Разделы: Экономика
Размещена 05.01.2026. Последняя правка: 04.01.2026.
Просмотров - 145

МАТЕМАТИКО-ИНТЕЛЛЕКТУАЛЬНЫЕ ПОДХОДЫ К АНАЛИЗУ СОЦИАЛЬНО-ЭКОНОМИЧЕСКИХ ПРОЦЕССОВ

Амангельдыева Гульширин Тойчыевна

нет

Институт Телекоммуникаций и информатики Туркменистана

Старший преподаватель

УДК 330.101

1. Введение

Современные социально-экономические процессы характеризуются высокой степенью сложности и динамичности, что требует от исследователей разработки эффективных методов анализа и прогнозирования. Традиционные экономические модели часто не могут учесть все переменные и факторы, влияющие на развитие экономики и социальной сферы. В последние десятилетия использование математических моделей и методов искусственного интеллекта (ИИ) значительно повысило точность прогнозов и улучшило процессы принятия решений в социальной и экономической сфере.

Математическое моделирование и ИИ предоставляют возможности для более глубокой аналитики данных и создания гибких моделей, способных адаптироваться к изменениям в социально-экономической среде [1].

2. Математические методы в анализе социально-экономических процессов

Математическое моделирование социально-экономических процессов используется для описания и прогнозирования изменений в таких областях, как макроэкономика, финансы, социальное обеспечение и другие. Одним из основных методов является регрессионный анализ, который используется для выявления зависимостей между экономическими переменными, такими как валовой внутренний продукт (ВВП), уровень безработицы и инфляция [2].

Еще одним важным инструментом является метод линейного программирования, который широко применяется для оптимизации распределения ресурсов в экономике. В частности, методы оптимизации помогают создавать эффективные модели для управления государственными финансами, налогообложением и другими социально-экономическими процессами [3].

Применение методов теории игр в социально-экономическом анализе позволяет моделировать взаимодействие различных агентов (например, правительство, бизнес и потребители), что является ключевым для разработки эффективных экономических стратегий [4].

3. Интеллектуальные методы в анализе данных

С развитием технологий обработки больших данных и искусственного интеллекта, интеллектуальные методы становятся неотъемлемой частью анализа социально-экономических процессов. Методы машинного обучения, такие как нейронные сети, деревья решений и метод опорных векторов (SVM), позволяют выявлять скрытые закономерности в данных и прогнозировать будущее развитие экономических процессов.

Машинное обучение широко применяется для анализа потребительского спроса, прогнозирования экономических показателей и создания стратегий для улучшения макроэкономической ситуации. Например, нейронные сети используются для прогнозирования изменений на фондовых рынках, а методы кластеризации помогают анализировать поведение различных социальных групп [5].

Особое внимание стоит уделить обработке естественного языка (NLP), которая позволяет анализировать текстовые данные, такие как экономические отчеты, статьи и посты в социальных сетях. Эти технологии дают возможность анализировать общественное мнение и отслеживать изменения в социальной и экономической политике [6].

4. Проблемы и вызовы при применении математико-интеллектуальных подходов

Несмотря на высокую эффективность математико-интеллектуальных методов, их использование сталкивается с рядом вызовов. Одной из проблем является качество данных, поскольку многие социально-экономические процессы могут быть трудно описаны точными количественными показателями. Применение методов машинного обучения требует наличия большого количества данных, которые должны быть качественными и полными [7].

Еще одной проблемой является этика использования искусственного интеллекта в социальной и экономической сферах. Важно учитывать вопросы справедливости и предотвращения дискриминации при принятии решений на основе алгоритмов ИИ. Прозрачность алгоритмов и защита личных данных являются ключевыми аспектами при использовании этих технологий [8].

5. Заключение

Математико-интеллектуальные подходы, включающие методы математического моделирования и искусственного интеллекта, играют ключевую роль в анализе и прогнозировании социально-экономических процессов. Интеграция этих технологий позволяет повысить точность прогнозов и улучшить процессы принятия решений в разных сферах экономики и социальной политики. Однако успешное применение этих методов требует решения проблем качества данных, этики и обеспечения прозрачности алгоритмов, а также защиты персональной информации.

1. Трушкин А.С. Математическое моделирование в социально-экономическом анализе. — Журнал математической экономики, 2020. — С. 52-67.
2. Гуляева Н.В. Применение статистических методов в экономике. — Экономика и статистика, 2019. — С. 35-49.
3. Баранов И.В. Математические методы в прогнозировании социально-экономических процессов. — Известия высших учебных заведений. Экономика, 2021. — С. 42-58.
4. Халиков Д.Б. Теория игр в экономике. — Экономический анализ и прогнозирование, 2020. — С. 113-126.
5. Яковлев Д.К. Машинное обучение для анализа экономических данных. — Прогнозирование и анализ данных, 2019. — С. 33-47.
6. Новиков В.В. Анализ экономических показателей с помощью нейронных сетей. — Математика в экономике и бизнесе, 2018. — С. 52-65.
7. Аксенова Н.П. Качество данных в анализе больших данных. — Анализ и управление данными, 2019. — С. 98-110.
8. Строганов О.В. Этика использования искусственного интеллекта в социально-экономических системах. — Журнал искусственного интеллекта и этики, 2021. — С. 45-59.

Рецензии:

6.01.2026, 19:45 Ашрапов Улугбек Товфикович
Рецензия: Статью “Математические и интеллектуальные подходы к анализу социально-экономических процессов ” рекомендую к публикации после доработки с описанием автором конкретных примеров по данной теме. 1) Примером по данной теме может служить следующее исследование: в работе [https://doi.org/10.31857/S0424738825040063] показано, что определение цены перспективного самолета методом аналогов или доходным методом может представлять проблему в силу отсутствия прямого аналога либо невозможности получения достоверного долгосрочного прогноза тарифов на авиаперевозки, сопоставимый с циклом разработки объекта оценки. Для решения указанной проблемы авторами предложена методика оценки цены перспективных магистральных самолетов, основанная на синтезе затратного подхода и метода аналогов. Цену перспективного самолета предложено находить как сумму цены современного самолета-аналога и накопленной дисконтированной экономии от эксплуатации перспективного самолета по сравнению с аналогом, с учетом корректировки на отношение прогнозных объемов транспортной работы в авиатранспортной системе. Оценки цены аналога и эксплуатационных затрат по укрупненным статьям расходов получены на основе новых регрессионных зависимостей от технических характеристик самолета (пассажировместимости, дальности, тяговооруженности, максимальной взлетной массы, массы пустого снаряженного самолета). Применение подхода продемонстрировано на примере определения цены перспективного магистрального самолета уровня 2035–2050 гг., обладающего сниженным на 25% расходом топлива относительно существующего аналога. 2) В статье рекомендую автору более конкретно описать интеллектуальный анализ данных. Интеллектуальный анализ данных (IDA) — это передовые методы анализа больших массивов данных для выявления закономерностей, тенденций и взаимосвязей, позволяющих получать полезные выводы. Сочетая методы статистики, машинного обучения и искусственного интеллекта, IDA преобразует необработанные данные в значимую информацию, позволяя предприятиям принимать решения на основе данных и оптимизировать свою деятельность. В производстве, здравоохранении и финансах IDA кардинально меняет ситуацию, способствуя повышению эффективности и внедрению инноваций. IDA предоставляет предприятиям полезные аналитические данные, способствуя принятию более эффективных решений, повышению производительности и получению конкурентных преимуществ за счет передового анализа данных. В обрабатывающей промышленности IDA играет ключевую роль в оптимизации производственных процессов посредством анализа данных в реальном времени. Например, производитель, использующий IDA, может анализировать данные о работе оборудования для прогнозирования отказов, заблаговременного планирования технического обслуживания и достижения повышения эффективности до 30%, как это показано во многих примерах применения Symestic [https://www.symestic.com/en-us/what-is/ida].



Комментарии пользователей:

Оставить комментарий