CC BY
24
Экономические науки
УДК 332.1:004.8
DOI: 10.21209/2227-9245-2020-26-8-100-111
РЕГИОНАЛЬНЫЕ ЭКОНОМИЧЕСКИЕ ИССЛЕДОВАНИЯ С ИСПОЛЬЗОВАНИЕМ АЛГОРИТМОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА: СОСТОЯНИЕ И ПЕРСПЕКТИВЫ
REGIONAL ECONOMIC STUDIES USING ALGORITHMS OF ARTIFICIAL INTELLIGENCE: STATE AND PROSPECTS
В. И. Блануца, Институт географии им. В. Б. Сочавы СО РАН, г. Иркутск blanutsa@list.ru
V. Blanutsa, V. B. Sochava Institute of Geography SB RAS, Irkutsk
В национальной стратегии развития искусственного интеллекта на период до 2030 г. поставлена задача существенного роста количества научных статей российских ученых в данной области. Для этого необходимо ориентироваться в приоритетах, проблемах и перспективах научных исследований, проводимых во всем мире. Однако по региональным экономическим исследованиям с использованием алгоритмов искусственного интеллекта в настоящее время нет ни одной обобщающей работы. В этой связи объектом исследования стал мировой массив научных публикаций по региональным экономическим исследованиям, а предметом исследования - ряд статей по использованию алгоритмов искусственного интеллекта в таких исследованиях. Цель исследования заключалась в обобщении мирового опыта. Для отбора необходимых публикаций разработан алгоритм самоорганизующегося семантического поиска, опирающийся на идеи контент-анализа, экспертных систем и машинного обучения. Поиск осуществлен по базе данных Scopus. Выявлено около ста статей. Приведена краткая характеристика десяти алгоритмов искусственного интеллекта, применяющихся в региональных экономических исследованиях. Анализ мирового опыта позволил выявить пять особенностей: алгоритмы не применяются для решения всех исследовательских задач; не нацелены на создание универсальной автономной системы искусственного интеллекта; все больше сосредотачиваются вне искусственных нейронных сетей; редко используются в сочетаниях; в отечественных работах менее разнообразны, чем у стран-конкурентов.
Предложено сосредоточить усилия на выявлении экономических районов специфического функционирования производственных, транспортных и сервисных систем искусственного интеллекта; идентификации территориальных цифровых платформ; анализе интенсивности гравитационного взаимодействия территориально распределенных социально-экономических объектов через телекоммуникационные сети 5G и 6G; оценке направленности и объема региональных информационных потоков; определении моделей пространственной диффузии инноваций по искусственному интеллекту среди российских регионов. Ускоренное развитие этих направлений при значительной государственной поддержке к 2030 г. позволит обеспечить России методологический отрыв от остальных стран в области региональных экономических исследований
Ключевые слова: региональная экономика; семантический поиск; машинное обучение; искусственная нейронная сеть; прогнозирование; экономический район; цифровая платформа; гравитационное взаимодействие; региональный информационный поток; пространственная диффузия инноваций
The national strategy for the development of artificial intelligence for the period up to 2030 sets the task of a significant increase in the number of scientific articles by Russian scientists in this field. To do this, it is necessary to navigate the priorities, problems and prospects of scientific research carried out all over the world. However, there is currently not a single generalizing work on regional economic studies using artificial intelligence algorithms. Therefore, the object of the study was the world array of scientific publications on regional economic
100
© В. И. Блануца, 2020
research, and the subject of the study was a lot of articles on the use of artificial intelligence algorithms in such studies. The purpose of the work was to generalize world experience. To select the necessary publications, a self-organizing semantic search algorithm has been developed, based on the ideas of content analysis, expert systems and machine learning. The search was carried out in the Scopus database. About a hundred articles were identified. A brief description of ten artificial intelligence algorithms used in regional economic research is given. Analysis of world experience has revealed five features: algorithms are not used to solve all research problems; are not aimed at creating a universal autonomous artificial intelligence system; are increasingly focusing outside of artificial neural networks; rarely used in combination; in domestic works are less diverse than in competing countries.
It is proposed to focus efforts on identification of economic regions of specific functioning of production, transport and service systems of artificial intelligence; identification of territorial digital platforms; analysis of the intensity of gravitational interaction of geographically distributed socio-economic objects through 5G and 6G telecommunication networks; assessment of the direction and volume of regional information flows; determination of models of spatial diffusion of innovations in artificial intelligence among Russian regions. The accelerated development of these areas with significant government support will allow Russia to provide a methodological gap from other countries in the field of regional economic research by 2030
Key words: regional economy; semantic search; machine learning; artificial neural network; forecasting; economic region; digital platform; gravitational interaction; regional information flow; spatial diffusion of innovations
Б ведение. Искусственный интеллект (ИИ) активно развивается с середины прошлого века и прошел несколько периодов подъема и спада. В настоящее время ИИ ускоренно развивается за счет глубокого машинного обучения [17]. Во многих странах приняты национальные стратегии развития искусственного интеллекта [10]. Такая стратегия в октябре 2019 г. принята в России (Указ Президента РФ от 10 октября 2019 г. № 490 «О развитии искусственного интеллекта в Российской Федерации»). В ней отмечено: «К 2024 году основным показателем, характеризующим успешную реализацию мер по поддержке научных исследований в области искусственного интеллекта, должен стать существенный рост... количества и индекса цитируемости в ведущих мировых научных изданиях научных статей российских ученых на тему, посвященную искусственному интеллекту». Для реализации этой установки необходимо ориентироваться в приоритетах мировой науки, что обычно делается на основе обзорных публикаций. Однако обзоры по проблематике ИИ в отечественной экономической науке отсутствуют. В зарубежной науке обобщение мирового опыта использования ИИ сделано для урбанистической географии [26], изучения промышленных кластеров [14], прогнозирования банкротства корпоративных фирм [50] и эконометри-ческого анализа [42], оданко в этих работах не рассматривались региональные экономические исследования.
Объектом исследования является мировой массив научных публикаций по региональным экономическим исследованиям. Предмет исследования - множество статей по использованию алгоритмов ИИ в региональных экономических исследованиях.
Цель исследования заключается в обобщении мирового опыта по рассматриваемой проблематике. Для достижения цели потребовалось решить пять задач:
1) разработать алгоритм семантического поиска публикаций по предмету исследования;
2) провести такой поиск на основе одной из международных библиографических баз данных;
3) проанализировать выявленные работы для уяснения приоритетов в использовании тех или иных алгоритмов при решении различных исследовательских задач;
4) идентифицировать профили из предпочтительных алгоритмов в странах-лидерах;
5) наметить основные направления дальнейших исследований.
Материалы и методы исследования. Для обобщения мирового опыта, как правило, используются библиографические базы данных www.webofscience.com или www.scopus.com. В нашем исследовании применялась вторая база данных, поскольку в ней индексировано гораздо больше социально-экономических публикаций, чем в первой базе. Имеющийся опыт поиска в таких базах свидетельствует о многочисленных проблемах с идентифика-
цией необходимых документов [22; 46]. Для выявления искомых научных статей по искусственному интеллекту с опорой на идеи контент-анализа [6], экспертных систем [16] и машинного обучения [5] разработан специализированный алгоритм. Он получил название «Самоорганизующаяся система поиска публикаций по заданной теме в библиографической базе данных» (ССППБД).
Архитектура системы состоит из правил типа «если ..., то ...» и четырех блоков поддержки поиска - извлечения массива публикаций из выбранной библиографической базы данных (b1), аккумулирования искомых публикаций (b2), хранения отклоненных публикаций (b3) и построения семантического поля (b4). Для запуска системы необходимо иметь открытый доступ к полным текстам в библиографической базе данных, задать одно или несколько ключевых слов и настроить блок b4. Остальные операции выполняет машина (в нашем исследовании применялся язык программирования Python).
В упрощенном виде ССППБД состоит из следующих правил (обозначены «R»):
R1: ЕСЛИ по ключевому слову kw: (возможно использование нескольких ключевых слов с операторами «И» и «ИЛИ») в исходной библиографической базе данных обнаружено n (n > 1) публикаций, содержащих kwP ТО эти публикации размещается в b1, ИНАЧЕ (n = 0) поиск публикаций по заданной теме завершается.
R2: ЕСЛИ публикация nj соответствует семантическому полю sf/q, извлеченному из b4, ТО nj перемещается в b2, ИНАЧЕ (не соответствует sf/q) nj отправляется в b3.
R3: ЕСЛИ в результате реализации правил R1 и R2 по всем ключевым словам kw^ семантическим полям sf/q и nj в блоке b1 не осталось ни одной публикации (все публикации распределены между Ь2 и b3, а из библиографической базы данных больше не извлекаются публикации по kw) ТО происходит переход к R4, ИНАЧЕ (при изначальном ограничение на использование только kw: и sf/q) результатом поиска по заданной теме является набор публикаций в b2.
R4: ЕСЛИ в массиве b2 изначально заданные ключевые слова kWj наиболее часто встречаются с новым словом kwm* И это новое слово не противоречат sf/q, И к Ь1 присоединяются ранее отклоненные публикации из Ь3 (повторяющиеся публикации удаляют-
ся), ТО R1-R3 повторяются для kwm*, ИНАЧЕ (когда нет ни одного kwm*, соответствующего sf/q) поиск завершается.
R5: ЕСЛИ после R4, R1-R3 в Ь2 направляется хотя бы одна публикация, ТО в увеличенном массиве Ь2 отыскивается новое слово kwmp* (не противоречит sf/q, а также наиболее часто встречающееся с kw: и kwm*) И R1-R4 повторяются для kwmp*.
R6: ЕСЛИ после R4, R1-R3 в Ь2 не направляется ни одна статья, ТО в массиве Ь2 отыскивается новое слово kwm+s* (не противоречит sf/q и по частоте встречаемости с kw: уступает только kwm*) И R1-R4 повторяются для kw *.
^ m+s
R7: ЕСЛИ после R1-R6 нет новых слов kwm+p+-,* и kwm+s+1* в соответствии с sf/q, ТО самоорганизующийся поиск завершается набором публикаций в b2.
Результаты исследования и их обсуждение. Исходный запрос в базу данных Scopus ограничили одним ключевым словом («artificial intelligence regional economic research»). Поисковая система Scopus выдала 28 статей. Их анализ с помощью ССППБД позволил установить, что к собственно региональным экономическим исследованиям относилось лишь шесть статей (остальные были по экологии и другим дисциплинам, однако в них встречались пять перечисленных слов; проводилось также отличие региональных исследований от городских и глобальных, а экономическое изучение фиксировалось через оперирование социально-экономическими показателями). Построение семантического поля на основе этих шести статей и последовательное расширение поля с каждой новой статьей позволили выявить еще 86 статей. В итоге обнаружено 92 статьи, изданные в 1994-2019 гг. Из них примерно половина (47) опубликованы в последние пять лет (2015-2019).
В статьях, обнаруженных в базе данных Scopus с помощью ССППБД, представлены результаты применения десяти алгоритмов: продукционного (Expert System, ES), нечеткого вывода (Fuzzy Logic, FL), мультиагентно-го (Agent-Based Model, ABM), генетического (GeneticAlgorithm, GA), случайного леса (Random Forest, RF), муравьиной колонии (Ant Colony Algorithm, ACA), клеточного автомата (Cellular Automata, CA), опорных векторов (Support Vector Machine, SVM), самоорганизующейся карты (Self-Organizing Map, SOM)
и персептрона (Multilayer Perceptron, MLP). Большинство проанализированных статей (75 из 92) посвящено изучению региональной экономики с помощью искусственных нейронных сетей. Основными алгоритмами ANN являются MLP, SOM и сверточная нейронная сеть (Convolutional Neural Network, CNN) [3]. Первые два алгоритма представлены в 55 и 16 статьях соответственно, в 4 работах использовались оба метода и ни в одной статье не зафиксировано применение CNN.
В наиболее общем виде персептрон представляет собой несколько слоев элементов (нейронов, узлов), среди которых различают входной, промежуточные (скрытые) и выходной слои, и взвешенные линии связи между элементами соседних слоев (синапсы). При одном скрытом слое имеет место однослойный (Single-Layer Perceptron), при нескольких - многослойный персептрон (MLP). Эти алгоритмы призваны выявлять статистические закономерности во входном потоке данных с помощью обучения. Различают обучение с учителем и без него. В первом случае задается обучающая выборка (исходный массив) с маркированными данными, на которых определяются веса связей для правильной идентификации объектов. Далее при переходе на тестовый (новый) массив данных определяется ошибка идентификации и происходит ее минимизация посредством (в MLP) обратного распространения ошибки (может сопровождаться поощрением и наказанием). Обучение без учителя происходит на немаркированных данных путем корректировки весов связей с помощью специальных операций (например, метода k-ближайших соседей; обзор в [7]) или системы сенсоров. Обучение более двух скрытых слоев считается глубоким (Deep Learning). Основные проблемы MLP связаны с непрозрачностью (работа по принципу «черного ящика» [47]), выявлением корреляционных, а не причинно-следственных связей, сложностью визуализации и интерпретации полученных результатов.
Для решения проблемы визуализации разработана самоорганизующаяся карта [33]. Это метод обучения без учителя, позволяющий входные многомерные данные проецировать на пространство низкой размерности (обычно двумерное) с сохранением входных топологических отношений. На выходе получается «карта» (сетка) нейронов
в виде прямоугольников или шестиугольников. Такое представление результатов работы искусственной нейронной сети весьма популярно в пространственном анализе [26].
Сверточная нейронная сеть первоначально была создана для машинного распознавания изображений (компьютерного зрения) [34], а затем стала применяться в других направлениях ИИ [38; 58]. Алгоритм основан на многослойной уплотняющей фильтрации входных данных для генерирования на выходе существенных особенностей (абстрактных понятий). По сравнению с MLP сверточная сеть использует меньше настраиваемых весов. Основной недостаток связан с обоснованием конфигурации сети при решении нестандартных задач.
Метод опорных векторов [54] нацелен на поиск оптимальной гиперплоскости, разделяющей исходные объекты (векторы в признаковом пространстве) на непересекающиеся классы. При этом векторы, находящиеся ближе всего к гиперплоскости, называются опорными. В ходе обучения происходит максимизация зазора (расстояния) между гиперплоскостью и опорными векторами. Основным недостатком SVM является чувствительность к ошибочным векторам (информационному шуму), приводящим к построению неправильной гиперплоскости. Алгоритм применялся в ряде экономических исследований [23; 44].
Клеточный автомат появился вне проблематики искусственного интеллекта, однако может быть применен для решения нейро-сетевых задач [37]. Основная идея алгоритма заключается в создании регулярной сетки ячеек (в большинстве случаев квадратов), введении конечного множества состояний ячейки и правил перехода из одного состояния в другое (зависит от текущего состояния ячейки и ее соседей), и запуска процесса трансформации ячеек. На этой идее построена игра «Жизнь» [4]. Клеточные автоматы получили широкое распространение в пространственном анализе [3; 18].
Алгоритм муравьиной колонии относится к роевому интеллекту и воспроизводит поиск муравьями оптимального маршрута через выделение большого количества феромона [21]. Может использоваться не только для коллективного поиска наиболее удобного пути, но и для классификации [45]. Метод активно применяется в задачах управления [43].
Случайный лес как алгоритм машинного обучения представляет собой множество решающих деревьев, распределяющих объекты по классам, с определением итогового результата классификации путем голосования по большинству [12]. Генетический алгоритм проводит генерирование популяций с использованием операций селекции, скрещивания и мутаций [29]. Алгоритм построения системы продукций (правил логического вывода) «если..., то...», используемый для создания экспертных систем, получил распространение с середины прошлого века и развивается за счет объединения с машинным обучением и искусственными нейронными сетями [16]. Сочетание продукций с теорией размытых множеств позволило создать метод нечеткого логического вывода [39; 51].
Мультиагентный подход используется в основном в экономическом моделировании [11; 53]. Его осмысление привело к формулировке новой парадигмы - «комплексной агентной макроэкономике» [25]. Для изучения региональной экономики определенный интерес представляют агент-ориентированные модели диффузии инноваций [57] и модель Еигасе@иЫЫ, позволяющая анализировать децентрализованное взаимодействие разнородных агентов в различных секторах и регионах [19]. Применительно к ИИ данные алгоритмы необходимы для создания авто-
номных искусственных агентов и автоматизированных рынков, что может опираться на идею Ф. Мировского [40] о «маркомате» как рынке, основанном на теории автоматов.
Перечисленные алгоритмы могут объединяться в том или ином сочетании для решения различных исследовательских задач. Наиболее часто с другими алгоритмами объединяются многослойный персептрон [26] и продукционная система [16]. К редко встречающимся сочетаниям можно отнести СА^М [55] и RF-CA [31]. В анализируемых статьях алгоритмы ИИ применялись для решения разных исследовательских задач. С некоторой условностью эти задачи можно объединить в пять групп - сжатие признакового пространства, распознавание образов, оценка взаимодействия, кластеризация и прогнозирование. Распределение статей по отмеченным группам было следующим: 1, 6, 26, 17 и 25. В 7 статьях рассматривалась кластеризация с прогнозированием, в 4 -взаимодействие с прогнозированием, в 3 -сжатие с кластеризацией, в 2 - сжатие с взаимодействием и в 1 - сжатие с кластеризацией и прогнозированием. При распределении задач по алгоритмам особо выделялись искусственные нейронные сети - персептрон и самоорганизующаяся карта, что отражено в таблице.
Исследовательские задачи / Research problems
Алгоритмы / Algorithms Сжатие признакового пространства / Compression of the feature space Распознавание образов/ Pattern recognition Оценка взаимодействия / Interaction assessment Кластеризация / Clustering Прогнозирование / Forecasting
Продукционный / Expert System 0 1 6 2 1
Нечеткого вывода / Fuzzy Logic 0 0 3 1 2
Мультиагентный / Agent-Based Model 0 1 2 0 2
Генетический / Genetic Model 1 0 2 1 2
Случайного леса / Random Forest 1 0 0 1 0
Муравьиной колонии / Ant Colony Model 0 0 1 0 0
Количество статей по региональной экономике (1994-2019), в которых алгоритмы искусственного
интеллекта применялись для решения различных исследовательских задач / Number of articles on regional economics (1994-2019) in which artificial intelligence algorithms were used to solve various
research problems
Окончание таблицы
Клеточного автомата / Cellular Automata 1 0 1 1 5
Опорных векторов / Support Vector Machine 0 0 1 0 3
Самоорганизующейся карты / Self-Organizing Map 4 0 1 17 6
Персептрона / Multilayer Perceptron 3 4 24 11 31
Примечание: Составлено автором. В одной статье могут быть представлены результаты применения нескольких алгоритмов для решения одной задачи или одного алгоритма для решения ряда задач. Суммарная встречаемость алгоритмов не равна 92 проанализированным статьям / Note: Compiled by the author. A single article can present the results of applying several algorithms to solve a single problem or one algorithm to solve a number of problems. Therefore, the total occurrence of algorithms is not equal to 92 analyzed articles
Если обратиться к встречаемости сочетаний алгоритмов, то по две статьи пришлось на комбинации MLP+CA, MLP+ES, MLP+FL, MLP+GA, MLP+SOM и по одной статье - на SOM+GA, GA+ABM, MLP+SVM, MLP+SOM+CA, MLP+CA+ABM, MLP+ES+SVM. В результате только в 13 статьях отражались результаты использования двух, а в 3 статьях - трех алгоритмов. Это мало сочетаний при условии, что перебор всех вариантов по два алгоритма дает 45 комбинаций, а по три - 120. Соответственно, только в небольшой мере (в одной-двух статьях) апробировано 17,8 % парных и 2,5 % тройных сочетаний. Что касается комбинаций от четырех до десяти алгоритмов ИИ, они вообще не встречались в региональных экономических исследованиях. При этом следует констатировать, что среди статей с двумя-тремя методами нет ни одной отечественной работы (FL в одной, MLP в трех и SOM в четырех российских статьях). Все это указывает на ограниченное использование методов ИИ в региональных экономических исследованиях.
Исследователи каждой страны внесли определенный вклад в мировой опыт. Его можно оценить через построение ИИ-профиля страны как ранжированного (по количеству статей) ряда из 10 алгоритмов. Например, опыт всех стран можно представить в виде следующего ряда (знак больше указывает на превышение количества статей с одним алгоритмом над статьями с другим алгоритмом, а при их равенстве ставится соответствующий знак): MLP > SOM > ES > FL > ABM = GA = SV M > CA > RF > ACA. Тогда у трех стран-лидеров будут следующие профили:
- MLP > ES > SVM > ABM > CA > FL > GA > ACA > RF > SOM (КНР);
- MLP > SVM > ABM > CA > GA (США);
- SOM > MLP > FL (Россия).
Получается, что ИИ-профиль России не
только короче профилей мира и стран-конкурентов, но и имеет иные приоритеты.
Представленные алгоритмы и исследовательские задачи не касались содержания регионального изучения цифровой экономики Российской Федерации, развиваемой на основе искусственного интеллекта. Здесь основная сложность в том, что данная экономика только зарождается и, соответственно, нет обширной эмпирической базы для выявления закономерностей регионального развития, что вынуждает акцентировать внимание на перспективных направлениях, а не обобщать существующий опыт. На этапе зарождения новой цифровой экономики таких направлений может быть очень много. Далее кратко рассмотрены только пять направлений - районное, платформенное, гравитационное, потоковое и диффузионное.
Районное направление является отличительной чертой отечественных экономических исследований. В нашей стране идеи экономического районирования зародились в XVIII в., а в 1920-х гг. воплотились в схемы экономических районов [1]. За рубежом предпочтение отдается зонированию территории [57] и кластеризации регионов [28]. При проведении районирования существует ряд методологических проблем, однако это не является препятствием для выявления целостных и специфических территориальных образований (районов) в приближающуюся
эпоху больших данных и искусственного интеллекта. Имеющиеся методы районирования позволяют, например, выделять роботизированные районы [35]. Однако основной вектор исследований по районированию в контексте национальной стратегии связан с разработкой автономного комплекса взаимосвязанных алгоритмов искусственного интеллекта, способного выявлять экономические районы специфического функционирования производственных, транспортных и сервисных систем ИИ.
Платформенное направление. Модернизация первоначальной идеи Д. Тапскотта [52] о цифровой экономике привела к пониманию необходимости перехода на посткластерное или платформенное развитие [15]. Уже существует ряд компаний, функционирующих в рамках платформенной экономики [32]. Однако зарубежные трактовки цифровой платформы [48; 49] не имеют регионального экономического измерения. В настоящее время в Институте географии им. В. Б. Сочавы СО РАН ведутся работы по обоснованию территориальных цифровых платформ в Сибирском федеральном округе. Возможно, это обеспечит России исходное концептуальное преимущество в данном направлении, а последующее подключение алгоритмов ИИ будут способствовать реализации национальной стратегии.
Гравитационное направление. Благодаря исследованиям Дж. Андерсона [8; 9] и других экономистов, гравитационная модель взаимодействия двух физических объектов получила экономическое обоснование и стала применяться для изучения территориально распределенных социально-экономических объектов. Первые результаты измерения гравитационного взаимодействия регионов с помощью искусственных нейронных сетей получены при изучении телекоммуникационного трафика в Австрии [24]. При переходе к цифровой экономике с взаимодействиями через сети связи четвертого поколения (4G) гравитационное направление требует нового осмысления. В случае внедрения сетей 5G появятся другие виды взаимодействия (голографические звонки, тактильный интернет и др.), которые будут замыкаться на ограниченной территории из-за ограничений по величине задержки сигнала [2]. Будущие ИИ-поддерживаемые сети 6G [36] потребуют нового осмысления
в контексте регионального гравитационного взаимодействия.
Потоковое направление. Для выявления пространственных закономерностей формирования цифровой экономики необходимо изучение региональных информационных потоков. Имеющийся опыт применения алгоритмов ИИ (MLP) для исследования региональных потоков связан с перемещением людей [41] и товаров [13]. Поэтому целесообразно распространить этот опыт на информационные потоки и привлечь другие алгоритмы. Здесь определенные перспективы могут быть связаны с применением алгоритмов муравьиной колонии [21; 45] и случайного леса [12] как наиболее подходящих для выбора оптимального маршрута информационного потока между территориально распределенными социально-экономическими объектами (городами, регионами). В рамках данного направления потребуется региональное экономическое осмысление развития «интернета вещей» на основе искусственного интеллекта с генерацией информационных потоков по сетям 6G [36].
Диффузионное направление возникло в середине прошлого века благодаря исследованиям Т. Хегерстранда [27] по обоснованию модели пространственной диффузии инноваций. От характера распространения нововведений зависят особенности формирования региональных инновационных систем [20]. До настоящего времени не осуществлялось прогнозирование развития таких систем в будущей цифровой экономике на основе искусственного интеллекта. Опыт применения алгоритмов ИИ (SOM) для прогнозирования диффузии инноваций существует лишь в рамках существующей экономики [30]. В этой связи перед отечественными исследователями открывается перспектива использования различных алгоритмов (особый интерес может представлять сочетание CNN-CA-ACA) для прогноза распространения производственных, транспортных и сервисных систем ИИ по субъектам Российской Федерации.
Заключение. Обобщение мирового опыта применения алгоритмов ИИ в региональных экономических исследованиях позволило выявить пять особенностей, являющихся в некотором смысле рекомендациями для отечественных исследователей: в мировой практике отсутствуют статьи, в которых одновременно решаются все исследователь-
ские задачи, а имеет место применение алгоритмов ИИ преимущественно для решения одной задачи (максимум трех) с опорой в основном на искусственные нейронные сети; несмотря на актуальность накопления опыта решения отдельных задач с помощью тех или иных алгоритмов, крайне важно нацелиться на создание универсальной автономной системы ИИ, объединяющей все алгоритмы и способной решать существующие и перспективные задачи; в последние годы увеличился удельный вес алгоритмов ИИ, не относящихся к нейронным сетям; наличие небольшого опыта применения двух-трех алгоритмов в одном исследовании указывает на существование огромной неизученной сферы одновременного использования от двух до десяти алгоритмов и большего их количества (с учетом сверточных нейронных сетей и др.);
Список литературы _
российские наработки в области применения алгоритмов ИИ отличаются от мирового опыта и не столь разнообразны, как в КНР и США.
В рамках данного обзора отмечены пять перспективных направлений - районное, платформенное, гравитационное, потоковое и диффузионное. Они связаны между собой, поскольку, например, гравитационное взаимодействие территориально распределенных социально-экономических объектов порождает сырьевые, товарные, финансовые, информационные и иные потоки, которые, замыкаясь в определенном пространстве, формируют экономические районы, трансформирующиеся под воздействием диффузии инноваций в территориальные цифровые платформы. Возможность адекватного воспроизведения названных и подобных им процессов станет определенной в будущем.
1. Замятин Д. Н. Наукометрический анализ истории развития экономического районирования в России и СССР (1761-1941 гг.) // Известия РАН. Серия географическая. 1993. № 4. С. 116-124.
2. Кучерявый А. Е., Маколкина М. А., Киричек Р. В. Тактильный Интернет. Сети связи со сверхмалыми задержками // Электросвязь. 2016. № 1. С. 44-46.
3. Aburas M. M., Ho Y M., Ramli M. F., Ash'aari Z. H. The simulation and prediction of spatio-temporal urban growth using cellular automata models: A review // International Journal of Applied Earth Observation and Geo-information. 2016. Vol. 52, No. 7. P. 380-389.
4. Adamatzky A. Game of life cellular automata. London: Springer-Verlag, 2010. 579 p.
5. Aggarwal C. C. Machine learning for text. New York: Springer International Publishing, 2018. 493 p.
6. Ahuvia A. Traditional, interpretive, and reception based content analysis: Improving the ability of content analysis to address issues of pragmatic and theoretical concern // Social Indicators Research. 2001. Vol. 54, No. 2. P. 139-172.
7. Alfeilat A., Hassanat H. A., Lasassmeh O., Tarawneh A. S., Alhasanat M. B., Eyal Salman H. S., Prasath V. B. S. Effects of distance measure choice on k-nearest neighbor classifier performance: A review // Big Data. 2019. Vol. 7, No. 4. P. 221-248.
8. Anderson J. E. The gravity model // Annual Review of Economics. 2011. Vol. 3, No. 1. P. 133-160.
9. Anderson J. E. Theoretical foundation for the gravity equation // American Economic Review. 1979. Vol. 69, No. 1. P. 106-116.
10. Artificial Intelligence Index: 2019 annual report (Human-Centered AI Institute, Stanford University). URL: https://hai.stanford.edu/sites/g/files/sbiybj10986/f/ai_index_2019_report.pdf (дата обращения: 20.08.2020). Текст: электронный.
11. Ballot G., Mandel A., Vignes A. Agent-based modeling and economic theory: Where do we stand? // Journal of Economic Interaction and Coordination. 2015. Vol. 10, No. 2. P. 199-220.
12. Breiman L. Random forests // Machine Learning. 2001. Vol. 45, No. 1. P. 5-32.
13. Celik H. M. Forecasting interregional commodity flows using artificial neural networks: An evaluation // Transportation Planning and Technology. 2004. Vol. 27, No. 6. P. 449-467.
14. Chain C. P., dos Santos A. C., de Castro J., do Prado J. W. Bibliometric analysis of the quantitative methods applied to the measurement of industrial clusters // Journal of Economic Surveys. 2019. Vol. 33, No. 1. P. 60-84.
15. Cooke P. Generative growth with "thin" globalization: Cambridge's crossover model of innovation // European Planning Studies. 2018. Vol. 26, No. 9. P. 1815-1834.
16. Cortez P., Moro S., Rita P., King D., Hall J. Insights from a text mining survey on Expert Systems research from 2000 to 2016 // Expert Systems. 2018. Vol. 35, No. 3. P. e12280.
17. Cristianini N. On the current paradigm in artificial intelligence // AI Communication. 2014. Vol. 27, No. 1. P. 37-43.
18. Crols T., White R., Uljee I., Engelen G., Poelmans L., Canters F. A travel time-based variable grid approach for an activity-based cellular automata model // International Journal of Geographical Information Science. 2015. Vol. 29, No. 10. P. 1757-1781.
19. Dawid H., Harting P., van der Hoog S., Neugart M. Macroeconomics with heterogeneous agent models: Fostering transparency, reproducibility and replication // Journal of Evolutionary Economics. 2019. Vol. 29, No. 1. P. 467-538.
20. Doloreux D., Gomez I. P. A review of (almost) 20 years of regional innovation systems research // European Planning Studies. 2017. Vol. 25, No. 3. P. 371-387.
21. Dorigo M., Di Caro G., Gambardella L. M. Ant algorithms for discrete optimization // Artificial Life. 1999. Vol. 5, No. 2. P. 137-172.
22. Duan Y, Edwards J. S., Dwivedi Y K. Artificial intelligence for decision making in the era of Big Data -evolution, challenges and research agenda // International Journal of Information Management. 2019. Vol. 48, No. 1. P. 63-71.
23. Emsia E., Coskuner C. Economic growth prediction using optimized support vector machines // Computational Economics. 2016. Vol. 48, No. 3. P. 453-462.
24. Fischer M. M., Gopal S. Artificial neural networks - A new approach to modeling interregional telecommunication flows // Journal of Regional Science. 1994. Vol. 34, No. 4. P. 503-527.
25. Gatti D. D., Gaffeo E., Gallegati M. Complex agent-based macroeconomics: A manifesto for a new paradigm // Journal of Economic Interaction and Coordination. 2010. Vol. 5. P. 111-135.
26. Grekousis G. Artificial neural networks and deep learning in urban geography: A systematic review and meta-analysis // Computers, Environment and Urban Systems. 2019. No. 74. P. 244-256.
27. Hagerstrand T. Innovation diffusion as a spatial process. Chicago: The University of Chicago Press, 1967. 334 p.
28. Hajek P., Henriques R., Hajkova V. Visualizing components of regional innovation systems using self-organizing maps - Evidence from European regions // Technological Forecasting and Social Change. 2014. Vol. 84, No. 7. P. 197-214.
29. Holland J. N. Adaptation in natural and artificial systems: an introductory analysis with applications to biology, control and artificial intelligence. Ann Arbor: University of Michigan Press, 1975. 183 p.
30. Ilonen J., Kamarainen J.-K., Puumalainen K., Sundqvist S., Kaeviainen H. Towards automatic forecasts for diffusion of innovation // Technological Forecasting and Social Change. 2006. Vol. 73, No. 2. P. 182-198.
31. Kamusoko C., Gamba J. Simulating urban growth using a random forest-cellular automata (RF-CA) model // ISPRS International Journal of Geo-Information. 2015. Vol. 4, No. 2. P. 447-470.
32. Keney M., Zysman J. The rise of the platform economy // Issues in Science and Technology. 2016. Vol. 32, No. 3. P. 61-69.
33. Kohonen T. Self-organizing maps. Berlin, Heidelberg: Springer-Verlag, 2001. 501 p.
34. LeCun Y, Boser B., Denker J. S., Henderson D., Howard R. E., Hubbard W., Jackel L. D. Backpropagation applied to handwritten zip code recognition // Neural Computation. 1989. Vol. 1, No. 4. P. 541-551.
35. Leigh N. G., Kraft B. R. Emerging robotic regions in the United States: Insights for regional economic evolution // Regional Studies. 2018. Vol. 52, No. 6. P. 804-815.
36. Letaief K. B., Chen W., Shi Y, Zhang J., Zhang Y-J. A. The roadmap to 6G: AI empowered wireless networks // IEEE Communication Magazine. 2019. Vol. 57, No. 8. P. 84-90.
37. Li X., Yeh A. G. O. Neural-network-based cellular automata for simulating multiple land use changes using GIS // International Journal of Geographical Information Science. 2002. Vol. 16, No. 4. P. 323-343.
38. Liu G., Yiu Z., Jia Y, Xie Y Passenger flow estimation based on convolutional neural network in public transportation system // Knowledge-Based Systems. 2017. No. 124. P. 34-45.
39. Mamdani E. H., Assilian S. Experiment in linguistic synthesis with a fuzzy logic controller // International Journal of Man-Machine Studies. 1975. Vol. 7, No. 1. P. 1-13.
40. Mirowski P. Markets come to bits: Evolution, computation and markomata in economic science // Journal of Economic Behavior & Organization. 2007. Vol. 63, No. 2. P. 209-242.
41. Mozolin M., Thill J.-C., Lynn Usery E. Trip distribution forecasting with multilayer perceptron neural networks: A critical evaluation // Transportation Research. Part B: Methodological. 2000. Vol. 34, No. 1. P. 53-73.
42. Mullainathan S., Spiess J. Machine learning: An applied econometric approach // Journal of Economic Perspectives. 2017. Vol. 31, No. 2. P. 87-106.
43. Mullen R. J., Monekosso D., Barman S., Remagnino P. A review of ant algorithms // Expert Systems with Applications. 2009. Vol. 36, No. 6. P. 9608-9617.
44. Papadimitriou T., Gogas P., Stathakis E. Forecasting energy markets using support vector machines // Energy Economics. 2014. Vol. 4, No. 3. P. 135-142.
45. Parpinelli R. S., Lopes H. S., Freitas A. A. Data mining with an ant colony optimization algorithm // IEEE Transactions on Evolutionary Computation. 2002. Vol. 6, No. 4. P. 321-332.
46. Peris A., Meijers E., van Ham M. The evolution of the systems of cities literature since 1995: Schools of thought and their interaction // Networks and Spatial Economics. 2018. Vol. 18, No. 3. P. 533-554.
47. Prieto A., Prieto B., Ortigosa E. M., Ros E., Pelayo F., Ortega J., Rojas I. Neural networks: An overview of early research, current frameworks and new challenges // Neurocomputing. 2016. Vol. 214. P. 242-268.
48. Reuver de M., Sorensen C., Basole R. C. The digital platform: A research agenda // Journal of Information Technology. 2018. Vol. 33, No. 2. P. 124-135.
49. Rossotto C. M., Lal Das P., Ramos E. G., Miranda E. C., Badran M. F., Licetti M. M., Murciego G. M. Digital platforms: A literature review and policy implications for development // Competition and Regulation in Network Industries. 2018. Vol. 19, No. 1-2. P. 93-109.
50. Shi Y, Li X. A bibliometric study on intelligent techniques of bankruptcy prediction for corporate firms // Heliyon. 2019. Vol. 5, No. 12. P. 1-12.
51. Takagi T., Sugeno M. Fuzzy identification of systems and its applications to modeling and control // IEEE Transaction on Systems Man and Cybernetics. 1985. Vol. 15, No. 1. P. 116-132.
52. Tapscott D. The digital economy: promise and peril in the age of networked intelligence. New York: McGraw-Hill, 1996. 342 p.
53. Van der Hoog S. Surrogate modelling in (and of) agent-based models: A prospectus // Computational Economics. 2019. No. 53. P. 1245-1263.
54. Vapnik V. N. Statistical learning theory. New York: John Wiley and Sons, 1998. 740 p.
55. Yang Q., Li X., Shi X. Cellular automata for simulating land use changes based on support vector machines // Computers and Geosciences. 2008. Vol. 34, No. 6. P. 592-602.
56. Zhang H., Vorobeychik Y Empirically grounded agent-based models of innovation diffusion: A critical review // Artificial Intelligence Review. 2019. No. 52. P. 707-741.
57. Zhang S. Rethinking U.S. enterprise zones: The role of research design in program evolution // Local Economy. 2019. Vol. 34, No. 6. P. 545-571.
58. Zhao B., Lu H., Chen S., Liu J., Wu D. Convolutional neural networks for time series classification // Journal of Systems Engineering and Electronics. 2017. Vol. 28, No. 1. P. 162-169.
References _
1. Zamyatin D. N. Izvestiya RAN. Seriya geograficheskaya (News of the Russian Academy of Sciences. Geographical series), 1993, no. 4, pp. 116-124.
2. Kucheryavy A. E., Makolkina M. A., Kirichek R. V. Elektrosvyaz (Telecommunications), 2016, no. 1, pp. 44-46.
3. Aburas M. M., Ho Y M., Ramli M. F., Ash'aari Z. H. International Journal of Applied Earth Observation and Geoinformation (International Journal of Applied Earth Observation and Geoinformation), 2016, vol. 52, no. 7, pp. 380-389.
4. Adamatzky A. (Ed.). Game of life cellular automata (Game of life cellular automata). London: SpringerVerlag, 2010. 579 p.
5. Aggarwal C. C. Machine learning for text (Machine learning for text). New York: Springer International Publishing, 2018. 493 p.
6. Ahuvia A. Social Indicators Research (Social Indicators Research), 2001, vol. 54, no. 2, pp. 139-172.
7. Alfeilat A., Hassanat H. A., Lasassmeh O., Tarawneh A. S., Alhasanat M. B., Eyal Salman H. S., Prasath V. B. S. Big Data (Big Data), 2019, vol. 7, no. 4, pp. 221-248.
8. Anderson J. E. American Economic Review (American Economic Review), 1979, vol. 69, no. 1, pp. 106-116.
9. Anderson J. E. Annual Review of Economics (Annual Review of Economics), 2011, vol. 3, no. 1, pp. 133-160.
10. Artificial Intelligence Index: 2019 Annual Report (Artificial Intelligence Index: 2019 Annual Report). URL: https://hai.stanford.edu/sites/g/files/sbiybj10986/f/ai_index_2019_report.pdf (Date of access: 20.08.2020). Text: electronic.
11. Ballot G., Mandel A., Vignes A. Journal of Economic Interaction and Coordination (Journal of Economic Interaction and Coordination), 2015, vol. 10, no. 2, pp. 199-220.
12. Breiman L. Machine Learning (Machine Learning), 2001, vol. 45, no. 1, pp. 5-32.
13. Celik H. M. Transportation Planning and Technology (Transportation Planning and Technology), 2004, vol. 27, no. 6, pp. 449-467.
14. Chain C. P., dos Santos A. C., de Castro J., do Prado J. W. Journal of Economic Surveys (Journal of Economic Surveys), 2019, vol. 33, no. 1, pp. 60-84.
15. Cooke P. European Planning Studies (European Planning Studies), 2018, vol. 26, no. 9, pp. 1815-1834.
16. Cortez P., Moro S., Rita P., King D., Hall J. Expert Systems (Expert Systems), 2018, vol. 35, no. 3, pp. e12280.
17. Cristianini N. AI Communication (AI Communication), 2014, vol. 27, no. 1, pp. 37-43.
18. Croîs T., White R., Uljee I., Engelen G., Poelmans L., Canters F. International Journal of Geographical Information Science (International Journal of Geographical Information Science), 2015, vol. 29, no. 10, pp.1757-1781.
19. Dawid H., Harting P., van der Hoog S., Neugart M. Journal of Evolutionary Economics (Journal of Evolutionary Economics), 2019, vol. 29, no. 1, pp. 467-538.
20. Doloreux D., Gomez I. P. European Planning Studies (European Planning Studies), 2017, vol. 25, no. 3, pp. 371-387.
21. Dorigo M., Di Caro G., Gambardella L. M. Artificial Life (Artificial Life), 1999, vol. 5, no. 2, pp. 137-172.
22. Duan Y, Edwards J. S., Dwivedi Y K. International Journal of Information Management (International Journal of Information Management), 2019, vol. 48, no. 1, pp. 63-71.
23. Emsia E., Coskuner C. Computational Economics (Computational Economics), 2016, vol. 48, no. 3, pp. 453-462.
24. Fischer M. M., Gopal S. Journal of Regional Science (Journal of Regional Science), 1994, vol. 34, no. 4, pp. 503-527.
25. Gatti D. D., Gaffeo E., Gallegati M. Journal of Economic Interaction and Coordination (Journal of Economic Interaction and Coordination), 2010, vol. 5, pp. 111-135.
26. Grekousis G. Computers, Environment and Urban Systems (Computers, Environment and Urban Systems), 2019, no. 74, pp. 244-256.
27. Hagerstrand T. Innovation diffusion as a spatial process (Innovation diffusion as a spatial process). Chicago: The University of Chicago Press, 1967. 334 p.
28. Hajek P., Henriques R., Hajkova V. Technological Forecasting and Social Change (Technological Forecasting and Social Change.), 2014, vol. 84, no. 7, pp. 197-214.
29. Holland J. N. Adaptation in natural and artificial systems: an introductory analysis with applications to biology, control and artificial intelligence (Adaptation in natural and artificial systems: an introductory analysis with applications to biology, control and artificial intelligence). Ann Arbor: University of Michigan Press, 1975. 183 p.
30. Ilonen J., Kamarainen J.-K., Puumalainen K., Sundqvist S., Kaeviainen H. Technological Forecasting and Social Change (Technological Forecasting and Social Change), 2006, vol. 73, no. 2, pp. 182-198.
31. Kamusoko C., Gamba J. ISPRS International Journal of Geo-Information (ISPRS International Journal of Geo-Information), 2015, vol. 4, no. 2, pp. 447-470.
32. Keney M., Zysman J. Issues in Science and Technology (Issues in Science and Technology), 2016, vol. 32, no. 3, pp. 61-69.
33. Kohonen T. Self-organizing maps (Self-organizing maps). Berlin, Heidelberg: Springer-Verlag, 2001. 501 p.
34. LeCun Y, Boser B., Denker J. S., Henderson D., Howard R. E., Hubbard W., Jackel L. D. Neural Computation (Neural Computation), 1989, vol. 1, no. 4, pp. 541-551.
35. Leigh N. G., Kraft B. R. Regional Studies (Regional Studies), 2018, vol. 52, no. 6, pp. 804-815.
36. Letaief K. B., Chen W., Shi Y, Zhang J., Zhang Y-J. A. IEEE Communication Magazine (IEEE Communication Magazine), 2019, vol. 57, no. 8, pp. 84-90.
37. Li X., Yeh A. G. O. International Journal of Geographical Information Science (International Journal of Geographical Information Science), 2002, vol. 16, no. 4, pp. 323-343.
38. Liu G., Yiu Z., Jia Y, Xie Y Knowledge-Based Systems (Knowledge-Based Systems), 2017, no. 124, pp. 34-45.
39. Mamdani E. H., Assilian S. International Journal of Man-Machine Studies (International Journal of Man-Machine Studies), 1975, vol. 7, no. 1, pp. 1-13.
40. Mirowski P. Journal of Economic Behavior & Organization (Journal of Economic Behavior & Organization), 2007, vol. 63, no. 2, pp. 209-242.
41. Mozolin M., Thill J.-C., Lynn Usery E. Transportation Research. Part B: Methodological (Transportation Research. Part B: Methodological), 2000, vol. 34, no. 1, pp. 53-73.
42. Mullainathan S., Spiess J. Journal of Economic Perspectives (Journal of Economic Perspectives),
2017, vol. 31, no. 2, pp. 87-106.
43. Mullen R. J., Monekosso D., Barman S., Remagnino P. Expert Systems with Applications (Expert Systems with Applications), 2009, vol. 36, no. 6, pp. 9608-9617.
44. Papadimitriou T., Gogas P., Stathakis E. Energy Economics (Energy Economics), 2014, vol. 4, no. 3, pp. 135-142.
45. Parpinelli R. S., Lopes H. S., Freitas A. A. IEEE Transactions on Evolutionary Computation (IEEE Transactions on Evolutionary Computation), 2002, vol. 6, no. 4, pp. 321-332.
46. Peris A., Meijers E., van Ham M. Networks and Spatial Economics (Networks and Spatial Economics),
2018, vol. 18, no. 3, pp. 533-554.
47. Prieto A., Prieto B., Ortigosa E. M., Ros E., Pelayo F., Ortega J., Rojas I. Neurocomputing (Neurocomputing), 2016, vol. 214, pp. 242-268.
48. Reuver de M., Sorensen C., Basole R. C. Journal of Information Technology (Journal of Information Technology.), 2018, vol. 33, no. 2, pp. 124-135.
49. Rossotto C. M., Lal Das P., Ramos E. G., Miranda E. C., Badran M. F., Licetti M. M., Murciego G. M. Competition and Regulation in Network Industries (Competition and Regulation in Network Industries), 2018, vol. 19, no. 1-2, pp. 93-109.
50. Shi Y, Li X. Heliyon (Heliyon), 2019, vol. 5, no. 12, pp. 1-12.
51. Takagi T., Sugeno M. IEEE Transaction on Systems Man and Cybernetics (IEEE Transaction on Systems Man and Cybernetics), 1985, vol. 15, no. 1, pp. 116-132.
52. Tapscott D. The digital economy: promise and peril in the age of networked intelligence (The digital economy: promise and peril in the age of networked intelligence). New York, NY: McGraw-Hill, 1996. 342 p.
53. Van der Hoog S. Computational Economics (Computational Economics), 2019, no. 53, pp. 1245-1263.
54. Vapnik V. N. Statistical learning theory (Statistical learning theory). New York: John Wiley and Sons, 1998. 740 p.
55. Yang Q., Li X., Shi X. Computers and Geosciences (Computers and Geosciences), 2008, vol. 34, no. 6, pp. 592-602.
56. Zhang H., Vorobeychik Y Artificial Intelligence Review (Artificial Intelligence Review), 2019, no. 52, pp. 707-741.
57. Zhang S. Local Economy (Local Economy), 2019, vol. 34, no. 6, pp. 545-571.
58. Zhao B., Lu H., Chen S., Liu J., Wu D. Journal of Systems Engineering and Electronics (Journal of Systems Engineering and Electronics), 2017, vol. 28, no. 1, pp. 162-169.
Исследование выполнено за счет средств государственного задания (№ регистрации темы АААА-А17-117041910166-3)
Коротко об авторе_ Briefly about the author
Блануца Виктор Иванович, д-р геогр. наук, эксперт РАН по экономическим наукам, вед. науч. сотрудник, лаборатория георесурсоведения и политической географии, Институт географии им. В. Б. Сочавы СО РАН, г Иркутск, Россия. Область научных интересов: политическая география, стратегическое планирование, экономическое развитие blanutsa@list.ru
Viktor Blanutsa, doctor of geographical sciences, RAS expert in economic sciences, leading researcher, Laboratory of Geo-Resources Studies and Political Geography, V. B. Sochava Institute of Geography, Siberian Branch of Russian Academy of Sciences, Irkutsk, Russia. Sphere of scientific interests: political geography, strategic planning, economic development
Образец цитирования_
Блануца В. И. Региональные экономические исследования с использованием алгоритмов искусственного интеллекта: состояние и перспективы // Вестник Забайкальского государственного университета. 2020. Т. 26, № 8. С. 100-111. DOI: 10.21209/2227-9245-2020-26-8-100-111.
Blanutsa V. Regional economic studies using algorithms of artificial intelligence: state and prospects // Transbaikal State University Journal, 2020, vol. 26, no. 8, pp. 100-111. DOI: 10.21209/2227-9245-2020-26-8-100-111.
Статья поступила в редакцию: 22.09.2020 г. Статья принята к публикации: 12.10.2020 г.
