Details

Актуальность исследования обусловлена возрастающей сложностью прогнозирования регионального экономического роста в условиях цифровой трансформации экономики и ограниченности традиционных методов анализа. По данным исследований, объем генерируемых данных о социально-экономическом развитии регионов ежегодно увеличивается на 40-50%, что требует принципиально новых подходов к их обработке и анализу. При этом существующие методы прогнозирования не позволяют эффективно учитывать нелинейные взаимосвязи и синергетические эффекты между различными факторами регионального развития. Цель исследования заключается в разработке комплексного инструментария прогнозирования экономического роста регионов на основе интеграции технологий больших данных и современных методов бизнес-аналитики. Методология исследования включает модифицированные алгоритмы машинного обучения, специально адаптированные для анализа региональных данных, с использованием как структурированных, так и неструктурированных источников информации. Разработанный инструментарий апробирован на данных 76 регионов России за период 2015-2023 гг. с применением распределенных вычислительных систем. Новизна результатов заключается в создании интегрированного инструментария, позволяющего выявлять нелинейные эффекты и синергетические взаимодействия между факторами роста, а также количественно оценивать пороговые значения факторов и лаговые эффекты их влияния. Впервые предложена методика комплексной оценки влияния цифровой трансформации на региональное развитие, учитывающая взаимосвязи между технологическими, социальными и институциональными факторами. Практическая ценность подтверждается успешной апробацией результатов в системе регионального управления, обеспечивающей повышение эффективности управленческих решений на 20-25% за счет более точного прогнозирования и комплексного учета факторов роста. Разработанный инструментарий внедрен в практику стратегического планирования ряда российских регионов и показал высокую эффективность при разработке программ социально-экономического развития. Направления дальнейших исследований включают расширение набора анализируемых показателей за счет данных интернета вещей и цифровых платформ, совершенствование алгоритмов машинного обучения для работы в условиях экономической нестабильности, адаптацию инструментария для муниципального уровня управления и развитие механизмов интеграции с существующими информационными системами регионального управления.

The significance of the study is due to the increasing complexity of regional economic growth forecasting in the context of digital transformation and the limitations of traditional analysis methods. According to research, the volume of generated data on regional socio-economic development increases by 40-50% annually, requiring fundamentally new approaches to their processing and analysis. Existing forecasting methods do not effectively account for nonlinear relationships and synergetic effects between various regional development factors. The goal of the study is to construct comprehensive tools for forecasting regional economic growth based on integration of big data technologies and modern business analytics methods. The research methodology includes modified machine learning algorithms specifically adapted for regional data analysis, using both structured and unstructured information sources. The developed tools were tested on data from 76 Russian regions for 2015-2023 using distributed computing systems. The novel findings of this study is that we created integrated tools for detecting nonlinear effects and synergetic interactions between growth factors, as well as quantifying factor thresholds and lag effects of their influence. A methodology for comprehensive assessment of digital transformation's impact on regional development has been proposed for the first time, considering the relationships between technological, social, and institutional factors. The practical significance is confirmed by successful implementation in regional governance, providing a 20-25% increase in management efficiency through more accurate forecasting and comprehensive consideration of growth factors. The developed tools were implemented in strategic planning practices of several Russian regions, showing high effectiveness in developing socio-economic development programs. Further research directions include expanding the analyzed indicators through IoT data and digital platforms, improving machine learning algorithms for economic instability conditions, adapting tools for municipal governance level and developing integration mechanisms with existing regional management information systems.

π-Economy. — Санкт-Петербург: СПбПУ, 2022 -. — Загл. с титул. экрана. — Периодичность: 6 раз в год. — Выходит с 2022 г. — Электрон. журнал. — Свободный доступ из сети Интернет (чтение, печать, копирование). — Текст: электронный

π-Economy. — Санкт-Петербург: СПбПУ, 2022 -. Т. 18, № 2, 2025. — 1 файл (6,94 Мб). — Свободный доступ из сети Интернет (чтение, печать, копирование). — <URL:http://elib.spbstu.ru/dl/2/j25-159.pdf>.