Artificial Intelligence in Models for Regional Management of Socio-Economic Processes
Keywords:
математические модели обеспечения управленческих решений, digital transformation, Data Mining, cluster regression analysis, mathematical models for supporting management decisionsAbstract
This paper analyzes methodological approaches for creating an info-technological platform for “digital portraits” of complex socioeconomic systems using the example of regional systems in Russia, as a necessary element of strategic management of the national development goals achievement.To address the challenges associated with creating digital portraits, practical applications of Data mining technologies, artificial intelligence algorithms, mathematical statistics, linear algebra, and cluster and economic factor analysis are identified. Based on these approaches, models are proposed for the digital transformation of regional socioeconomic management systems.Downloads
References
Адамов В. Е. Факторный индексный анализ (методология и проблемы). М. : Статистика, 1977. 200 с.
Акаев А. А., Ичкитидзе Ю. Р., Петряков А. А., Сарыгулов А. И. Цифровая трансформация экономики: эмпирические факты и математические модели. СПб. : Издательско-полиграфическая ассоциация высших учебных заведений, 2020. 336 с.
Акаев А. А., Садовничий В. А. Человеческий фактор как определяющий производительность труда в эпоху цифровой экономики // Проблемы прогнозирования. 2021. № 1 (184). С. 45–58. DOI 10.47711/0868-6351-184-45-58. EDN WFYDGO
Белоглазов Д. А. Особенности нейросетевых решений, достоинства и недостатки, перспективы применения // Известия Южного федерального университета. Технические науки. 2008. Т. 84, № 7. С. 105–110. EDN KAPCWZ
Блюмин С. Л., Суханов В. Ф., Чеботарёв С. В. Экономический факторный анализ. Липецк : Изд-во Липецкого эколого-гуманитарного института (ЛЭГИ). 2004. 148 с.
Виноградова Н. М. Теория индексов. М. : Гостехиздат, 1930. 200 с.
Дюк В. А., Флегонтов А. В., Фомина И. К. Применение технологий интеллектуального анализа данных в естественнонаучных, технических и гуманитарных областях // Известия РГПУ им. А. И. Герцена. 2011. № 138. С. 77–83. EDN NDNWEJ
Елисеева И. И., Князевский В. С., Ниворожкина Л. И., Морозова З. А. Теория статистики с основами теории вероятности. М. : Финансы и статистика. 2002. 400 с.
Ефанов В. А., Чаадаев В. К., Шляхов А. С. Стратегирование цифровой трансформации промышленного предприятия (на примере ФГУП «Российская телевизионная и радиовещательная сеть») // Экономика промышленности. 2023. Т. 16, № 1. С. 95–104. DOI 10.17073/2072-1633-2023-1-95-104. EDN ADVHOJ
Журавлев Д. М. Стратегирование цифровой трансформации сложных социально-экономических систем / под науч. ред. В. Л. Квинта. СПб. : ИПЦ СЗИУ РАНХиГС, 2024. (Серия «Библиотека стратега»). 352 с.
Журавлев Д. М., Троценко А. Н., Чаадаев В. К. Методология и инструментарий стратегирования социально-экономического развития региона // Экономика промышленности. 2022. Т. 15, № 2. С. 131–142. DOI 10.17073/2072-1633-2022-2-131-142. EDN IAXLHE
Журавлев Ю. И., Рязанов В. В., Сенько О. В. Распознавание. Математические методы. Программная система. Практические применения. М. : Фазис. 2006. 176 с.
Журавлев Ю. И., Флеров Ю. А., Вялый М. Н. Основы высшей алгебры и теории кодирования. М. : Изд-во ФУПМ МФТИ, 2019. 308 с.
Замков О. О., Толстопятенко А. В., Черемных И. Н. Математические методы в экономике. М. : Дело и сервис, 1997. 368 с.
Ивченко Г. И., Медведев Ю. И. Математическая статистика : учебник. М. : КД «ЛИБРОКОМ», 2014. 352 с.
Исмагилов И. И., Кадочникова Е. И., Костромин А. В. Эконометрика. Казань : Изд-во Казанского университета, 2014. 235 с.
Капелюшников Р. И. Искусственный интеллект и проблема сингулярности в экономике // Препринт WP3. 2025.01. Серия WP3 «Проблемы рынка труда»). М. : Изд. дом Высшей школы экономики, 2025. 67 с.
Клейнер Г. Б. Производственные функции. Теория, методы, применение. М. : Финансы и статистика, 1986. 238 с.
Кремер Н. Ш., Путко Б. А. Эконометрика : учебник для вузов. М. : ЮНИТИ-ДАНА, 2004. 311 с.
Лаптева Е. А., Навдаева С. Н., Ирхина Л. Н. Статистика: индексный метод анализа : учеб. пособие. Н. Новгород : Изд-во Нижегородского ГАТУ, 2022. 164 с.
Меликян А. А. Применение индексного метода в исследовании региональной цифровой дифференциации // Инновации и инвестиции. 2025. № 3. С. 406–409. EDN GINLLH
Некипелов А. Д. Об экономической стратегии и экономической политике России в современных условиях // Научные труды Вольного экономического общества России. 2021. Т. 230, № 4. С. 76–89. DOI 10.38197/2072-2060-2021-230-4-76-89. EDN MHLEYL
Некипелов А. Д. От нейтрализации внешних шоков к устойчивому долгосрочному развитию // Научные труды Вольного экономического общества России. 2024. Т. 248, № 4. С. 130–142. DOI 10.38197/2072-2060-2024-248-4-130-142. EDN IMGYWO
Обухов А. М. О статистических ортогональных разложениях эмпирических функций // Известия АН СССР. Сер. Геофизика. 1960. № 3. С. 432–439.
Овсянников Г. Н. Факторный анализ в доступном изложении: Изучение многопараметрических систем и процессов. М. : КД «ЛИБРОКОМ», 2025. 176 с.
Орлов А. И. Искусственный интеллект: статистические методы анализа данных : учебник. М. : Ай Пи Ар Медиа, 2022. 843 с.
Регионы России: социально-экономические показатели. М. : Росстат, 2020. 1242 с.
Трофимова Е. А., Кисляк Н. В., Гилев Д. В. Теория вероятностей и математическая статистика : учеб. пособие. Екатеринбург : Изд. Уральского университета, 2018. 160 с.
Успенский А. Б., Романов С. В., Троценко А. Н. Применение метода главных компонент для анализа ИК-спектров высокого разрешения, измеренных со спутников // Исследования Земли из космоса. 2003. № 3. С. 26–33. EDN OOCSXX
Aggarwal Charu C. Neural Networks and Deep Learning: A Textbook, Second Edition, 2023. Springer Cham, 2024. 529 р.
Breiman L. Bagging Predictors // Machine Learning. 1996. № 24. P. 123–140.
Cook R. D., Weisberg S. Residuals and Influence in Regression. New York: Chapman and Hall, 1982. 230 р.
Goodfellow I., Bengio Y., Courville A. Deep Learning (Adaptive Computation and Machine Learning series). The MIT Press, 2016. 800 р.
Kao Yi-Hao, Van Roy B. Directed Principal Component Analysis // Operations Research. 2014. Vol. 62, N 4. P. 957–972.
McAuley J. Personalized Machine Learning. Cambridge University Press, 2022. 326 р.
Stephens-Davidowitz S. Everybody Lies: Big Data, New Data, and What the Internet Can Tell Us About Who We Really Are. Dey Street Books, 2018. 352 р.
Zaki, M. J., Wagner Meira Jr. Data Mining and Machine Learning: Fundamental Concepts and Algorithms. Second Edition. Publisher: Cambridge University Press. 2020. 766 p.
