УДК 338.27:004.6
DOI: 10.36871/26189976.2026.05-2.018

Авторы

Мадина Хамзаевна Эсмурзаева,
Чеченский государственный университет имени А.А. Кадырова, Грозный, Россия
Светлана Глебовна Николаева,
ФГБОУ ВО КГЭУ Казанский государственный энергетический университет, Казань, Россия
Амина Магомед-Саляховна Бигаева,
ФГБОУ ВО Грозненский государственный нефтяной технический университет имени академика М.Д. Миллионщикова, Грозный, Россия

Аннотация

В статье исследуются теоретические и прикладные аспекты прогнозирования социально-экономических явлений с использованием технологий анализа больших данных, что представляет собой одно из ключевых направлений современной экономической науки и практики государственного управления. Актуальность исследования обусловлена тем обстоятельством, что традиционные методы прогнозирования, основанные на агрегированных статистических данных и линейных моделях, не позволяют в полной мере учитывать динамику социально-экономических процессов, их нелинейный характер и влияние множества трудно формализуемых факторов. На основе синтеза положений экономической теории, методов машинного обучения и технологий обработки больших данных рассматриваются основные источники данных для социально-экономического прогнозирования, включая традиционные статистические ряды, данные спутникового мониторинга, информацию из социальных сетей, поисковые запросы, данные мобильных операторов и транзакционные банковские данные.

Ключевые слова

большие данные
прогнозирование
социально-экономические явления
информационные технологии

Список литературы

[1] Аюпов Р. Х., Бикташев, Р. Р. Методы обнаружения аномалий в экономических данных: сравнительный анализ // Искусственный интеллект и принятие решений. — 2022. — № 1. — С. 23–41.

[2] Башмаков А. И., Башмаков, И. А. Интеллектуальные информационные технологии в экономике / А. И. Башмаков, И. А. Башмаков. — М.: Издательство МГТУ им. Н.Э. Баумана, 2023. — 408 с.

[3] Воронцов К. В. Математические методы обучения по прецедентам / К. В. Воронцов. — М.: МЦНМО, 2020. — 432 с.

[4] Дюк В. А. Интеллектуальный анализ данных: от данных к знаниям / В. А. Дюк. — СПб.: БХВ-Петербург, 2021. — 528 с.

[5] Лемешко Б. Ю., Постовалов, С. Н. Статистический анализ и прогнозирование временных рядов / Б. Ю. Лемешко, С. Н. Постовалов. — Новосибирск: Изд-во НГТУ, 2022. — 312 с.

[6] Медведева С. Н., Медведев, А. Н. Глубокое обучение: архитектуры, модели, приложения / С. Н. Медведева, А. Н. Медведев. — М.: ИНФРА-М, 2021. — 288 с.

[7] Ратникова Т. А., Фурманов, К. К. Эконометрический анализ панельных данных: учебное пособие / Т. А. Ратникова, К. К. Фурманов. — М.: Издательский дом ГУ ВШЭ, 2022. — 528 с.

[8] Сенаторов В. А., Шумилов, А. С. Анализ больших данных: методы и инструменты / В. А. Сенаторов, А. С. Шумилов. — М.: ДМК Пресс, 2020. — 312 с.

[9] Чубукова И. А. Data Mining: учебное пособие / И. А. Чубукова. — М.: Интернет-университет информационных технологий, 2021. — 476 с.

[10] Шитов В. Н., Колосов, Д. А. Применение методов машинного обучения для прогнозирования экономических временных рядов // Информационные технологии и вычислительные системы. — 2023. — № 2. — С. 56–71.