managementranepaУправленческое консультированиеAdministrative Consulting1726-11391816-8590Russian Presidential Academy of National Economy and Public Administration. North-West Institute of Management.VCDVUFmanagementranepa-2913Research ArticleГОСУДАРСТВЕННОЕ И МУНИЦИПАЛЬНОЕ УПРАВЛЕНИЕSTATE AND MUNICIPAL ADMINISTRATIONИскусственный интеллект в моделях регионального управления социально-экономическими процессамиArtificial Intelligence in Models for Regional Management of Socio-Economic ProcessesТроценкоА. Н.TrotsenkoN. T.

Троценко Анатолий Николаевич, доктор физико-математических наук, член Ученого совета 

Москва

Anatoly N. Trotsenko, Doctor of Physics and Mathematics

Moscow

info@niiss.ruНаучно-исследовательский институт Социальных Систем при МГУ имени М. В. ЛомоносоваResearch Institute for Social Systems at M.V. Lomonosov Moscow State University2026060320260199117Copyright © Троценко А.Н., 20262026Троценко А.Н.Trotsenko N.T.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.acjournal.ru/jour/article/view/2913

В работе анализируются методология создания информационно-технологической платформы «цифровых портретов» сложных социально-экономических систем на примере региональных систем России как одного из необходимых элементов стратегического управления процессами достижения национальных целей. Для решения задач, связанных с созданием цифровых портретов, определены практические способы применения технологий Data Mining, алгоритмов искусственного интеллекта, методов математической статистики, линейной алгебры, а также кластерного и экономического факторного анализа. На этой основе предложены модели для целей цифровой трансформации региональных систем управления социально-экономическими процессами. 

This paper analyzes methodological approaches for creating an info-technological platform for “digital portraits” of complex socioeconomic systems using the example of regional systems in Russia, as a necessary element of strategic management of the national development goals achievement.

To address the challenges associated with creating digital portraits, practical applications of Data mining technologies, artificial intelligence algorithms, mathematical statistics, linear algebra, and cluster and economic factor analysis are identified. Based on these approaches, models are proposed for the digital transformation of regional socioeconomic management systems.

национальные цели развитияцифровая трансформацияинтеллектуальный анализ данныхкластерный регрессионный анализматематические модели обеспечения управленческих решенийdevelopment goalsdigital transformationData Miningcluster regression analysismathematical models for supporting management decisionsReferencesАдамов В. Е. Факторный индексный анализ (методология и проблемы). М. : Статистика, 1977. 200 с.Adamov V. E. Factor index analysis (methodology and problems). Moscow: Statistika Publishing House, 1977. 200 p. (In Russ.).Акаев А. А., Ичкитидзе Ю. Р., Петряков А. А., Сарыгулов А. И. Цифровая трансформация экономики: эмпирические факты и математические модели. СПб. : Издательско-полиграфическая ассоциация высших учебных заведений, 2020. 336 с.Akaev A. A., Ichkitidze Yu. R., Petryakov A. A., Sarygulov A. I. Digital transformation of the economy: empirical facts and mathematical models. St. Petersburg: Publishing and Printing Association of Higher Educational Institutions, 2020. 336 p. (In Russ.).Акаев А. А., Садовничий В. А. Человеческий фактор как определяющий производительность труда в эпоху цифровой экономики // Проблемы прогнозирования. 2021. № 1 (184). С. 45–58. DOI 10.47711/0868-6351-184-45-58. EDN WFYDGOAkaev A. A., Sadovnichy V. A. The human factor as a determinant of labor productivity in the era of the digital economy // Problems of Forecasting [Problemy prognozirovaniya]. 2021. N 1 (184). P. 45–58. DOI 10.47711/0868-6351-184-45-58. EDN WFYDGO. (In Russ.).Белоглазов Д. А. Особенности нейросетевых решений, достоинства и недостатки, перспективы применения // Известия Южного федерального университета. Технические науки. 2008. Т. 84, № 7. С. 105–110. EDN KAPCWZBeloglazov D. A. Features of neural network solutions, advantages and disadvantages, application prospects // Bulletin of the Southern Federal University. Technical sciences [Izvestiya Yuzhnogo federalʹnogo universiteta. Tekhnicheskie nauki]. 2008. Vol. 84, N 7. P. 105–110. EDN KAPCWZ. (In Russ.).Блюмин С. Л., Суханов В. Ф., Чеботарёв С. В. Экономический факторный анализ. Липецк : Изд-во Липецкого эколого-гуманитарного института (ЛЭГИ). 2004. 148 с.Blumin S. L., Sukhanov V. F., Chebotarev S. V. Economic factor analysis. Lipetsk: Publishing house of the Lipetsk Ecological and Humanitarian Institute. 2004. 148 p. (In Russ.).Виноградова Н. М. Теория индексов. М. : Гостехиздат, 1930. 200 с.Vinogradova N. M. Theory of indexes. Moscow: Gostekhizdat, 1930. 200 p. (In Russ.).Дюк В. А., Флегонтов А. В., Фомина И. К. Применение технологий интеллектуального анализа данных в естественнонаучных, технических и гуманитарных областях // Известия РГПУ им. А. И. Герцена. 2011. № 138. С. 77–83. EDN NDNWEJDuke V. A., Flegontov A. V., Fomina I. K. Application of data mining technologies in the natural sciences, engineering and humanitarian fields // Bulletin of the Herzen State Pedagogical Univ. of Russia [Izvestiya RGPU im. A. I. Gertsena]. 2011. N 138. P. 77–83. EDN NDNWEJ. (In Russ.).Елисеева И. И., Князевский В. С., Ниворожкина Л. И., Морозова З. А. Теория статистики с основами теории вероятности. М. : Финансы и статистика. 2002. 400 с.Eliseeva I. I., Knyazevsky V. S., Nivorozhkina L. I., Morozova Z. A. Theory of statistics with the basics of probability theory. Moscow: Finance and Statistics, 2002. 400 p. (In Russ.).Ефанов В. А., Чаадаев В. К., Шляхов А. С. Стратегирование цифровой трансформации промышленного предприятия (на примере ФГУП «Российская телевизионная и радиовещательная сеть») // Экономика промышленности. 2023. Т. 16, № 1. С. 95–104. DOI 10.17073/2072-1633-2023-1-95-104. EDN ADVHOJEfanov V. A., Chaadaev V. K., Shlyakhov A. S. Strategizing the digital transformation of an industrial enterprise (on the example of the Russian Television and Radio Broadcasting Network Federal State Unitary Enterprise) // Industrial Economics [Ekonomika promyshlennosti]. 2023. Vol. 16, N 1. P. 95–104. DOI 10.17073/2072-1633-2023-1-95-104. EDN ADVHOJ. (In Russ.).Журавлев Д. М. Стратегирование цифровой трансформации сложных социально-экономических систем / под науч. ред. В. Л. Квинта. СПб. : ИПЦ СЗИУ РАНХиГС, 2024. (Серия «Библиотека стратега»). 352 с.Zhuravlev D. M. Strategizing the Digital Transformation of Complex Socioeconomic Systems / edited by V. L. Kvint. St. Petersburg: NWIM of RANEPA, 2024. (Series “Strategist’s Library”). 352 p. (In Russ.).Журавлев Д. М., Троценко А. Н., Чаадаев В. К. Методология и инструментарий стратегирования социально-экономического развития региона // Экономика промышленности. 2022. Т. 15, № 2. С. 131–142. DOI 10.17073/2072-1633-2022-2-131-142. EDN IAXLHEZhuravlev D. M., Trotsenko A. N., Chaadaev V. K. Methodology and Tools for Strategizing the Socioeconomic Development of a Region // Industrial Economics [Ekonomika promyshlennosti]. 2022. Vol. 15, N 2. P. 131–142. DOI 10.17073/2072-1633-2022-2-131-142. EDN IAXLHE. (In Russ.).Журавлев Ю. И., Рязанов В. В., Сенько О. В. Распознавание. Математические методы. Программная система. Практические применения. М. : Фазис. 2006. 176 с.Zhuravlev Yu. I., Ryazanov V. V., Senko O. V. Recognition. Mathematical Methods. Software System. Practical Applications. Moscow: Phazis Publishing House. 2006. 176 p. (In Russ.).Журавлев Ю. И., Флеров Ю. А., Вялый М. Н. Основы высшей алгебры и теории кодирования. М. : Изд-во ФУПМ МФТИ, 2019. 308 с.Zhuravlev Yu. I., Flerov Yu. A., Vyalyi M. N. Fundamentals of Higher Algebra and Coding Theory. Moscow: Publishing House of the Faculty of Management and Applied Mathematics of the Moscow Institute of Physics and Technology, 2019. 308 p. (In Russ.).Замков О. О., Толстопятенко А. В., Черемных И. Н. Математические методы в экономике. М. : Дело и сервис, 1997. 368 с.Zamkov O. O., Tolstopiatenko A. V., Cheremnykh I. N. Mathematical Methods in Economics. Moscow: Delo i Servis Publishing House, 1997. 368 p. (In Russ.).Ивченко Г. И., Медведев Ю. И. Математическая статистика : учебник. М. : КД «ЛИБРОКОМ», 2014. 352 с.Ivchenko G. I., Medvedev Yu. I. Mathematical Statistics: Textbook. Moscow: LIBROKOM Publishing House, 2014. 352 p. (In Russ.).Исмагилов И. И., Кадочникова Е. И., Костромин А. В. Эконометрика. Казань : Изд-во Казанского университета, 2014. 235 с.Ismagilov I. I., Kadochnikova E. I., Kostromin A. V. Econometrics. Kazan: Kazan University Publishing House, 2014. 235 p. (In Russ.).Капелюшников Р. И. Искусственный интеллект и проблема сингулярности в экономике // Препринт WP3. 2025.01. Серия WP3 «Проблемы рынка труда»). М. : Изд. дом Высшей школы экономики, 2025. 67 с.Kapelyushnikov R. I. Artificial Intelligence and the Problem of Singularity in Economics // Preprint WP3. 2025.01. Series WP3 “Problems of the Labor Market”. Moscow: Publishing House of the Higher School of Economics, 2025. 67 p. (In Russ.).Клейнер Г. Б. Производственные функции. Теория, методы, применение. М. : Финансы и статистика, 1986. 238 с.Kleiner G. B. Production Functions. Theory, Methods, Application. Moscow: Finance and Statistics Publishing House, 1986. 238 p. (In Russ.).Кремер Н. Ш., Путко Б. А. Эконометрика : учебник для вузов. М. : ЮНИТИ-ДАНА, 2004. 311 с.Kremer N. Sh., Putko B. A. Econometrics: Textbook for Universities. Moscow: UNITY-DANA Publishing House, 2004. 311 p. (In Russ.).Лаптева Е. А., Навдаева С. Н., Ирхина Л. Н. Статистика: индексный метод анализа : учеб. пособие. Н. Новгород : Изд-во Нижегородского ГАТУ, 2022. 164 с.Lapteva E. A., Navdaeva S. N., Irkhina L. N. Statistics: Index Method of Analysis: Tutorial. Nizhny Novgorod: Publishing house of Nizhny Novgorod State Technical University, 2022. 164 p. (In Russ.).Меликян А. А. Применение индексного метода в исследовании региональной цифровой дифференциации // Инновации и инвестиции. 2025. № 3. С. 406–409. EDN GINLLHMelikyan A. A. Application of the index method in the study of regional digital differentiation // Innovations and Investments [Innovatsii i investitsii]. 2025. N 3. P. 406–409. EDN GINLLH. (In Russ.).Некипелов А. Д. Об экономической стратегии и экономической политике России в современных условиях // Научные труды Вольного экономического общества России. 2021. Т. 230, № 4. С. 76–89. DOI 10.38197/2072-2060-2021-230-4-76-89. EDN MHLEYLNekipelov A. D. On the economic strategy and economic policy of Russia in modern conditions // Scientific works of the VEO of Russia [Nauchnye trudy VEO Rossii]. 2021. Vol. 230, N 4. P. 76–89. DOI 10.38197/2072-2060-2021-230-4-76-89. EDN MHLEYL. (In Russ.).Некипелов А. Д. От нейтрализации внешних шоков к устойчивому долгосрочному развитию // Научные труды Вольного экономического общества России. 2024. Т. 248, № 4. С. 130–142. DOI 10.38197/2072-2060-2024-248-4-130-142. EDN IMGYWONekipelov A. D. From neutralization of external shocks to sustainable long-term development // Scientific works of the VEO of Russia [Nauchnye trudy VEO Rossii]. 2024. Vol. 248, N 4. P. 130–142. DOI 10.38197/2072-2060-2024-248-4-130-142. EDN IMGYWO. (In Russ.).Обухов А. М. О статистических ортогональных разложениях эмпирических функций // Известия АН СССР. Сер. Геофизика. 1960. № 3. С. 432–439.Obukhov A. M. On statistical orthogonal expansions of empirical functions // Bulletin of the USSR Academy of Sciences. Series: Geophysics [Izvestiya AN SSSR. Ser. Geofizika]. 1960. N 3. P. 432–439. (In Russ.). 25. Ovsyannikov G. N. Factor analysis in an accessible presentation: Study of multiparameter systems and processes. Moscow: LIBROKOM Publishing House, 2025. 176 p. (In Russ.).Овсянников Г. Н. Факторный анализ в доступном изложении: Изучение многопараметрических систем и процессов. М. : КД «ЛИБРОКОМ», 2025. 176 с.Orlov A. I. Artificial Intelligence: Statistical Methods of Data Analysis: Textbook. Moscow: IPR Media Publishing House, 2022. 843 p. (In Russ.).Орлов А. И. Искусственный интеллект: статистические методы анализа данных : учебник. М. : Ай Пи Ар Медиа, 2022. 843 с.Regions of Russia: Socioeconomic Indicators. Moscow: Rosstat, 2020. 1242 p. (In Russ.).Регионы России: социально-экономические показатели. М. : Росстат, 2020. 1242 с.Trofimova E. A., Kislyak N. V., Gilev D. V. Probability Theory and Mathematical Statistics: Textbook. Yekaterinburg: Ural University Press, 2018. 160 p. (In Russ.).Трофимова Е. А., Кисляк Н. В., Гилев Д. В. Теория вероятностей и математическая статистика : учеб. пособие. Екатеринбург : Изд. Уральского университета, 2018. 160 с.Uspensky A. B., Romanov S. V., Trotsenko A. N. Application of the Principal Component Analysis for the Analysis of High-Resolution IR Spectra Measured from Satellites // Research of the Earth from Space [Issledovaniya Zemli iz kosmosa]. 2003. N 3. Р. 26–33. EDN OOCSXX. (In Russ.).Успенский А. Б., Романов С. В., Троценко А. Н. Применение метода главных компонент для анализа ИК-спектров высокого разрешения, измеренных со спутников // Исследования Земли из космоса. 2003. № 3. С. 26–33. EDN OOCSXXAggarwal Charu C. Neural Networks and Deep Learning: A Textbook, Second Edition, 2023. Springer Cham, 2024. 529 р.Aggarwal Charu C. Neural Networks and Deep Learning: A Textbook, Second Edition, 2023. Springer Cham, 2024. 529 р.Breiman L. Bagging Predictors // Machine Learning. 1996. № 24. P. 123–140.Breiman L. Bagging Predictors // Machine Learning. 1996. № 24. P. 123–140.Cook R. D., Weisberg S. Residuals and Influence in Regression. New York: Chapman and Hall, 1982. 230 р.Cook R. D., Weisberg S. Residuals and Influence in Regression. New York: Chapman and Hall, 1982. 230 р.Goodfellow I., Bengio Y., Courville A. Deep Learning (Adaptive Computation and Machine Learning series). The MIT Press, 2016. 800 р.Goodfellow I., Bengio Y., Courville A. Deep Learning (Adaptive Computation and Machine Learning series). The MIT Press, 2016. 800 р.Kao Yi-Hao, Van Roy B. Directed Principal Component Analysis // Operations Research. 2014. Vol. 62, N 4. P. 957–972.Kao Yi-Hao, Van Roy B. Directed Principal Component Analysis // Operations Research. 2014. Vol. 62, N 4. P. 957–972.McAuley J. Personalized Machine Learning. Cambridge University Press, 2022. 326 р.McAuley J. Personalized Machine Learning. Cambridge University Press, 2022. 326 р.Stephens-Davidowitz S. Everybody Lies: Big Data, New Data, and What the Internet Can Tell Us About Who We Really Are. Dey Street Books, 2018. 352 р.Stephens-Davidowitz S. Everybody Lies: Big Data, New Data, and What the Internet Can Tell Us About Who We Really Are. Dey Street Books, 2018. 352 р.Zaki, M. J., Wagner Meira Jr. Data Mining and Machine Learning: Fundamental Concepts and Algorithms. Second Edition. Publisher: Cambridge University Press. 2020. 766 p.Zaki, M. J., Wagner Meira Jr. Data Mining and Machine Learning: Fundamental Concepts and Algorithms. Second Edition. Publisher: Cambridge University Press. 2020. 766 p.Zaki, M. J., Wagner Meira Jr. Data Mining and Machine Learning: Fundamental Concepts and Algorithms. Second Edition. Publisher: Cambridge University Press. 2020. 766 p.

The authors declare that there are no conflicts of interest present.