Лаборатория математических методов анализа данных

Руководитель - д.ф.-м.н.  Перекрест В.Т.

В лаборатории работают 3 научно-исследовательские группы

НИГ РАЗРАБОТКИ ТЕМАТИЧЕСКИХ БАЗ ПАНЕЛЬНЫХ ДАННЫХ - ТБПД
Состав группы:
1. Воронина Дарина Евгеньевна, н.с. руководитель группы;
2. Пархоменко Людмила Ивановна, гл. специалист;
3. Фример Елена Владимировна, гл. специалист.

Функции НИГ:
- разработка первичных ТБПД для проведения тематического экономико-математического моделирования – построения экономико-математической модели (ЭММ);
- актуализация и комплексная верификация первичных ТБПД;
- формирование ТБПД для разработанной тематической ЭММ;
-  актуализация и верификация ТБПД для разработанной ЭММ.

 

НИГ РАЗРАБОТКИ И ВЕДЕНИЯ КОННЦЕПТУАЛЬНОАНАЛИТИЧЕСКИХ И МЕТРОЛОГИЧЕСКИХ МОДЕЛЕЙ НИР - КАИММ
Состав группы:
1. Перекрест Владимир Терентьевич, д.ф.-м.н., зав. ЛММАД руководитель группы;
2. Перекрест Олег Игоревич, м.н.с., аспирант;

Функции НИГ:
-  взаимодействие с профильными подразделениями Института по разработке, актуализации и верификации концептуальных моделей тематических НИР;
- проведение концептуально-аналитических сопоставлений различных концептуальных моделей тематических НИР;
-анализ метрологических аспектов разработки тематических ЭММ: вопросы технологий измерения и стандартизации – типологизации

 НИГ РАЗРАБОТКИ И ВЕДЕНИЯ ИНФОРМАЦИОННОАНАЛИТИЧЕСКИХ МОДЕЛЕЙ НИР - ИАМ

Состав группы:
1. Курзенев Владимир Анатольевич, д.т.н., проф. гл.н.с. руководитель группы
2. Перекрест Владимир Терентьевич, д.ф.-м.н., зав. ЛММАД;
3. Перекрест Игорь Владимирович, старший научный сотрудник.

Функции НИГ:
- Развитие экономико-математического инструментария нелинейного типологического анализа (НТА) – многомерного сетевого рейтинга (МСР).
- Разработка технологий применения НТА – МСР в задачах формирования и реализации региональных экономических политик – экономической политики России, дифференцированно относительно типов ее регионов;
-  Формирование методических рекомендаций по внедрению разработанного математического инструментария в тематических НИР Института

Основные этапы формирования и развития исследований, проводимых ЛММАД, в контексте трех фундаментальных (дисциплинарных) направлений исследования:
- Разработка математического инструментария: математических моделей и математических методов.
- Разработка информационно-аналитических технологий.
- Разработка практик реализации разработанного математического и технологического инструментария для различных предметных областей, технологий верификации построенных моделей (методического инструментария).

Сотрудники

Воронина Дарина Евгеньевна, н.с
Перекрест Игорь Владимирович, с.н.с
Пархоменко Людмила Ивановна, гл. специалист
Фример Елена Владимировна, гл. специалист
Курзенев Владимир Анатольевич, г.н.с., д.т.н. профессор, совм.
Перекрест Олег Игоревич м.н.с.

     ЛММАД (на момент создания – Лаборатория математических методов анализа социально-экономических данных) была сформирована в 1980 г. как структурное подразделение ИСЭП АН СССР по рекомендации работавших в институте ведущих социологов страны В.А.Ядова и О.И.Шкаратана. Основное направление ее деятельности – разработка математических моделей прикладной статистики, эффективных вычислительных методов анализа данных и программного обеспечения для создаваемой в ИСЭП системы комплексных социологических исследований (СКОСИ) с организацией (научно-методическим сопровождением) последующего статистического анализа их результатов. Основные этапы деятельности лаборатории в 1980-­2018 гг

 

Важнейшие результаты научной деятельности
Лаборатории математических методов анализа данных
в 2023 году

Тема НИР: Информационно-аналитические технологии экономико-математического моделирования пространственных экономических систем в парадигме цифровизации экономики и государственного управления

Выполняется в рамках Программы фундаментальных научных исследований (ПФНИ) в Российской Федерации на период 2021 – 2030 годы по направлениям:

w   ПФНИ 5.6.2.4. «Экономика знаний, цифровая и экспериментальная экономика, математические и компьютерные модели, инструменты и методы; влияния экономики знаний и информационных технологий на структурные сдвиги, экономический рост и качество жизни»

w   ПФНИ  5.6.3.1. «Разработка теории и инструментальной базы анализа пространственной экономики; исследование закономерностей трансформации социально-экономического пространства Российской Федерации; системный анализ развития российских регионов и их взаимодействий».

Ниже представлены следующие важнейшие результаты НИР.

 

1.     Экономико-математическая модель сетевого рейтинга для многомерного ранжирования социально-экономических объектов

1.1 Предварительные замечания

Сравнительные характеристики с известными разработками

Ниже представлены основныеконцептуально-аналитические и технологические принципы экономико-математического моделирования (ЭММ) пространственных экономических систем в форме гибридной модели, реализующей синтез классического метода главных компонент (МГК) и функциональных моделей многомерного метрического шкалирования (ММШ). Особенности этого синтеза позволяют использовать предложенный подход в качестве технологической основы нелинейного типологического анализа пространственных экономических систем в парадигме цифровой трансформации. При этом предложенный подход развивает методы, представленные ранее в публикациях [1-3], а его основные принципы приведены, в частности, в публикациях [4-9].

Отметим, что наиболее «продвинутыми» в обсуждаемом направлении представляются работы, опубликованные в [10‑11]. Указанные работы затрагивают широкий спектр вопросов, касающихся классического МГК, а также его применения в задачах снижения размерности и визуализации многомерных данных. Достаточно подробно и тщательно рассмотрены прикладные аспекты (свыше 10 прикладных областей, включая генетику, медицину экономику и пр.), а также вычислительные схемы и вопросы программного обеспечения (программный комплекс ViDaExspert). Основной инструментарий связан с системой картирования как формой представления данных в виде многообразий (в том числе, нелинейных) в исходном признаковом пространстве. Вопросы нелинейности рассматриваются с позиций решенных прикладных задач (эвристические подходы) и в рамках параметрической парадигмы.

Сведения о разработанных нелинейных непараметрических методах типологизации не представлены. Концептуально-аналитические инструменты взаимодействия МГК и ММШ при решении прикладных задач отсутствуют, что соответствует ситуации 80-х годов прошлого века. Аналогичная ситуация подтверждается и современным уровнем программного обеспечения таких высокорейтинговых профессиональных систем, как IBM SPSS Statistics.

Как представляется, все известные разработки в рассматриваемом направлении по своему теоретико-методологическому и научно-методическому уровню отстают от исследований ИПРЭ РАН более чем на 15 лет. Последние проводились по инициативе и при поддержке научного руководителя ИПРЭ РАН, академика РАН В.В. Окрепилова. Актуальность и прикладная значимость исследования, в частности, иллюстрируются соответствующими положениями Концепции технологического развития РФ на период до 2030 г. [12].

 

Особенности ЭММ как синтеза трёх типов математических моделей:

-        Концептуально–аналитическая модель (КАМ) предметной области.

-        Метрологический инструментарий информационно-технологической поддержки: формирования данных моделирования (в том числе в формате big-data), а также технологии их категоризации и комплексной верификации (включая визуализацию многомерных данных).

-        Система математических моделей операций над объектами КАМ, включая технологии цифровой трансформации данных big-data в формат deep-data.

 

Особенности ЭММ с позиций концепции экономики качества:

-        метрологические аспекты формирования и верификации первичной информационной базы данных статистических показателей (ПБД), а также индикативной среды моделирования, адекватные целям и задачам проводимого исследования;

-        информационно-аналитические методы стандартизации: нелинейный типологический анализ как форма «технологии качества» с отнесением анализируемого объекта к одному из выделенных типов как результат неколичественного «качественного» измерения;

-        методы управления качеством: технологии формирования и реализации экономической политики как единой системы целеполагания и механизмов достижения поставленной цели с ориентацией на конечный результат.

 

Предлагаемые решения

Разработка гибридного метода главных компонент (ГМГК): как метода нелинейного типологического анализа в форме синтеза классического МГК (КМГК) и функциональных ММШ.

Технологии ГМГК рассматриваются в парадигме цифровой трансформации big-data в формат deep-data, а также в форме R-шкалирования [1], позволяющей представлять ГМГК как метод типологизации, обладающий свойствами агент-ориентированного моделирования при соответствующей интерпретации отношения сходства-различия в используемых схемах ММШ.

 

1.2 Представляемый результат

Экономико-математическая модель сетевого рейтинга для многомерного ранжирования социально-экономических объектов – состояний объектов статистического наблюдения  (ОСН) в системе панельных данных. Представлена в форме когнитивной модели разработки локально линейной системы интегральных индикаторов состояний ОСН для классификационно-типологической модели (КТМ), построенной в рамках технологий гибридного МГК. В рамках построенной КТМ представлена модель сетевого рейтинга с двухуровневой детализацией. включающей: микроуровень – многомерное ранжирование временнЫх рядов состояний ОСН, принадлежащих одному типу (локальный рейтинг), и макроуровень – анализ межтиповых переходов (смены типа) и оценка позиции в новом локальном рейтинге.

Разработанные для КТМ методы визуализации включают, как систему картирования объектов сетевого рейтинга, так и инструменты оценивания целевых зон развития ОСН, как локальных (в рамках одного типа), так и стратегических (выбор целевого типа).

Модели сетевого рейтинга являются существенным технологическим продвижением в задачах адекватного многомерного ранжирования состояний ОСН. Их применение целесообразно в случае существенной неоднородности ОСН, например, для совокупности научно-образовательных организаций, включающей как университеты (и пр. ВУЗы), так и научные организации (РАН и пр.), а также их объединения (консорциумы и пр.).

 

1.3 Иллюстративные материалы

Технологическая схема поэтапной реализации предложенного подхода

Этап 1. Формирование для временнЫх состояний исследуемых объектов статистического наблюдения пространства временнЫх рядов в форме первичной базы панельных данных (БПД). Проведение для построенной БПД методов комплексной верификации, включающих, в частности, процедуры заполнения пропущенных значений и прогнозного оценивания первичных данных на краткосрочную перспективу.

Этап 2. Разработка для первичной БПД двух частных факторных моделей КМГК и формирование двух интегральных индикаторов масштабности и структурной значимости – соответственно ИИМ и ИИСЗ. Последние в дальнейшем рассматриваются как элементы первичного (линейного) рейтинга – L-индикаторы.

Этап 3. Разработка первичной (L-) классификации совокупности состояний исследуемых ОСН, представленных данными первичной БПД:

Определяется минимальное количество выделяемых классов – NL, адекватное целям и задачам проводимого исследования. Величина NL в дальнейшем рассматривается как типологическая L-размерность исходных данных.

Формируется разбиение (L-разбиение) всех рассматриваемых состояний ОСН на классы, соответствующие разработанной L-классификации.

Этап 4. Разработка первичной КТМ (L-КТМ). Последняя рассматривается как сетевая структура, узлами которой являются элементы L-разбиения, ассоциированные с локальными частными факторными моделями, построенными для них с помощью КМГК. Для указанных локальных частных моделей рассчитываются  локальные L-индикаторы – соответственно масштабности и структурной значимости (ИИМ и ИИСЗ).

Указанная система локальных L-индикаторов очевидным образом формирует локально линейные интегральные индикаторы соответственно масштабности и структурной значимости (LL–индикаторы ИИМ и ИИСЗ), определенные на всем пространстве состояний ОСН рассматриваемой ПЭС и совпадающие на каждом классе L–разбиения (см. Этап 3) с соответствующими L–индикаторами.

Сформированная указанным способом КТМ  и рассматривается как система локально-линейного рейтинга (LL-рейтинг) в рамках общей методологии классического КТМ.

Этап 5. Формирование для временнЫх состояний исследуемых ОСН производной БПД (R-БПД) в форме R-представления первичной БПД. При этом используются информационно-технологические инструменты, представленных в [1;3]. Отметим, что существенной характеристикой R-представлений является топология (метрика), рассматриваемая  в качестве оценки сходства/различия для объектов первичной БПД.[1] Причем существенной особенностью  указанной характеристики является ее функциональный характер: т.е. соответствующая функция представлена либо в аналитической форме, либо в виде алгоритмы расчета ее значений для любой допустимой пары рассматриваемого пространства состояний.

Этап 6. Разработка и верификация для R-БПД факторной модели КМГК и формирование для нее двух интегральных индикаторов типологизации, являющихся для нее первыми двумя главными компонентами. При этом процесс верификации заключается в проверке достаточно высоко уровня объяснения ими суммарной доли общей дисперсии (75% и выше).

Указанные индикаторы образуют двухмерное пространство с евклидовой метрикой - евклидову плоскость. Последняя в дальнейшем рассматривается как итоговое типологическое пространство, позволяющее осуществлять визуализацию различных феноменов построенной факторной модели.

Характеристическая особенность разработанной типологической модели заключается в построении (в соответствии с [1]) функционального представления для интегральных индикаторов типологизации. При этом значения последних определяются как существенно нелинейные функции первичных данных – значений первичных индикаторов состояний ОСН (объектов первичного пространства состояний).

Этап 7. Разработка сетевой (S-) классификации совокупности состояний исследуемых ОСН, представленных данными R-БПД:

Определяется минимальное количество выделяемых классов – NS, адекватное целям и задачам проводимого исследования и рассматриваемая как типологическая S-размерность исходных данных. В частности, в ряде случаев достаточно положить NS=NL, а S‑классификацию строить в топологии R-БПД.

Формируется S-разбиение всех рассматриваемых состояний ОСН на классы, соответствующие разработанной S-классификации.

Этап 8. Разработка производной КТМ (S-КТМ). В сформированной сетевой структуре узлами являются элементы S-разбиения, ассоциированные с локальными частными факторными моделями, построенными для них с помощью классического МГК (КМГК) – см. выше, но уже на S-классах. Для указанных локальных моделей рассчитываются  локальные S‑индикаторы – соответственно масштабности и структурной значимости (ИИМ и ИИСЗ).

Указанная система локальных S-индикаторов, как и выше – см. Этап 4, формирует локально линейные интегральные индикаторы соответственно масштабности и структурной значимости (LS–индикаторы ИИМ и ИИСЗ), определенные на всем пространстве состояний ОСН рассматриваемой ПЭС и совпадающие на каждом классе S–разбиения (см. Этап 7) с соответствующими S–индикаторами.

Сформированная указанным способом S-КТМ и рассматривается как система локально-линейного рейтинга (LS-рейтинг) в рамках общей методологии гибридного КТМ.

 

1.4 Краткая характеристика научных результатов

Полученные результаты

Выявлен ключевой характер индикативного представления первичных статистических показателей ЭММ в виде двух групп первичных индикаторов: масштабных и удельных (структурной значимости). При этом первые характеризуют изучаемые феномены с общесистемных позиций – являются удельными в рамках одного показателя для всех регионов исследуемой пространственной экономической системы (ПЭС). Индикаторы же второй группы являются удельными с региональной позиции – в рамках некоторой группы показателей для одного региона.

В рамках указанного индикативного представления выявлен также ключевой характер построенных в рамках частных КМГК интегральных индикаторов масштабности и структурной значимости (соответственно – ИИМ и ИИСЗ).

Каждый из них является взвешенной суммой всех представленных в соответствующей частной модели факторов (компонент) с весами, пропорциональными соответствующим им величинам объяснённой дисперсии. Большое количество рассмотренных тематических примеров  ПЭС свидетельствует об особой значимости указанного феномена, что, вероятно, связано с региональной структурой анализируемых ПЭС. При этом общая модель, построенная с помощью КМГК, не обладает ожидаемыми возможностями визуализации (требуется 7–9 главных компонент для обеспечения необходимого уровня объяснённой дисперсии).

Установлен двумерный характер модели типологизации ГМГК–моделей (построенных гибридным МГК): суммарная доля общей дисперсии, объяснённой двумя главными компонентами, как правило, выше 85 %. При этом для обеих интегральных функций типологизации, соответствующих выделенным главным компонентам, получены явные и существенно нелинейные представления. Последние определяются, в частности, функциональным видом рассматриваемой функцией близости в пространстве состояний объектов типологизации – СРФ.

 

Классификационно-типологическая модель (КТМ) как прикладной результат методологии нелинейного типологического анализа

Для ГМГК традиционная (для КМГК) задача интерпретации осей типологической плоскости (интегральных функций типологизации) в силу их нелинейности не возникает. Функцию «размерности описания» выполняет система выделения однородных совокупностей объектов типологизации, адекватная целям и задачам проводимого исследования. Причем их количество может рассматриваться как типологическая размерность построенной модели. Указанная задача классификации решается традиционными методами прикладной статистики – анализа данных, а построенная для выделенных классов система линейных КМГК рассматривается как КТМ.

 

Сетевой рейтинг как аналитический инструмент разработанной КТМ

В основе сетевого рейтинга лежит двумерная система ранжирования состояний объектов статистического наблюдения (ОСН – макрорегион, регион, муниципальное образование, хозяйствующий субъект и т.п.) рассматриваемой ПЭС, индикативно представленная ИИМ и ИИСЗ и полученная применением КМГК для соответствующих множеств состояний ОСН (тематических групп, классов/типов и т.п.).

Таким образом, для каждого класса/типа построенной КТМ используется КМГК и формируются локальные интегральные индикаторы ИИМ и ИИСЗ, которые затем объединяются в сводные интегральные индикаторы. При этом сетевой рейтинг представляется как двухуровневая система, основными структурными (сетевыми) элементами которой являются:

-      макроположение (тип текущего положения состояния ОСН) и макропереход («качественное» изменение – смена типа);

-      микроположение (в рамках текущей «локализации»), включая «локальную» динамику.

Следует отметить когнитивный характер разработки модели сетевого рейтинга при реализации  Этапов 1-8 (см. выше). При этом отметим, что Этапы 1-4 реализованы в рамках КМГК. Также обратим внимание на то, что возможности визуализации результатов построенной модели L-КТМ ограничены:

-      средствами представления и анализа системы L-картирования: локальный рейтинг двумерного ранжирования на плоскости L‑индикаторов масштабности (ИИМ) и структурной значимости (ИИСЗ).

-      средствами картирования макроуровня: макроположение и индикация макропереходов на общей карте ИИМ и ИИСЗ с расположением центральных элементов построенных L‑классов.

Вторая группа этапов (Этапы 5-8) развивает первый подход за счет применения гибридного МГК, что позволяет существенно расширить возможности визуализации полученных результатов – свойств R-КТМ.  В частности, кроме указанных выше средств представления и анализа системы S-картирования появляется возможность:

-         Разработать систему зонального целеполагания для исследуемой ПЭС в целом, а также дифференцированно в региональном разрезе.

-         Сформировать систему визуальной поддержки  (в частности, индикации) последствий принимаемых решений по оптимизации распределения имеющихся ресурсов в целях регулирования динамики изменения значений первичных показателей для достижения поставленных целей. В том числе, в региональной дифференциации.

 

Новизна представляемых результатов обусловлена:

-        новыми гибридными технологиями МГК, разработанными в парадигме цифровой трансформации – нелинейного типологического анализа;

-        новой концепцией и технологиями сетевого рейтинга временнЫх состояний ОСН ПЭС с методическим сопровождением в форме системы локального картирования в рамках двумерного индикативного ранжирования ИИМ – ИИСЗ. К последним, в частности, относятся и новые двухуровневые инструменты визуализации ЭММ ПЭС.

-        уже LL- модели сетевого рейтинга являются существенным технологическим продвижением в задачах адекватного многомерного ранжирования состояний объектов пространственных экономических систем (см. [6;7;9]). Особенно при сравнении с традиционными рейтинговыми технологиями. Прежде всего, за счет его двухмерности, связанной, во-первых, с выделением первичного микроуровня (системы однородных состояний объектов ПЭС). А во-вторых – с введением и операционализацией макроуровня  «качественных изменений».

 

2.     Пакет проектов по гармонизации технологического инструментария госрегулирования региональных рынков труда  РФ (РРТ) в целях кадрового обеспечения приоритетных направлений развития экономики регионов (ПНРЭ).

2.1 Предварительные замечания

Сравнительные характеристики с известными разработками по указанному темати-ческому направлению, по существу, остались неизменными по сравнению с данными 2021‑2022 гг. В чстности, актуальность указанных задач по-прежнему характеризуется отсутствием эффективного, а зачастую и необходимого экономико-математического и математико-статистического инструментария для успешного решения задач, представленных в ключевых нормативных правовых документах, регулирующих социально-экономическое развитие РФ. В частности, в связи с рисками возникновения и смягчением последствий возникшей институциональной безработицы (с учетом миграционной политики и результатов деятельности системы профессионального образования и обучения) – см. например, публикации [13-16]. Аналогичные запросы руководителей органов государственной власти РФ характерны и для 2022-2023 гг.

 

Научно-методический задел:

Результаты НИР, выполненных в ИПРЭ РАН (до 2018 г. – в СПб ЭМИ РАН) в рамках общего направления "Экономико-математические методы государственного регулирования социально-ориентированными экономиками на региональном уровне в рамках инновационных моделей развития" (более 80 печатных работ и 50 докладов на конференциях).

Практическая значимость. Результаты 14 прикладных исследований, проведенных в 2012-2018 гг. по заданию и при поддержке Комитета по труду и занятости населения СПб по направлениям:

-      Мониторинг РРТ и разработка прогноза баланса трудовых ресурсов СПб.

-      Мониторинг миграционной ситуации в СПб в области трудовой миграции.

-      Разработка прогноза баланса рабочих мест в СПб, в том числе – замещаемых иностранными гражданами и лицами без гражданства.

-      Определение потребности РРТ СПб в иностранной рабочей силе.

 

2.2 Представляемый результат

Пакет проектов по гармонизации технологического инструментария госрегулирования региональных рынков труда  РФ (РРТ) в целях кадрового обеспечения приоритетных направлений развития экономики регионов (ПНРЭ).

Предлагается: организация и проведение комплексного экономико-математического исследования по разработке системы целевых технологий кадрового обеспечения экономик регионов (как в целом, так и с выделением отдельных секторов ПНРЭ) дифференцированно относительно типа региона в разработанной тематической типологии региональных экономик; разработка специальных форм региональных экономических политик для решения указанных задач для регионов с преобладанием институциональных форм безработицы, а также методов гармонизации региональных политик: экономической, образовательной и демографической (миграционной) в целях обеспечения ПНРЭ профессиональными кадрами (в том числе, – с использованием «Форсайт-феноменов»).

Опирается, как на результаты фундаментальных исследований РАН [17-20], так и на опыт их применения в практике государственного регулирования РРТ Санкт-Петербурга (см. выше).

2.3 Иллюстративные материалы – краткая характеристика

Теоретико-методологическую основу предлагаемых проектов составляют разработанные в ИПРЭ РАН методы экономико-математического моделирования (ЭММ) сферы занятости и рынка труда России в региональной дифференциации:

-         Обеспечение региональных экономических систем профессиональными кадрами: технологии государственного регулирования.

-         Технологическая инновационность как фактор развития пространственных социально-экономических систем: концептуальные и информационно-аналитические аспекты в парадигме цифровизации экономики и государственного управления.

-         Разработка структурных балансовых технологий сценарного прогнозирования основных тематических показателей РРТ в рамках нелинейного непараметрического типологического анализа пространственных экономических систем.

При этом исследование ведется в парадигме цифровизации которая рассматривается через призму технологических систем: «Цифровая платформа», «Цифровая экономика» – Национальная программа «Цифровая экономика РФ» и пр., а также – инструментов цифровизации:

ü  системы баз данных для информационных технологий;

ü  системы тематических индикаторов;

ü  программные системы прикладной статистики (анализа данных) и эконометрики – для аналитических технологий;

ü  системы знаний для предметных областей – при концептуально-аналитическом моделировании;

ü  методы формирования и преобразование данных из формата big-data в deep‑data.

 

3.     Разработка (актуализация) и верификация первичных и тематических баз панельных данных (БПД) для основных тематических направлений исследований ИПРЭ РАН.

Первичные БПД включают первичные статистические показатели официальной статистической информации, системы основных видов первичных индикаторов, также результаты текущего и краткосрочного прогнозного оценивания. Тематические БПД включают дополнительно:

-      системы интегральных индикаторов – результаты НТА соответствующих первичных панельных данных гибридными МГК;

-      результаты типологического картирования целевых подмножеств и динамических рядов состояний анализируемых объектов статистического наблюдения;

-      результаты представления полученных результатов в форме сетевого рейтинга.

Результаты 2023 года:

Разработка (актуализация – комплексная верификация) трех первичных БПД: КЖ-2023, АЗ-2023, ТИ-2023.

Разработка (актуализация – комплексная верификация) трех тематических БПД – контекстный формат в региональной дифференциации:

-      «Качество жизни населения РФ».

-      «Уровневая структура технологической инновационности Национальной инновационной системы РФ».

-      «Арктическая зона РФ».

 

Библиографический список

  1. 1.     Перекрест В.Т. Эконометрическое моделирование пространственных экономических систем с помощью технологий многомерного метрического шкалирования // Государство и бизнес. Вопросы теории и практики: моделирование, менеджмент, финансы. Материалы Третьей международной конференции. –СПб.: Изд-во СЗАГС, 2011. –C. 18-38. ISBN 978-5-89781-402-2.
  2. 2.     Математическое моделирование управления состоянием субфедеральных экономических систем на основе R представления / Воронина Д.Е., Курзенев В.А., Перекрест В.Т., Перекрест И. В. // Управление информационными ресурсами. Материалы XVI Международной научно-практической конференции (Минск, 26 февраля 2020 г.)  –Минск: Академия управления при Президенте Республики Беларусь, 2020. –С. 28-32. ISBN 978-985-527-514‑6.
  3. 3.     Экономико-математическое моделирование сферы занятости и единого рынка труда как пространственной экономической системы (Глава 6) / Курзенев, В.А., Перекрест В.Т., Перекрест И.В. и др. // Междисциплинарное исследование процессов трансформации социально-экономического пространства и территориального развития регионов России /под научной ред. акад. РАН Окрепилова В.В., проф. Кузнецова С.В. –СПб.: ГУАП, 2021. ‑С 389-465. ISBN 978-5-8088-1579-7.
  4. 4.     Макаров В.Л., Окрепилов В.В., Бахтизин А.Р. Научные решения сложных экономических и социальных задач с помощью суперкомпьютеров. –М.: ЛЕНАНД, 2023. –С. 336-412. ISBN 978-5-9710-6284-2.
  5. 5.     Экономико-математическое моделирование пространственных экономических систем в парадигме цифровизации экономики и государственного управления (Глава 5) / Воронина Д.Е., Курзенев В.А., Перекрест В.Т., Перекрест И.В. (Глава 5) // Социально-экономическое развитие регионов /Под ред. академика РАН В.В. Окрепилова; Ин-т проблем региональной экономики РАН. –М.: Наука, 2024. –С. 362-456. –ISBN 978-5-02-041534-8.
  6. 6.     Перекрест О.И. Сетевой локально линейный рейтинг для процессов социально-экономического развития регионов Арктической зоны РФ // Экономика Северо-Запада: проблемы и перспективы развития, 2024. ‑ISSN 2411-4588.
  7. 7.     Микуленок А.С., Перекрест О.И. Оценка дифференциации регионов Арктической зоны РФ на основе информационно-аналитических технологий // Экономика Северо-Запада: проблемы и перспективы развития, 2023, №4. ‑ISSN 2411-4588.
  8. 8.     Перекрест И.В. Технологические особенности анализа и трансформации кадрового потенциала регионального рынка труда в целях обеспечения экономики региона профессиональными кадрами // Экономика Северо-Запада: проблемы и перспективы развития, 2023, №4. –ISSN 2411–4588.
  9. 9.     Курзенев В.А., Перекрест В.Т. Контекстный нелинейный типологический анализ как инструмент формирования и реализации региональной экономической политики // Управленческое консультирование, 2024, 1. –ISSN 1726–1139.
  10. 10.  Зиновьев А.Ю. Визуализация многомерных данных URL: http://pca.narod.ru/ZINANN.htm  ноябрь 2021 г. Книга (с программным обеспечением): А. Ю. Зиновьев, Визуализация многомерных данных, Красноярск, Изд. КГТУ, 2000.
  11. 11.  Gorban A. N., Kegl B., Wunsch D., Zinovyev A. Y. (Eds.), Principal Manifolds for Data Visualisation and Dimension Reduction, Series: Lecture Notes in Computational Science and Engineering 58, Springer, Berlin — Heidelberg — New York, 2008, XXIV, 340 p. 82 illus. ISBN 978-3-540-73749-0 (а также – онлайн).
  12. 12.  Концепция технологического развития на период до 2030 года. Утв. распоряжением Правительства РФ от 20.05.2023 г. № 1315-р. 2023. –59 с.
  13. 13.  ЦБ России, директор департамента денежно-кредитной политики ЦБ Кирилл Тремасов:  «Приближение экономики России к состоянию «перегрева» //URL: https: //www.rbc.ru/economics/30/12/2021/61cd1f8c9a79474e09e57dcd. Время обращ. 30.12.2021.
  14. 14.  Безработица росла одновременно с дефицитом специалистов [Электронный ресурс] //URL: https: //news.mail.ru/economics/45145989/. Время обращения март 2021 года.
  15. 15.  Комментарии ГУ Банка России № 2, февраль 2021 года, 4 февраля 2021 года [Электронный ресурс] // Региональная экономика. URL: http://www.cbr.ru/Collection /Collection /File/31957/report_04022021.pdf/. Время обращения март 2021 года.
  16. 16.  В. Фальков. Ресурсный потенциал университетов и научных организаций будет нацелен на развитие региональных экономик. Совет Федерации Федерального Собрания Российской Федерации [Электронный ресурс] //URL: http://council.gov.ru/events/news/124740/. Время обращения март 2021 года.
  17. 17.  Перекрест В.Т., Курзенев В.А. Некоторые технологические особенности целевого проектирования процессов социально-экономического развития пространственных экономических систем // Экономика Северо-Запада: проблемы и перспективы развития, 2022, №3 ‑C 5‑11. ‑ISSN 2411-4588. –DOI: 10.52897/2411-4588–2022-3-5-11.
  18. 18.  Курзенев В.А., Перекрест В.Т., Перекрест И.В. Балансовые технологии исчисления и прогнозного оценивания трудовых ресурсов региональных социально-экономических систем // Управленческое консультирование, 2022, 4. –С. 35-43. –ISSN 1726–1139.
  19. 19.  Перекрест И.В. Особенности применения балансовых технологий в задачах прогнозного оценивания трудовых ресурсов при государственном регулировании региональных рынков труда. // Экономика Северо-Запада: проблемы и перспективы развития, 2022, №3. ‑С. 67-73. –ISSN 2411–4588.
  20. 20.  Перекрест И.В. Технологические особенности анализа и трансформации кадрового потенциала регионального рынка труда в целях обеспечения экономики региона профессиональными кадрами // Экономика Северо-Запада: проблемы и перспективы развития, 2023, №4. –ISSN 2411–4588.

[1] В частности, квадрат евклидовой метрики – евклидова близость. Весьма обширная система подобных функций различия представлена как параметр аналитических расчетов, например, в высокорейтинговой информационно-аналитической системе «IBM SPSS Statistics».

 
Важнейшие результаты 2022 г.

Группа (A)  Инструментальные, связанные с разработкой информационно-аналитического инструментария прикладной статистики – эконометрики

A.1  Пакет проектов по гармонизации технологического инструментария госрегулирования региональных рынков труда РФ (РРТ) в целях обеспечения приоритетных направлений развития экономики регионов (ПНРЭ) профессиональными кадрами.

Организация и проведение комплексного экономико-математического исследования по разработке системы целевых технологий кадрового обеспечения экономик регионов дифференцированно относительно типа региона в разрабо