ПРОГНОЗУВАННЯ ІНДИКАТОРІВ СТАЛОГО РОЗВИТКУ НА ОСНОВІ ІНСТРУМЕНТІВ ЦИФРОВІЗАЦІЇ

  • О.О. Шапуров Інженерний навчально-науковий інститут імені Ю.М. Потебні Запорізького національного університету https://orcid.org/0000-0002-4381-4886
  • О.В. Коваленко Інженерний навчально-науковий інститут імені Ю.М. Потебні Запорізького національного університету https://orcid.org/0000-0002-6802-7213
  • В.Л. Стоєв Інженерний навчально-науковий інститут імені Ю.М. Потебні Запорізького національного університету https://orcid.org/0000-0002-4933-2992
Ключові слова: сталий розвиток, прогнозування часових рядів, GARCH-модель, випадковий ліс, цифрові технології

Анотація

Сучасні економічні процеси України зазнають впливу війни, інфляції, логістичних труднощів, екологічних проблем, соціальної нерівності, депресії промислових регіонів та масової еміграції. Міграція призводить до втрати людського капіталу, дефіциту робочої сили, змін у структурі населення та скорочення ВРП у постраждалих регіонах. Для сталого розвитку важливі збереження людського капіталу та цифровізація. Основні підходи до прогнозування – класичні (ARIMA, GARCH) і методи інтелектуального аналізу (ANN, SVM, kNN, Random Forest). Для їх реалізації використовуються RStudio, MATLAB, Excel, Google Colab, Kaggle Notebooks. Дослідження 2018–2023 років засвідчують зростання інтересу до цифровізації. Аналіз показників Запорізького регіону (населення, інфраструктура, промисловість, ВРП) демонструє стабільність за GARCH, чутливість до коливань за Random Forest і консервативність за ARIMA. Вибір моделі залежить від цілей: ARIMA – для стабільних прогнозів, Random Forest і GARCH – для динамічних змін. Хмарні платформи спрощують процес аналізу, сприяючи сталому розвитку регіонів України.

Посилання

Kuzior A., Arefieva O., Vovk O., Brożek P. Innovative Development of Circular Systems While Ensuring Economic Security in the Industry. Journal of Open Innovation: Technology, Market, and Complexity. 2022. Vol. 8. No. 3. P. 139. DOI: https://doi.org/10.3390/joitmc8030139

Liamzin A.O., Lozova G.M., Klymenko V.V., Yeroshenko O.R. Modeling the process of ensuring environmental sustainability of the airport as a functional component of socio-tecnical systems. Conference Series: Earth and Environmental Science. 2024. Vol. 1415. No. 1. P. 012083. DOI: https://doi.org/10.1088/1755-1315/1415/1/012083

Martín Gómez A.M., Aguayo González F., Marcos BárcenaM. Smart eco-industrial parks: A circular economy implementation based on industrial metabolism. Resources, Conservation and Recycling. 2018. Vol. 135. P. 58–69. DOI: https://doi.org/10.1016/j.resconrec.2017.08.007

Xenou E., Ayfantopoulou G., Giannaki M., Royo B. SPROUT case studies: Assessing future mobility scenarios by following a city-led consequence analysis framework - the case of Budapest and Tel Aviv city. Transportation Research Procedia. 2023. Vol. 72. P. 359–366. DOI: https://doi.org/10.1016/j.trpro.2023.11.415

Onaolapo A.K., Sharma G., Bokoro P.N., Adefarati T., Bansal R.C. A comprehensive review of the design and operations of a sustainable hybrid power system. Computers and Electrical Engineering. 2023. Vol. 111. P. 108954. DOI: https://doi.org/10.1016/j.compeleceng.2023.108954

Mhamdi R., Gtari M. Tracking the trajectory of frankia research through bibliometrics: Trends and future directions. Canadian Journal of Microbiology. 2024. Vol. 70(12). P. 551–564. DOI: https://doi.org/10.1139/cjm-2024-0030 (accessed: 25.12.2024).

Carvalho Marques M. d., Mohamed A.A., Feitosa P. Sustainable development goal 6 monitoring through statistical machine learning – Random forest method. Cleaner Production Letters. 2024. P. 100088. DOI: https://doi.org/10.1016/j.clpl.2024.100088 (accessed: 25.12.2024).

Box G., Jenkins G. Time Series Analysis: Forecasting and Control. John Wiley and Sons. 2008. URL: https://chrome-extension://efaidnbmnnnibpcajpcglclefindmkaj/https://elib.vku.udn.vn/bitstream/123456789/2536/1/1994.%20Time%20Series%20Analysis-Forecasting%20and%20Control.pdf (accessed: 25.12.2024).

Witten I.H., Frank E., Hall M.A., Pal C.J. Data mining: Practical Machine Learning Tools and Techniques. (fourth ed.), Morgan Kaufmann, Burlington, MA. 2016. URL: https://chrome-extension://efaidnbmnnnibpcajpcglclefindmkaj/https://thuvienso.hoasen.edu.vn/bitstream/handle/123456789/9088/Contents.pdf?sequence=3

Musa K.I., Mansor W.N. A.W., Hanis T.M.R, RStudio and RStudio Cloud. Data Analysis in Medicine and Health using R. New York, 2023. P. 1–14. DOI: https://doi.org/10.1201/9781003296775-1 (accessed: 26.12.2024).

Publishing M.G. Don't Panic! I'm a Professional MATLAB Engineer : Customized 100 Page Lined Notebook Journal Gift for a Busy MATLAB Engineer: Far Better Than a Throw Away Greeting Card. Independently Published, 2020. 102 p.

Johary R., Révillion C., Catry T., Alexandre C., Mouquet P., Rakotoniaina S., Pennober G., Rakotondraompiana S. Detection of Large-Scale Floods Using Google Earth Engine and Google Colab. Remote Sensing. 2023. Vol. 15(22). P. 5368. DOI: https://doi.org/10.3390/rs15225368 (accessed: 26.12.2024).

Preda G. Developing Kaggle Notebooks: Pave Your Way to Becoming a Kaggle Notebooks Grandmaster. Packt Publishing, Limited, 2023.

da Silva L. F., de Araujo Costa I. P., de Oliveira T. E. S., Rangel G. C., Lucas F. F., da Costa L. M. A., de Pina Corriça J. V., de Araújo Costa A. P., dos Santos M. Demand Forecasting for Steel Company Spare Items with Time Series Templates. Procedia Computer Science. 2024. Vol. 242. P. 57–64. DOI: https://doi.org/10.1016/j.procs.2024.08.230 (accessed: 26.12.2024).

Safiullin M., Elshin L., Abdukaeva А. Arch / garch-modeling in the study of the dynamics of the cryptocurrency market volatility (the bitcoin case). Obshchestvo i ekonomika. 2019. No. 11. P. 78–89. DOI: https://doi.org/10.31857/s020736760007591-9 (accessed: 26.12.2024).

Alfaris L., Firdaus A.N., Nyuswantoro U.I., Siagian R.C., Muhammad A.C., Hassan R., Aunzo Jr.,R.T., Ariefka R. Predicting Ocean Current Temperature Off the East Coast of America with XGBoost and Random Forest Algorithms Using Rstudio. ILMU KELAUTAN: Indonesian Journal of Marine Sciences. 2024. Vol. 29. No. 2. P. 273–284. DOI: https://doi.org/10.14710/ik.ijms.29.2.273-284 (accessed: 26.12.2024).

Переглядів статті: 20
Завантажень PDF: 9
Опубліковано
2024-11-25
Як цитувати
Шапуров, О., Коваленко, О., & Стоєв, В. (2024). ПРОГНОЗУВАННЯ ІНДИКАТОРІВ СТАЛОГО РОЗВИТКУ НА ОСНОВІ ІНСТРУМЕНТІВ ЦИФРОВІЗАЦІЇ. Цифрова економіка та економічна безпека, (6 (15), 184-192. https://doi.org/10.32782/dees.15-29