𝑖,𝑡 = { 𝑄𝐸𝑘,𝑖,𝑡 𝐴𝑘,𝑖,𝑡 , якщо 𝑄𝐸𝑘,𝑖,𝑡 < 0 і 𝑄𝐸𝑘,𝑖,𝑡−1 < 0 𝑄𝐸𝑘,𝑖,𝑡 − 𝑄𝐸𝑘,𝑖,𝑡−1 𝐴𝑘,𝑖,𝑡 , інакше , (7) де 𝑄𝐸𝑘,𝑖,𝑡 = 𝑄𝑘,𝑖,𝑡 − 𝑃𝑘,𝑖,𝑡 — різниця між наданою квотою та значенням згенерова- ного екологічного впливу. Кожна складова впливає на підрахунок зміни операційних витрат ∆𝐸𝑘,𝑖,𝑡 з пев- ною силою, що залежить від поведінкової стратегії агента. Значення зміни опера- ційних витрат визначається за формулою ∆𝐸𝑘,𝑖,𝑡 = 𝐸𝑘,𝑖,𝑡 ∗ (𝜔𝑘 𝑁𝑅 ∗ ∆𝑁𝑅𝑘,𝑖,𝑡 + 𝜔𝑘 𝑄𝐸 ∗ ∆𝑄𝐸𝑘,𝑖,𝑡), (8) де 𝜔𝑘 𝑁𝑅 + 𝜔𝑘 𝑄𝐸 = 1 — параметри сили впливу складових. На значення зміни операційних витрат ∆𝐸𝑘,𝑖,𝑡 також накладається додаткове обмеження на мінімальне та максимальне значення. Розмір мінімуму та максимуму залежить від налаштувань і поведінкової стратегії агента. В результаті, значення зміни витрат із обмеженням за розміром зміни визначається таким чином: Δ𝐸𝑘,𝑖,𝑡 𝑐𝑎𝑝𝑝𝑒𝑑 = { 𝑠𝑖𝑔𝑛(∆𝐸𝑘,𝑖,𝑡) ∗ θ𝑘 𝑢𝑝𝑝𝑒𝑟 ∗ ∆𝐸𝑘,𝑖,𝑡, якщо \|∆𝐸𝑘,𝑖,𝑡\| > θ𝑘 𝑢𝑝𝑝𝑒𝑟 ∗ 𝐸𝑘,𝑖,𝑡, 𝑠𝑖𝑔𝑛(∆𝐸𝑘,𝑖,𝑡) ∗ θ𝑘 𝑙𝑜𝑤𝑒𝑟 ∗ ∆𝐸𝑘,𝑖,𝑡, якщо \|∆𝐸𝑘,𝑖,𝑡\| < θ𝑘 𝑙𝑜𝑤𝑒𝑟 ∗ 𝐸𝑘,𝑖,𝑡 ∆𝐸𝑘,𝑖,𝑡, інакше, , (9) де θ𝑘 𝑢𝑝𝑝𝑒𝑟 — верхнє обмеження на зміну операційних витрат для агента 𝑘; θ𝑘 𝑙𝑜𝑤𝑒𝑟 — нижнє обмеження на зміну операційних витрат для агента 𝑘. Кінцеве значення операційних витрат на ітерацію визначається за формулою: 𝐸𝑘,𝑖,𝑡+1 = max(0,min(𝐴𝑘,𝑖,𝑡, 𝐸𝑘,𝑖,𝑡 + Δ𝐸𝑘,𝑖,𝑡 𝑐𝑎𝑝𝑝𝑒𝑑)) . (10) Крок 2: «Планування інвестицій» На кроці планування інвестицій визначається загальний інвестиційний бюд- жет 𝐼𝑘,𝑖,𝑡 шляхом виокремлення частки 𝜌𝑘 𝑏𝑢𝑑𝑔𝑒𝑡 від чистого прибутку з попередньої ітерації. У випадку збитковості, агент формує інвестиційний бюджет з вільних фі- нансових активів, де відокремлює певну частину 𝜌𝑘 min на розвиток ефективності (рівняння (11)). Значення параметрів 𝜌𝑘 𝑏𝑢𝑑𝑔𝑒𝑡 та 𝜌𝑘 min залежать від налаштувань аген- та і його поведінкової стратегії: 𝐼𝑘,𝑖,𝑡 = { 𝜌𝑘 𝑏𝑢𝑑𝑔𝑒𝑡 ∗ min(max(0, 𝐴𝑘,𝑖,𝑡 − 𝐸𝑘,𝑖,𝑡), 𝑁𝑅𝑘,𝑖,𝑡−1), при 𝑁𝑅𝑘,𝑖,𝑡−1 ≥ 0, 𝜌𝑘 min ∗ max(0, 𝐴𝑘,𝑖,𝑡 − 𝐸𝑘,𝑖,𝑡), при 𝑁𝑅𝑘,𝑖,𝑡−1 < 0. (11) Загальний інвестиційний бюджет може бути направлений на розвиток еконо- мічної ефективності 𝐸𝐹𝐹𝑘,𝑖,𝑡 𝑓𝑖𝑛 та екологічної ефективності 𝐸𝐹𝐹𝑘,𝑖,𝑡 𝑒𝑐𝑜 агента. Розподіл Модифікований агентно-орієнтований метод оцінки ризиків зелених проєктів і технологій ISSN 1560-9189 Реєстрація, зберігання і обробка даних, 2025, Т. 27, № 3 41 бюджету між цими напрямками залежить від поведінкової стратегії агента та нала- штовується за допомогою параметрів 𝜌 𝑘 𝑓𝑖𝑛 та 𝜌 𝑘 𝑒𝑐𝑜 (𝜌 𝑘 𝑓𝑖𝑛 +𝜌 𝑘 𝑒𝑐𝑜= 1): 𝐼𝑘,𝑖,𝑡 𝑓𝑖𝑛 = 𝜌𝑘 𝑓𝑖𝑛 ∗ 𝐼𝑘,𝑖,𝑡, (12) 𝐼𝑘,𝑖,𝑡 𝑒𝑐𝑜 = 𝜌𝑘 𝑒𝑐𝑜 ∗ 𝐼𝑘,𝑖,𝑡. (13) Крок 3: «Планування екологічного забруднення». Оцінка значення екологічного впливу необхідна агентам для подальшої тор- гівлі квотами. Прийняття агентами рішення щодо купівлі/продажу зелених квот за- лежить від порівняння наявні квоти з очікуваннями щодо екологічного впливу вна- слідок фінансової діяльності. На даному кроці, агент може застосувати один із двох підходів до оцінки екологічного впливу: загальний підхід і підхід MLP-регресії. Загальний підхід використовувався у попередній версії методу [9] і його ідея полягала у зіставленні операційних витрат на попередній і поточній ітераціях. На основі цього порівняння визначалося значення очікуваного екологічного впливу 𝐸𝑃𝑘,𝑖,𝑡: 𝐸𝑃𝑘,𝑖,𝑡 = 𝑃𝑘,𝑖,𝑡−1 ∗ (1 + 𝐸𝑘,𝑖,𝑡 − 𝐸𝑘,𝑖,𝑡−1 𝐸𝑘,𝑖,𝑡 ) . (14) Новий альтернативний підхід використовує модель регресії MLP для прогно- зування екологічного впливу на поточному кроці. Навчається модель на історичних даних самого агента, при цьому відбувається донавчання після кожної ітерації. Предиктором моделі, окрім операційних витрат 𝐸𝑘,𝑖,𝑡, є також показник економіч- ної ефективності 𝐸𝐹𝐹𝑘,𝑖,𝑡 𝑓𝑖𝑛 . Для навчання моделі з’являється необхідність зібрати ви- бірку даних з метою навчання моделі, тому на першій ітерації моделювання вико- ристовується загальний підхід, і лише потім застосовується підхід MLP-регресії. Крок 4: «Звітування та видача зелених квот». Торгівля квотами починається зі взаємодії агентів з одним із елементів сере- довища, а саме ГСУК. Ця взаємодія необхідна для підрахунку та видачі системою зелених квот. У звіті агенти вказують свою індустрію діяльності, а також визначені на першому кроці операційні витрати 𝐸𝑘,𝑖,𝑡. Дана інформація необхідна ГСУК для розподілу зелених квот між агентами (рівняння (5)). Крок 5: «Продаж зелених квот». Маючи дані про наявні зелені квоти 𝑄𝑘,𝑖,𝑡 та оціночне значення очікуваного впливу діяльності на екологію 𝐸𝑃𝑘,𝑖,𝑡, агент може прийняти рішення щодо участі в процесі торгівлі квотами. У випадку надлишкових квот, агент може сформувати торгівельний лот з метою отримання додаткового прибутку. Кількість квот, які агент готовий продати 𝑄𝑘,𝑖,𝑡 𝑠𝑒𝑙𝑙, визначається на основі різниці наявних квот та очіку- ваного екологічного впливу (рівняння (15)). При цьому, агент може залишити пев- ну резервну кількість квот на випадок похибки в оцінці значення 𝐸𝑃𝑘,𝑖,𝑡. Розмір ре- зерву залежить від поведінкової стратегії агента: 𝑄𝑘,𝑖,𝑡 𝑠𝑒𝑙𝑙 = max (0, ( 𝑄𝑘,𝑖,𝑡 − 𝐸𝑃𝑘,𝑖,𝑡) ∗ (1 − 𝜇𝑘 𝑠𝑒𝑙𝑙)) , (15) де 𝜇𝑘 𝑠𝑒𝑙𝑙 — параметр, що визначає частку резервних квот. Н. В. Кузнєцова, О. С. Шевчук 42 Далі агенту необхідно сформувати ціну за одиницю товару 𝑈𝑃𝑘,𝑖,𝑡, для визна- чення якої агент може скористатися одним із двох підходів: статичним чи динаміч- ним. Статичний або загальний підхід було представлено у попередній версії моделі [9], і його ідея полягає в тому, що використовується стале значення 𝑈𝑃𝑘,𝑖,𝑡 𝑑𝑒𝑓𝑎𝑢𝑙𝑡 . Для динамічного або історичного підходу характерна активна залученість агента в процес продажу квот. Таким чином, формула підрахунку відсоткової зміни ціни наступна: ∆𝑈𝑃𝑘,𝑖,𝑝 % = 𝑄𝑘,𝑖,𝑝 𝑠𝑜𝑙𝑑 − (𝜏𝑘 𝑠𝑒𝑙𝑙 ∗ 𝑄𝑘,𝑖,𝑝 𝑠𝑒𝑙𝑙 ) 𝜏𝑘 𝑠𝑒𝑙𝑙 ∗ 𝑄𝑘,𝑖,𝑝 𝑠𝑒𝑙𝑙 , (16) де 𝑄𝑘,𝑖,𝑝 𝑠𝑜𝑙𝑑 — кількість проданих квот на кроці 𝑝; 𝜏𝑘 𝑠𝑒𝑙𝑙 — цільова частка продажу зе- лених квот; 𝑝 — ітерація, на якій агент востаннє продавав квоти. Крім цього, максимальна зміна ціни за одиницю товару обмежена параметром 𝛾𝑘 𝑠𝑒𝑙𝑙: 𝑈𝑃𝑘,𝑖,𝑡 = { (1 + sign(∆𝑈𝑃𝑘,𝑖,𝑝 % ) ∗ 𝛾𝑘 𝑠𝑒𝑙𝑙) ∗ 𝑈𝑃𝑘,𝑖,𝑝, якщо \|∆𝑈𝑃𝑘,𝑖,𝑝 % \| > 𝛾𝑘 𝑠𝑒𝑙𝑙, (1 + ∆𝑈𝑃𝑘,𝑖,𝑝 % ) ∗ 𝑈𝑃𝑘,𝑖,𝑝, інакше. (17) Вибір підходу до ціноутворення та значення 𝑈𝑃𝑘,𝑖,𝑡 𝑑𝑒𝑓𝑎𝑢𝑙𝑡 , 𝜏𝑘 𝑠𝑒𝑙𝑙 та 𝛾𝑘 𝑠𝑒𝑙𝑙 залежать від налаштування агента. Сформований кінцевий лот публікується на РЗК, де аген- ти-покупці зможуть розглянути можливість купівлі усього лоту або його частини. Крок 6: «Купівля зелених квот». Після наповнення ринку торгівельними пропозиціями починається крок купі- влі квот. Даний крок єдиний, де черговість виконання може вплинути на результат. Порядок агентів визначається випадковим чином. Починається даний крок із ви- значення агентом об’ємів нестачі зелених квот 𝑄𝑘,𝑖,𝑡 𝑏𝑢𝑦 . Аналогічно до кроку продажу, агент може закласти додатковий резерв 𝜇𝑘 𝑏𝑢𝑦 , щоб покрити можливу похибку при оцінці екологічного впливу: 𝑄𝑘,𝑖,𝑡 𝑏𝑢𝑦 = max (0, (𝐸𝑃𝑘,𝑖,𝑡 − 𝑄𝑘,𝑖,𝑡) ∗ (1 + 𝜇𝑘 𝑠𝑒𝑙𝑙)) . (18) Агент формує бюджет для купівлі квот 𝐵𝑘,𝑖,𝑡 𝑏𝑢𝑦 , на основі власних вільних акти- вів: 𝐵𝑘,𝑖,𝑡 𝑏𝑢𝑦 = 𝛼𝑘 𝑏𝑢𝑦 ∗ (𝐴𝑘,𝑖,𝑡 − 𝐸𝑃𝑘,𝑖,𝑡 − 𝐼𝑘,𝑖,𝑡), (19) де 𝛼𝑘 𝑏𝑢𝑦 — частка вільних активів, що агент готовий використати для торгівлі. Купівля квот може відбуватися за одним із трьох підходів: «ігнорування», «повного покриття нестачі» та «економічно ефективним» підходом. За підходу «ігнорування», агент не буде купувати квоти, приймаючи рішення виплачувати штраф, нарахований ГСУК. Така поведінка характерна компаніям консервативного типу, які ігнорують введення зеленої політики. Підхід «повного покриття нестачі» був представлений у попередній версії методу [9], і його ідея в тому, що агент купує квоти допоки є така потреба, з урахуванням обмеження на купівельний бюджет. «Економічно ефективний» підхід є новим підходом, який ха- рактерний компаніям з фінансово грамотною політикою. Агент купуватиме лише Модифікований агентно-орієнтований метод оцінки ризиків зелених проєктів і технологій ISSN 1560-9189 Реєстрація, зберігання і обробка даних, 2025, Т. 27, № 3 43 ті квоти, ціна яких не перевищує штраф (𝑈𝑃𝑘,𝑖,𝑡 ≤ 𝑈𝑃𝑡 𝑝𝑒𝑛𝑎𝑙𝑡𝑦 ), що нараховує ГСУК. Обмеження на купівельний бюджет залишається. Крок 7: «Генерація доходу». Кроки генерації доходу та забруднень відносяться до процесів середовища, оскільки агент безпосередньо не впливає на результати даних кроків, і вони відбу- ваються за однаковими правилами для усіх агентів. Крок генерації доходу є стохас- тичним процесом, метою якого є підрахунок доходу 𝑅𝑘,𝑖,𝑡, що отримає агент уна- слідок операційної діяльності. За допомогою випадковості імітується невизначе- ність результатів діяльності компаній на фінансовому ринку. Для підрахунку до- ходу використовується розподіл Гауса: 𝑅𝑘,𝑖,𝑡 = Gauss(𝑀𝑘,𝑖,𝑡, 𝑉𝑖) ∗ 𝐸𝑘,𝑖,𝑡, (20) де 𝑉𝑖 — дисперсія розподілу, яка незмінна протягом усього моделювання та визна- чається з набору даних для кожної індустрії 𝑖. Математичне сподівання 𝑀𝑘,𝑖,𝑡 розраховується на основі середньої історичної доходності індустрії, яка коригується індивідуальними показниками агента. Мо- дель враховує, що компанії з вищою економічною ефективністю 𝐸𝐹𝐹𝑘,𝑖,𝑡 𝑓𝑖𝑛 і сильні- шою конкурентною позицією отримують вищий прибуток. Формула розрахунку має вигляд: 𝑀𝑘,𝑖,𝑡 = Mean( ∑ 𝑅𝑖,𝑝𝑝 ∑ 𝐸𝑖,𝑝𝑝 ) ∗ (1 + ψ𝑓𝑖𝑛 ∗ 𝐸𝐹𝐹𝑘,𝑖,𝑡 𝑓𝑖𝑛 + 𝐶𝐶𝑘,𝑖,𝑡), (21) де ψ𝑓𝑖𝑛 — параметр, що визначає значущість впливу фінансової ефективності; 𝐶𝐶𝑘,𝑖,𝑡 — компонента конкурентоспроможності для агента 𝑘 в рамках індустрії 𝑖. Компонента конкурентоспроможності 𝐶𝐶𝑘,𝑖,𝑡 відображає відносну силу агента на ринку. Вона порівнює економічну ефективність агента серед усіх конкурентів у рамках індустрії. Для її підрахунку використовується формула: 𝐶𝐶𝑘,𝑖,𝑡 = ψ𝑐𝑜𝑚𝑝 ∗ 𝐸𝐹𝐹𝑘,𝑖,𝑡 𝑓𝑖𝑛 −Median𝑗(𝐸𝐹𝐹𝑗,𝑖,𝑡 𝑓𝑖𝑛 ) Max𝑗 (𝐸𝐹𝐹𝑗,𝑖,𝑡 𝑓𝑖𝑛 ) , (22) де ψ𝑐𝑜𝑚𝑝 — параметр, що визначає значущість впливу компоненти конкуренто- спроможності. Крок 8: «Генерація екологічних забруднень». Крок генерації екологічних забруднень є детермінованим процесом, що не мі- стить стохастичної складової. Для розрахунку згенерованого екологічного впливу 𝑃𝑘,𝑖,𝑡 використовується формула, що враховує екологічну ефективність 𝐸𝐹𝐹𝑘,𝑖,𝑡 𝑒𝑐𝑜 агента: 𝑃𝑘,𝑖,𝑡 = Mean( ∑ 𝑃𝑖,𝑝𝑝 ∑ 𝐸𝑖,𝑝𝑝 ) ∗ (1 − ψ𝑒𝑐𝑜 ∗ 𝐸𝐹𝐹𝑘,𝑖,𝑡 𝑒𝑐𝑜), (23) де ψ𝑒𝑐𝑜 — параметр, який визначає значущість впливу екологічної ефективності; Mean ( ∑ 𝑃𝑖,𝑝𝑝 ∑ 𝐸𝑖,𝑝𝑝 ) — середнє значення відношення екологічного забруднення до опера- ційних витрат, що визначається з вхідного датасету для кожної індустрії. Крок 9: «Нарахування та виплата штрафів за перевищення квот». Н. В. Кузнєцова, О. С. Шевчук 44 Після підрахунку результатів операційної діяльності відбувається прийняття результатів ітерації агентами та підрахунок основних метрик, зокрема загальних активів. Також проводиться перевірка виконання агентами правил квотування. Для цього, агенти надсилають показники згенерованих екологічних забруднень разом із наявними, після усіх торгівельних операцій, зеленими квотами до ГСУК. На ос- нові цих звітів система розраховує економічні санкції за перевищення квот, які аген- ти змушені сплатити: 𝑄𝐸𝑃𝑘,𝑖,𝑡 = 𝑈𝑃𝑡 𝑝𝑒𝑛𝑎𝑙𝑡𝑦 ∗ max (0, 𝑃𝑘,𝑖,𝑡 − ( 𝑄𝑘,𝑖,𝑡 + 𝑄𝑘,𝑖,𝑡 𝑏𝑜𝑢𝑔ℎ𝑡 − 𝑄𝑘,𝑖,𝑡 𝑠𝑜𝑙𝑑)) . (24) Для нарахування штрафу використовується мультиплікатор 𝑈𝑃𝑡 𝑝𝑒𝑛𝑎𝑙𝑡𝑦 , що ха- рактеризує розмір штрафу за одиницю перевищення. Дане значення керується ГСУК і збільшується на певних ітераціях. Ітерації підвищення штрафу та розмір мультиплікатора визначаються у налаштуваннях середовища та ГСУК. Динаміч- ність штрафу імітує поступовість введення політики регуляції використання еколо- гічних ресурсів, де спочатку компаніям надається можливість адаптуватися до змін, а згодом, зі зростанням штрафів, створюється додатковий тиск на агентів, що нехтують зеленою політикою. Крок 10: «Імплементація інвестицій та завершення ітерації». Останнім кроком алгоритму є розрахунок агентами зміни їхніх екологічних та економічних характеристик, зокрема загальних активів. Елементи середовища також проводять розрахунки. ГСУК визначає нове значення загальних зелених квот для кожної індустрії (рівняння (3)–(5)), а також, за потреби, підвищує штраф. Імплементація інвестицій також відбувається на останньому кроці моделю- вання. В даному випадку відбувається конвертація фінансових ресурсів у показ- ники ефективності агента (рівняння (1), (2)). Ефект розвитку ефективності буде по- мітним лише наступної ітерації, що імітує затримку між фінансуванням проєкту розвитку та його впровадженням. Моделювання поведінкових стратегій агентів Поведінкова стратегія — це набір поведінкових факторів, що впливають на рішення агента протягом усього моделювання. Дані фактори задаються парамет- рами та підходами, що були описані раніше. Таким чином, стратегія впливає на дії агента на різних кроках алгоритму, за рахунок чого відрізняються тенденції розвит- ку агента як фінансової компанії. У роботі було сформовано та імплементовано чотири типи поведінкових стра- тегій: стратегія «Ігнорування», стратегія «Адаптивного бізнесу», стратегія «Зеленої політики», стратегія «Продажу зелених квот». Стратегія «Ігнорування» відображає консервативний тип компаній, що ігно- рують нововведення у сфері зелених технологій і проєктів і продовжують фокусу- ватися виключно на економічній складовій. Розвиток таких компаній також відбу- вається лише через економічний напрям, що відображається у характері інвесту- вання. Стратегія «Адаптивного бізнесу» характерна для прогресивних компаній, які слідкують за тенденціями та намагаються адаптуватися до змін. Агенти, що дотри- муються даної стратегії, продовжують орієнтуватися на економічну компоненту, Модифікований агентно-орієнтований метод оцінки ризиків зелених проєктів і технологій ISSN 1560-9189 Реєстрація, зберігання і обробка даних, 2025, Т. 27, № 3 45 проте розвивають і екологічний напрям, з метою мінімізувати штрафи за переви- щення квот. До стратегії «Зеленої політики» відносяться агенти, що радикально дотримую- ться політики зелених квот і намагаються усі сили витратити на розвиток екологіч- ної складової діяльності, при цьому може нехтуватися економічна компонента. Стратегія «Продажу зелених квот» — це прогресивна стратегія, що виникає з появою зеленого квотування та ринку квот. Агенти користуються новими прави- лами і обирають напрям розвитку екологічності виробництва з метою отримання надлишкових зелених квот і їхнього продажу на ринку. Для проведення апробації методу було сформовано набір даних з 12 компаній, з економічними і екологічними показниками з 2010 по 2019 роки. Усі компанії зай- маються виробництвом електроенергії, проте роблять це різними способами, що відносить їх до різних індустрій (сонячні електростанції, гідроелектростанції, теп- лові електростанції та електростанцій іншого типу). На основі даних 11 компаній було сформовано агентів з різними поведінковими стратегіями. Для порівняння по- ведінкових стратегій, на основі однієї із компаній було сформовано 4 агенти з кож- ною згаданою поведінковою стратегією. Моделювання показало, що поведінкові стратегії мають значний вплив на ре- зультати діяльності компаній. Так, на рис. 2 представлено динаміку зміни загаль- них активів агентів з різними поведінковими стратегіями. Рис. 2. Динаміка зміни загальних активів агентів із різними стратегіями Висновки Дану роботу було спрямовано на удосконалення агентно-орієнтованого ме- тоду моделювання діяльності компаній у середовищі, де регулюється використання природних ресурсів та введено ринок зелених квот. Було додано гнучку логіку по- ведінки агентів, зокрема для етапів планування та торгівлі квотами. Розглянуто по- ведінкові стратегії агентів, які відповідають за дії агентів під час моделювання. Мо- делювання показало, що поведінкові стратегії мають ключове значення в перспек- тивах росту та розвитку фінансових компаній. Правильний вибір поведінки може примножити обсяг загальних активів компанії, натомість помилка з вибором стра- тегії може призвести до банкрутства. Н. В. Кузнєцова, О. С. Шевчук 46 Стратегія «Ігнорування» показала найгірші результати, хоча на короткому те- рміні вона виявилась досить ефективною. При довгостроковому моделюванні стра- тегія показала спадний тренд, що веде компанію до банкрутства. Стратегія «Зеленої політики» дозволила компанії адаптуватися до введення зеленого квотування, проте, через недостатню увагу економічній складовій, збільшити обсяги загальних активів компанії не вдалось. Стратегії «Адаптивного бізнесу» та «Продажу зелених квот» показали зростаючу тенденцію розвитку компанії. Стратегія «Адаптивного бізнесу» мала кращі результати на короткому терміні, де штрафи були ще низь- кими, та на довгостроковій перспективі, коли агент зміг адаптуватися до регуляції використання екологічних ресурсів. З іншого боку, стратегія «Продажу зелених квот», була ефективнішою на середньостроковому терміні моделювання. Подальші дослідження будуть фокусуватися на розвитку поведінкових стра- тегій, а саме перевірці налаштувань сформованих поведінкових стратегій та розро- бці нових стратегій. Можливим напрямком розвитку роботи є аналіз залежності по- ведінкових стратегій від налаштувань середовища, оскільки для різних умов сту- пінь ефективності поведінкових стратегій може відрізнятися. Потребує також і по- дальшого удосконалення агентний метод із використанням підходів регулювання зелених квот, наближених до реального життя. 1. Macal C., & North M. Tutorial on agent-based modelling and simulation. Journal of Simulation. 2010. 4(3). Р. 151–162. https://doi.org/10.1057/jos.2010.3. 2. Macal C., & North M. Agent-based modeling and simulation: ABMS examples. Proceedings of the 2008 Winter Simulation Conference. 2008. 101–112. https://doi.org/10.1109/ WSC.2008.4736060. 3. Glavatskiy K., Prokopenko M., Carro A., Ormerod P., & Harré M.S. Explaining herding and volatility in the cyclical price dynamics of urban housing markets using a large-scale agent-based model. SN Business & Economics. 2021. 1(6). Р. 1–21. https://doi.org/10.1007/s43546-021-00084-3. 4. Evans B.P., Glavatskiy K., Harré M.S., & Prokopenko M. The impact of social influence in Australian real estate: Market forecasting with a spatial agent-based model. Journal of Economic Interaction and Coordination. 2023. 18(1). Р. 5–57. https://doi.org/10.1007/s11403-022-00361-w. 5. Aïd R., Dumitrescu R., & Tankov P. The entry and exit game in the electricity markets: A mean- field game approach. Journal of Dynamics & Games. 2021. 8(4). Р. 331–358. https://doi.org/10.3934/ jdg.2021013. 6. Bassière A., Dumitrescu R., & Tankov P. A mean-field game model of electricity market dynamics. In F. E. Benth & A. E. D. Veraart (Eds.). Quantitative Energy Finance. 2024. Р. 181–219. Springer. https://doi.org/10.1007/978-3-031-41168-7_7. 7. Huang H.F., & Ma H.W. Redesigning a cap-and-trade program for air emissions by agent-based modeling. Sustainable Environment Research. 2022. 32(1). Р. 1–12. https://doi.org/10.1186/s42834-022- 00124-7. 8. Yu S. M., Fan Y., Zhu L., & Eichhammer W. Modeling the emission trading scheme from an agent-based perspective: System dynamics emerging from firms' coordination among abatement options. European Journal of Operational Research. 2020. 286(3). Р. 1113–1128. https://doi.org/10.1016/j.ejor. 2020.03.074. 9. Kuznietsova N., Shevchuk O., & Prokopenko M. Agent-based method for modelling green risks. In M. Zgurovsky & N. Pankratova (Eds.). System analysis and data mining (Studies in Systems, Decision and Control. 2026. Vol. 609). Springer. https://doi.org/10.1007/978-3-031-97529-5. 10. Freiberg D., Park D.G., Serafeim G., & Zochowski T.R. (2021). Corporate environmental impact: Measurement, data and information (Harvard Business School Working Paper No. 20-098). Harvard Business School. https://doi.org/10.2139/ssrn.3565533. Надійшла до редакції 25.11.2025 https://doi.org/10.1057/jos.2010.3 https://doi.org/10.1109/%20WSC.2008.4736060 https://www.google.com/search?q=https://doi.org/10.1007/s43546-021-00084-3 https://doi.org/10.1007/s11403-022-00361-w https://www.google.com/search?q=https://doi.org/10.3934/jdg.2021013 https://www.google.com/search?q=https://doi.org/10.3934/jdg.2021013 https://www.google.com/search?q=https://doi.org/10.1007/978-3-031-41168-7_7 https://www.google.com/search?q=https://doi.org/10.1186/s42834-022-00124-7 https://www.google.com/search?q=https://doi.org/10.1186/s42834-022-00124-7 https://doi.org/10.1016/%20j.ejor.2020.03.074 https://doi.org/10.1016/%20j.ejor.2020.03.074 https://www.google.com/search?q=https://doi.org/10.1007/978-3-031-97529-5 https://doi.org/10.2139/ssrn.3565533
id	drspiprikievua-article-354576
institution	Data Recording, Storage & Processing
keywords_txt_mv	keywords
language	Ukrainian
last_indexed	2026-06-09T01:00:30Z
publishDate	2025
publisher	Інститут проблем реєстрації інформації НАН України
record_format	ojs
resource_txt_mv	drspiprikievua/71/f081f547fabf989039d08c8ed0accf71.pdf
spelling	drspiprikievua-article-3545762026-06-08T07:18:31Z Modified agent-oriented method for green risks and technologies assessment Модифікований агентно-орієнтований метод оцінки ризиків зелених проєктів і технологій Кузнєцова, Н. В. Шевчук, О. С. аgent-based modelling, risk assessment, green risks, green projects, stochastic process, behavioral strategies агентно-орієнтоване моделювання, оцінка ризиків, зеле-ні ризики, зелені проєкти, стохастичний процес, поведінкові стратегії This study explores the modeling, analysis, and assessment of green projects and technologies’ risks. The main distinguishing feature of green projects is their environmental focus, often accompanied by a certain disregard for economic factors. The investigation examines a modified agent-oriented method for the simulation of financial companies’ activities. The simulation is performed at the environment where the utilization of natural resources, in particular CO2 emissions, wastewater, and drinking water consumption, is regulated. Additionally, the simulation environment incorporates a functioning green quota market. Special attention is given to the analysis of various agents’ behavioural strategies. Behavioural strategies determine agents’ goals, as well as decision-making logic and principles during modelling. Four types of behavioural strategies were formulated: «Ignorance», «Adaptive business», «Green policy», and «Green quota trade». Each strategy reflects radically different approaches to economic activity conducted in an environment with natural resources usage regulations. The simulation on energy sector companies’ data usage was conducted with the aim of analysing and comparing the efficiency of proposed strategies. The modelling confirmed that behavioural strategy is a decisive factor with a major influence on a financial company’s future growth and development. Thus, the campaign can successfully adapt to the green quota regime and maintain economic growth in the future, in the case when the effective behavioural strategy is chosen. On the other hand, an inefficient strategy can cause major financial degradation, even with a risk of bankruptcy. Furthermore, the modelling demonstrated that behavioural strategies could have different relative effectiveness at different simulation time horizons. Fig.: 2. Refs: 10 titles. Розглянуто моделювання, аналіз та оцінку зелених проєктів і технологій. Основною відмінністю зелених проєктів є їхня суто екологічна спрямованість, і певне нехтування економічного фактору. Запропоновано покращений агентно-орієнтований метод імітації діяльності фінансових компаній у середовищі, у якому встановлено обмеження на використання природних ресурсів і введено ринок зелених квот. Розглянуто поведінкові стратегії, що визначають цілі та логіку прийняття рішень агентів під час моделювання. Моделювання різних стратегій компаній показало, що поведінкова стратегія є визначальним фактором, що впливає на майбутнє фінансової компанії. Так, при виборі ефективної стратегії компанія може адаптуватися до введення режиму зелених квот і продовжити зростати в економічній складовій, проте, при виборі неефективної стратегії, компанії може загрожувати банкрутство. Інститут проблем реєстрації інформації НАН України 2025-12-23 Article Article application/pdf https://drsp.ipri.kiev.ua/article/view/354576 10.35681/1560-9189.2025.27.3.354576 Data Recording, Storage & Processing; Vol. 27 No. 3 (2025): Special issue; 35-46 Регистрация, хранение и обработка данных; Том 27 № 3 (2025): Спецвипуск; 35-46 Реєстрація, зберігання і обробка даних; Том 27 № 3 (2025): Спецвипуск; 35-46 1560-9189 uk https://drsp.ipri.kiev.ua/article/view/354576/343180 Авторське право (c) 2025 Реєстрація, зберігання і обробка даних
spellingShingle	аgent-based modelling risk assessment green risks green projects stochastic process behavioral strategies Кузнєцова, Н. В. Шевчук, О. С. Modified agent-oriented method for green risks and technologies assessment
title	Modified agent-oriented method for green risks and technologies assessment
title_alt	Модифікований агентно-орієнтований метод оцінки ризиків зелених проєктів і технологій
title_full	Modified agent-oriented method for green risks and technologies assessment
title_fullStr	Modified agent-oriented method for green risks and technologies assessment
title_full_unstemmed	Modified agent-oriented method for green risks and technologies assessment
title_short	Modified agent-oriented method for green risks and technologies assessment
title_sort	modified agent-oriented method for green risks and technologies assessment
topic	аgent-based modelling risk assessment green risks green projects stochastic process behavioral strategies
topic_facet	аgent-based modelling risk assessment green risks green projects stochastic process behavioral strategies агентно-орієнтоване моделювання оцінка ризиків зеле-ні ризики зелені проєкти стохастичний процес поведінкові стратегії
url	https://drsp.ipri.kiev.ua/article/view/354576
work_keys_str_mv	AT kuznêcovanv modifiedagentorientedmethodforgreenrisksandtechnologiesassessment AT ševčukos modifiedagentorientedmethodforgreenrisksandtechnologiesassessment AT kuznêcovanv modifíkovanijagentnooríêntovanijmetodocínkirizikívzelenihproêktívítehnologíj AT ševčukos modifíkovanijagentnooríêntovanijmetodocínkirizikívzelenihproêktívítehnologíj

Modified agent-oriented method for green risks and technologies assessment

Репозитарії

Схожі ресурси