Tối ưu hóa ở Liên Xô: Bài học từ quy hoạch tập trung cho thời đại dữ liệu

Là một nhà khoa học dữ liệu, phần lớn công việc của tôi xoay quanh việc chọn các chỉ số để tối ưu và tìm cách thực hiện mọi thứ hiệu quả nhất có thể. Với những câu hỏi kiểu này trong đầu, tôi tình cờ tìm thấy một cuốn sách vô cùng hấp dẫn về các vấn đề kinh tế ở Liên Xô và đội ngũ các nhà kinh tế, nhà khoa học máy tính theo định hướng dữ liệu muốn giải quyết chúng. Cuốn sách có tên Red Plenty. Điều kỳ lạ là nó được viết dướ dạng tiểu thuyết, nhưng vẫn trình bày một lịch sử kinh tế chính xác của Liên Xô. Nó dựa nhiều vào một cuốn sách cũ hơn từ năm 1973 mang tên Planning Problems in the USSR, mà tôi cũng đã mua.

Khi đọc những cuốn sách này, tôi không khỏi nhận ra những điểm tương đồng với việc lập kế hoạch trong bất kỳ tổ chức hiện đại nào. Cuốn sách thứ hai còn trích dẫn lời phàn nàn của một nhà nghiên cứu rằng 90% thời gian của ông chỉ dành để dọn dẹp dữ liệu, và chỉ 10% thời gian thực sự dành cho việc xây dựng mô hình — điều mà bất kỳ nhà khoa học dữ liệu nào ngày nay cũng đều cảm thấy quen thuộc.

Minh họa cho quá trình dọn dẹp dữ liệu so với xây dựng mô hình

Ngoài những điểm tương đồng thú vị này, các cuốn sách còn giúp tôi hiểu nhiều điều mà trước đây tôi biết rất ít, như quy hoạch tuyến tính, trạng thái cân bằng giá cả và lịch sử Liên Xô. Bài viết này là những gì tôi đã học được.

Nhiệm vụ bất khả thi của nền kinh tế kế hoạch

Nhiệm vụ chính của nền kinh tế kế hoạch tập trung ở Liên Xô là phân bổ nguồn lực sao cho tạo ra đúng danh mục hàng hóa và dịch vụ mong muốn. Mỗi năm, các chỉ tiêu sản lượng cho từng loại hàng hóa được thiết lập. Dựa trên ước tính về nguồn lực đầu vào sẵn có, các nhà quản lý trung ương dùng bảng cân đối để đặt ra kế hoạch cho từng nhà máy, quy định chính xác mỗi nhà máy sẽ nhận bao nhiêu nguyên liệu thô và phải sản xuất ra bao nhiêu sản phẩm. Cho đến những năm 1960, việc này luôn được thực hiện bằng tính toán thủ công.

Vì có hàng trăm nghìn loại hàng hóa và chuỗi cung ứng phụ thuộc nhiều bước, việc tính toán đầy đủ bảng cân đối cho toàn bộ nền kinh tế là bất khả thi. Các nhà quản lý buộc phải đưa ra những giả định đơn giản hóa. Kết quả là việc phân bổ nguồn lực trở thành một mớ hỗn loạn. Dưới đây là một vài cách đơn giản hóa và hậu quả của chúng.

Sự ra đời của các "nhà quy hoạch tối ưu"

Ngay cả khi các nhà quản lý có thể tính toán chính xác (mà thực tế họ không làm được), nỗ lực phân bổ nguồn lực của họ vẫn còn rất xa so với mức tối ưu. Trong ngành thép, ví dụ, một số nhà máy giỏi sản xuất loại ống này, trong khi nhà máy khác lại giỏi loại ống khác. Với hàng nghìn nhà máy và chủng loại ống khác nhau, việc quyết định phân bổ nguồn lực và chỉ tiêu sản xuất là bài toán phức tạp, khó biết nên mở rộng nhà máy nào và đóng cửa nhà máy nào.

Lá thư về kế hoạch sản xuất thép

Vào cuối những năm 1960, một nhóm các nhà kinh tế và khoa học máy tính mang tên "các nhà quy hoạch tối ưu" bắt đầu thúc đẩy một cách làm tốt hơn. Họ lập luận rằng kỹ thuật quy hoạch tuyến tính (linear programming) — do Leonid Kantorovich phát minh — có thể giải quyết tối ưu các bài toán chuỗi cung ứng. Vì quy trình có thể được vi tính hóa, người ta có thể tính toán chi tiết hơn so với làm thủ công, với mức độ giảm chiều dữ liệu ít hơn. Quan trọng hơn, quy hoạch tuyến tính cho phép tối ưu hóa các hàm mục tiêu tùy ý trong những ràng buộc nhất định. Trong trường hợp chuỗi cung ứng, nó chỉ ra cách phân bổ hiệu quả, xác định nhà máy nào hiệu quả nên nhận thêm nguyên liệu, nhà máy nào kém hiệu quả nên đóng cửa.

Những thành công hạn chế

Các nhà quy hoạch tối ưu đã có một số thành công nhất định. Trong ngành thép, khoảng 60.000 khách hàng yêu cầu 10.000 loại sản phẩm từ 500 nhà sản xuất, với hiệu suất khác nhau. Nếu đơn giản hóa bài toán thành việc quyết định mỗi nhà máy cần sản xuất bao nhiêu mỗi loại sản phẩm, đây là một ứng dụng kinh điển của Bài toán phân công tối ưu (Optimal Assignment Problem). Nếu tính thêm chi phí vận chuyển phụ thuộc khoảng cách, bài toán trở thành Bài toán vận tải (Transportation Problem) tổng quát hóa cho nhiều loại hàng hóa.

Tuy nhiên, tác động của họ bị giới hạn bởi ba yếu tố chính:

• Rào cản chính trị: Các khuyến nghị từ mô hình khó được triển khai. Từng nhà máy xi măng bị coi là kém hiệu quả hoặc quá xa khách hàng vẫn được phép hoạt động dù giải pháp tối ưu khuyến nghị đóng cửa.
• Phạm vi hẹp: Họ chỉ được làm việc trong một số lĩnh vực hẹp, không có cơ hội truyền các khuyến nghị ngược lên chuỗi cung ứng.
• Giá trị phi nguyên tắc: Giá trị của mỗi hàng hóa do các nhà quản lý cũ đặt ra một cách tùy tiện, khiến họ bị buộc phải tối ưu hóa các hàm mục tiêu không có ý nghĩa kinh tế.

Tham vọng vĩ đại hơn và lý do thất bại

Các nhà quy hoạch tối ưu tin rằng họ có thể dùng quy hoạch tuyến tính để tối ưu hóa toàn bộ nền kinh tế và vượt qua các xã hội tư bản. Họ chỉ trích chủ nghĩa tư bản ở hai điểm: giá cả được định giá bằng phỏng đoán thử-sai từ các tác nhân riêng lẻ với thông tin không hoàn hảo, và hàm mục tiêu dù hiệu quả Pareto nhưng không tối ưu về mặt xã hội do chênh lệch giàu nghèo. Thay vào đó, họ đề xuất một hàm mục tiêu công bằng hơn, ưu tiên hàng hóa có giá trị xã hội và đảm bảo toàn dụng lao động.

Nhưng những ý tưởng này không bao giờ được thực hiện. Đến những năm 1970, rõ ràng là mức sống ở Liên Xô ngày càng tụt hậu so với phương Tây. Hai vấn đề nghiêm trọng nhất mà kế hoạch hóa tập trung phải đối mặt:

• Độ phức tạp tính toán: Bài toán với 12 triệu loại hàng hóa và khoảng 12 tỷ biến số sẽ mất khoảng một nghìn năm để giải trên máy tính hiện đại. Tuy nhiên, nếu Định luật Moore tiếp tục đúng, trong 100 năm nữa, việc giải quyết vẫn có thể khả thi.
• Chất lượng dữ liệu: Kiến thức của các nhà quy hoạch trung ương về nhu cầu đầu vào và năng lực của từng nhà máy không bao giờ tốt bằng những người lao động trực tiếp. Nhưng với Internet vạn vật (IoT) và hệ thống camera, cảm biến theo dõi sản phẩm — như cách Amazon đang làm — thì vấn đề này có thể được cải thiện đáng kể trong tương lai.

Chân dung Leonid Kantorovich

Bài học cho thời đại số

Câu chuyện về các nhà quy hoạch tối ưu Liên Xô không chỉ là một giai thoại lịch sử. Nó là một lời nhắc nhở mạnh mẽ rằng dữ liệu tốt, thuật toán tốt vẫn chưa đủ — mà còn cần đến mục tiêu rõ ràng, sự ủng hộ về chính trị và khả năng truyền thông tin ngược trong toàn hệ thống. Đối với các tổ chức hiện đại đang triển khai AI và phân tích dữ liệu, đây là bài học xương máu: một mô hình tối ưu sẽ thất bại nếu không có sự đồng thuận, dữ liệu sạch và một hàm mục tiêu được định nghĩa đúng đắn.