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, инженер-исследователь;
3. Фример Елена Владимировна, инженер-исследователь.

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, инж.-иссл.
Фример Елена Владимировна, инж.-иссл.,
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