СИСТЕМА ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ ПО КЛЮЧЕВОЙ СТАВКЕ КАК ОБЪЕКТ ЭКОНОМИКО‑МАТЕМАТИЧЕСКОГО ИССЛЕДОВАНИЯ С ИСПОЛЬЗОВАНИЕМ МАКРОЭКОНОМИЧЕСКИХ И ТЕКСТОВЫХ ДАННЫХ

УДК 330.46
DOI: 10.36871/ 26189976.2026.06.017

Авторы

Александр Ильич Росинский,
Московский университет «Синергия», Москва, Россия

Аннотация

Цель исследования — охарактеризовать систему поддержки принятия решений по ключевой ставке как объект экономико-математического исследования на основании использования макроэкономических и текстовых данных центрального банка. Материалы исследования включают в себя научные труды в области денежно-кредитной политики, систем поддержки принятия решений, эконометрического моделирования, машинного обучения и анализа текста. В статье использованы методы структурного и сравнительного анализа, дедуктивного моделирования, экономико-математической формализации, а также систематизации источников данных и методов расчёта. Результат исследования: разработаны авторская структура системы поддержки принятия решений по ключевой ставке и модельный цикл её применения. Выводы: а) система поддержки принятия решений по ключевой ставке отличается от прогнозной модели ставки и аналитической панели центрального банка; б) макроэкономические и текстовые данные целесообразно рассматривать как взаимосвязанные источники входной информации для расчёта и объяснения денежно-кредитного решения; в) применение системы поддержки принятия решений повышает обоснованность выбора по ключевой ставке в условиях инфляционных рисков, изменения ожиданий и непростой геоэкономической обстановки.
Ключевые слова: система поддержки принятия решений;

Ключевые слова

денежно-кредитная политика;
макроэкономические данные;
текстовые данные; экономикоматематическое моделирование.

Список литературы

[1] Ахмадеев Б. А., Макаров В. Л. Система оценки проектов на основе комбинированных методов компьютерной оптимизации // Экономика и математические методы. – 2019. – Т. 55. – № 2. – С. 5-23.

[2] Антонов В. В., Конев К. А. Усовершенствование ситуационной методологии разработки систем поддержки принятия решений для предприятий // Онтология проектирования. – 2022. – Т. 12. – № 4 (46). – С. 547-561.

[3] Бурцев В. А. Интеграция автоматизированных модулей в цифровые бизнес-системы как инструмент повышения финансового контроля в малом и среднем бизнесе // Экономика и предпринимательство. – 2025. – № 7(180). – С. 807-813. – DOI 10.34925/ EIP.2025.180.7.141. – EDN JFFFHI.

[4] Бурцев В. А. От кода к системе: авторский подход к управлению, UX и эффективности цифровых решений. Часть первая / В.А. Бурцев. — Москва: ООО «Высшая школа образования», 2025. — 259 с. – ISBN 978-5-605-48220-8. – EDN FHXIXD.

[5] Бурцев В. А. Цифровые платформы как драйвер региональной экономической трансформации: UX-подход в логике кластерного развития // Управленческий учет. – 2025. – № 4. – С. 54-62. – EDN UZUOEI.

[6] Бурый А. С. Инженерная экология: подготовка специалистов на основе интеграции практико-ориентированных технологий // Современное педагогическое образование. – 2024. – № 11. – С. 281-288. – EDN PMHDCM.

[7] Бурый А. С. Методика совершенствования межлабораторных сличений для оценки физических факторов на рабочих местах // Мягкие измерения и вычисления. – 2025. – Т. 90, № 5. – С. 5-16. – DOI 10.36871/2618-9976.2025.05.001. – EDN NAUZAY.

[8] Бурый А. С. Экология жизненного пространства: к вопросу экологического мониторинга и экономической эффективности на строительных объектах // Экономика строительства. – 2024. – № 10. – С. 460-465. – EDN VVIRNB.

[9] Кондратова Е. В. Эпистемологический базис применения интеллектуального анализа данных в макроэкономике // Вестник Финансового университета. – 2015. – № 4 (88). – С. 149-159.

[10] Конников Е. А., Шкодырев В. П., Левенцов В. А. Оценка влияния внешнего информационного контекста на принятие решений в промышленной системе // Известия Самарского научного центра Российской академии наук. – 2025. – Т. 27. – № 3-2 (125). – С. 413-421.

[11] Манаширов Э. С. ИИУ как новый интегральный показатель инновационности: расширение традиционных моделей ВВП // Кузнечно-штамповочное производство. Обработка материалов давлением. – 2025. – № 11. – С. 213-221.

[12] Моисеев Н. А., Назарова Д. И., Семина Н. С. Методология выявления дефицитных ресурсов экономики // Вестник Московского университета. Серия 6: Экономика. – 2024. – Т. 59. – № 1. – С. 146-170.

[13] Синицын Е. В., Толмачев А. В. Модель системы поддержки принятия решений на финансовых рынках для предприятий на основе вероятностного анализа и машинного обучения // Вестник УрФУ. Серия: Экономика и управление. – 2019. – Т. 18. – № 3. – С. 378-393.

[14] Страчкова Е. Г., Феоктистова Т. В. Основы формирования механизма принятия инвестиционных решений в условиях риска // Известия высших учебных заведений. Технология текстильной промышленности. – 2022. – № 1 (397). – С. 64-68.

[15] Сухарев О. С. «Распределенное управление» в макроэкономике: накопительный эффект // Управленец. – 2025. – Т. 16. – № 2. – С. 2-11.

[16] Устинова А. Е. Эмоциональный интеллект и AI в отельном бизнесе // Вестник науки. – 2025. – Т. 1, № 9(90). – С. 254-269. – DOI 10.24412/2712-8849-2025-990-254-269. – EDN GALGWZ.

[17] Халин В. Г., Чернова Г. В., Юрков А. В. Укрупненная классификация систем поддержки принятия решений // Прикладная информатика. – 2016. – Т. 11. – № 1 (61). – С. 114- 126.

[18] Al Ahmad A. S. M. et al. Integration of artificial intelligence and macro-economic analysis: a novel approach with distributed information systems // EAI Endorsed Transactions on Scalable Information Systems. – 2024. – Vol. 11. – No. 2. – P. 1-10.

[19] Aliukov S., Buleca J. Comparative multidimensional analysis of the current state of European economies based on the complex of macroeconomic indicators // Mathematics. – 2022. – Vol. 10. – No. 5. – P. 1-29.

[20] Artene A. E., Domil A. E. Neural networks in accounting: bridging financial forecasting and decision support systems // Electronics. – 2025. – Vol. 14. – No. 5. – P. 1-19.

[21] Fedorova E., Meshkova E. Monetary policy and market interest rates: literature review using text analysis // International Journal of Development Issues. – 2021. – Vol. 20. – No. 3. – P. 358-373.

[22] Léo B. B., Proença M. T. V. C., Alves C. F. F. Central bank committee decision-making: a systematic literature review and research agenda // Journal of Banking Regulation. – 2025. – Vol. 26. – No. 3. – P. 320-339.

[23] Mokhov V. et al. A review of mathematical models of macroeconomics, microeconomics, and government regulation of the economy // Mathematics. – 2023. – Vol. 11. – No. 14. – P. 1-37.

[24] Reznikov R., Turlakova S. Data science methods and models in modern economy. – 2024. – No. 191. – P. 1-10.

[25] Rieder K. Monetary policy decision-making by committee: why, when and how it can work // European Journal of Political Economy. – 2022. – Vol. 72. – P. 1-31.