Экономикалық дамуды басқаруда шешім қабылдауды қолдау жүйелерін (ШҚҚЖ) әзірлеудің инновациялық әдістері

Бұл мақалада экономикалық дамуды басқару контексінде шешім қабылдауды қолдау жүйелерін (ШҚҚЖ) әзірлеудің инновациялық әдістері қарастырылады. Зерттеудің өзектілігі экономиканың цифрлық трансформациясы жағдайында мемлекеттік даму бағдарламаларын басқару тиімділігін арттыру және бюджет ресурстарын оңтайландыру қажеттілігімен негізделген. Авторлар ШҚҚЖ әзірлеу кезінде қолданылатын заманауи әдістемелер мен құралдарды зерттейді, олардың экономика саласында қолданылуына ерекше назар аударады. Мемлекеттік басқару үшін интеграцияланған шешімдер құру және экономикалық процестерді жанжақты талдауға ықпал ететін негізгі әдістеме ретінде жүйелік тәсілдің рөлі қарастырылады. Бұл мақаланың басты мақсаты мемлекеттік экономикалық бағдарламаларды басқару тиімділігін арттыру үшін ШҚҚЖ әзірлеудің жаңа тәсілдерін талдау және ұсыну болып табылады. Осы жүйелердің экономикалық аспектілері мен принциптері, сондай-ақ оларды мемлекеттік басқаруда жүзеге асыру үшін қолданылатын негізгі құралдар мен технологиялар қарастырылады. Қаржылық көрсеткіштерді болжау, бюджет шығыстарын оңтайландыру және экономикалық тәуекелдерді басқару сияқты экономикалық міндеттерді шешу үшін ШҚҚЖ құрумен байланысты қиындықтарды талдауға ерекше назар аударылады. Жұмыста зияткерлік ШҚҚЖ-ны экономикалық дамудың мемлекеттік бағдарламаларын басқару процестеріне интеграциялаудың маңыздылығы талқыланады. Экономикалық талдау үшін ШҚҚЖ әзірлеу кезінде қолданылатын нақты құралдар қарастырылып, олардың экономикалық шешімдер қабылдау процестерін жақсартудағы рөлі түсіндіріледі. Нәтижелер: 1. ШҚҚЖ-ға жасанды интеллект пен үлкен деректерді талдауды интеграциялаудың инновациялық моделі ұсынылды. 2. Экономикалық болжамдар дәлдігін арттыру және мемлекеттік ресурстарды бөлу тиімділігін жоғарылату әдістері анықталды. 3. Мемлекеттік басқарудағы ШҚҚЖ архитектурасының жаңа моделі әзірленді. Зерттеудің практикалық маңыздылығы экономикалық дамуды мемлекеттік басқару практикасына инновациялық ШҚҚЖ енгізу бойынша ұсыныстар әзірлеуден тұрады. Ұсынылған тәсілдер бюджет қаражатын пайдалану тиімділігін арттыруға, экономикалық болжау сапасын жақсартуға және негізделген экономикалық шешімдер қабылдау процестерін жеделдетуге бағытталған. Ұсынылған талдау мен тұжырымдар экономистерге, мемлекеттік басқару мамандарына, бағдарламалық жасақтама әзірлеушілерге, зерттеушілерге және экономикалық міндеттерді шешу және мемлекеттік басқару процестерін оңтайландыру үшін ШҚҚЖ құрудың заманауи тәсілдеріне қызығушылық танытатын студенттерге пайдалы болады. Қолдану аясы: мемлекеттік экономикалық басқару, стратегиялық жоспарлау, бюджеттік ресурстарды оңтайландыру. Жаңалығы: экономикалық міндеттерді шешуге арналған ШҚҚЖ құрудың кешенді тәсілі ұсынылды, жасанды интеллект пен үлкен деректерді талдауды интеграциялаудың жаңа әдістері әзірленді.Түйінді сөздер: шешім қабылдауды қолдау жүйелері, экономикалық басқару, жасанды интеллект, үлкен деректер, мемлекеттік бағдарламалар.

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.