Журнал «Экономические стратегии», ключевое слово: «классификация»


Классификация систем искусственного интеллекта

DOI: 10.33917/es-6.172.2020.58-67

В статье рассмотрена классификация систем искусственного интеллекта (ИИ). Роль ИИ существенно возросла в последнее время во всех сферах жизни. Применение ИИ в государственном управлении, производстве, медицине, военном деле, в социальной и иных сферах, обусловило ряд вопросов, связанных с определением понятия ИИ и классификацией систем ИИ. Такая классификация необходима для понимания роли ИИ в цифровой экономике. Большое значение классификация приобретает в условиях интенсивного развития международных стандартов систем ИИ и систем, построенных на знаниях (экспертных, нейронных, многоагентных, киберфизических систем и систем на основе промышленного Интернета).

Источники:

 

1. Wiener N. Cybernetics or Control and Communication in the Animal and the Machine. Hermann & Cie Editeurs, Paris, The Technology Press, Cambridge, Mass., John Wiley & Sons Inc., New York, 1948.

2. Энциклопедия кибернетики: В 2 т. / Под ред. В.М. Глушкова. Т. 1. Киев, 1974.

3. Указ Президента РФ от 10 октября 2019 г. № 490 «О развитии искусственного интеллекта в Российской Федерации» (вместе с «Национальной стратегией развития искусственного интеллекта на период до 2030 года») [Электронный ресурс] // Департамент информационных технологий и цифрового развития Курганской области. URL: https://it.kurganobl.ru/Указ%20Президента%20РФ%20от%2010.10.2019%20N%20490.pdf.

4. Artificial Intelligence in Society [Электронный ресурс] // OECD. 2019. June, 11. URL: https://www.oecd-ilibrary.org/sites/eedfee77-en/index.html?itemId=/content/publication/eedfee77-en.

5. American National Standards Institute [Сайт]. URL: https://www.ansi.org.

6. Кукшев В. Международные стандарты цифровой экономики (ISO/IEC). Российский опыт [Электронный ресурс] // XIV Международная конференция «Нефтегазстандарт-2018». Екатеринбург, 2018. URL: https://238923.selcdn.ru/tm_production/media/files/events/extra_data/153/presentation/3_Kukshev_VI.pdf.

7. Кукшев В. Цифровые стандарты и международная практика каталогизации [Электронный ресурс]. Доклад на заседании Комитета по техническому регулированию, стандартизации и качеству Санкт-Петербургской торгово-промышленной палаты. Санкт-Петербург, 2019 . URL: https://238923.selcdn.ru/tm_production/activities/Vf8JlAml2ZPizh2faQGWgCe8lGZUWv58Y3ixHeAb.

Новации в борьбе с теневым финансовым сегментом за последние годы на примере России

DOI: 10.33917/es-6.172.2020.138-143

В статье отмечается, что в связи с нарастанием теневой составляющей в российской экономике особую актуальность приобретает выявление сущности теневой экономики. Рассмотрены теневые процессы как основа теневой экономики, их место в ее структуре, основные принципы формирования, классификация по различным критериям.

Источники:

1. The Global Risks Report 2020 [Электронный ресурс] // World Economic Forum. URL: http://www3.weforum.org/docs/WEF_Global_Risk_Report_2020.pdf

2. The shadow economy in industrial countries [Электронный ресурс] // IZA World of Labor. URL: https://wol.iza.org/articles/shadow-economy-in-industrial-countries/long.

3. Schneider F., Williams C.C. The Shadow Economy. The Institute of Economic Affairs, 2013.

Прогнозирование банкротств контрагентов на основе данных платежной дисциплины

DOI: 10.33917/mic-4.93.2020.47-56

В данной статье исследуется проблема прогнозирования банкротств фирм с использованием данных о платежной дисциплине. Большинство предыдущих исследователей использовали в качестве источника данных бухгалтерский баланс, тогда как данные о платежной дисциплине позволят сократить время до принятия решения по фирме, а также получить оценки благонадежности, основываясь на данных другого типа. Для прогнозирования банкротств фирм была предложена новая методика работы с сильно несбалансированными данными, заключающаяся в обучении классификаторов на специально сформированных подвыборках и усреднении полученных результатов. В роли классификатора на подвыборках выступал случайный лес (Random forest), а для проверки качества модели использовался AUC-score, который показал хорошие результаты.

Источники:

1. Andrjovská A., Bánociová A. Payment discipline in business environment// Procedia Economics and Finance. 2014. Т. 15. С. 1217-1224.

2. Bekkar M., Djemaa H. K., Alitouche T. A. Evaluation measures for models assessment over imbalanced data sets // J Inf Eng Appl. 2013. Т. 3. № 10.

3. 5, class imbalance, and cost sensitivity: why under-sampling beats over-sampling / C. Drummond, R. C. Holte [и др.] // Workshop on learning from imbalanced datasets II. Т. 11. Citeseer. 2003. С. 1-8.

4. Dimensionality reduction for fast similarity search in large time series databases / E. Keogh [и др.] // Knowledge and information Systems. 2001. Т. 3. № 3. С. 263-286.

5. Hu W. Overdue invoice forecasting and datamining: дис….канд./ Hu Weikun. Massachusetts Institute of Technology, 2016.

6. Kiang M.Y. A comparative assessment of classification methods //Decision Support Systems. 2003. Т. 35. № С. 441-454.

7. Kotsiantis S. B., Zaharakis I., Pintelas P. Supervised machine learning: A review of classification techniques// Emerging artificial intelligence applications in computer engineering. 2007. Т. 160. С. 3-24.

8. Kumar P. R., Ravi V. Bankruptcy prediction in banks and firms via statistical and intelligent techniques -A review // European journal of operational research. 2007. Т. 180. № 1. С. 1-28.

9. Ohlson J.A. Financial ratios and the probabilistic prediction of bankruptcy //Journal of accounting research. 1980. С. 109-131.

10. Predicting financial distress of companies: revisiting the Z-score and ZETA models/ E.I. Altman [и др.] // Stern School of Business, New York University, 2000.

Анализ подходов к оценке цифрового неравенства систем образования

DOI: 10.33917/mic-1.90.2020.32-49.

В условиях глобализации, информационной революции и растущих потребностей в высококвалифицированной рабочей силе страны все больше отдают приоритет образованию. Цифровизация, как современный тренд развития мировой экономики и общества, оказывает влияние и на систему образования. При этом проводить межстрановые сопоставления в области цифровой конкурентоспособности затруднительно в силу отсутствия единых подходов к оценке цифрового разрыва, который смещается от разрыва в доступе и подключении к ИКТ к разрыву в знаниях. Для рассмотрения различных аспектов цифровизации систем образования важно выделить страны, наиболее продвинутые в этом вопросе. С учетом этого для определения мировых тенденций цифрового развития систем образования целесообразно провести их классификацию по признакам, отражающим цифровые различия этих систем. Однако отсутствие таких системообразующих признаков затрудняет классификацию. Поэтому важно определить факторы, которые могут служить основой для проведения классификации систем образования мира по уровню их цифровизации. В международной практике отсутствуют методологические подходы к измерению цифрового неравенства систем образования. Работа представляет собой попытку выявить индикаторы, которые позволили бы сравнивать мировые образовательные модели с точки зрения создания условий для обучения с использованием ИКТ. В результате определена взаимосвязь цифрового разрыва в доступе и подключении к ИКТ и цифрового неравенства национальных систем образования, а также проведено сопоставление национальных систем образования с использованием индикаторов цифрового разрыва.

Разработка стратегических направлений инновационного развития регионов