Статья
Название статьи Региональные экономические исследования с использованием алгоритмов искусственного интеллекта: состояние и перспективы
Авторы Блануца В. . ,
Библиографическое описание статьи
Категория Экономические науки
УДК 332.1:004.8
DOI 10.21209/2227-9245-2020-26-8-100-111
Тип статьи научная
Аннотация В национальной стратегии развития искусственного интеллекта на период до 2030 г. поставлена задача существенного роста количества научных статей российских ученых в данной области. Для этого необходимо ориентироваться в приоритетах, проблемах и перспективах научных исследований, проводимых во всем мире. Однако по региональным экономическим исследованиям с использованием алгоритмов искусственного интеллекта в настоящее время нет ни одной обобщающей работы. В этой связи объектом исследования стал мировой массив научных публикаций по региональным экономическим исследованиям, а предметом исследования – ряд статей по использованию алгоритмов искусственного интеллекта в таких исследованиях. Цель исследования заключалась в обобщении мирового опыта. Для отбора необходимых публикаций разработан алгоритм самоорганизующегося семантического поиска, опирающийся на идеи контент-анализа, экспертных систем и машинного обучения. Поиск осуществлен по базе данных Scopus. Выявлено около ста статей. Приведена краткая характеристика десяти алгоритмов искусственного интеллекта, применяющихся в региональных экономических исследованиях. Анализ мирового опыта позволил выявить пять особенностей: алгоритмы не применяются для решения всех исследовательских задач; не нацелены на создание универсальной автономной системы искусственного интеллекта; все больше сосредотачиваются вне искусственных нейронных сетей; редко используются в сочетаниях; в отечественных работах менее разнообразны, чем у стран-конкурентов. Предложено сосредоточить усилия на выявлении экономических районов специфического функционирования производственных, транспортных и сервисных систем искусственного интеллекта; идентификации территориальных цифровых платформ; анализе интенсивности гравитационного взаимодействия территориально распределенных социально-экономических объектов через телекоммуникационные сети 5G и 6G; оценке направленности и объема региональных информационных потоков; определении моделей пространственной диффузии инноваций по искусственному интеллекту среди российских регионов. Ускоренное развитие этих направлений при значительной государственной поддержке к 2030  г. позволит обеспечить России методологический отрыв от остальных стран в области региональных экономических исследований
Ключевые слова региональная экономика; семантический поиск; машинное обучение; искусственная нейронная сеть; прогнозирование; экономический район; цифровая платформа; гравитационное взаимодействие; региональный информационный поток; пространственная диффузия инноваций
Информация о статье Блануца В. И. Региональные экономические исследования с использованием алгоритмов искусственного интеллекта: состояние и перспективы // Вестник Забайкальского государственного университета. 2020. Т. 26, № 8. С. 100–111. DOI: 10.21209/2227-9245-2020-26-8-100-111.
Список литературы 1. Замятин Д. Н. Наукометрический анализ истории развития экономического районирования в России и СССР (1761–1941 гг.) // Известия РАН. Серия географическая. 1993. № 4. С. 116–124. 2. Кучерявый А. Е., Маколкина М. А., Киричек Р. В. Тактильный Интернет. Сети связи со сверхмалыми задержками // Электросвязь. 2016. № 1. С. 44–46. 3. Aburas M. M., Ho Y. M., Ramli M. F., Ash’aari Z. H. The simulation and prediction of spatio-temporal urban growth using cellular automata models: A review // International Journal of Applied Earth Observation and Geoinformation. 2016. Vol. 52, No. 7. P. 380–389. 4. Adamatzky A. Game of life cellular automata. London: Springer-Verlag, 2010. 579 p. 5. Aggarwal C. C. Machine learning for text. New York: Springer International Publishing, 2018. 493 p. 6. Ahuvia A. Traditional, interpretive, and reception based content analysis: Improving the ability of content analysis to address issues of pragmatic and theoretical concern // Social Indicators Research. 2001. Vol. 54, No. 2. P. 139–172. 7. Alfeilat A., Hassanat H. A., Lasassmeh O., Tarawneh A. S., Alhasanat M. B., Eyal Salman H. S., Prasath V. B. S. Effects of distance measure choice on k-nearest neighbor classifier performance: A review // Big Data. 2019. Vol. 7, No. 4. P. 221–248. 8. Anderson J. E. The gravity model // Annual Review of Economics. 2011. Vol. 3, No. 1. P. 133–160. 9. Anderson J. E. Theoretical foundation for the gravity equation // American Economic Review. 1979. Vol. 69, No. 1. P. 106–116. 10. Artificial Intelligence Index: 2019 annual report (Human-Centered AI Institute, Stanford University). URL: https://hai.stanford.edu/sites/g/files/sbiybj10986/f/ai_index_2019_report.pdf (дата обращения: 20.08.2020). Текст: электронный. 11. Ballot G., Mandel A., Vignes A. Agent-based modeling and economic theory: Where do we stand? // Journal of Economic Interaction and Coordination. 2015. Vol. 10, No. 2. P. 199–220. 12. Breiman L. Random forests // Machine Learning. 2001. Vol. 45, No. 1. P. 5–32. 13. Celik H. M. Forecasting interregional commodity flows using artificial neural networks: An evaluation // Transportation Planning and Technology. 2004. Vol. 27, No. 6. P. 449–467. 14. Chain C. P., dos Santos A. C., de Castro J., do Prado J. W. Bibliometric analysis of the quantitative methods applied to the measurement of industrial clusters // Journal of Economic Surveys. 2019. Vol. 33, No. 1. P. 60–84. 15. Cooke P. Generative growth with “thin” globalization: Cambridge’s crossover model of innovation // European Planning Studies. 2018. Vol. 26, No. 9. P. 1815–1834. 16. Cortez P., Moro S., Rita P., King D., Hall J. Insights from a text mining survey on Expert Systems research from 2000 to 2016 // Expert Systems. 2018. Vol. 35, No. 3. P. e12280. 17. Cristianini N. On the current paradigm in artificial intelligence // AI Communication. 2014. Vol. 27, No. 1. P. 37–43. 18. Crols T., White R., Uljee I., Engelen G., Poelmans L., Canters F. A travel time-based variable grid approach for an activity-based cellular automata model // International Journal of Geographical Information Science. 2015. Vol. 29, No. 10. P. 1757–1781. 19. Dawid H., Harting P., van der Hoog S., Neugart M. Macroeconomics with heterogeneous agent models: Fostering transparency, reproducibility and replication // Journal of Evolutionary Economics. 2019. Vol. 29, No. 1. P. 467–538. 20. Doloreux D., Gomez I. P. A review of (almost) 20 years of regional innovation systems research // European Planning Studies. 2017. Vol. 25, No. 3. P. 371–387. 21. Dorigo M., Di Caro G., Gambardella L. M. Ant algorithms for discrete optimization // Artificial Life. 1999. Vol. 5, No. 2. P. 137–172. 22. Duan Y., Edwards J. S., Dwivedi Y. K. Artificial intelligence for decision making in the era of Big Data – evolution, challenges and research agenda // International Journal of Information Management. 2019. Vol. 48, No. 1. P. 63–71. 23. Emsia E., Coskuner C. Economic growth prediction using optimized support vector machines // Computational Economics. 2016. Vol. 48, No. 3. P. 453–462. 24. Fischer M. M., Gopal S. Artificial neural networks – A new approach to modeling interregional telecommunication flows // Journal of Regional Science. 1994. Vol. 34, No. 4. P. 503–527. 25. Gatti D. D., Gaffeo E., Gallegati M. Complex agent-based macroeconomics: A manifesto for a new paradigm // Journal of Economic Interaction and Coordination. 2010. Vol. 5. P. 111–135. 26. Grekousis G. Artificial neural networks and deep learning in urban geography: A systematic review and meta-analysis // Computers, Environment and Urban Systems. 2019. No. 74. P. 244–256. 27. Hagerstrand T. Innovation diffusion as a spatial process. Chicago: The University of Chicago Press, 1967. 334 p. 28. Hajek P., Henriques R., Hajkova V. Visualizing components of regional innovation systems using self-organizing maps – Evidence from European regions // Technological Forecasting and Social Change. 2014. Vol. 84, No. 7. P. 197–214. 29. Holland J. N. Adaptation in natural and artificial systems: an introductory analysis with applications to biology, control and artificial intelligence. Ann Arbor: University of Michigan Press, 1975. 183 p. 30. Ilonen J., Kamarainen J.-K., Puumalainen K., Sundqvist S., Käeviäinen H. Towards automatic forecasts for diffusion of innovation // Technological Forecasting and Social Change. 2006. Vol. 73, No. 2. P. 182–198. 31. Kamusoko C., Gamba J. Simulating urban growth using a random forest-cellular automata (RF-CA) model // ISPRS International Journal of Geo-Information. 2015. Vol. 4, No. 2. P. 447–470. 32. Keney M., Zysman J. The rise of the platform economy // Issues in Science and Technology. 2016. Vol. 32, No. 3. P. 61–69. 33. Kohonen T. Self-organizing maps. Berlin, Heidelberg: Springer-Verlag, 2001. 501 p. 34. LeCun Y., Boser B., Denker J. S., Henderson D., Howard R. E., Hubbard W., Jackel L. D. Backpropagation applied to handwritten zip code recognition // Neural Computation. 1989. Vol. 1, No. 4. P. 541–551. 35. Leigh N. G., Kraft B. R. Emerging robotic regions in the United States: Insights for regional economic evolution // Regional Studies. 2018. Vol. 52, No. 6. P. 804–815. 36. Letaief K. B., Chen W., Shi Y., Zhang J., Zhang Y.-J. A. The roadmap to 6G: AI empowered wireless networks // IEEE Communication Magazine. 2019. Vol. 57, No. 8. P. 84–90. 37. Li X., Yeh A. G. O. Neural-network-based cellular automata for simulating multiple land use changes using GIS // International Journal of Geographical Information Science. 2002. Vol. 16, No. 4. P. 323–343. 38. Liu G., Yiu Z., Jia Y., Xie Y. Passenger flow estimation based on convolutional neural network in public transportation system // Knowledge-Based Systems. 2017. No. 124. P. 34–45. 39. Mamdani E. H., Assilian S. Experiment in linguistic synthesis with a fuzzy logic controller // International Journal of Man-Machine Studies. 1975. Vol. 7, No. 1. P. 1–13. 40. Mirowski P. Markets come to bits: Evolution, computation and markomata in economic science // Journal of Economic Behavior & Organization. 2007. Vol. 63, No. 2. P. 209–242. 41. Mozolin M., Thill J.-C., Lynn Usery E. Trip distribution forecasting with multilayer perceptron neural networks: A critical evaluation // Transportation Research. Part B: Methodological. 2000. Vol. 34, No. 1. P. 53–73. 42. Mullainathan S., Spiess J. Machine learning: An applied econometric approach // Journal of Economic Perspectives. 2017. Vol. 31, No. 2. P. 87–106. 43. Mullen R. J., Monekosso D., Barman S., Remagnino P. A review of ant algorithms // Expert Systems with Applications. 2009. Vol. 36, No. 6. P. 9608–9617. 44. Papadimitriou T., Gogas P., Stathakis E. Forecasting energy markets using support vector machines // Energy Economics. 2014. Vol. 4, No. 3. P. 135–142. 45. Parpinelli R. S., Lopes H. S., Freitas A. A. Data mining with an ant colony optimization algorithm // IEEE Transactions on Evolutionary Computation. 2002. Vol. 6, No. 4. P. 321–332. 46. Peris A., Meijers E., van Ham M. The evolution of the systems of cities literature since 1995: Schools of thought and their interaction // Networks and Spatial Economics. 2018. Vol. 18, No. 3. P. 533–554. 47. Prieto A., Prieto B., Ortigosa E. M., Ros E., Pelayo F., Ortega J., Rojas I. Neural networks: An overview of early research, current frameworks and new challenges // Neurocomputing. 2016. Vol. 214. P. 242–268. 48. Reuver de M., Sorensen C., Basole R. C. The digital platform: A research agenda // Journal of Information Technology. 2018. Vol. 33, No. 2. P. 124–135. 49. Rossotto C. M., Lal Das P., Ramos E. G., Miranda E. C., Badran M. F., Licetti M. M., Murciego G. M. Digital platforms: A literature review and policy implications for development // Competition and Regulation in Network Industries. 2018. Vol. 19, No. 1-2. P. 93–109. 50. Shi Y., Li X. A bibliometric study on intelligent techniques of bankruptcy prediction for corporate firms // Heliyon. 2019. Vol. 5, No. 12. P. 1–12. 51. Takagi T., Sugeno M. Fuzzy identification of systems and its applications to modeling and control // IEEE Transaction on Systems Man and Cybernetics. 1985. Vol. 15, No. 1. P. 116–132. 52. Tapscott D. The digital economy: promise and peril in the age of networked intelligence. New York: McGraw-Hill, 1996. 342 p. 53. Van der Hoog S. Surrogate modelling in (and of) agent-based models: A prospectus // Computational Economics. 2019. No. 53. P. 1245–1263. 54. Vapnik V. N. Statistical learning theory. New York: John Wiley and Sons, 1998. 740 p. 55. Yang Q., Li X., Shi X. Cellular automata for simulating land use changes based on support vector machines // Computers and Geosciences. 2008. Vol. 34, No. 6. P. 592–602. 56. Zhang H., Vorobeychik Y. Empirically grounded agent-based models of innovation diffusion: A critical review // Artificial Intelligence Review. 2019. No. 52. P. 707–741. 57. Zhang S. Rethinking U.S. enterprise zones: The role of research design in program evolution // Local Economy. 2019. Vol. 34, No. 6. P. 545–571. 58. Zhao B., Lu H., Chen S., Liu J., Wu D. Convolutional neural networks for time series classification // Journal of Systems Engineering and Electronics. 2017. Vol. 28, No. 1. P. 162–169.
Полный текст статьиРегиональные экономические исследования с использованием алгоритмов искусственного интеллекта: состояние и перспективы