Моделирование трендов цифровизации экономики на базе синтеза эмпирической информации: ограничения и возможности

DOI: 10.33917/es-6.204.2025.26-33

Обсуждаются концептуальные подходы к моделированию трендов в области информационных технологий. Показано, что моделирование ИТ-трендов только на основе данных об интересе к технологии, подобной Hype Cycle от компании Gartner, не позволяет предсказывать появление новых технологий. На различных примерах из сферы ИТ демонстрируется, что необходимо анализировать связи между технологиями, поскольку успех в одних областях цифровизации экономики формирует условия для развития технологий в других областях. Кроме того, в силу высокой наукоемкости информационных технологий надо учитывать глубину фундаментальных и прикладных научных исследований. Также при моделировании трендов следует учитывать востребованность в технологиях тех или иных отраслей экономики. При моделировании на основе эмпирической информации необходимо находить простые и объяснимые зависимости, а высокое качество предсказаний должно достигаться за счет синтеза всех связей исследуемой технологии. Предложенный концептуальный подход может быть применим и к моделированию других социально-экономических процессов на основе синтеза эмпирической информации.

Источники:

1. Almalawi A., Soh B., Li A., Samra H. Predictive Models for Educational Purposes // A Systematic Review. Big Data Cogn. Comput. 2024. No. 8. P. 187. DOI: https://doi.org/10.3390/bdcc8120187

2. Hassan M., Awan F.M., Naz A., Andrés-Galiana, de E.J., Alvarez O., Cernea A.; Fernández-Brillet L., Fernández-Martínez J.L., Kloczkowski A. Innovations in Genomics and Big Data Analytics for Personalized Medicine and Health Care // A Review. Int. J. Mol. Sci. 2022. No. 23, 4645. DOI: https://doi.org/10.3390/ijms23094645

3. Ribeiro F.L., Rybski D. Mathematical models to explain the origin of urban scaling laws // Physics Reports. 2023. Vol. 1012. 23 April. P. 1–39.

4. Mokhov V., Aliukov S., Alabugin A., Osintsev K. A Review of Mathematical Models of Macroeconomics, Microeconomics, and Government Regulation of the Economy // Mathematics. 2023. No. 11, 3246. DOI: https://doi.org/10.3390/math11143246

5. Helbing D. Pluralistic Modeling of Complex System // Science and Culture. 2010. Vol. 76. No. 9/10. P. 399–417.

6. Zhu Z., Xie H., Chen L. ICT industry innovation: Knowledge structure and research agenda // Technological Forecasting and Social Change. 2023. Vol. 189. 122361.

7. Клейнер Г.Б. Доказательное моделирование как перспективный инструмент научного исследования социально-экономических процессов // Экономика и управление: проблемы, решения. 2023. № 6. Т. 2. С. 5–16. DOI: https://doi.org/10.36871/ek.up.p.r.2023.06.02.001

8. O’Leary D.E. Gartner’s hype cycle and information system research issues // International Journal of Accounting Information Systems. 2008. No. 9. P. 240–252.

9. Chen X., Han T. Disruptive Technology Forecasting based on Gartner Hype Cycle. 2019 IEEE Technology & Engineering Management Conference (TEMSCON), Atlanta, GA, USA, 2019. P. 1–6, DOI: 10.1109/TEMSCON.2019.8813649

10. Dedehayir O., Steinert M. The hype cycle model: A review and future directions // Technological Forecasting and Social Change. 2016. July. Vol. 108. P. 28–41.

11. Минаков В.Ф., Путькина Л.В., Лобанов О.С. Экономико-математическая модель ажиотажного цикла в конъюнктуре рынков // Известия Санкт-Петербургского государственного экономического университета. 2025. № 5(149). С. 7–13.

12. Sasaki H. Simulating Hype Cycle Curves with Mathematical Functions: Some Examples of High-Tech Trends in Japan // International Journal of Managing Information Technology. 2015. No. 7(2). P. 1–12. DOI:10.5121/ijmit.2015.7201

13. Levensov V., Radaev A., Salkutsan S. Mathematic model of production technology transformation // SHS Web of Conferences. 2018. No. 44, 00054. DOI: 10.1051/shsconf/20184400054

14. Silvestrini P., Amato U., Vettoliere A., Silvestrini S., Ruggiero B. Rate equation leading to hype-type evolution curves: A mathematical approach in view of analysing technology development // Technological Forecasting & Social Change. 2017. No. 116. P. 1–12.

15. Google Trends [Сайт]. URL: https://trends.google.com/trends/

16. Dell М. Deep Learning for Economists // Journal of Economic Literature. 2025. Vol. 63. No. 1. P. 5–58.

17. Zheng Y., Xu Z., Xiao A. Deep learning in economics: a systematic and critical review // Artif Intell Rev. 2023. No. 56. 9497–9539. DOI: https://doi.org/10.1007/s10462-022-10272-8

18. LeCun Y., Bengio Y., Hinton G. Deep learning // Nature. 2015. No. 521. P. 436–444. DOI: https://doi.org/10.1038/nature14539

19. Zhu Z., Xie H., Chen L. ICT industry innovation: Knowledge structure and research agenda // Technological Forecasting and Social Change. 2023. April. Vol. 189, 122361.

20. Зубов Я.О., Неизвестный С.И., Рябов Д.А., Славин Б.Б. Мировое разделение труда в ИТ как условие ИТ-глобализации 2.0 // Информационное общества. 2025. № 1. С. 94–108.