НЕЙРОННЫЕ СЕТИ В ИССЛЕДОВАНИИ СОХРАНЕНИЯ НАСЕЛЕНИЯ И ПОДДЕРЖКИ СЕМЬИ КАК ПЕРВОИСТОЧНИКА ЭКОНОМИЧЕСКОГО РОСТА В СУБЪЕКТАХ РОССИИ НА ОСНОВАНИИ НАЦИОНАЛЬНЫХ ЦЕЛЕЙ СТРАНЫ |
| научная статья | |||
| 9-18 | субъекты Российской Федерации, демографическое положение, экономический рост, кластерный анализ, искусственный интеллект, самоорганизующиеся нейронные сети |
| Цель научной работы - исследование динамики демографических факторов в субъектах Российской Федерации в фокусе первой национальной цели «Сохранение населения, укрепление здоровья и повышение благополучия людей, поддержка семьи», так как люди - главный первоисточник дальнейшего повышения роста реального сектора экономики в направлении усиления технологического лидерства и технологического суверенитета. Исходя из авторских представлений, объектами исследования значились регионы России, квалифицируемые семью официальными статистическими индикаторами. Решение многокритериальной задачи проведено с применением нейросетевого моделирования путем рационального метода кластерного анализа. В работе созданы самоорганизующиеся нейронные сети, относящиеся к одному из ключевых структурных элементов искусственного интеллекта, в отечественной системе - современном аналитическом программном комплексе Deductor. Результатом кластеризации стало разграничение субъектов РФ на пять кластерных формаций. Выполнена оценка качества кластерного решения. Получены характеристики и состав каждого кластера в динамике за 2021-2023 гг. Подтверждена гипотеза о том, что отсутствует соответствие кластерного решения структуре федеральных округов Российской Федерации. С точки зрения первой из национальных целей применение современных инструментов в исследовании многогранных данных позволяет объективно оценить демографическое состояние населения в регионах России и проанализировать его динамику. Результаты исследования могут быть полезны в практической плоскости при выстраивании тактических и долгосрочных траекторий, ориентированных на совершенствование демографических составляющих в контексте повышения экономического роста в каждом субъекте Российской Федерации и в целом по стране. |
 |
| 1 . Указ Президента Российской Федерации от 07.05.2024 № 309 «О национальных целях развития Российской Федерации на период до 2030 года и на перспективу до 2036 года». URL: https://www.garant. ru/hotlaw/federal/1717715/ 2 . Федеральная служба государственной статистики (Росстат). URL: https://gks.ru (дата обращения: 06.10.2025). 3 . Рыбальченко С.И., Коротаев А.В., Ефремов И.А. и др. Демография 2030. Как обеспечить устойчивый рост населения Российской Федерации. Специальный доклад Общественной палаты Российской Федерации / Отв. ред. С.И. Рыбальченко; ОП РФ. М.: ООО «Пачоли Консалтинг», 2023. 86 с. 4 . Юмагузин В.В., Винник М.В. Прогноз численности и демографической нагрузки населения России до 2100 года // Проблемы прогнозирования. 2022. № 4 (193). С. 98-111. URL: https://publications.hse.ru (дата обращения: 06.10.2025). 5 . Балабанов А.С., Стронгина Н.Р. Анализ данных в экономических приложениях: Учебное пособие. Н. Новгород: Изд-во Нижегородского госуниверситета им. Н.И. Лобачевского, 2004. 135 с. 6 . Яшин С.Н., Захарова Ю.В. Применение кластерного анализа для управления инновационным развитием регионов РФ // Друкеровский вестник. 2025. Т. 64. № 2. С. 233-240. 7 . Единая межведомственная информационно-статистическая система (ЕМИСС). URL: http://www. fedstat.ru (дата обращения: 06.10.2025). 8 . Плехова Ю.О., Перова В.И. Инновационный метод анализа управления социально-экономическим развитием регионов России с применением нейросетевого моделирования // Вопросы инновационной экономики. 2025. Т. 15. № 1. С. 125-144. 9 . Малкина М.Ю., Плехова Ю.О., Перова В.И., Сочков А.Л. Исследование влияния отраслевой структуры российских регионов на их экономическое развитие с использованием методов искусственного интеллекта // Экономический анализ: теория и практика. 2025. Т. 24. № 2. С. 123-143. 10 . Трофимов О.В., Плехова Ю.О., Мизиковский И.Е. и др. Современные методы и модели экономики предприятия, бухгалтерского учета, анализа и аудита: Коллективная монография. Н. Новгород: ННГУ, 2025. 267 с. 11 . Фролов В.Г., Перова В.И. Анализ инновационно-инвестиционной сбалансированности промышленной политики России в условиях цифровой трансформации с применением методов искусственного интеллекта // Вопросы инновационной экономики. 2023. Т. 13. № 1. С. 127-148. 12 . Хайкин С. Нейронные сети: полный курс. М.: Издательский дом «Вильямс», 2006. 1104 с. 13 . Kohonen T. The self-organizing map // Proceedings of the IEEE. Sept. 1990. V. 78. № 9. Р. 1464-1480. 14 . Kohonen T., Oja E., Simula O. et al. Engineering applications of the self-organizing map // Proceedings of the IEEE. Oct. 1996. V. 84. № 10. Р. 1358-1384. 15 . Chen N., Chen L., Ma Y., Chen A. Regional disaster risk assessment of China based on self-organizing map: Clustering, visualization and ranking // International Journal of Disaster Risk Reduction. 2019. № 33. Р. 196-206. 16 . Kaufman L., Rousseeuw P. Finding groups in data: An introduction to cluster analysis. Hoboken, NJ: John Wiley & Sons, 2005. 342 р. URL: http://dx. doi.org/10.1002/9780470316801.ch1.analysis. |