Архив номеров за 2026 год

Аннотация

Исследование направлено на теоретическое и прикладное осмысление механизмов взаимодействия цифрового центра диспетчеризации логистических потоков с элементами внутренней и внешней среды современного морского порта, функционирующего в парадигме «умной логистики». Цель исследования – обосновать архитектуру и разработать функциональную модель цифрового центра диспетчеризации логистических потоков (ЦЦДЛП), интегрирующую материальные, информационные и финансовые потоки в цифровую инфраструктуру «умного» морского порта. В качестве методологической основы использован системный подход в сочетании с инструментарием структурно-логического моделирования, что позволило обосновать архитектуру цифровой интеграции ключевых инфраструктурных и институциональных компонентов портового хозяйства.
Результатом исследования стала разработка структурно-логической схемы цифрового диспетчерского центра, обладающего функциональностью по агрегированию, обработке и координации информации в рамках операционной, нормативно-правовой и технико-экономической среды морского порта. Выявлено, что использование такого центра позволяет существенно повысить эффективность управления логистическими потоками, обеспечить их устойчивость и соответствие международным требованиям. Разработанная схема обладает высокой степенью прикладной значимости в контексте стратегического планирования цифровой трансформации портовой отрасли, включая внедрение интеллектуальных технологий: интернета вещей, цифровых двойников, блокчейн-решений и алгоритмов предиктивной аналитики. Практическая реализация модели обеспечивает рост адаптивности логистических процессов и их соответствие современным вызовам глобальных цепей поставок.

Ключевые слова: диспетчерский центр, морской порт, умный порт, цифровая трансформация, control tower

Список источников:

1. Анисимов Н. А., Шкарина Т. Ю. Логистический хаб (ТЛЦ) как основа развития региона // Инновации и инвестиции. – 2021. – № 3. – С. 332–335. – URL: https://cyberleninka.ru/article/n/logisti cheskiy-hab-tlts-kak-osnova-razvitiya-regiona (дата обращения: 20.05.2025). – Текст: электронный.
2. Белозерцева Н. П., Блюдик А. Р., Несповитый А. В. Перспективы применения цифровых логи- стических платформ в мультимодальных пере- возках // Финансовые рынки и банки. – 2024. – № 12. – C. 540–547. – URL: https://cyberleninka.ru/ article/n/perspektivy-primeneniya-tsifrovyh-logistic heskih-platform-v-multimodalnyh-perevozkah (дата обращения: 20.05.2025). – Текст: электронный.
3. Бородина К. М. Разработка рекомендаций по повышению эффективности цифрового транспортного коридора СМП // Прогрессивная экономика. – 2025. – № 1. – C. 165–182. – URL: https://cyberleninka.ru/article/n/razrabotka-rekomen datsiy-po-povysheniyu-effektivnosti-tsifrovogo-transportnogo-koridora-smp (дата обращения: 20.05.2025). – Текст: электронный.
4. Гвилия Н. А., Кочурова А. А. Формирование системы «умных» портов в логистической инфраструктуре Северного морского пути // Вест- ник Астраханского государственного техничес- кого университета. Серия: Экономика. – 2022. – № 3. – C. 89–95. – URL: https://cyber leninka.ru/ article/n/formirovanie-sistemy-umnyh-portov-v-logi sticheskoy-infrastrukture-severnogo-morskogo-puti (дата обращения: 20.05.2025). – Текст: электронный.
5. Гельфонд Д. В. Эффекты и ограничения цифровой трансформации экономической деятельности морских портов // Экономика. Право. Инновации. – 2025. – № 1. – C. 4–12.
6. Зуб И. В., Ежов Ю. Е., Анголенко Т. С. Информационные системы как инструмент повышения производительности морских портов // Вестник Государственного университета морского и речного флота имени адмирала С. О. Макарова. – 2022. – № 2. – С. 218–229. – URL: https://cyberleninka.ru/article/n/informatsionnye-sis temy-kak-instrument-povysheniya-proizvoditelnos ti-morskih-portov (дата обращения: 20.05.2025). – Текст: электронный.
7. Комендантов К. И. Искусственный интеллект в управлении морскими портами: реальность, перспективы и проблемы // Океанский менеджмент. – 2024. – № 2 (26). – C. 43–47. – URL: https://cyberleninka.ru/article/n/iskusstvennyy-intellekt-v-upravlenii-morskimi-portami-realnost-perspektivy-i-problemy (дата обращения: 20.05.2025). – Текст: электронный.
8. Коченова К. И. Правовое обеспечение деятельности морских портов нового поколения // Океанский менеджмент. – 2024. – № 2 (26). – С. 47–51.  – URL: https://cyberleninka.ru/article/n/pra vovoe-obespechenie-deyatelnosti-morskih-portov-novogo-pokoleniya (дата обращения: 20.05.2025). – Текст: электронный.
9. Кузменко Ю. Г., Турлаев Р. С. О перспективах развития региональных транспортно-логисти- ческих центров в условиях активного развития международных транспортных коридоров // Вестник Южно-Уральского государственного университета. Серия: Экономика и менеджмент. – 2015. – № 1. – C. 178–184. –  URL: https://cyberle ninka.ru/article/n/o-perspektivah-razvitiya-regionaln yh-transportno-logisticheskih-tsentrov-v-usloviyah-aktivnogo-razvitiya-mezhdunarodnyh-transportnyh (дата обращения: 20.05.2025). – Текст: электронный.
10. Куприяновская Ю. В.  и др. Умный контейнер, умный порт, BIM, интернет вещей и блокчейн в цифровой системе мировой торговли // International Journal of Open Information Technologies. – 2018. – № 3. – URL: https://cyber leninka.ru/article/n/umnyy-konteyner-umnyy-port-bim-internet-veschey-i-blokcheyn-v-tsifrovoy-siste me-mirovoy-torgovli (дата обращения: 20.05.2025). – Текст: электронный.
11. Панамарева О. Н. Особенности цифровой трансформации транспортной отрасли и ее влияние на развитие портов России // Вестник Московского финансово-юридического универ- ситета. – 2022. – № 2. – C. 76–99. – URL: https://cyberleninka.ru/article/n/osobennosti-tsifro voy-transformatsii-transportnoy-otrasli-i-ee-vliyan ie-na-razvitie-portov-rossii (дата обращения: 20.05.2025). – Текст: электронный.
12. Ховина К. В. Основные направления развития отрасли контейнерных перевозок к 2050 году // Вестник науки. – 2022. – № 1 (46). – C. 100–105. –URL: https://cyberleninka.ru/article/n/osnovnye-nap ravleniya-razvitiya-otrasli-konteynernyh-perevozok -k-2050-godu (дата обращения: 20.05.2025). – Текст: электронный.
13. Шенин Д. С., Фомин А. А. Современные технологии в логистическом менеджменте // StudNet. – 2023. – № 2. – URL: https://cyberlenin ka.ru/article/n/sovremennye-tehnologii-v-logistiches kom-menedzhmente (дата обращения: 20.05.2025). – Текст: электронный.
14.      Fernandes A., Gutierres D., Fugihara M., Norman B. Port Management Digital Twin and Control Tower Integration: An Approach to Support Real-Time Decision Making // Proceedings of the 2024 Winter Simulation Conference. – 2024. – P. 2821–2831. – DOI: 10.1109/WSC63780.2024.108 38965. (In Eng.).
15. Harmelink R., Merrienboer S., Adriaanse A., Hillegersberg J., Topan E., Vrijhoef R. Strategic and Operational Construction Logistics Control Tower // Developments in the Built Environment. – 2025. –Vol. 21. – Article ID: 100625. – DOI: 10.1016/ j.dibe. 2025.100625. (In Eng.).

Аннотация

В статье рассмотрен трехэтапный динамико-семантический анализ научных публикаций по проблематике регионального социально-экономического развития, выполненный на базе сборника научных статей «Региональная экономика и развитие территорий», выпускаемого ИПРЭ РАН, за период 2011–2024 годов. Целью исследования являлось проведение динамико-семантического анализа научных публикаций по региональной экономике за период 2011–2024 гг. В исследовании использовались экономико-статистические (сводка, группировка, контент-анализ и проч.) и математико-статистические (семантико-синтаксический анализ на базе авторской программы ДИСКАНТ, авторского парсера SemSin) методы анализа текстов. Проанализировано, как тематика научных статей изменялась год от года. Установлено, что в целом научные публикации по региональной экономике в высокой степени являются ситуативными: большая часть размещенных в сборнике статей представляет собой национальную реакцию, с одной стороны, на глобальные, макро- или мезо- геополитические и геоэкономические возмущения, а с другой – реакцию профессионального сообщества на принятие достаточно широкого спектра нормативно-правовых документов как сугубо экономического, так и научно-технического и управленческого характера. Разработанная методика, основанная на отечественных авторских разработках, может быть использована для анализа текстов различной профильной направленности, и, в частности, динамики изменения тематики экономических и социально-экономических текстов.

Ключевые слова: анализ динамики публикаций, библиометрический анализ научных текстов, динамико-семантический анализ, методика анализа текстов, программа ДИСКАНТ, региональная экономика, реакция научного сообщества, семантико‑синтаксический анализ

Благодарность. Статья подготовлена в рамках планов НИР ИПРЭ РАН «Новые условия и факторы социально-экологического развития регионов России в условиях цифровой трансформации экономики и общества» (№ Г.Р. 124012000100-7; код – «FMGS-2024-0002») на 2024–2026 гг. и «Разработка механизмов обеспечения устойчивого развития городов, городских агломераций и природной среды с использованием методов математического моделирования» (№ Г.Р. 125011000104-7; код – «FMGS-2025-0003») на 2025–2027 гг.

Список источников:

1. Пути и опыт решения актуальных вопросов развития экономики и общества в России и Германии // Сборник докладов международной научно-практической конференции / Под ред. Л. П. Совершаевой. – СПб.: ГУАП, 2011. – 244 с.
2. Германия и Россия: опыт и перспективы членства в ВТО // Сборник докладов международной научно-практической конференции / Под ред. Л.П. Совершаевой. – СПб.: ГУАП, 2012. – 222 с.
3. Перспективы развития России и Германии как членов ВТО // Сборник научных статей / Под ред. Л.П. Совершаевой. – СПб.: ГУАП, 2013. – 217 с.
4. Структурные реформы для стимулирования роста экономики регионов: опыт России и ФРГ / Под ред. Л.П. Совершаевой. – СПб.: Скифия-принт, 2014.
5. России и Германия: экономика регионов после санкций / Под ред. Л. П. Совершаевой. – СПб.: Скифия-принт, 2015. – 250 с.
6. Развитие экономики в нестабильной международной политической ситуации / Под ред. Л.П. Совершаевой. – СПб.: Скифия-принт, 2016. – 300 с.
7. Региональная экономика и развитие территорий / Под ред. Л.П. Совершаевой. – СПб.: ГУАП, 2017, 1 (11). – 256 с.
8. Региональная экономика и развитие территорий / Под ред. Л.П. Совершаевой. – СПб.: ГУАП, 2018, 1 (12). – 250 с.
9. Региональная экономика и развитие территорий / Под ред. Л.П. Совершаевой. – СПб.: ГУАП, 2019, 1 (13). – 228 с.
10. Региональная экономика и развитие территорий / Под ред. Л.П. Совершаевой. – СПб.: ГУАП, 2020, 1 (14). – 328 с.
11. Региональная экономика и развитие территорий / Под ред. Л.П. Совершаевой. – СПб.: ГУАП, 2021, 1 (15). – 220 с.
12. Региональная экономика и развитие территорий / Под ред. Л.П. Совершаевой. – СПб.: Изд-во СПбГЭУ, 2022, 1 (16). – 252 с. – DOI: 10.52897/ 978-5-7310-5861-2-2022-16-1. – Текст: электронный.
13. Региональная экономика и развитие территорий: сборник научных статей. Вып. 17 / Под ред. Л.П. Совершаевой. – СПб: Изд-во СПбГЭУ, 2023. – 204 с. DOI: 10.52897/978-5-7310-6266-4-2023-17. – Текст: электронный.
14. Региональная экономика и развитие территорий: сборник научных статей. Вып. 18 / Под ред. Л.П. Совершаевой. – СПб: Изд-во СПбГЭУ, 2024. – 218 с. – DOI: 10.52897/978-5-7310-6547-4-2024-18. – Текст: электронный.
15. Блинова О. В., Панкратова Е. В., Мальгина С. А. Методы извлечения метаданных и ключевой информации из научно-технических документов // Новые информационные технологии в исследовании сложных структур. Материалы пятнадцатой международной конференции. 16–20 сентября 2024 г., Томск. – Томск: Изд. ТГУ, 2024. – С. 23–24.
16. Мусаев А. А., Григорьев Д. А. Обзор современных технологий извлечения знаний из текстовых сообщений // Компьютерные исследования и моделирование. – 2021. – Т. 13. – № 6. – С. 1291–1315.
17. Ковтун Д. Б. Исследование внутриведомственного взаимодействия органов власти РФ на основе документов стратегического планирования с помощью технологии Text Mining // Московский экономический журнал. – 2021. – № 2. – С. 559–571.
18. Митина О. В., Евдокименко А. С. Методы анализа текста: методологические основания и программная реализация // Вестник ЮУрГУ. – 2010. – № 40 (216). – С. 29–38.
19. Преображенский А. П., Меняйлов Д. В., Чопорова Е. И. Тематический анализ текстовой информации на основе частотных характеристик // Моделирование, оптимизация и информационные технологии. – 2021. – Т. 9. – № 1. – С. 14–15.
20. Структурно-семантический анализ темы обзора // Отделение ГПНТБ СО РАН [Электронный ресурс]. – Дата обращения: 10.04.2022. – Текст: электронный.
21. Чоудхари К. Р. Обработка естественного языка // Fundamentals of Artificial Intelligence. –2020. – C. 603–649. – DOI:10.1007/978-81-322-3972-7_19. – Текст: электронный. (In Eng.).
22. Гаянова М. М., Вульфин А. М. Структурно-семантический анализ научных публикаций выделенной предметной области // Системная инженерия и информационные технологии. – 2022. – Т. 4. – № 1 (8). – С. 37–43. – DOI: 10.54708/ 26585014_2022_41837. – Текст: электронный.
23. Каневский Е. А., Саганенко Г. И., Гайдукова Л. М., Клименко Е. Н. Контент-анализ текстуальных данных в системе «ДИСКАНТ» // В сб. «Информационные продукты, процессы и технологии НТИ-96». – М.: ВИНИТИ, 1996. – С. 196–197.
24. Семантико-синтаксический парсер SemSin [Электронный ресурс]: свидетельство о гос. регистрации программы для ЭВМ № 2015617557 Рос. Федерация / К. К. Боярский, Е. А. Каневский. – опубл. 11.07.2015.
25. Каневский Е. А., Боярский К. К. ВЕГА – инструмент для лингвистических исследований // Прикладная лингвистика и лингвистические технологии: MegaLing-2012. – К.: Довира, 2013. – С. 113–123.
26. О Стратегии научно-технологического развития Российской Федерации: Указ Президента РФ от 01.12.2016 № 642 // Собрание законодательства РФ. – 2016. – № 49. – Ст. 6887.
27. О внесении изменений в Федеральный закон «О стратегическом планировании в Российской Федерации»: Федеральный закон от 23.06.2016 № 210-ФЗ // Собрание законодательства РФ. – 2016. – № 26 (ч. I). – Ст. 3878.
28. Об утверждении Правил общественного обсуждения проектов документов стратегического планирования по вопросам, находящимся в ведении Правительства РФ, с использованием федеральной информационной системы стратегического планирования: Постановление Правительства РФ от 30.12.2016 № 1559 // Собрание законодательства РФ. – 2017. – № 2 (ч. II). – Ст. 400.
29. Кислицына М. Ю. Анализ влияния предобработки текстов на идентификацию авторов методом биграмм // Препринты ИПМ им. М.В. Келдыша. – 2022. – № 67. – 18 с.
30. Боярский К. К., Каневский Е. А. Семантико-синтаксический парсер SEMSIN // Научно-технический вестник информационных технологий, механики и оптики.– 2015.–Т. 15.–№ 5. – С. 869–876.
31. Об утверждении плана мероприятий по реализации в 2017–2018 годах положений Стратегии инновационного развития Российской Федерации на период до 2020 года : Распоряжение Правительства РФ от 25.08.2017 № 1817-р // Собрание законодательства РФ. – 2017. – № 36. – Ст. 5459.

Аннотация

В статье представлен обзор теоретико-методологических основ интеграции генеративного искусственного интеллекта в знаниевые и образовательные экосистемы. Актуальность исследования обусловлена возрастающей ролью знаний как стратегического ресурса социально-экономического развития, а также необходимостью адаптации различных типов экосистем к условиям цифровой трансформации. Цель исследования заключается в систематизации и рассмотрении рисков интеграции генеративного искусственного интеллекта в знаниевые и образовательные экосистемы. В работе выделены ключевые положения экосистемного подхода, дана характеристика и проведено концептуальное разграничение понятий «знаниевая» и «образовательная» экосистема. Библиографический анализ и изучение современных образовательных и управленческих практик позволили выявить основные эффекты влияния генеративного ИИ на процессы создания, распространения и усвоения знаний. В статье формулируется тезис о том, что искусственный интеллект выходит за рамки инструментального воздействия, характерного для предыдущих лет, и выступает фактором, трансформирующим логику функционирования экосистем. Определены ключевые риски и факторы, влияющие на успешность интеграции генеративного ИИ, включая организационные, этические, пользовательские и институциональные аспекты. Выделены направления дальнейших исследований, ориентированные на разработку стратегий управления трансформацией образовательных и знаниевых экосистем под воздействием генеративного ИИ. Представленные материалы могут быть полезны исследователям, преподавателям и разработчикам образовательных программ.

Ключевые слова: генеративный искусственный интеллект, знаниевая экосистема, инновации, образовательная экосистема, цифровая трансформация образования, экосистемный подход

Благодарность. Работа выполнена в рамках НИРМА 625109 «Исследование поведения потребителей образовательных продуктов Executive Education: сравнительный анализ факторов принятия и использования генеративного ИИ для проектирования адаптивных образовательных решений в России, Юго-Восточной Азии и Латинской Америке (кейсы России, Китая, Филиппин и Перу)»

Список источников:

1. Павлова О. Н. Экономика знаний – СПб: Университет ИТМО, 2017 – 123 с.
2. Завацки-Рихтер, О., Марин, В. И., Бонд, М. и др. Систематический обзор исследований применения искусственного интеллекта в высшем образовании – где же преподаватели? // Int J Educ Technol HighEduc. – 2019. – № 16 (1). – С. 1–27. – DOI: 10.1186/s41239-019-0171-0.3. (InEng.).
3. Топтас Б. Анализ изменений в управлении знаниями с помощью искусственного интеллекта на примере модели Пробста // Proceedingsofthe5^th International Conference on AI Research. – 2024. – Т. 5. – № 1. – DOI: 10.34190/icair.4.1.3156. – Текст: электронный. (In Eng.).
4. Ярви К., Альмпанопулу А., Ритала П. Организация экосистем знаний: префигуративные и частичные формы // Res. Policy. – 2018. – T. 47. – № 8. – С. 1523–1537. – DOI: 10.1016/j.respol.2018. 05.007. – Текст: электронный. (In Eng.).
5. Робертсон Дж. Конкуренция в экосистемах знаний: подход к теоретическому обоснованию на примере конкретного случая // Sustainability. – 2020. – № 12 (18). – Ст. 7372. – DOI: 10.3390/ su12187372. – Текст: электронный. (In Eng.).
6. Валкокари К. Бизнес, инновации и экосистемы знаний: чем они отличаются и как выжить и преуспеть в них // Technology Innovation Management Review. – 2015. – № 5(8). – С. 17–24. – DOI: 10.22215/timreview/919. – Текст: электронный. (In Eng.).
7. Якобидес М. Г., Ченнамо К., Гавер А. К теории экосистем // Strategic ManagementJournal. –2018. – Т. 39. – № 8. – C. 2255–2276. – DOI: 10. 1002/smj.2904.8. – Текст: электронный. (In Eng.).
8. Будрин А. Г., Измайлова А. А., Кувшинов Р. А. Управление жизненным циклом цифровых продуктов на основе концепции экосистемы знаний // Экономика. Право. Инновации. – 2025. – Т. 13. –№ 2. – С. 4–12. – DOI: 10.17586/2713-1874-2025-2-4-12.
9. Кларисса Б., Райта М. и др. Создание ценности в экосистемах: преодоление пропасти между экосистемами знаний и бизнеса // ResearchPolicy. – 2014. – Т. 43. – № 7. – С. 1164–1176. – DOI: 10.1016/j.respol.2014.04.014. – Текст: электронный. (In Eng.).
10. Гомонко Э. А. Феномен образовательной экосистемы: кейсы ведущих мировых университетов // Образовательные ресурсы и технологии. – 2025. – № 2 (51). – С. 7–16. – DOI: 10.21777/2500-2112-2025-2-7-16. – Текст: электронный.
11. Попович М. Образовательные экосистемы для преобразования общества. – GlobalEducationFuturesFoundation, 2018. – 119 c. (InEng.).
12. Шермадини М. В. Моделирование инновационных процессов наукоемких предприятий // Экономика. Право. Инновации. – 2025. – Т. 13. – № 3. – С. 52–58. – DOI: 10.17586/2713-1874- 2025-3-52-58.
13. Зубарев М., Лустач Е., Шедько Ф., Осин А. ИИ-Агенты: обзор мирового и Российского рынков // ПАО МТС, 2025 [Электронный ресурс]. – Февраль, 2026. – Дата обращения: 09.02.2026. – Текст: электронный.
14. Кота С. К. Эволюция ИИ-агентов: от систем, основанных на правилах, к автономному интеллекту – всесторонний обзор // Journal of Artificial Intelligence & Cloud Computing. – 2025. – № 4 (2). – С. 1–5. – DOI: 10.47363/JAICC/2025(4)433. – Текст: электронный. (In Eng.).
15. Страйкер Коул. Отслеживая эволюцию агентов искусственного интеллекта // Официальный сайт IBM [Электронный ресурс]. – 2025. – Дата обращения: 09.02.2026. – Текст: электронный. (In Eng.).
16. Константинова Л. В., Ворожихин В. В., Петров А. М., Титова Е. С., Штыхно Д. А. Генеративный искусственный интеллект в образовании: дискуссии и прогнозы // Открытое образование. – 2023. – Т. 27. – № 2. – С. 36-48. – DOI: 10.21686/ 1818-4243-2023-2-36-4. – Текст: электронный.
17. Филимонова И. В. Исследование преимуществ и недостатков обучения на основе генеративного искусственного интеллекта // Человеческий капитал. – 2023. – № 12 (180), часть 2. – C. 170–177. – DOI: 10.25629/HC.2023.12.54. – Текст: электронный.
18. Акоста-Энрикес Б. Г и др. Принятие искусственного интеллекта в университетском контексте: концептуальный анализ, основанный на теории UTAUT2 // Heliyon. – 2024. – Т. 10. – № 19. – DOI: 10.1016/j.heliyon.2024.e38315. – Текст: электронный. (In Eng.).
19. Мадаване А. Как приложение для изучения языков на основе ИИ превратилось в масштабируемую и прибыльную платформу для обучения // Cognitute [Электронный ресурс]. – 2025. – 31 дек. – Дата обращения: 09.02.2026. – Текст: электронный. (InEng.).
20. Джу Х., Арал С. Сотрудничество с агентами ИИ: полевые эксперименты по командной работе, производительности и эффективности // Arxiv.org. – 2025. – DOI: 10.48550/arXiv.2503. 18238. – Текст: электронный. (InEng.).
21. Захарова С. Выйти из тени: почему малый и средний бизнес пока осторожничает с ИИ // ИНК [Электронный ресурс]. – 2026. – 23 янв. – Дата обращения: 09.02.2026. – Текст: электронный.
22. Институт Л. К. Отерманса представляет курс, в котором используются исключительно цифровые преподаватели на основе искусственного интеллекта // Campus Technology [Электронный ресурс]. – 2024. – Дата обращения: 09.02.2026. – Текст: электронный. (InEng.).
23. Официальный сайт компании Ask Rally [Электронный ресурс]. – 2026. – Дата обращения: 09.02.2026. – Текст: электронный. (InEng.).
24. Искусственный интеллект, образование и навыки // OECD [Электронный ресурс]. – 2023. – 16 ноя. – Дата обращения: 09.02.2026. – Текст: электронный. (In Eng.).
25. Вуорикари Р., Клузер С. и Пуние Й. DigComp 2.2: Рамки цифровой компетентности для граждан // JRC Publications. – 2022. – DOI: 10.2760/115376,JRC128415. – Текст: электронный. (In Eng.).
26. Хосрави Х. и др. Объяснимый искусственный интеллект в образовании // Computers and Education: Artificial Intelligence. – 2022. – Т. 3. – Ст. 100074. – DOI: 10.1016/j.caeai.2022.100074. – Текст: электронный. (In Eng.).
27. Джобин А., Йенка М., Вайена Э. Рекомендации по этике в области ИИ // Nature Machine Intelligence. – 2019. – № 1. – С. 389–399. – DOI: 10.1038/s42256-019-0088-2. – Текст: электронный. (In Eng.).

Аннотация

В статье рассмотрены вопросы совершенствования бизнес-процессов в сфере консалтинговых услуг на примере ООО «Буккипер Проф» с целью повышения финансовой устойчивости организации. Основное внимание уделено процессу заключения договоров на оказание услуг, который оказывает ключевое влияние на операционную эффективность и экономические показатели компании. Цель исследования – разработка практических предложений по оптимизации бизнес-процессов на основе анализа существующих методик и их адаптации к деятельности организации. В работе применены теоретические (анализ научной литературы, системати-зация подходов) и эмпирические (моделирование в BPMN, финансовый анализ) методы. Проведено детальное исследование текущего состояния процесса «Как есть» («As Is»), выявлены проблемные зоны: избыточные временные и финансовые затраты. Предложена оптимизированная модель «Как должно быть» («To Be»), включающая внедрение цифровых инструментов, стандартизацию документов и перераспределение обязанностей. Результаты показали сокращение времени обработки на 82% и снижение стоимости на 78%. Дана оценка эффективности изменений, подтверждающая прямую зависимость между оптимизацией процессов и финансовой устойчивостью. Выводы работы имеют практическую значимость и могут быть применены в других организациях.

Ключевые слова: бизнес-процессы, консалтинговые услуги, моделирование бизнес-процессов, операционная эффективность, оптимизация бизнес-процессов, финансовая устойчивость организации, цифровая трансформация, цифровые инструменты в управлении процессами, экономическая эффективность изменений

Список источников:

1. Буккипер Проф [Электронный ресурс]. – 2025. – Дата обращения: 01.02.2025. – Текст: электронный.
2. Хаммер М., Шампи Дж. Реорганизация корпорации: манифест деловой революции. – New York: Harper Business, 1993. – 223 c. (In Eng.).
3. Дэвенпорт Т. Х. Инновации в процессах: реинжиниринг с помощью информационных технологий. – Boston: Harvard BusinessSchool Press, 1993. – 337 с. (In Eng.).
4. Вумек Джеймс П., Джонс Даниел Т. Бережливое производство. Бережливое мышление: искоренение потерь и создание богатства в вашей корпорации. Simon and Schuster, 2013. 400 c. (InEng.).
5. Андерсен Б., Фагерхауг Т. Измерение производительности: объяснение принципов работы современной системы. – ASQ QualityPress, 2002. – 188 c. (In Eng.).
6. Вертакова Ю. В., Ланкина М. Ю. Теоретико-методические аспекты исследования компетентности организации // Известия Юго-Западного государственного университета. – 2015. – № 2 (59). – С. 75–83.
7. Зиндер Е. З. Направляемый ценностями инжиниринг предприятий // Бизнес-информатика. –2018. – № 3 (45). – С. 7–19. – DOI: 10.17323/1998-0663.2018.3.7.19. – Текст: электронный.
8. Бланк И. А. Управление финансовой безопасностью предприятия. – Киев: Ника-Центр: Эльга, 2004. – 776 c.
9. Дэвенпорт Т. Х., Шорт Дж. Э. Новая промышленная инженерия: информационные технологии и перепроектирование бизнес-процессов // Sloan Management Review. – 1990. – T. 31. – № 4. (In Eng.).
10. Харрингтон Дж., Эсселинг К. С. Оптимизация бизнес–процессов: документирование, анализ, управление, оптимизация. – СПб.: Азбука, 2002. – 171 с.
11. Райзберг, Б. А. Современный экономический словарь / Б.А. Райзберг, Л.Ш. Лозовский, Е.Б. Стародубцева. – 6-е изд., перераб. и доп. – Москва: ИНФРА-М, 2023. – 512 с.
12. Шеер А. В. Бизнес–процессы. Основные понятия. Теория. Методы. / Пер. с англ. Н.А. Михайлова. – М.: Весть-МетаТехнология, 1999. – 173 с.
13. Долгих Ю. А. Формирование и функционирование системы управления финансовой устойчивостью предприятия: диссертация на соискание ученой степени кандидата экономических наук: 08.00.10 / Ю. А. Долгих; [Место защиты: Уральский государственный экономический университет]. – Екатеринбург, 2019. – 204 с.
14. Репин В. В., Елиферов В. Г. Процессный подход к управлению. Моделирование бизнес-процессов. – М.: Манн, Иванов и Фербер, 2013. – 543 c.
15. Дьяков С. А., Шер М. Л., Дудник Д. В., Миронов Л. В. Моделирование бизнес-процессов: методология, современные факторы в условиях цифровизации // Вестник Алтайской академии экономики и права. – 2022. – № 4. – С. 181–190.
16. Томорадзе И. В., Быкова А. В. Возможности непрерывного улучшения управления организационными бизнес-процессами // Транспортное дело России. – 2021. – № 2. – С. 101–103.

17. Царевский Д. А., Валинурова А. А., Привалов А. Н., Данилова С. В. Совершенствование бизнес-процессов организации на основе внедрения современных информационных технологий // Известия высших учебных заведений. Серия «Экономика, финансы и управление производством» [Ивэкофин]. – 2024. – № 03 (61). – С. 72–80. – DOI: 10.6060/ivecofin.2024613.691. – Текст: электронный.

Аннотация

В статье дана оценка последствий экспансии маркетплейсов на региональные розничные рынки Российской Федерации. Целью работы является анализ ключевых эффектов, порождаемых развитием цифровых платформ на уровне отдельных субъектов Федерации, и систематизация адаптационных стратегий малого бизнеса. В качестве материалов исследования использованы официальные статистические данные Федеральной службы государственной статистики по показателям оборота розничной торговли и малого предпринимательства, аналитические отчёты Ассоциации компаний интернет-торговли, Ассоциации представителей электронной торговли, а также открытые бизнес-кейсы и публичные отчёты маркетплейсов. Применены методы контент-анализа, расчётно-аналитический метод и типологизация. Рассмотрена трансформация каналов товародвижения – переход от классической четырёхуровневой схемы к трёхуровневой платформенной модели. Выявлены разнонаправленные эффекты: рост доступности товаров и сдерживание цен сочетаются с сокращением локальной розницы, усилением зависимости территорий от федеральных агрегаторов и перераспределением добавленной стоимости. Предложена типология регионов по степени вовлечённости в платформенные экосистемы (регионы-локомотивы, адаптанты, регионы с низкой степенью вовлечённости, сырьевые территории), а также разработана типология моделей адаптации малого бизнеса. Сделаны выводы о необходимости дифференцированной региональной политики и адресной поддержки локального предпринимательства. Перспективным направлением дальнейших исследований определено установление допустимых уровней концентрации маркетплейсов в социально значимых товарных категориях и оценка механизмов регионального торгового суверенитета.

Ключевые слова: адапционные стратегии, малый бизнес, маркетплейсы, пункт выдачи, региональная экономика, розничная торговля, цифровая трансформация торговли, цифровые платформы

Список источников:

1. 11,5 трлн рублей: АКИТ подвела итоги интернет-торговли за 2025 год // АКИТ [Электронный ресурс]. – 2026. – 19 фев. – Дата обращения: 01.06.2026. – Текст: электронный.
2. Миролюбова Т. В., Радионова М. В. Цифровая трансформация и ее влияние на социально-экономическое развитие российских регионов // Экономика региона. – 2023. – Т. 19. – № 3. – С. 697–710. – DOI: 10.17059/ekon.reg.2023-3-7. – Текст: электронный.
3. Ростовцев А. И. Влияние показателей цифровизации на качество жизни населения: региональный аспект // Народонаселение. – 2025. – Т. 28. –№ 3. – С. 175–185. – DOI: 10.24412/1561-7785-2025-3-175-185. – Текст: электронный.
4. Мельмонт Д. Д. Влияние цифровизации на экономическое и социальное развитие регионов в России // Вопросы инновационной экономики. – 2024. – Т. 14. – № 4. – С. 1215–1228. – DOI: 10.18334/vinec.14.4. 122154. – Текст: электронный.
5. Мухаметова А. Д. Влияние цифровизации на региональное экономическое развитие // Экономика и управление: научно-практический журнал. – 2025. – № 2 (182). – С. 42–45. – DOI: 10.34773/EU.2025.2.7. – Текст: электронный.
6. Харламова И. Ю. Маркетплейсы как инструмент развития малого и среднего бизнеса // Международный научно-исследовательский журнал. – 2024. – № 4 (142). – DOI: 10.23670/IRJ.2024.142. 147. – Текст: электронный.
7. Торпищев Т. Р. Иерархическая структура рисков современного российского маркетплейса // Естественно-гуманитарные исследования. – 2024. – № 4 (54). – С. 494–498.
8. Суязов В. Н. От торговой площадки к экосистеме: анализ эволюции маркетплейсов и их стратегическая роль в цифровой экономике // Вестник Удмуртского университета. Серия «Экономика и право». – 2026. – Т. 36. – № 2. – С. 268–277. – DOI: 10.35634/2412-9593-2026-36-2-268-277. – Текст: электронный.
9. Пташкина Е. С., Султанова А. А. Структурные особенности и механизмы развития платформенной экономики России // Креативная экономика. – 2025. – Т. 19. – № 12. – С. 3161–3186. – DOI: 10.18334/ ce.19.12.124257. – Текст: электронный.
10. Федеральная служба государственной статистики. [Электронный ресурс]. – 2026. – Дата обращения: 01.06.2026. – Текст: электронный.
11. Аналитический отчёт о комиссионной нагрузке на маркетплейсах РФ, 2023–2025 // Ассоциация представителей электронной торговли (АПЭТ) [Электронный ресурс]. – 2026. – Дата обращения: 01.06.2026. – Текст: электронный.
12. Буевич А. П. Маркетплейсы как ключевое звено современных каналов сбыта // Экономика, предпринимательство и право. – 2024. – Т. 14. – № 6. – С. 2875–2884. – DOI: 10.18334/epp.14.6.121249. – Текст: электронный.
13. Горда А. С. Цифровая трансформация бизнес-моделей предприятий в сфере розничной торговли // Омский научный вестник. Серия «Общество. История. Современность». – 2025. – № 4. – C. 120–126. – DOI: 10.25206/2542-0488-2025-10-4-120-126. – Текст: электронный.
14. Мызрова К. А., Панько Ю. В., Овчинникова С. В., Брюхачев В. А. Цифровая трансформация малого бизнеса: возможности, перспективы и препятствия // Креативная экономика. – 2024. – Т. 18. – № 12. – С. 3251–3268. – DOI: 10.18334/ce.18.12.122173. – Текст: электронный.
15. Гоар С. Количество ПВЗ в России растет рекордными темпами – лидируют Новосибирск и Челябинск // ИНК [Электронный ресурс]. – 2025. – 25 июн. – Дата обращения: 01.06.2026. – Текст: электронный.
16. Оборот розничной торговли Республики Башкортостан: статистический сборник // Территориальный орган Федеральной службы государственной статистики по Республике Башкортостан [Электронный ресурс]. – 2025. – Дата обращения: 01.06.2026. – Текст: электронный.
17. Основные экономические показатели деятельности малых предприятий (включая микропредприятия): статистический бюллетень // Территориальный орган Федеральной службы государственной статистики по Республике Башкортостан [Электронный ресурс]. – 2025. – Дата обращения: 01.06.2026. – Текст: электронный.
18. Индекс локализации и индекс цен на Ozon: полное руководство для селлеров [Электронный ресурс]. – 2025. – Декабрь. – Дата обращения: 01.06.2026. – Текст: электронный.
19. Поставки по регионам // Wb Partners [Электронный ресурс]. – 2026. – Май. – Дата обращения: 01.06.2026. – Текст: электронный.
20. Оценка цифровогоразвития: фактыицифры // International Telecommunication Union (ITU). – Geneva: ITU Publications, 2025. (In Eng.).
21. Глобальный отчет по электронной коммерции и цифровой торговле за 2025 год // United Nations Conference on Trade and Development (UNCTAD). – Geneva: United Nations, 2026. (In Eng.).

Аннотация

Целью статьи является обоснование применения фреймового анализа как методологического инструмента диагностики и коррекции когнитивной разобщённости в системах мониторинга доходов и расходов предприятия и выявление её значения для отраслевой экономики. Дана оценка проблемы, при которой стратегический и операционный уровни управления систематически по-разному интерпретируют одни и те же финансовые показатели, что рассматривается как один из микроэкономических источников отраслевой неэффективности распределения ресурсов. В качестве материалов исследования использованы теоретические положения фреймового анализа, теории перспектив и управленческого познания; применены методы: теоретический анализ и синтез, метод Дельфи, сортировка карточек, контент-анализ управленческой документации, матричный метод сопоставления, групповое построение моделей. Представлена модель оптимизации аналитической рамки, операционализирующая проблему через построение согласованной эталонной рамки, экспликацию индивидуальных фреймов и диагностику расхождений посредством сопоставительной матрицы. Предложена коррекция выявленных расхождений в формате группового моделирования. Показано, что результаты диагностики могут быть институционализированы в архитектуре системы мониторинга через выделение диагностического контура и контура когнитивного мониторинга, что дополняет существующие подходы к интеграции стратегического и операционного контроллинга. Обосновано значение модели для отраслевой экономики. Направления дальнейших исследований включают эмпирическую апробацию модели и разработку упрощённых вариантов диагностического цикла.

Ключевые слова: диагностика бизнес-процессов, когнитивная разобщённость, мониторинг доходов и расходов, оптимизация системы мониторинга, стратегический и операционный контроллинг, фреймовый анализ, эффективность распределения ресурсов

Список источников:

1. Се Ч.-Т., Кленоу П. Дж. Неэффективное распределение ресурсов и совокупная факторная производительность в обрабатывающей промышленности Китая и Индии // SSRN Electronic Journal. –2009. – Т. 124. – № 4. – С. 1403–1448. – DOI: 10.21 39/ssrn.1442871. – Текст: электронный. (In Eng.).
2. Гоффман Э. Фрейм-анализ: эссе об организации опыта. – New York: Harper & Row, 1974. – 586 c. (In Eng.).
3. Минский М. Фреймы для представления знаний / пер. с англ. О. Н. Гринбаума. – М.: Энергия, 1979. – 152 с.
4. Канеман Д., Тверски А. Теория перспектив: анализ принятия решений в условиях риска // Econometrica. – 1979. – Т. 47. – № 2. – С. 263–292. (In Eng.).
5. Камилли Р., Кристофаро М., Христов И., Сарджакомо М. Когнитивные искажения в бухгалтерских суждениях и принятии решений: обзор, типология и программа будущих исследований // Accounting Forum.– 2025. – Т. 49. – № 5. – С. 1038–1067. – DOI: 10.1080/01559982.2024.2434340. – Текст: электронный. (In Eng.).
6. Ходжкинсон Г. П. Разрушение рамок: анализ стратегического познания и принятия решений в условиях неопределенности // Strategic ManagementJournal. – 1999. – Т. 20. – № 10. – С. 977–985. (In Eng.).
7. Атта-Боакье Р., Костанцо Л. А., Гуней Й., Роджерс В. Влияние стратегического мышления высшего руководства на финансовое состояние и стоимость компании: интерактивный многомерный подход // The EuropeanJournal of Finance. – 2023. – Т. 29. – № 13. – С. 1461–1492. – DOI: 10.1080/1351847X.2021.1977360. – Текст: электронный. (In Eng.).
8. Кантарелла С., Хилленбранд К., Брукс К. Вы следуете разуму или сердцу? Одновременное влияние эффектов фрейминга и случайных эмоций на инвестиционные решения // Journal of Behavioraland ExperimentalEconomics. – 2023. – Т. 107. – Ст. 102124. – DOI: 10.1016/j.socec.2023.102124. – Текст: электронный. (In Eng.).
9. Ходжкинсон Г. П. и др. Эвристические методы и предвзятость топ-менеджеров: прошлое, настоящее и будущее // Journal of Management Studies. – 2023. – Т. 60. – № 5. – С. 1033–1063. – DOI: 10.1111/joms.12937. – Текст: электронный. (In Eng.).
10. Далки Н., Хелмер О. Экспериментальное применение метода Дельфи для экспертов // Management Science. – 1963. – Т. 9. – № 3. – С. 458–467. (In Eng.).
11. Венникс Дж. А. М. Групповое моделирование: содействие командному обучению с использованием системной динамики. – Chichester: John Wiley & Sons, 1996. – 312 p. (In Eng.).
12. Кумар С. и др. Сбалансированная система показателей: тенденции, развитие и будущие направления // Review of Managerial Science. – 2024. – Т. 18. – № 8. – С. 2397–2439. – DOI: 10.1007/s11846-023-00700-6. – Текст: электронный. (In Eng.).
13. Чонг В. К., Миа Л., Сэндс Дж., Рен Ю. К. Влияние нефинансовых показателей эффективности, абсорбционной способности и организационного обучения на инновационную деятельность // Journal of Management Control. 2023. – Т. 34. – С. 201–233. – DOI: 10.1007/s00187-023-00355-0. – Текст: электронный. (In Eng.).
14. Саймонс Р. Рычаги управления: как менеджеры используют инновационные системы управления для осуществления стратегического обновления. – Boston: Harvard BusinessSchool Press, 1995. – 232 с. (In Eng.).
15. Йеске Д., Олсон Д. «Менталитет изолированности» в командах: возникновение, последствия и рекомендуемые изменения // Journal of Work-Applied Management. – 2025. – Т. 17. – № 1. – С. 20–33. – DOI: 10.1108/JWAM-07-2023-0064. (In Eng.).
16. Иттнер К. Д., Ларкер Д. Ф. Недостатки в нефинансовой оценке эффективности // HarvardBusiness Review. – 2003. – Т. 81. – № 11. – С. 88–95. (In Eng.).
17. Нильсен Л. Б. и др. Управленческий учет и принятие решений: два примера аутсорсинга // Accounting Forum. – 2019. – Т. 39. – № 1. – C. 64–82. – DOI: 10.1016/j.accfor.2014.10.005. – Текст: электронный. (In Eng.).

Аннотация

Шринкфляция представляет собой особую форму скрытого повышения стоимости, которая в сфере услуг остаётся недостаточно изученной. Цель настоящего исследования – выявить и классифицировать формы скрытой инфляции в сфере услуг, разработать методику их идентификации и оценить масштабы распространения данного явления на российском рынке. Задачи исследования включали адаптацию понятия шринкфляции к специфике сфере услуг; выделение и характеристику скрытых механизмы инфляции; апробацию предложенной методики на эмпирических данных. В рамках работы проведена дифференциация форм скрытой инфляции: выделена материальная шринкфляция (сокращение объема расходной продукции) и шринкфляция временного характера (уменьшение времени, затрачиваемое на оказание услуг). Эмпирическая база исследования сформирована на основе данных методики «Тайный покупатель», анализа отзывов потребителей и результатов опросов. Эмпирически продемонстрировано существенное превышение стоимостной оценки единицы полезности оказываемых услуг над базовым уровнем. В работе предложен дифференцированный способ идентификации скрытой инфляции в сфере услуг с учетом компетенции различных контрольно-надзорных органов. Результаты исследования показали, что фиксация ключевых параметров услуги в договоре способствует снижению числа спорных ситуаций и, как следствие, сокращению общих издержек для бизнеса и потребителей.

Ключевые слова: потребительская ценность, скрытая инфляция, рынок услуг, ценообразование, шринкфляция

Список источников:

1. Попова Т. С., Гречкин Е. И. Шринкфляция и даунсайзинг как маркетинговые приемы воздействия на покупательское поведение // Практический маркетинг. – 2023. – № 9 (315). – C. 54–66. –DOI: 10.24412/2071-3762-2023-9315-54-56. – Текст: электронный.
2. Бобырева Е. В., Шергин Е. В. Шринкфляция // Актуальные проблемы развития социально-экономических систем: теория и практика : Сборник научных статей 15-й Международной научно-практической конференции. Курск, 2025. – ЗАО "Университетская книга", Курск, 2025. – С. 14–19.
3. Рамазанов Д. И. Неочевидные аспекты инфляции: анализ современных форм и их последствий // Экономика и устойчивое развитие региона в контексте цифровой трансформации. Сборник статей по материалам Всероссийской научно-практической конференции преподавателей, аспирантов, магистрантов Ивановского филиала федерального государственного бюджетного образовательного учреждения высшего образования «Российский экономический университет имени Г. В. Плеханова». – Иваново, 2025 – С. 71–74.
4. Индекс потребительских цен в Российской Федерации: методология и практика расчета // Росстат [Электронный ресурс]. – 2026. – Дата обращения: 28.05.2026. – Текст: электронный.
5. Кирсанова О. Г. Правовое регулирование шринкфляции как конкурентной стратегии организации // Право в цифровую эпоху: материалы Международной научно-практической конференции, Витебск, 21-22 мая 2026 г. – Витебск: ВГУ имени П.М. Машерова, 2026. – С. 113-116.
6. Воронина Э. В. Шринкфляция как способ введения в заблуждение потребителей // Современная торговля: теория, практика, инновации: Сборник статей ХI Всероссийской (с международным участием) научно-практической конференции, посвящённой 60-летию учебного заведения (24 октября – 31 октября 2024 г.) / Под ред. Е. В. Гордеевой. – Пермь, Пермский институт (филиал) РЭУ им. Г. В. Плеханова, 2024. – С. 109–115.
7. Грязнов С. А. Разнообразие форм инфляции: чипфляция и шринкфляция: сборник трудов конференции // Современные тренды управления, экономики и предпринимательства: от теории к практике: материалы II Всерос. науч.-практ. конф. с междунар. участ. (Ульяновск, 12-13 нояб. 2024 г.) / редкол.: М. А. Рябова [и др.]. – 2024. – Чебоксары: ИД «Среда», 2024. – С. 229–231.
8. Золина Е. П., Богдалова Е. В. Шринкфляция – обман потребителей или маркетинговая необходимость? // Перспективы развития строительного комплекса : Материалы XVI Международной научно-практической конференции. – Астрахань, 2022. – С. 529–532.
9. Алескеров И. Б., Калинина А. А. Скрытая инфляция и ее социально-негативное влияние в стране // Economics and management: problems and innovations: сборник статей Международной научно-практической конференции, Пенза, 12 ноября 2017 года. – Пенза: "Наука и Просвещение" (ИП Гуляев Г.Ю.), 2017. – С. 309-311. – EDN ZSBNJX.
10. Мельмьес Ж. Скрытое повышение цен, уменьшение размеров продукции и инфляция с учетом усадки: посткейнсианская макроэконо- мическая перспектива // Industrial and Corporate Change. – 2025. – Т. 34. – № 2. – С. 318–341. – DOI: 10.1093/icc/dtae035. – Текст: электронный. (InEng.).
11. Янссен А., Казингер Дж. Сокращение потребления и потребительский спрос // Marketing Science. – 2026. – Т. 45. – № 1. – С. 142–158. – DOI: 10.1287/mksc.2024.0948. – Текст: электронный. (InEng.).
12. Имаи С., Ватанабэ Т. Экономическая инфляция в трансграничном контексте: анализ реакции Японии и глобальных последствий роста инфляции // International Review of Economics. – 2025. – Т. 73. – № 2. – С. 2–22. – DOI: 10.1007/s12232-025-00514-w. – Текст: электронный. (InEng.).

13. ECONS.ONLINE [Электронный ресурс]. –2026. – Дата обращения: 28.05.2026. – Текст: электронный.

Аннотация

Целью исследования является проведение сравнительного анализа эффективности методов понижения размерности c помощью различных алгоритмов машинного обучения, (PCA, t-SNE, UMAP) для выявления кластеров регионов России на основе многомерных социально-экономических показателей и обоснование практических рекомендаций для управленческого анализа. Исследование основано на гипотезе о том, что для выявления сходства необходимо выбрать не только метод, который способен выстроить нелинейные связи между показателями, но и метод нормализации данных. Для анализа были рассмотрены данные по 38 показателям из 6 ключевых сфер развития по 85 субъектам РФ за 2017–2023 гг. Применялись различные методы предобработки и понижения размерности. Для приведения распределения данных к нормальному использовался метод Бокса-Кокса. Качество методов оценивалось по нескольким метрикам качества. Установлено, что выбор метрики сходства кардинально меняет интерпретацию результатов. В частности, при использовании косинусной метрики (сравнение структурных профилей) метод UMAP с Z-стандартизацией данных показал максимальное качество кластеризации. Для задач мониторинга и сравнения абсолютных уровней развития рекомендован метод t-SNE с евклидовой метрикой и робастной нормировкой. Для стратегического анализа и выявления типовых моделей развития с целью разработки кластерно-ориентированной политики оптимальным является метод UMAP с косинусной метрикой и Z-стандартизацией данных. Таким образом, вместо поиска универсального алгоритма предлагается переход к дифференцированному управлению на основе эффективного кластерного анализа и выявленных структурных типов регионов.

Ключевые слова: кластеризация регионов, косинусное расстояние, машинное обучение, метрический анализ, понижение размерности, предобработка данных, региональное управление, социально-экономическое развитие, t-SNE, UMAP

Список источников:

1. Москвитина М. А. Теоретические подходы к классификации факторов развития региона и способам их анализа // Наука Красноярья. – 2020. – Т. 9. – № 4. – С. 296–312. – DOI: 10.12731/2070-7568-2020-4-296-312. – Текст: электронный.
2. Яковлев В. Б.   Снижение   размерности данных в региональной статистике российского образования // Вестник МГПУ. – 2016. – № 4 (38). – С. 61–69.
3. Логачева Н. М., Петрова А. К. Применение методов кластеризации в экономическом анализе регионов // Инновации. – 2021.– № 5(271). – С. 43–51.– DOI: 10.26310/2071-3010.2021.271.5.005. – Текст: электронный.  
4. Блануца В. И. Пространственная алгоритмическая предвзятость в социально-экономической кластеризации российских регионов // Пространственная экономика. – 2024. – Т. 20. – № 2. – С. 71–92. – DOI: 10.14530/se.2024.2.071-092. – Текст: электронный. 
5. Долгодворова Е. В. Кластерный анализ: базовые концепции и алгоритмы // Вопросы науки и образования. – 2018. – № 7 (19). – С. 73–76.
6. Кетова К. В., Касаткина Е. В., Вавилова Д. Д. Кластеризация регионов Российской Федерации по уровню социально-экономического развития с использованием методов машинного обучения // Экономические и социальные перемены: факты, тенденции, прогноз. – 2021. – Т. 14. – № 6. – С. 70–85. – DOI: 10.15838/esc.2021.6.78-4. – Текст: электронный. 
7.   Чавелипарамбил Д. Я. Сравнительное исследование методов PCA и Dynamic PCA на основе анализа случайных наборов данных // Неделя науки-2024: Сборник тезисов XIV научно-технической конференции студентов, аспирантов и молодых ученых имени А. С. Дудырева. – Санкт-Петербург: 2024. – 355 c.
8.   Кенни Т., Гу Х., Хуан Т. Метод главных компонент Пуассона с применением к данным микробиома // Biometrics. – 2021. – Т. 77. – № 4. – С. 1369–1384. – DOI: 10.1111/biom.13384. – Текст: электронный. (In Eng.).
9. Марукатат С. Учебное пособие по PCA, приближенному PCA и приближенному ядерному PCA // Artificial IntelligenceReview. – 2023. – Т. 56. – № 6. – С. 5445–5477. – DOI: 10.1007/s10462-022-10297-z. – Текст: электронный. (In Eng.).
10. Бо Канг, Д. Гарсия, Дж. Лиффийт и др. Условный t-SNE: более информативные t-SNE-встраивания. // Machine Learning. – 2021. – Т. 110. – № 10. – С. 2905–2940. – DOI: 10.1007/s10994-020-05917-0. – Текст: электронный. (In Eng.).
11. Озгоде Йигин Б., Сайгили Г. Оценка достоверности встраиваний t-SNE с использо- ванием случайного леса // International Journal of Machine Learningand Cybernetics. – 2022. – Т. 13. – № 12. – С. 3981–3992. – DOI: 10.1007/s13042-022-01635-2. – Текст: электронный. (In Eng.).
12. Штайнербергер С., Чжан Ю. T-SNE, силовые раскраски и пределы среднего поля // Research in Mathematical Sciences. – 2022. – Т. 9. – № 3. – С. 1–30. – DOI: 10.1007/s40687-022-00340-4. – Текст: электронный. (In Eng.).
13. Амисса Д. К., Яокума В., Ансонг Э. Д. и др. Оценка методов снижения размерности при обнаружении программ Bitcoin: сравни тельный анализ инкрементального PCA и UMAP // Security and Privacy. – 2025. – Т. 8. – № 2. – DOI: 10.1002/ spy2.70002. – Текст: электронный. (In Eng.).
14. Леон-Гомес Э. А., Альварес-Меса А. М., Кастельянос-Домингес Г. Расширение данных меж- ду наборами данных с использованием UMAP для прогнозирования скорости ветра на основе глубокого обучения // Computers. – 2025.–Т. 14. – № 4. – С. 123. – DOI: 10.3390/computers 14040123. – Текст: электронный. (In Eng.).
15. Мясников Е. Использование UMAP для снижения размерности гиперспектральных данных // FarEastCon 2020. – Владивосток, 2020. – С. 9271656. – DOI: 10.1109/FarEastCon50210.2020. 9271656. – Текст: электронный. (In Eng.).
16. Куренков П. В., Карышев М.Ю. Сопоставление отдельных аспектов социально-экономического положения районов Крайнего Севера и приравненных к ним местностей с остальной территорией Российской Федерации // Социально-экономический и гуманитарный журнал. – 2025. – № 1. – С. 37–49. – DOI: 10.36718/2500-1825-2025-1-37-49. – Текст: электронный.
17. Королева У. Н., Лебедева А. А.Социально-экономическое развитие регионов в условиях внешних вызовов // Российские регионы в фокусе перемен: Сборник докладов XIX международной конференции студентов и молодых ученых, Екатеринбург, 14–16 ноября 2024 года. – Екатеринбург: «Ажур», 2025. – С. 169–171.
18. Заварухин В. П., Чинаева Т. И., Чурилова Э. Ю. Регионы России: результаты кластеризации на основе экономических и инновационных показателей // Статистика и экономика. – 2022. – Т. 19. – № 5. – С. 35–47. – DOI: 10.21686/2500-3925-2022-5-35-47. – Текст: электронный.
19. Тимофеева Ю. А. Построение модели рейтинга стран по параметрам «экономический рост», «кластеризация» в странах-лидерах по уровню кластеризации // Труды БГТУ. Серия 5: Экономика и управление. – 2021. – № 2 (250). – С. 134–137.
20.      Минаков А. В. Проблемы сбалансированного социально-экономического развития регионов России // Вестник Алтайской академии экономики и права. – 2024. – № 3-3. – С. 420–427.
21. Крыжко Д. А., Смирнова И. А., Конников Е. А., Унгвари Л. Методология снижения размерности в задачах анализа регионального инновационного потенциала: состязательный подход // Экономика Северо-Запада: проблемы и перспективы развития. – 2024. – № 2 (77). – С. 69–77. – DOI: 10. 52897/2411-4588-2024-2. – Текст: электронный.
22. Дастджерди Б. и др. Обзор применимых методов обнаружения выбросов при обработке геомеханических данных // Geotechnics. – 2023. – Т. 3. – № 2. – С. 375–396. – DOI: 10.3390/Geotech nics3020022. – Текст: электронный. (In Eng.). 
23. Чжоу Хэ, Цзоу Х. Непараметрическая модель Бокса-Кокса для многомерного регрессионного анализа // Journal of Econometrics. – 2024. – T. 239. – № 2. – С. 105419. – DOI: 10.1016/j.jeconom.2023. 01.025. – Текст: электронный. (In Eng.).
24. Старовойтов В. В., Голуб Ю. И. Нормализация данных в машинном обучении // Информатика. – 2021. – Т. 18. – № 3. – С. 83–96. – DOI: 10. 37661/1816-0301-2021-18-3-83-96. – Текст: электронный.
25. Письменский А. В. Подготовка данных для машинного обучения // Современные вызовы экономики и систем управления в России в условиях многополярного мира: Сборник статей Международной научно-практической конференции, приуроченной к 105-летию Финуниверситета. – Санкт-Петербург: ООО «Скифия-принт», 2024. – С. 196–204.
26.      Федеральная служба государственной статистики. Официальный сайт [Электронный ресурс]. – URL: www.rosstat.gov.ru (дата обращения: 20.02.2026). – Текст: электронный.

Аннотация

В условиях активного развития внутреннего туризма в России концепция музейных услуг расширяется за счёт цифровых услуг, которые предоставляются сегодня как крупными музеями, так и развивающимися небольшими музеями, в том числе музеями под открытым небом. Разновидностью музейной цифровой услуги является мобильный аудиогид. Выявлено, что большинство существующих мобильных аудиогидов предлагают широкие возможности для улучшения взаимодействия посетителей с экспозицией, но не учитывают специфику музеев под открытым небом. Цель работы – определить способ расширения цифровых музейных услуг с помощью проведения сравнительного анализа различных форм их предоставления для музеев под открытым небом. Исследование выполнено в интересах Мемориально-исторического района (МИР) «Куутерселькя 1944». Проведён сравнительный анализ цифровых музейных услуг, оценены потребности целевой аудитории и уровень проработанности существующих цифровых решений для предоставления музейных услуг. Сделан вывод о целесообразности применения мобильных офлайн-аудиогидов как актуальной формы предоставления цифровых музейных услуг. Результаты работы использованы при разработке мобильного приложения-аудиогида, для посетителей музея МИР «Куутерселькя 1944», которое обеспечивает доступ к информации об экспонатах без подключения к интернету. Полученные результаты могут быть использованы при создании решения для музеев и заповедников с ограниченным интернет-соединением.

Ключевые слова: аудиогид, культурные объекты, мобильное приложение, музей под открытым небом, музейные услуги, офлайн-доступ, пользовательский опыт, туризм, QR-код

Список источников:

1. О выполнении в 2024 году мероприятий государственной программы Санкт‑Петербурга «Развитие сферы туризма в Санкт‑Петербурге» и о задачах на 2025 год [Электронный ресурс]. – URL: https://www.gov.spb.ru/static/writable/ckeditor/uploads/2025/07/02/25/О_выполнении_мероприятий_ГП_в_2024_году.pdf (дата обращения: 01.11.2025). – Текст: электронный.
2. Фанина М.А., Раева Ю.С., Горлушкина Н.Н. Проектирование мобильного приложения для управления популяризацией музеев-заповедников // Экономика. Право. Инновации. – 2022. – № 4. – С. 66–77. – DOI: 10.17586/ 2713-1874-2022-4-66-77.
3. Саенко Н. Р. Современные трансформации идеи музея под открытым небом // Современные проблемы сервиса и туризма. – 2015. – № 4 (9). С. 23–29.
4. Сизова И. А., Гордин В. Э. Цифровизация музеев: трудности, успехи, перспективы (по материалам социологического исследования) // Информационное общество. – 2022. – № 4. – С. 35–44.
5. Пшеничных Ю.А., Садовникова В.Д. Цифровые методы продвижения в сфере музейной деятельности на примере государственного музея-заповедника М. А. Шолохова // Вестник университета. – 2021. – № 1 (8). – С. 48–57.
6. Пронина С. А. Подходы к классификации этнографических музеев под открытым небом Сибири // Вестник Кемеровского государственного университета культуры и искусств. – 2018. – № 45-1. – С. 230–237.
7. Косых Е. С. Музеи под открытым небом // Инновационная наука. – 2016. – № 7–8. – С. 142–144.
8. Giannini T., Bowen J. P. Museums and Digital Culture: From Reality to Digitality in the Age of COVID-19 // Heritage. – 2022. – Vol. 5 (1). – pp. 192–214. –DOI: 10.3390/heritage5010011. – Текст: электронный. (In Eng.).
9. Paschou S., Papaioannou G. Exploring the Digital Atmosphere of Museums: Perspectives and Potential // Technologies. – 2023. – Vol. 11 (5). – P. 149. – DOI: 10.3390/technologies11050149. – Текст: электронный. (In Eng.).
10. Уразметова А. В. Функциональный потенциал аудиогидов // Филология: научные исследования. – 2021. – № 10. – DOI: 10.7256/2454-0749.2021.10. 36496. – Текст: электронный.
11. Тарханова Н. П., Романов В. А. Детерминанты использования информационных продуктов в туризме // Известия Санкт-Петербургского государственного аграрного университета. – 2017. – № 4 (49). – С. 224–229.
12. Wang X. Co-Design of a Voice-DrivenInteractive   Smart   Guide for Museum Accessibility and Management // Journal of Audiovisual Translation. –2024. – Vol. 7 (1). – pp. 1–24. – DOI: 10.47476/ jat.v7i1.2024.267. – Текст: электронный. (In Eng.).
13. Paardekooper R. P. The Value of an Archaeological Open-Air Museum is in its Use. – Sidestone Press, Leiden. – 2013. (In Eng.).
14. López-Martínez A., Carrera Á., Iglesias C.A. Empowering Museum Experiences Applying Gamification Techniques Based on Linked Data and Smart Objects // Appl. Sci. – 2020. – Vol. 10 (16). – P. 5419. –DOI: 10.3390/app10165419. – Текст: электронный. (In Eng.).
15. Ivanov R. Advanced Visitor Profiling for Personalized Museum Experiences Using Telemetry-Driven Smart Badges // Electronics. – 2024. – Vol. 13 (20). – P. 3977. – DOI: 10.3390/electronics13203977. – Текст: электронный. (In Eng.).
16. Ермолин Н. И. Этнографический музей под открытым небом // Инженерно-строительный вестник Прикаспия: научно-технический журнал. – 2020. – № 2 (32). – С. 58–63.
17. Объект культурного наследия регионального значения «Мемориально-исторический район (МИР) «Куутерселькя 1944» [Электронный ресурс]. – URL: https://kuuterselka.ru/ (дата обращения: 01.11.2025). – Текст: электронный.
18. Приказ Комитета по Культуре Ленинградской области №01–03/17-58 от 06 июля 2017 г. [Электронный ресурс]. – URL: https://kskn.lenobl.ru/ media/old_data/docs/culture/149941410801-0317-58.pdf (дата обращения: 01.11.2025). – Текст: электронный.
19. МИР Куутерселькя 1944 // izi.TRAVEL [Электронный ресурс]. – URL: https://izi.travel/en/ browse/bd4220e1-fde5-40b3-a608-b896ee7ed540 (дата обращения: 01.11.2025).
20. Ивашкин М. В., Кузнецов В. В. Количественные и качественные методы исследования мотивации туристов // Гуманитарные, социально-экономические и общественные науки. – 2023. – № 11. – С. 50–55.
21. Borg K., Lindsay J., Curtis J. Targeted Change: Using Behavioral Segmentation to Identify and Understand Plastic Consumers and How They Respond to Media Communications // Environmental Communication. – 2021. – Vol. 15. – pp. 1109–1126. – DOI: 10.1080/17524032.2021.1956558. – Текст: электронный. (In Eng.).
22. Tavor T., Gonen L. D., Spiegel U. Customer Segmentation as a Revenue Generator for Profit Purposes // Mathematics. – 2023. – Vol. 11 (21). – P. 4425. – DOI: 10.3390/math11214425. – Текст: электронный. (In Eng.).
23. Gaspars-Wieloch H. AHP Based on Scenarios and the Optimism Coefficient for New and Risky Projects: Case of Independent Criteria // Annals of Operations Research. – 2024. – Vol. 341. – pp. 937–961. – DOI: 10.1007/s10479-024-06197-w. – Текст: электронный. (In Eng.).
24. Alssalehin E., Paul Holborn P., Pilidis P. Techno-Economic Environmental Risk Analysis (TERA) in Hydrogen Farms // Energies. – 2025. – Vol. 18 (18). – P. 4959. – DOI: 10.3390/en18184959. – Текст: электронный. (In Eng.).
25. Kováčiková K., Baláž M., Kováčiková M., Novák A. Systemic Assessment of IoT Readiness and Economic Impact in Postal Services // Systems. – 2025. – Vol. 13 (10). – P. 910. – DOI: 10.3390/systems 13100910. – Текст: электронный. (In Eng.).
26. Umar M. A., Lano K. Advances in Automated Support for Requirements Engineering: A Systematic Literature Review // Requirements Engineering. – 2024. – Vol. 29. – pp. 177–207. – DOI: 10.1007/s007 66-023-00411-0. – Текст: электронный. (In Eng.).

Аннотация

В условиях высокой нестабильности внешней среды традиционные системы управления, основанные на статичных должностных инструкциях, теряют эффективность. Целью работы является разработка информационной технологии управления организационным развитием на основе компетентностной модели, обеспечивающей динамическое соответствие между проблемами компании, функциями и компетенциями сотрудников. Материалы и методы исследования включают системный подход, методы математического моделирования, теорию управления организационным развитием, а также сервисно-ориентированную архитектуру. В содержании работы предложена трёхзвенная структура «Проблема → Функция → Компетенция», разработана система дифференциальных уравнений, описывающая динамику проблемного поля, результативность выполнения функций и развитие человеческого капитала с учётом мотивации персонала. Введено понятие «зоны оптимума сотрудника» для количественной оценки баланса интересов бизнеса и работника. Основные результаты: создана сервисно-ориентированная архитектура информационной технологии, включающая модули каталога компетенций, оценки, оптимизации распределения, планирования развития и аналитики. Проведена экспериментальная апробация на предприятии (545 человек), показавшая снижение критичности проблем на 34% и рост вовлечённости персонала на 18%. Выводы подтверждают, что предложенная технология обеспечивает адаптивность компании и устойчивое развитие человеческого капитала. Направления дальнейших исследований связаны с интеграцией методов искусственного интеллекта для прогнозирования изменения проблемного поля и автоматической адаптации компетентностной модели.

Ключевые слова: информационная технология управления, компетентностная модель управления, математическое моделирование, организационное развитие, сервисно-ориентированная архитектура, управление человеческим капиталом

Список источников:

1. Белобородова Н. А. Компетентностный подход в развитии персонала организации / Н. А. Белобородова // Активизация интеллектуального и ресурсного потенциала регионов : материалы 4-й Всерос. науч.-практ. конф., г. Иркутск, 17 мая 2018 г. : в 2 ч. - Иркутск, 2018. - Ч. 2. - С. 267-270.
Beloborodova N.A.
2. Носырева И. Г., Белобородова Н. А. Технологии оценки профессиональных компетенций специалистов по оказанию государственных услуг в области занятости населения // Азимут научных исследований: экономика и управление. – 2019. – Т. 8. – № 2 (27). – С. 280–283. – DOI: 10/26140/ anie-2019-0802-0068. – Текст: электронный.
3. Белобородова Н. А. Влияние дистанционного режима работы на развитие организаций и компетенции персонала // Развитие российского общества: вызовы современности: Материалы национальной научно-практической конференции с международным участием. – Иркутск: Байкальский государственный университет, 2021. – С. 126–131.
4. Соколов Л. А. Разработка модели компетенций педагогического и вспомогательно-педагогического персонала // Вестник Университета Правительства Москвы. – 2025. – № 3. – С. 48–53.
5. Акмалова Д. Т. Механизмы организации и управления процессом формирования управленческой компетентности [Электронный ресурс]. – URL: rep.herzen.spb.ru/file_viewer/8412 (дата обращения: 18.06.2026). – Текст: электронный.
6. Рудых В. С., Носырева И. Г. Применение компетентностного подхода при найме и адаптации персонала в условиях производственного предприятия // Global and Regional Research. – 2025. – Т. 7. – № 2. – С. 195–202.
7. Кузнецова Е. Ю., Чоповда Е. А. Компетенции в организации деятельности и формировании организационной культуры промышленного предприятия // Вестник УрФУ. Серия: Экономика и управление. – 2012. – № 1. – С. 4–12.
8. Тихонова Н. К., Семченков А. В. Алгоритм и методология формирования корпоративной модели гибких компетенций управления медицинским персоналом в медицинской организации // Вестник ВШОУЗ. – 2025. – Т. 11. – № 3. – С. 44–59.
9. Бенаюн А. Разработка и внедрение системы компетенций: современные и будущие перспективы // Information Management and Business Review. – 2024. – Т. 16. – № 3. – С. 606–615. – DOI: 10.22610/imbr.v16i3(I).4013. – Текст: электронный. (In Eng.).
10 Джианг Х. П. Разработка внутренних корпоративных программ обучения с использованием компетентностного подхода // Journal of Technical Education Science. – 2024. – Vol. 19. – No. 5. – P. 72–82. – DOI: 10.54644/jte.2024.1624. – Текст: электронный. (In Eng.).
11. Гвоздева Т. В., Белов А. В. Проблемно-ориентированное управление организационным развитием. – Germany: LAP LAMBERT Academic Publishing, 2011. – ISBN 978-3-8454-1507-9.

Аннотация

Цифровая трансформация государственного управления сместила фокус управленческой деятельности на работу с данными, что выдвигает задачу построения устойчивого и управляемого цикла работы с ними. Целью исследования является повышение обоснованности управленческих решений в организационной системе органа публичной власти за счёт представления цикла работы с данными как замкнутого контура управления с обратной связью по состоянию данных. Материалом для демонстрации послужил открытый набор данных «Адресный реестр объектов недвижимости города Москвы» объёмом более 548 тысяч записей. Методологической основой выступает теория управления организационными системами; цикл работы с данными формализован в парадигме извлечения, преобразования и загрузки данных и рассмотрен относительно эталонной модели жизненного цикла данных. Разработан метод организации цикла работы с данными как контура управления, в котором узел контроля качества выполняет идентификацию состояния системы, а корректирующее воздействие направляется адресно, в зависимости от источника выявленного дефекта. Предложена реализация контура на открытом инструментальном стеке распределённой обработки, аналитического хранения и визуализации данных. Показано, что контроль качества, опираясь на нормативные требования к атрибутам данных, выявляет и различает по природе несколько типов дефектов, а обратная связь замыкается на соответствующие этапы обработки. Сделан вывод о применимости предложенного контура в организационных системах органов государственного управления. Ограничением работы является иллюстративный характер демонстрации; направлением дальнейших исследований выступает количественная оценка эффективности и распространение контура на задачи формирования синтетических данных.

Ключевые слова: государственное управление, жизненный цикл данных, контроль качества данных, органы публичной власти, организационные системы, открытые данные, цифровая трансформация, ETL-процесс

Список источников:

1. Пенчева И. и др. Большие данные и ИИ – трансформационный сдвиг для государственного управления: что дальше ждет исследования? // Public Policy and Administration. – 2020. – Т. 35. – №. 1. – С. 24–44. – DOI: 10.1177/095207 6718780537. – Текст: электронный. (In Eng.).
2. Янссен М., Броус П., Эстевес Э., Барбоса Л.С., Яновский Т. Управление данными: организация данных для обеспечения надежности искусственного интеллекта // Government Information Quarterly. – 2020. – Т. 37. – № 3. – Ст. 101493. – DOI: 10.1016/j.giq.2020.101493. – Текст: электронный. (In Eng.).
3. Бхупатираджу С. и др. Государственная аналитика с использованием данных о качестве административных процессов // The Government Analytics Handbook. – 2023. – С. 345–366. – DOI: 10.1596/978-1-4648-1957-5. – Текст: электронный. (In Eng.).
4. Аристова Д. А., Макеева Е. З., Федорова О. В. Эффекты внедрения интеллектуальных транспортных систем // Транспортное дело России. – 2022. – № 1. – С. 114–116. – DOI: 10.52375/ 20728689_2022_1_114. – Текст: электронный.
5. Джонсон Т. Л. и др. Применение систем распознавания лиц в полиции и борьба с насильственными преступлениями в городах США // Cities. – 2024. – Т. 155. – Ст. 105472. – DOI: 10.1016/j.citi es.2024.105472. – Текст: электронный. (In Eng.).
6. Фаттах И. А. и др. Взаимодействие возможностей бизнес-аналитики и эффективности принятия решений в государственном секторе Индонезии // Digital Business. – 2025. – Т. 5. – № 2. – DOI: 10.1016/j.digbus.2025.100132. (In Eng.).
7. Афиерохо П. и др. Внедрение электронного правительства для мониторинга выполнения проектов общественной инфраструктуры в Нигерии: взгляд общественности // Heliyon. – 2023. – Т. 9. – № 8. – Ст. e18552. – DOI: 10.1016/j.heliyon. 2023.e18552. – Текст: электронный. (In Eng.).
8. Лян Ю. и др. Обзор исследований поставщиков данных с точки зрения государственного управления: библиометрический анализ с использованием CiteSpace // Journal of Big Data. – 2025. – Т. 12. – Ст. 248. – DOI: 10.1186/s40537-025-01294-4. – Текст: электронный. (In Eng.).
9. Шах С. И. Х. и др. DaLiF: Структура жизненного цикла данных для правительств, ориентированных на данные // Journal of Big Data. – 2021. – Т. 8. – Ст. 89. – DOI: 10.1186/s40537-021-00481-3. – Текст: электронный. (In Eng.).
10. Акаткин Ю. М., Ясиновская Е. Д. Ориентированность на данные как ключевой фактор цифрового правительства: готова ли Россия к цифровой трансформации государственного сектора? // Electronic Governance and Open Society: Challenges in Eurasia (EGOSE 2018). Cham: Springer, 2019. – Т. 947. – С. 439–454. – DOI: 10.1007/978-3-030-13283-5_33. – Текст: электронный. (In Eng.).
11. Новиков Д. А., Чхартишвили А. Г. Рефлексия и управление: математические модели. – Leiden: CRC Press. Balkema, 2014. – 298 с. – DOI: 10.1201/b16625. – Текст: электронный. (In Eng.).
12. Фаннуш А. и др. Совершенствование прак- тик DataOps с помощью инновационных моделей сотрудничества: систематический обзор // International Journal of Information Management Data Insights. – 2025. – Т. 5. – № 1. – Ст. 100321. – DOI: 10.1016/j.jjimei. 2025.100321. – Текст: электронный. (In Eng.).
13. Мехмуд Э., Анис Т. Распределенная архитектура ETL в реальном времени для неструктурированных больших данных // Knowledge and Information Systems. – 2022. – Т. 64. – № 12. – С. 3419–3445. – DOI: 10.1007/s10115-022-01757-7. – Текст: электронный. (In Eng.).
14. Абрахам Р. и др. Управление данными: концептуальная основа, структурированный обзор и программа исследований // International Journal of Information Management. – 2019. – Т. 49. – С. 424–438. – DOI: 10.1016/j.ijinfomgt.2019.07.008. – Текст: электронный. (In Eng.).
15. Левитин А. В., Редман Т. К. Модель жизненных циклов данных применительно к качеству // Information and Software Technology. – 1993. – Т. 35. – № 4. – С. 217–223. – DOI: 10.1016/0950-5849(93)90069-F. – Текст: электронный. (In Eng.).
16. Бурков В. Н., Губко М., Коргин Н., Новиков Д. Введение в теорию управления в организациях. – Boca Raton: CRC Press, 2015. – 346 с. – DOI: 10.1201/b18152. – Текст: электронный. (In Eng.).

Аннотация

В условиях роста международной академической мобильности возрастает необходимость разработки интеллектуальных цифровых инструментов поддержки иностранных абитуриентов при выборе образовательных программ российских вузов. Цель исследования заключается в разработке концептуальной модели интеллектуальной рекомендательной системы, обеспечивающей персонализированный и объяснимый подбор образовательных программ. В качестве материалов исследования использованы научные публикации по рекомендательным системам, объяснимому искусственному интеллекту и цифровым образовательным сервисам, а также результаты сравнительного анализа платформ Study in Russia, Postupi.online, Education in Russia и Vuzopedia. Применены методы концептуального моделирования, функциональной декомпозиции, сравнительного анализа, нормализации данных, семантического сопоставления и гибридного ранжирования. В работе представлена концептуальная модель, объединяющая профиль иностранного абитуриента, унифицированный каталог образовательных программ, блок академических и административных ограничений, рекомендательное ядро, модуль объяснения рекомендаций и диалоговый ассистент. Показано, что предлагаемая модель позволяет перейти от справочного поиска по образовательным каталогам к персонализированной поддержке принятия решений. Сервис, построенный на разработанной модели, применяется в задаче управления приёмной кампанией вуза для иностранных граждан. Дальнейшие исследования целесообразно направить на расширение каталога образовательных программ, настройку весов гибридного ранжирования и апробацию модели на реальных пользовательских сценариях.

Ключевые слова: гибридное ранжирование, иностранные абитуриенты, концептуальное моделирование, объяснимый искусственный интеллект, поддержка принятия решений, рекомендательная система, цифровая поддержка абитуриентов, цифровые образовательные сервисы

Список источников:

1. Учеба иностранцев в России: статистика, тенденции, примеры // Право&Слово [Электронный ресурс]. – 2020. – Дата обращения: 15.02.2025. – Текст: электронный.
2. В российских вузах сейчас обучаются более 355 тыс. иностранных студентов // ТАСС [Электронный ресурс] – 2024. – 25 янв. – Дата обращения: 23.09.2026. – Текст: электронный.
3. Количество иностранных студентов в российских вузах превысило 400 тыс. // Коммерсантъ [Электронный ресурс]. – 2026. – 03 фев. – Дата обращения: 23.09.2026. – Текст: электронный.
4. Указ Президента Российской Федерации от 07.05.2024 № 309 «О национальных целях развития Российской Федерации на период до 2030 года и на перспективу до 2036 года» // СПС «Консультант Плюс» [Электронный ресурс]. – Дата обращения: 23.09.2026. – Текст: электронный.
5. Стукалова И. Б. Интернационализация российского образования: российские университета // Economics & Sociology. – 2015. – Т. 8. – № 1. – C. 275–286. – DOI: 10.14254/2071-789X.2015/8-1/21. – Текст: электронный. (In Eng.).
6. Интернационализация российского образования в современных условиях // Росконгресс: Пространство доверия [Электронный ресурс]. – 2023.– 28 фев. – Дата обращения: 15.02.2025. – Текст: электронный.
7. Проблемы иностранных абитуриентов при поступлении в российские вузы // Global Education [Электронный ресурс]. – 2025. – 11 ноя. – Дата обращения: 25.01.2026. – Текст: электронный.
8. Как выбрать российский вуз: интеллектуальная система поддержки иностранных студентов / М.А. Муаамар, Л.В. Круглова, Х. Самран, Н.В. Папуловская // Цифровизация управления в организационных системах: Материалы I Международной научно-практической конференции, Екатеринбург, 04–05 декабря 2025 года. – Екатеринбург: Уральский федеральный университет им. первого Президента России Б.Н. Ельцина, 2026. – С. 272–280.
9. Рой Д., Дутта М. Систематический обзор и исследовательский подход к рекомендательным системам // Journal of Big Data. – 2022. – Т. 9. – Ст. 59. – DOI: 10.1186/s40537-022-00592-5. – Текст: электронный. (In Eng.).
10. Моралес Мурильо В. Г. и др. Систематический обзор литературы по гибридным подходам к системам рекомендаций // Computación y Sistemas. – 2022. – Т. 26. – № 1. – С. 357–372. – DOI: 10.13053/CyS-26-1-4180. – Текст: электронный. (In Eng.).
11. Вультуреану-Альбиши А., Бэдикэ К. Обзор влияния добавления пояснений в рекомендательные системы // Concurrency and Computation: Practice and Experience. – 2022. – Т. 34. – № 20. – Ст. e6834. – DOI: 10.1002/cpe.6834. – Текст: электронный. (In Eng.).
12. Чжан Ю., Чен С. Объяснимые рекомендации: обзор и новые перспективы // Foundations and Trends in Information Retrieval. – 2020. – Т. 14. – № 1. – С. 1–101. – DOI: 10.1561/1500000066. – Текст: электронный. (In Eng.).
13. Аталла С. и др. Интеллектуальная система рекомендаций для автоматизации академического консультирования на основе анализа учебных программ и моделирования успеваемости // Mathematics. – 2023. – Т. 11. – № 5. – Ст. 1098. – DOI: 10.3390/math11051098. – Текст: электронный. (In Eng.).
14. Чанг Х.-Т. и др. Искусственный интеллект, пожалуйста, помогите мне выбрать курс: создание персонализированной гибридной системы рекомендаций курсов для помощи студентам в адаптивном выборе курсов // Educational Technology & Society. – 2023. – Т. 26. – № 1. – С. 203–217. – DOI: 10.30191/ETS.202301_26(1).0015. – Текст: электронный. (In Eng.).
15. Study in Russia: официальный портал для иностранных студентов [Электронный ресурс] – 2025. – Дата обращения: 07.11.2025. – Текст: электронный.
16. Postupi.online: поступление в вузы России [Электронный ресурс]. – 2025. – Дата обращения: 07.11.2025. – Текст: электронный.
17. Education in Russia: образование в России для иностранных граждан [Электронный ресурс]. – 2025. – Дата обращения: 07.11.2025.– Текст: электронный.
18. Вузопедия: база данных вузов России [Электронный ресурс]. – 2025. – Дата обращения: 07.11.2025. – Текст: электронный.
19. Реймерс Н., Гуревич И. Sentence-BERT: Встраивание предложений с использованием сиамских BERT-сетей // Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing and the 9th International Joint Conference on Natural Language Processing. – Hong Kong, 2019. – C. 3982–3992. – DOI: 10.18653/v1/ D19-1410. – Текст: электронный. (In Eng.).