Цифровое управление питанием и продовольственной безопасностью в Арктике

Актуальность. В условиях ускоренной цифровой трансформации государственного управления особую актуальность приобретает разработка устойчивых механизмов обеспечения продовольственной безопасности и формирования здоровьесберегающего питания для населения Арктической зоны Российской Федерации. Настоящее исследование направлено на научное обоснование модели цифрового управления питанием, основанной на интеграции интеллектуальных технологий в систему государственно-социальной политики. Цель исследования — разработка научно обоснованной модели цифрового управления питанием и продовольственной безопасностью в Арктике в условиях усиливающихся климатических, логистических и инфраструктурных ограничений. В условиях нарастающей климатической нестабильности, нутритивных и когнитивных дефицитов, цифрового неравенства и ограниченного доступа к медицинской помощи возникает потребность в переходе от традиционной продовольственной поддержки к гибкой системе адаптивного и интеллектуального управления питанием населения.
Методология включает структурно-функциональный и сравнительный анализ, цифровое моделирование, элементы поведенческой диагностики, микробиомного подхода и геоаналитики. Применяются сценарные методы оценки рисков, технологии биосенсорного мониторинга, а также инструменты анализа нутритивной уязвимости с учетом демографических, климатических и поведенческих факторов.
Результаты включают разработку оригинальной платформенной модели цифрового управления питанием, интегрирующей телемедицинские решения, интеллектуальные алгоритмы оценки и коррекции рациона, цифровые следы пищевого поведения и биосенсоры, носимые устройства и отечественные цифровые продукты («1С:Плановое питание», облачная система «Научный инструмент анализа питания» (НИАП) и др). Выделена система индикаторов для раннего выявления алиментарных рисков в северных и арктических муниципалитетах и предложены инновационные механизмы персонализированной нутриционной поддержки, включая цифровые двойники рационов и алгоритмы хрононутрициологической адаптации.
Выводы подтверждают, что цифровое питание в Арктической зоне России выступает стратегическим ресурсом социального суверенитета, адаптивности и устойчивого развития. Адаптивные интеллектуальные решения в сфере питания позволяют государству оперативно корректировать меры социальной политики в ответ на региональные вызовы, предупреждать пищевые дефициты и способствовать достижению целей национальных проектов в области демографии, здравоохранения и цифровой трансформации. 

1. Актуальность оценки нутритивного статуса у детей с хронической сердечной недостаточностью / Л. А. Гандаева, Т. Э. Боровик, Е. Н. Басаргина [и др.] // Вопросы современной педиатрии. 2015. Т. 14, № 6. С. 699-705. DOI: 10.15690/vsp.v14i6.1479.

2. Боровиков В. П. Статистический анализ и обработка данных в среде SPSS. СПб. : Питер, 2021. 400 с.

3. Власов А. Н., Гришина Е. О. Инструменты бизнес-аналитики в визуализации больших данных: сравнение Power BI и Tableau // Экономика и управление: проблемы, решения. 2021. № 4 (124). С. 98–104.

4. Зубарев А. В., Осипов С. Ю. Plotly Dash в научных и образовательных проектах: обзор функциональных возможностей // Современные информационные технологии и ИТ образование. 2023. Т. 19, № 1. С. 112–119.

5. Ильин Е. П., Кукаренко Н. Н., Грибанов А. В. Адаптация человека к экстремальным условиям и дисбиоз микробиоты кишечника // Актуальные вопросы медицинской микробиологии. 2020. № 3. С. 12–19.

6. Использование ArcGIS Pro для мониторинга социальной инфраструктуры в северных регионах РФ / под ред. П. П. Петрова // Региональная экономика и управление. 2021. № 1. С. 88–96.

7. Кобелькова И. В. Цифровые платформы для оценки питания спортсменов: сравнение методов 24-часового воспроизведения и частотного анализа с применением НИАП / И. В. Кобелькова, Ю. А. Селедкова, М. М. Коростелева, М. А. Каде, Т. Н. Солнцева // Modern Issues of Biomedicine. 2024. Т. 8, № 4 (30). DOI: 10.24412/2588-0500-2024-8-4-28.

8. Комаров С. А., Петрова И. Ю. Цифровая диагностика пищевого поведения: методологические подходы // Медицинская информатика и статистика. 2023. № 2. С. 29–36.

9. Комаров С. А., Хлебников Е. А. Особенности пищевого поведения вахтового населения Крайнего Севера // Социальная гигиена и организация здравоохранения. 2022. № 1. С. 18–25.

10. Комарова Е. С., Романов А. Д. Геоинформационные панели в Plotly Dash и QGIS для пространственного анализа демографических рисков // Геоинформационные системы. 2022. № 2. С. 60–68.

11. Лаврова Н. А., Куликов А. Ю. Применение Power BI для анализа региональных социально экономических показателей // Информационные технологии и вычислительные системы. 2021. № 3. С. 47–53.

12. Макарова И. П., Шувалов В. А. Tableau как инструмент визуализации в прикладных исследованиях: от данных к решениям // Управленческое консультирование. 2022. № 6. С. 71–77.

13. Оценка нутритивного статуса и его коррекция при хронической обструктивной болезни легких // Пульмонология. 2022. № 4. С. 62–70.

14. Портнов Н. М., Егорова Л. А. Применение математико-статистических методов для оценки состояния здоровья населения // Вестник научных исследований. 2020. № 4. С. 45–53.

15. Рубин Б. Агентно-ориентированное моделирование: методы и технологии для имитации человеческих систем // Proceedings of the National Academy of Sciences. 2002. Vol. 99. № suppl 3. С. 7257–7264.

16. Савинов А. А., Махров А. Н. Пространственный анализ в региональной политике: инструменты, кейсы, подходы // Региональная экономика: теория и практика. 2022. № 5. С. 74–85.

17. Сахаров А. А. Устойчивое питание и цифровизация северных территорий // Проблемы развития территорий. 2021. № 6 (120). С. 95–108.

18. Система QGIS как инструмент геопространственного анализа регионов Севера // Геоинформационные технологии и картография. 2022. № 4. С. 45–53.

19. Скобелкин О. К., Шляхто Е. В. Проблемы нутрициологии в экстремальных климатических условиях // Вопросы питания. 2020. Т. 89, № 6. С. 22–30. DOI: 10.24411/0042-8833-2020-10063.

20. Тихомиров А. В. Цифровое государство и социальная адаптация: новые вызовы и подходы // Управленческое консультирование. 2023. № 4 (172). С. 31–39.

21. Чернышов В. Г., Лисовская Н. Б. Применение ГИС-технологий для планирования медицинской помощи в отдаленных регионах // Информационные технологии в медицине. 2021. № 2. С. 45–52.

22. Щедровицкий Г. П. Сравнительный анализ как метод познания // Вопросы философии. 1992. № 4. С. 31–42.

23. Chen J., Lieffers J., Bauman A., Hanning R., Allman-Farinelli M. The use of smartphone health apps and other mobile health (mHealth) technologies in dietetic practice: a three country study // Journal of Human Nutrition and Dietetics. 2017. Vol. 30, N 4. P. 439–452. DOI: 10.1111/jhn.12446.

24. Dobbie S., Schreckenberg K., Dyke J. G., Schaafsma M., Balbi S. Agent based modelling to assess community food security and sustainable livelihoods // Journal of Artificial Societies and Social Simulation. 2018. Vol. 21, N 1: Article 9 (P. 1–9). DOI: 10.18564/jasss.3639.

25. Ko I., Chang H. Interactive Visualization of Healthcare Data Using Tableau // Health Inform Res. 2017. Vol. 23, N 4. P. 349–354. DOI: 10.4258/hir.2017.23.4.349.

26. Kuznetsova T. Yu., Ivanov V. N. Digitalization of Nutrition and Health Services in the Arctic Regions of Russia // Journal of Arctic Social and Health Studies. 2022. Vol. 8, N 3. P. 15–28.

27. Kuznetsova T. Yu., Morozov A. P. Constructing a Regional Nutritional Adaptation Index: Case of Arctic Russia // Sustainability. 2023. Vol. 15, N 12. P. 10534. DOI: 10.3390/su151210534.

28. Kuznetsova T. Yu., Morozov A. P. Digital Twins of Nutritional Models for Arctic Populations // Journal of Arctic Healthcare and Technology. 2023. Vol. 5, N 2. P. 50–63.

29. Liang Y., Zheng D., Zhang W. Wearable Biosensors for Health Monitoring // Advanced Healthcare Materials. 2021. Vol. 10, N 4. P. 2100120.

30. Nilsson M., Sundqvist J., Nielsen H. Arctic Data Strategies: Systems for Sustainable Food Security // Journal of Arctic Policy Studies. 2022. Vol. 4 (2). P. 45–62.

31. Piwek L., Ellis D. A., Andrews S., Joinson A. The Rise of Consumer Health Wearables: Promises and Barriers // PLoS Medicine. 2016. Vol. 13, N 2. e1001953. DOI: 10.1371/journal.pmed.1001953.

32. Smith C., Johnson M. GIS for Public Health: Integrating Data for Smarter Resource Allocation // International Journal of Health Geographics. 2020. Vol. 19, Article 17. DOI: 10.1186/s12942020-00225-9.

33. Smith C., Johnson M. Wearable Devices and Digital Traces for Real-Time Nutritional Monitoring // Journal of Medical Internet Research. 2021. Vol. 23, N 9. e24589. DOI: 10.2196/24589.

34. Turnbaugh P. J., Hamady M., Yatsunenko T. et al. A core gut microbiome in obese and lean twins // Nature. 2009. Vol. 457. P. 480–484.

35. Van Boorn G., Hengeveld G., Vergeer J. Representing agent-based models to assess the resilience and efficiency of food supply chains // PLOS ONE. 2020. Vol. 15, N 11: e0242323. DOI: 10.1371/journal.pone.0242323.

36. Zhao L., Zhang C., Fang C. et al. Gut microbiota and personalized nutrition: Science and application // Nutrition Reviews. 2022. Vol. 80 (6). P. 1113–1128.