Научный архив: статьи

В статье рассмотрены вопросы стратегического планирования национального развития в социально-философском дискурсе культурных трансформаций. Суть специфики национального стратегического планирования состоит в смысловом разграничении стратегии и тактики, стратегических и тактических задач, а также в различении целей и средств, необходимых для осмысления любого рационального действия. В статье поднимаются такие вопросы, как прогнозирование социальных и политических процессов, футурологические подходы к прогнозам и выстраивание прогнозов на основании цивилизационного подхода. В частности, для сравнения автор приводит труды американских и отечественных философов и политологов, дававших прогнозы национального развития и закладывавших в основу стратегического планирования именно культурные, цивилизационные основания. В статье делается вывод, что стратегическое планирование на уровне государства невозможно без способности прогнозирования и моделирования развития всего мира, всех его регионов и основных межрегиональных объединений. Это особенно актуально в условиях активного формирования глобального миропорядка, который вряд ли можно назвать порядком, но при этом текущая социальная, политическая, экономическая и демографическая динамика не является управляемым хаосом. Идет активный переход от однополярного мира к многополярному. Отмечается, что как никогда остро ощущается нехватка теоретической базы, адекватно объясняющей задачи происходящего и прогнозирующей будущее, хотя активные действия мировых игроков свидетельствуют об их стремлении вмешиваться в сложившиеся порядки и управлять происходящими изменениями. Еще один важный вывод, сделанный автором в настоящей статье, состоит в том, что на смену парадигме устойчивого развития приходит новая, ключевую роль в которой играет понятие «большие вызовы». Это понятие рождается в рамках исторической и культурологической наук, но его последующая эволюция показывает мощный конвергентный потенциал данного концепта и выстраиваемого на его основе концептуального каркаса. Парадигма больших вызовов необходима для объяснения и прогнозирования событий в сфере политики и экономики, государственного строительства и обеспечения национальной безопасности. Данная парадигма больших вызовов все еще находится в стадии концептуальной проработки, а также в выявлении и описании ее философских оснований.

В статье автор определяет основные тенденции развития предпринимательства в России и мире, выявляет положительные и отрицательные тенденции развития российского предпринимательства, способы государственной поддержки российского бизнеса, выделяет среди них основные приоритетные направления. Кроме того, автором анализируется прогнозная информация по развитию предпринимательства в соответствии с Прогнозом социальноэкономического развития Российской Федерации на период до 2030 года, а также делаются собственные предположения и рекомендации по этому вопросу

В статье систематизированы современные представления об особенностях использования инструментария искусственного интеллекта в целях анализа, оптимизации финансовых потоков. Актуальность темы аргументируется стремительным ростом объема транзакций в глобальной экономике в сочетании с неспособностью традиционных методов обеспечить по–настоящему результативную обработку многомерных динамических данных в режиме реального времени. В нынешних условиях возникает острая необходимость в разработке новых подходов к управлению денежными потоками — прежде всего, построенных на основе технологий искусственного интеллекта. Цель исследования заключается в систематизации теоретико–методологического базиса применения ИИ в анализируемой сфере, а также в выявлении конкретных преимуществ и ограничений (в отношении этого предложен авторский взгляд на ситуацию, который целесообразно рассматривать в качестве отправной точки для последующих изысканий на предмет определения сдержек и противовесов к задействованию искусственного интеллекта). В научной литературе наблюдаются противоречия между теоретическими моделями использования ИИ и практическими возможностями их реализации, а также разногласия в оценках эффективности различных типов нейросетей для финансового прогнозирования. Недостаточно исследованы вопросы информационной безопасности, правового регулирования в данной области. Установлено, что наиболее перспективными направлениями являются применение глубоких нейронных сетей для анализа временных рядов, методов обучения с подкреплением в целях оптимизации управленческих решений, внедрение технологий обработки естественного языка для работы с неструктурированными финансовыми документами. Подчеркнута значимость графовых инструментов в обнаружении подозрительных схем движения средств, предотвращении мошеннических действий. Статья представляет интерес для аналитиков, специалистов в области искусственного интеллекта, руководителей финансовых департаментов.

В данной статье рассматривается применение машинного обучения в национальной экономике. Описываются основные концепции и методы машинного обучения, включая контролируемое, неконтролируемое обучение и обучение с подкреплением. Анализируются ключевые направления использования этой технологии в экономике, такие как прогнозирование рыночных тенденций, управление финансовыми рисками и анализ экономических данных. Особое внимание уделяется преимуществам машинного обучения, включая повышение эффективности принятия решений, автоматизацию процессов и обработку больших объемов данных. Вместе с тем рассматриваются проблемы внедрения данной технологии, такие как потребность в качественных данных, правовые и этические аспекты, а также нехватка квалифицированных специалистов. В статье предлагаются рекомендации по развитию инфраструктуры машинного обучения, инвестициям в иссчледования и подготовке кадров, что может способствовать экономическому росту и повышению конкурентоспособности страны.

Материалы и методы: В данной работе использовались различные методы и подходы к изучению машинного обучения в сфере национальной экономики. Основные методы включают анализ научной литературы, статистический анализ данных, моделирование с использованием алгоритмов машинного обучения, а также практическую реализацию экономических моделей с применением языков программирования Python и библиотек машинного обучения. Для анализа экономических данных были выбраны методы линейной регрессии, деревьев решений и нейронных сетей, так как они позволяют эффективно прогнозировать изменения ключевых макроэкономических показателей, таких как ВВП, инфляция, курс валют и уровень безработицы. В качестве инструментов использовались библиотеки Pandas, NumPy, Scikitlearn и Matplotlib, позволяющие обрабатывать, анализировать и визуализировать данные. Исследование основано на данных официальных статистических агентств и финансовых учреждений, включая исторические данные о макроэкономических показателях, рыночных тенденциях и финансовых рисках. Для обработки данных использовались методы очистки, нормализации и преобразования данных, что позволило повысить точность моделей. Практическая часть исследования включала разработку алгоритмов машинного обучения для прогнозирования экономических показателей. Модель линейной регрессии использовалась для предсказания роста ВВП, а более сложные модели, такие как случайные леса и градиентный бустинг, применялись для анализа более сложных взаимосвязей в экономике. Таким образом, использование современных методов машинного обучения в экономике позволяет получать точные прогнозы, выявлять закономерности в экономических данных и принимать стратегические решения на основе объективного анализа.

Заключение: Применение методов машинного обучения в национальной экономике открывает значительный потенциал для улучшения экономического анализа и принятия решений. С помощью современных алгоритмов и инструментов, таких как линейная регрессия, деревья решений и нейронные сети, можно эффективно моделировать и прогнозировать ключевые макроэкономические показатели, включая рост ВВП, инфляцию и финансовые риски. Эти методы позволяют более детально и точно понимать экономические тренды и взаимосвязи, что приводит к более обоснованным стратегическим решениям со стороны правительств, бизнеса и финансовых учреждений. Используя такие современные технологии, как Python, Pandas, NumPy и Scikit-learn, исследование продемонстрировало возможность обработки и анализа больших объемов экономических данных с высокой точностью. Машинное обучение предоставляет ценный инструмент для прогнозирования экономических показателей, управления рисками и оптимизации распределения ресурсов. Однако эффективность этих моделей зависит от качества используемых данных, и существуют проблемы, связанные с полнотой данных, интерпретируемостью моделей и вычислительными ресурсами. В заключение, машинное обучение является мощным инструментом для улучшения экономического прогнозирования и управления рисками. Для успешной интеграции этих технологий в национальные экономические системы страны должны инвестировать в исследования, улучшать цифровую инфраструктуру и разрабатывать образовательные программы для подготовки квалифицированных специалистов. Правильное внедрение машинного обучения может способствовать быстрому экономическому росту, более эффективному принятию решений и усилению конкурентоспособности на мировой арене.

Анализ современных отечественных и зарубежных исследований позволяет прийти к выводу о взаимосвязи процесса прогнозирования и социализации: способность детей предвосхищать события будущего является ресурсом их успешной адаптации в социуме. Целью работы являлось изучение рече-коммуникативной функции прогнозирования у детей с нарушениями зрения. Нами была использована методика «Прогностические истории», разработанная преподавателями Казанского федерального университета, позволяющая выявить способности детей дошкольного возраста прогнозировать развитие событий в различных сферах взаимодействия. В исследовании приняли участие 38 детей в возрасте от 5 до 7 лет (19 детей с нарушениями зрения и 19 детей без патологии зрения). Выявлены низкие показатели критерий рече-коммуникативной функции прогнозирования у детей с нарушениями зрения, проявляющиеся главным образом в односложной речи и аграмматизмах.

Развитие искусственного интеллекта (ИИ) кардинально меняет банковский сектор, ускоряя цифровую трансформацию и повышая эффективность бизнес-процессов. Внедрение интеллектуальных алгоритмов позволяет автоматизировать клиентское обслуживание, управление рисками и борьбу с финансовыми мошенничествами. ИИ-аналитика улучшает кредитную оценку, персонализирует финансовые продукты и оптимизирует управление активами. Использование машинного обучения снижает операционные издержки, повышает уровень кибербезопасности и улучшает точность прогнозирования рыночных трендов. В статье анализируются основные направления внедрения ИИ в банковской сфере, оценивается его экономическая эффективность и рассматриваются ключевые риски и барьеры цифровой трансформации финансовых учреждений.

Развитие цифровых технологий повышает потребность предприятий в интеграции автоматизированных систем управления (ERP), направленных на оптимизацию бизнес- процессов и снижение операционных затрат. Внедрение ERP-систем обеспечивает централизованный контроль ресурсов, автоматизацию учета, управление финансовыми потоками и прогнозирование спроса. Экономическая эффективность этих решений выражается в повышении производительности, снижении транзакционных издержек и улучшении управления цепочками поставок. В статье анализируются инвестиционные затраты на внедрение ERP, источники финансирования, ключевые выгоды для бизнеса и возможные риски. Рассматриваются перспективы развития ERP-систем с учетом технологических трендов, включая облачные вычисления, искусственный интеллект и интеграцию с интернетом вещей.

Современные экономические кризисы развиваются с высокой скоростью и сложностью, что требует новых методов прогнозирования и раннего выявления рисков. Использование технологий больших данных позволяет анализировать сложные экономические процессы в режиме реального времени, выявлять скрытые паттерны кризисов и предсказывать возможные макроэкономические потрясения. Применение машинного обучения, нейросетевых моделей и обработки высокочастотных финансовых данных значительно повышает точность прогнозирования кризисных сценариев, позволяя принимать упреждающие меры. В статье исследуется роль больших данных в выявлении нестабильности, рассматриваются основные источники информации, методы аналитики и ограничения алгоритмических предсказаний. Анализируются успешные примеры использования больших данных центральными банками и финансовыми регуляторами, а также перспективы интеграции предсказательных моделей в экономическую политику.

В статье представлен анализ структурных и конъюнктурных факторов, оказывающих влияние на динамику курса рубля в период с 1 квартала 2015 года по 3 квартал 2024 года. Целью исследования является разработка факторной модели, позволяющей осуществлять краткосрочное прогнозирование курса рубля с учетом текущей экономической среды. Авторы исследования используют методы эконометрического анализа для построения двух моделей множественной регрессии, где зависимой переменной выступает среднеквартальный курс валютной пары RUB/USD. Первая модель не учитывает лагированный курс рубля, в то время как вторая модель включает этот параметр для более точной оценки. С помощью статистических показателей, таких как R-squared, F-statistics и t-statistics, были выявлены ключевые факторы, оказывающие наибольшее воздействие на курс рубля. На основе проведенного анализа построена эконометрическая модель, которая наилучшим образом описывает динамику курса рубля в современных экономических условиях. В результате исследования влияния структурных и конъюнктурных факторов на динамику курса рубля было установлено, что наибольшее влияние в период с 1 квартала 2015 по 3 квартал 2024 гг. оказывают такие факторы как ВВП, реальная процентная ставка, показатель внутреннего долга и индекс волатильности RVI. Результаты исследования могут быть полезны розничным инвесторам для принятия обоснованных финансовых решений на валютном рынке, банкам и финансовым компаниям для управления валютными рисками, государственным органам для формирования экономической политики, научным исследователям и студентам это исследование предоставит новый материал для анализа и развития существующих теорий. В работе также обсуждаются возможные ограничения модели и направления для дальнейших исследований.

Агропродовольственные системы все больше подвержены экономической нестабильности, вызванной действием широкого спектра факторов, проблемы с идентификацией которых затрудняют предсказуемость их функционирования. Статья направлена на формирование теоретико-методических основ нейросетевого прогнозирования агропродовольственных систем. Методологической базой исследования послужили теория интеграции в приложении к предприятиям агропромышленного сектора и системный подход. Использовался комплекс общенаучных и специальных методов, включая элементы статистического анализа. Предложена авторская трактовка понятия «агропродовольственная система» как совокупности взаимосвязанных экономических субъектов, охватывающих весь цикл производства, хранения, переработки, распределения и потребления продуктов питания, объединенных и взаимодействующих между собой на основе экономических отношений и обеспечивающих достижение индивидуальных и совокупных системных эффектов. Сформирована структурная схема интеграции и взаимодействия элементов агропродовольственной системы, включающих экономические субъекты сельского хозяйства и продовольственного сектора, вертикально интегрированные структуры, домашние хозяйства населения. Обоснован концептуальный подход к систематизации эндогенных и экзогенных факторов прогнозирования. Экзогенные факторы были классифицированы как факторы первого и второго уровня по отношению к экономическим субъектам в зависимости от оказываемого влияния. Анализ особенностей проявления экзогенных факторов в функционировании агропродовольственной системы РФ выявил ее нестабильность, связанную с высокой волатильностью факторов данного типа, что определяет актуальность построения прогностических моделей на основе нейронных сетей. Результаты исследования способствуют более глубокому пониманию влияния различных факторов на параметры функционирования агропродовольственной системы и помогают разрабатывать соответствующие методы прогнозирования с использованием нейронных сетей.

Проблема прогнозирования уровня безработицы в Республике Беларусь остается актуальной в условиях динамично изменяющейся экономической среды. Традиционные методы прогнозирования, основанные на официальной статистике, зачастую не учитывают оперативные изменения на рынке труда, что снижает их точность. В то же время данные поисковых запросов доказали свою эффективность в качестве опережающих индикаторов в других странах, однако, их применение в Беларуси остается неизученным. Статья посвящена оценке возможности использования данных поисковых запросов для повышения точности прогнозирования уровня безработицы в Республике Беларусь. Методологическую основу исследования сформировали теоретические положения макроэкономики и модели SARIMA, VAR и SARIMAX. Методы включали декомпозицию временных рядов, тест Дики – Фуллера для оценки стационарности, дифференцирование, стандартизацию данных и тест Грейнджера на причинность. Информационную базу составили данные Национального статистического комитета Республики Беларусь об уровне безработицы за 2015–2024 гг. и данные о поисковых запросах Google, связанные с поиском работы. Выявлено, что модель SARIMAX с включением данных о поисковых запросах превосходит классические модели прогнозирования безработицы, демонстрируя минимальные ошибки. Согласно этой модели, прогнозные значения уровня безработицы показали тенденцию к снижению, что отражает устойчивую динамику улучшения ситуации на рынке труда Республики Беларусь. Полученные результаты подчеркивают значимость комбинирования традиционных данных с цифровыми метриками для повышения точности прогнозов, а также открывают перспективы для дальнейших исследований в области применения интернет-данных для социально-экономического анализа, включая разработку более совершенных моделей прогнозирования безработицы

В данной статье подробно рассматриваются ключевые элементы, включающие комплексный мониторинг гидрологической обстановки, прогнозирование развития опасных явлений, разработку и реализацию адаптивных мер по защите сельских территорий и инфраструктуры. Рассмотрена концепция, акцентирующая внимание на научно-обоснованной оценке уязвимости территорий к наводнениям различных генетических типов до наступления чрезвычайных ситуаций и анализа сопутствующих явлений и ущербов. В рамках данной концепции первостепенной является научно-обоснованная оценка уязвимости для наводнений различных генетических типов ареалов до наступления чрезвычайной ситуации. Проанализирована существующая нормативно-правовая база Российской Федерации, регламентирующая деятельность в области предупреждения чрезвычайных ситуаций, порождаемых гидрологическими явлениями. Отмечается значительная роль государства в ликвидации последствий стихийных бедствий, где ключевой является проблема разработки адекватной правовой базы для оценки ущербов. Предложена реализация модели управления на сельских территориях. В данной модели реализована двойственная природа гидрологической системы региона как глобальный фактор влияния - источник рисковых событий и как ключевой ресурс в экономической системе сельских территорий. Подчеркнута необходимость развития страхования как эффективного инструмента управления ущербами, особенно учитывая исторически низкий уровень страхования имущества и сельскохозяйственных рисков в Российской Федерации.