Инновационные методы разработки систем поддержки принятия решений (СППР) в управлении экономическим развитием

В данной статье рассматриваются инновационные методы разработки систем поддержки принятия решений (СППР) в контексте управления экономическим развитием. Актуальность исследования обусловлена необходимостью повышения эффективности управления государственными программами развития и оптимизации бюджетных ресурсов в условиях цифровой трансформации экономики. Авторы исследуют современные методологии и инструменты, применяемые при разработке СППР, уделяя особое внимание их использованию в экономической сфере. Рассматривается роль системного подхода как ключевой методологии для создания интегрированных решений в государственном управлении и проведения всестороннего анализа экономических процессов. Основная цель статьи – анализ и предложение новых подходов к разработке СППР для повышения эффективности управления государственными экономическими программами. Рассматриваются экономические аспекты и принципы данных систем, а также основные инструменты и технологии, применяемые для их реализации в государственном управлении. Особое внимание уделяется анализу сложностей, связанных с созданием СППР для решения таких экономических задач, как прогнозирование финансовых показателей, оптимизация бюджетных расходов и управление экономическими рисками. В работе обсуждается важность интеграции интеллектуальных СППР в процессы управления государственными программами экономического развития. Рассматриваются конкретные инструменты, используемые при разработке СППР для экономического анализа, и объясняется их роль в улучшении процессов принятия экономических решений. Результаты исследования: предложена инновационная модель интеграции искусственного интеллекта и анализа больших данных в СППР; определены методы повышения точности экономических прогнозов и эффективности распределения государственных ресурсов; разработана новая архитектурная  модель СППР для государственного управления. Практическая значимость исследования заключается в разработке рекомендаций по внедрению инновационных СППР в практику государственного управления экономическим развитием. Предложенные подходы направлены на повышение эффективности использования бюджетных средств, улучшение качества экономического прогнозирования и ускорение процессов принятия обоснованных экономических решений. Область применения: государственное экономическое управление, стратегическое планирование, оптимизация бюджетных ресурсов. Научная новизна: предложен комплексный подход к созданию СППР для решения экономических задач, разработаны новые методы интеграции искусственного интеллекта и анализа больших данных.

1. Халин В.Г., Чернова Г.В. Системы поддержки принятия решений: учебник и практикум для вузов – Москва: Издательство Юрайт, 2025. – 501 с. URL: https://urait.ru/bcode/558208 (дата обращения: 12.01.2025).

2. Теория измерений. URL: http://www.machinelearning.ru/wiki/index.php?title=Теория_измерений (дата обращения: 21.10.2024)

3. Мещеряков В.А., Бадеева Е.А., Шалобаев Е.В. Метрология. Теория измерений: учебник для академического бакалавриата. – М.: Изд-во Юрайт, 2019. – 167 с.

4. Kahneman D., Tversky A. Prospect Theory: An Analysis of Decision under Risk // Econometrica. 1979. Vol. 47. no. 2. P. 263–291.

5. Improving Decision Support Systems with DataMining Techniques. URL: https://www.intechopen.com/books/advances-in-data-mining-knowledge-discovery-and-applications/improving-decision-support-systemswith-data-mining-techniques (accessed: 01.12.2024)

6. Садовникова Н.П., Парыгин Д.С., Коробкин Д.М. Методы и модели в аналитических программных средствах: учебное пособие. Волгоград: ВолгГТУ. – 2017. – 96 с.

7. Фоменков С.А., Орлова Ю.А. Основы системного анализа: учебное пособие. – Волгоград: ИУНЛ ВолгГТУ, 2012. – 230 с.

8. Системный анализ. URL: https://ru.wikipedia.org/wiki/Системный_анализ (дата обращения: 15.12.2024)

9. Оптнер С.Л. Системный анализ для решения проблем бизнеса и промышленности. – М.: Концепт, 2013. – 205 с.

10. Трахтенгерц Э.А. Компьютерная поддержка принятия решений. – М.: СИНТЕГ, 1998. – 247 с.

11. Fowler M. Patterns of Enterprise Application Architecture. Addison-Wesley Professional, 2002, p. 560.

12. Wickham H., Grolemund G.R. Import, Tidy, Transform, Visualize, and Model. Data Hadley Wickham, Garrett Grolemund. 2016.

13. Feiler P., Gluch D. Model-Based Engineering with AADL: An Introduction to the SAE Architecture Analysis & Design Language. Addison-Wesley Professional. 2012.

14. Power D. Decision Support Systems: Concepts and Resources for Managers. London: Quorum Books, 2002. P. 251.

15. Zuev A., Parygin D., Sadovnikova N., Aleshkevich A., Boiko D. Analysis Methods of Spatial Structure Metrics for Assessment of Area Development Effectiveness // Communications in Computer and Information Science: Proceedings of the 5th International Conference on Digital Transformation and Global Society. St. Petersburg, Russia, Springer. 2020. Vol. 1242. P. 273–288.

16. Donzelli P.A. A Decision Support System for Software Project Management // IEEE Software. 2006. Vol. 3(4). P. 67.

17. Hammond E.B., et al. The Development of a Novel Decision Support System for Regional Land Use Planning for Brownfield Land // Journal of Environmental Management. 2024. Vol. 349. No. 119466.

18. Eom S.B. A Decision Support System: Unstructured and Semi-Structured Problems, and the Role of Business Intelligence Systems // Oxford Research Encyclopedias, Politics. 2020.

19. Shiau W.L., Chen H., Wang Z., Dwivedi Y.K. Exploring core knowledge in business intelligence research // Internet Research. 2023. Vol. 33. No. 3. P. 1179–1201.

20. Shollo A., Hopf K., Thiess T., Müller O. Shifting ML value creation mechanisms: A process model of ML value creation // Journal of Strategic Information Systems. 2022. Vol. 31, No. 3. Article 101734.

21. Soeffker N., Ulmer M.W., Mattfeld D.C. Stochastic dynamic vehicle routing in the light of prescriptive analytics: A review // European Journal of Operational Research. 2022. Vol. 298. No. 3. P. 801–820.

22. Srinivas S., Ravindran A.R. Optimizing outpatient appointment system using machine learning algorithms and scheduling rules: A prescriptive analytics framework // Expert Systems with Applications. 2018. Vol. 102. P. 245–261.

23. Stein N., Meller J., Flath C.M. Big data on the shop-floor: Sensor-based decision-support for manual processes // Journal of Business Economics. 2018. Vol. 88. P. 593–616.