УДК 004.9 Прикладные информационные (компьютерные) технологии
УДК 332.14 Региональная, территориальная экономическая политика, планирование и прогнозирование
ГРНТИ 36.01 Общие вопросы геодезии и картографии
ГРНТИ 36.33 Картография
ГРНТИ 87.03 Теория и методы изучения и охраны окружающей среды. Экологич. основы использов. природных ресурсов
ГРНТИ 87.35 Рациональное использование и воспроизводство природных ресурсов
К настоящему моменту выполнено большое количество исследований в сфере прогнозирования устойчивого развития как в части отдельных составляющих, так и в масштабах целых стран, в том числе в соответствии с нормативными документами ООН. При этом не наблюдается единого мнения об используемых подходах, математическом аппарате и критериях устойчивости. В данном исследовании предпринята попытка сформулировать и формализовать задачу прогнозирования устойчивого развития, а также провести анализ накопленного опыта и выбрать наиболее подходящий метод прогноза устойчивого развития территории произвольного состава и смешанной организационной структуры. Предложены основные категории и базовые сценарии прогноза устойчивого развития. В качестве необходимой и достаточной выбрана точность прогноза в 10–20 %. Рассмотрены линейные множественные модели, панельные данные, регрессионно-дифференциальные модели (в том числе с использованием метода опорных векторов), оптимизационные математические, конечноразностные модели, методы машинного обучения. Отмечены их достоинства и недостатки. Представлены требования к прогнозированию устойчивости развития территориального образования, а также стратегии и сценарии их развития. По итогам исследования сделан вывод, что конечно-разностная модель и искусственные нейронные сети являются наиболее перспективными из рассмотренных подходов. Однако к недостаткам применения искусственных нейронных сетей относятся необходимость экспериментального подбора структуры сети под решаемую задачу, возникновение тупиковых ситуаций при обучении и непредсказуемость результатов.
геоинформационный анализ, природно-ресурсный потенциал, устойчивое развитие, конечно-разностная модель, прогноз
1. Журкин И.Г., Орлов П.Ю., Грузинов В.С. и др. Выбор аналитической модели и количественных показателей для геоинформационного анализа устойчивого развития территориальных образований // Геодезия и картография. 2024. Т. 85, № 9. С. 46–56. DOIhttps://doi.org/10.22389/0016-7126-2024-1011-9-46-56. https://geocartography.ru/scientific_article/2024_9_46-56?ysclid=m3zkrff9bn652723099
2. Сиротина Н.А., Копотева А.В., Затонский А.В. Метод конечно-разностного социально-экономического прогнозирования // Прикладная математика и вопросы управления. 2021. № 1. С. 174–189. DOIhttps://doi.org/10.15593/2499-9873/2021.1.10. https://elibrary.ru/download/elibrary_45602172_40061013.pdf
3. Вдовин С.М., Гуськова Н.Д., Неретина Е.А. и др. Прогнозирование устойчивости развития региона на основе экономико-математического моделирования // Национальные интересы: приоритеты и безопасность. 2016. № 9(342). С. 18–27.
4. Касимова Т.М. Модели панельных данных как инструмент анализа и прогнозирования экономических показателей регионов РФ // Фундаментальные исследования. 2020. № 3. С. 48–53. DOIhttps://doi.org/10.17513/fr.42698. https://elibrary.ru/download/elibrary_42640772_27654702.pdf
5. Ратникова Т.А. Введение в эконометрический анализ панельных данных // Экономический журнал Высшей школы экономики. 2006. Т. 10, № 2. С. 267–316.
6. Redmond T., Nasir M.A. Role of natural resource abundance, international trade and financial development in the economic development of selected countries // Resources Policy. 2020. Vol. 66. P. 65–78. DOIhttps://doi.org/10.1016/j.resourpol.2020.101591. https://doi.org/10.1016/j.resourpol.2020.101591
7. Hamdi T., Ben Ali J., Di Costanzo V. Accurate prediction of continuous blood glucose based on support vector regression and differential evolution algorithm // Biocybernetics and Biomedical Engineering. 2018. Vol. 38. P. 362–372. DOIhttps://doi.org/10.1016/j.bbe.2018.02.005. https://doi.org/10.1016/j.bbe.2018.02.005
8. Wang F.K., Du T. Implementing support vector regression with differential evolution to forecast motherboard shipments // Expert Systems with Applications. 2014. Vol. 41. Iss. 8. P. 3850–3855. DOIhttps://doi.org/10.1016/j.eswa.2013.12.022. https://doi.org/10.1016/j.eswa.2013.12.022
9. Сиротина Н.А., Копотева А.В., Затонский А.В. Применение конечно-разностных моделей для краткосрочного прогнозирования природно-ресурсного потенциала Пермского края // Вестник Южно-Уральского государственного университета. Серия: Компьютерные технологии, управление, радиоэлектроника. 2021. Т. 21, № 2. С. 154–166. DOIhttps://doi.org/10.14529/ctcr210215. https://elibrary.ru/download/elibrary_45702996_56370217.pdf
10. Горячев А.А. Моделирование добычи в мировых и региональных оптимизационных газовых моделях // Проблемы экономики и управления нефтегазовым комплексом. 2015. № 6. С. 51–58. DOIhttps://doi.org/10.1016/j.bbe.2018.02.005. https://elibrary.ru/download/elibrary_23592807_15109689.pdf
11. Кузнецов Ю.А., Семенов А.В., Власова М.Н. Математическое моделирование оптимального использования невозобновимых природных ресурсов // Экономический анализ: теория и практика. 2012. № 32. С. 45–57.
12. Затонский А.В., Сиротина Н.А. Управление природно-ресурсным потенциалом Пермского края на основе конечно-разностной модели второго порядка // Вестник Южно-Уральского государственного университета. Серия: Компьютерные технологии, управление, радиоэлектроника. 2022. Т. 22, № 2. С. 96–106. DOIhttps://doi.org/10.14529/ctcr220209. https://elibrary.ru/download/elibrary_48408899_41626565.pdf
13. Arabameri A., Pal S.C., Rezaie F., et al. Modeling groundwater potential using novel GIS-based machine-learning ensemble techniques // Journal of Hydrology: Regional Studies. 2021. Vol. 36. P. 100848. DOIhttps://doi.org/10.1016/j.ejrh.2021.100848. https://doi.org/10.1016/j.ejrh.2021.100848
14. Chauhan R., Kaur H., Alankar B. Air Quality Forecast using Convolutional Neural Network for Sustainable Development in Urban Environments // Sustainable Cities and Society. 2021. Vol. 75. P. 103239. DOIhttps://doi.org/10.1016/j.scs.2021.103239. https://doi.org/10.1016/j.scs.2021.103239
15. Chenary K., Pirian Kalat O., Sharifi A. Forecasting sustainable development goals scores by 2030 using machine learning models // Sustainable Development. 2024. Vol. 32. Iss. 6. P. 6520–6538. DOIhttps://doi.org/10.1002/sd.3037. https://onlinelibrary.wiley.com/doi/epdf/10.1002/sd.3037
16. Копотева А.В., Максимов А.А., Сиротина Н.А. Модели машинного обучения в задаче прогнозирования природно-ресурсного потенциала Пермского края // Вестник Южно-Уральского государственного университета. Серия: Компьютерные технологии, управление, радиоэлектроника. 2021. Т. 21, № 4. С. 126–136. DOIhttps://doi.org/10.14529/ctcr210411. https://elibrary.ru/download/elibrary_47180492_88260781.pdf
17. Трещевский Ю.И., Новиков В.А., Борзаков Д.В. Прогнозирование динамики параметров устойчивого эко-социо-экономического развития регионов на основе методов эмпирического моделирования // Естественно-гуманитарные исследования. 2020. № 32(6). С. 305–310. DOIhttps://doi.org/10.24412/2309-4788-2020-10734. https://elibrary.ru/download/elibrary_44778762_44958169.pdf
18. Волкова С.Н., Сивак Е.Е., Пашкова М.И. и др. Прогнозирование регионального развития // Вестник Курской государственной сельскохозяйственной академии. 2015. № 6. С. 9–11.
19. Бушуев В.В., Голубев В.С., Селюков Ю.Г. Энергоинформационные основы устойчивого развития (на примере российских регионов). М.: Энергия, 2005. 58 с.
20. Затонский А.В., Сиротина Н.А. Прогнозирование экономических систем по модели на основе регрессионного дифференциального уравнения // Экономика и математические методы. 2014. Т. 50, № 1. С. 91–99.
21. Шаталова О.И. Совершенствование инструментария стратегического планирования и прогнозирования регионального развития // Материалы II Ежегодной научно-практической конференции Северо-Кавказского федерального университета «Университетская наука — региону». Ставрополь: Фабула, 2014. С. 112–120.
22. Аргучинцева А.В., Аргучинцев В.К., Батурин В.А. и др. Моделирование и управление процессами регионального развития / под ред. С.Н. Васильева. М.: ФИЗМАТЛИТ, 2001. 432 с.
23. Руденко Л.Г. Формирование методического подхода к прогнозированию устойчивого развития региона // Проблемы рыночной экономики. 2024. № 1. С. 46–61. DOIhttps://doi.org/10.33051/2500-2325-2024-1-46-61. https://elibrary.ru/download/elibrary_66019550_43422830.pdf
24. Luukkanen J., Vehmas J., Kaivo-oja J., et al. Towards a General Theory of Sustainable Development: Using a Sustainability Window Approach to Explore All Possible Scenario Paths of Economic Growth and Degrowth // Sustainability. 2024. Vol. 16. Iss. 13. P. 5326. DOIhttps://doi.org/10.3390/su16135326. https://www.mdpi.com/2071-1050/16/13/5326/pdf?version=1719049808
