Аналіз науково-методичних засад економетричного моделювання взаємозв’язків між діджиталізацією та соціально-економічним розвитком

Автор

Відомості

Островський О. О.

здобувач вищої освіти ступеня доктора філософії Сумський державний університет, м. Суми

olexander.ostrovscky@gmail.com

Презентація

Анотація. Дослідження присвячене аналізу науково-методичних засад економетричного моделювання взаємозв’язків між діджиталізацією та соціально-економічним розвитком. Проаналізовано основні недоліки традиційних економетричних підходів та запропоновані покращення, які можуть їх актуалізувати в умовах поточних реалій. Отримані результати можуть бути використані для подальшого вдосконалення методів та моделей оцінки впливу цифровізації на соціально-економічні процеси.

Соціально-економічні процеси у сучасному світі зазнають відчутних трансформацій під впливом цифровізації. Змінюються підходи до організації державного управління, освітнього процесу, ведення бізнесу, та забезпечення безпеки громадян у цифровому світі. Дані зміни відбуваються на макро- та мікрорівнях, впливають на динаміку економічного розвитку, рівень інформаційної захищеності та соціальні взаємодії. Для аналізу даних взаємозв’язків, який був би математично обґрунтованим, необхідне застосування кількісних методів, зокрема економетричного моделювання, яке дає змогу формалізувати та аналізувати взаємозалежності між ключовими показниками які характеризують цифрову трансформацію та її вплив на соціально-економічні аспекти. Традиційні економетричні моделі стикаються з викликами сьогодення, які пов’язані із вибором релевантних змінних та врахуванням зрушень у соціально-економічній системі під впливом діджиталізації. Вони потребують адаптації для урахування специфіки цифрової економіки, яка наразі характеризується стрімкими змінами, новими ризиками, зокрема безпековими, та великими обсягами даних, які необхідно збирати, зберігати та обробляти у безпечний спосіб для унеможливлення кібератак та витоку персональних даних фізичних та юридичних осіб. Саме тому аналіз перспективних підходів до оцінювання взаємозв’язків між діджиталізацією, соціально-економічним розвитком та безпекою, а також окреслення ключових методологічних проблем, що потребують вирішення, є актуальним на сьогоднішній день.

Традиційні економетричні моделі, такі як: регресійний аналіз, моделі часових рядів, векторні авторегресійні моделі, панельні дані, тощо, були розроблені для дослідження та прогнозування відносно стабільних економічних систем із передбачуваними тенденціями. Цифрова ж трансформація ініціює такі зміни, які даними моделями враховуються недостатньо повно, наприклад [1]:

• наявність технологічних проривів: цифрова економіка розвивається нелінійно, динамічні ефекти від використання цифрових технологій можуть створювати періодичні стрибки в економічній динаміці, які не враховуються традиційними моделями, що розраховані на статичні, або ж повільні структурні зміни;

• вплив нелінійних взаємозв’язків: значна частина процесів у цифровій економіці мають нелінійну природу, наприклад, алгоритмічне ціноутворення, кросплатформові взаємодії, мережеві ефекти складно формалізувати традиційними моделями;

• структура та обсяги даних: агреговані дані є основою для класичних економетричних підходів, але цифрова економіка генерує великі обсяги неструктурованих даних (транзакції, поведінкові патерни учасників, роль соціальних мереж та маркетингу), які мають свою долю впливу, але їх майже неможливо оцінювати звичними підходами. Для актуалізації економетричних підходів та підвищення ступеню їх релевантності вони можуть бути змінені з урахуванням особливостей економічних процесів в цифрову епоху та безпекових реалій, наприклад:

• впровадження динамічного моделювання та агентно-орієнтованих підходів: традиційні рівноважні моделі, такі як DSGE можуть доповнюватись багатофакторним динамічним моделюванням (DMFM) [2], а агентно-орієнтовані моделі (ABM) [3] надають змогу досліджувати поведінку економічних агентів у цифровому середовищі, беручи до уваги їхню взаємодію та адаптивність;

• врахування безпекових ризиків: економетричні моделі мають включати в себе змінні, що описують кібербезпеку, рівень надійності та захисту програмного забезпечення, рівень цифрової грамотності користувачів. Також можуть бути створені нові індекси рівня цифрового суверенітету та стійкості національних економік до втручань в роботу критичної інфраструктури;

• використання штучного інтелекту та Big Data [4]: статичні вибірки можуть бути замінені динамічними базами даних із оновленням в реальному часі, наприклад, застосування Hadoop-платформ [5] або баз даних по типу NoSQL [6] для ефективного зберігання та обробки різнотипних цифрових даних. Доповнення економетричних моделей алгоритмами машинного навчання може покращити точність та швидкість прогнозування, для прикладу методи Random Forest [7] або XGBoost [8] можуть бути застосовані для автоматизованого виявлення ключових факторів, що впливають на соціально-економічний розвиток у діджитал епоху.

Проте традиційні економетричні моделі можна використовувати навіть без застосування передових технологій, вони все ще залишаються корисними за умови ретельно підібраних змінних та якомога точніше обчисленої взаємодії між факторами. Серед практичних порад щодо адаптації класичних економетричних підходів до реалій сьогодення можна виділити:

• використання актуальних змінних: якщо на меті стоїть моделювання та прогнозування соціально-економічних факторів, то необхідно включити в дослідження показники цифрової економіки які визначають, наприклад, рівень автоматизації, витрати на кібербезпеку чи інвестиції в розбудову цифрової інфраструктури;
• декомпозиція впливу: обов’язково слід визначити та чітко розрізняти прямі, опосередковані та зворотні ефекти діджиталізації;
• обчислення взаємодії факторів: діджитал процеси часто мають нелінійні ефекти, тому бажано використовувати аналіз часових лагів, порогові ефекти та інтерактивні змінні;
• модифікування моделей: використання розширених специфікацій, наприклад, моделей з фіксованими ефектами, динамічних моделей, панельних даних, це дозволить точніше оцінювати вплив цифрових факторів на соціально-економічні процеси та безпеку.

Таким чином, аналіз науково-методичних засад економетричного моделювання взаємозв’язків між діджиталізацією та соціально-економічним розвитком показав що традиційні економетричні моделі хоча і є ще достатньо ефективними за правильного застосування та врахування нелінійних ефектів і структурних змін, проте потребують модернізації в умовах діджиталізації та зростаючих безпекових викликів. Складна взаємодія цифрових, безпекових, та соціально-економічних факторів, разом із кількістю даних, що постійно збільшується, вимагає застосування розширених економетричних підходів та використання передових технологій і алгоритмів. Запропоновані вдосконалення класичних підходів дають змогу підвищувати точність оцінки взаємозв’язків, що в свою чергу впливає на точність прогнозування. Подальші дослідження у цьому напрямку є перспективними, зокрема щодо розробки нових економетричних методів та моделей, які враховують специфіку цифрової трансформації.

Література

1. Supardi B. The role of econometrics in predicting economic trends: Challenges and innovations. Journal of Economics and Economic Education Research. 2024. Vol. 25, no. 6. P. 1–3.
2. Gibson H. D., Hall S. G., Tavlas G. S. A suggestion for a dynamic multifactor model (DMFM). Macroeconomic dynamics. 2021. P. 1–21. URL: https://doi.org/10.1017/s1365100520000619 (date of access: 13.03.2025).
3. Agent-based modeling at central banks: Recent developments and new challenges / A. Borsos et al. Bank of England. 2025. Vol. 1, no. 122. P. 1–12.
4. Kumar N. Big data statistics 2025: Growth and market data. DemandSage. URL: https://www.demandsage.com/big-data-statistics/ (date of access: 12.03.2025).
5. Shaikh R. H. Hadoop architecture: Scalable big data processing framework. Acceldata. URL: https://www.acceldata.io/blog/hadoop-architecture-a-comprehensive-guide (date of access: 12.03.2025).
6. Kelta Z. NoSQL databases: What every data scientist needs to know. DataCamp. URL: https://www.datacamp.com/blog/nosql-databases-what-every-data-scientist-needs-to-know (date of access: 13.03.2025).
7. Iranzad R., Liu X. A review of random forest-based feature selection methods for data science education and applications. International journal of data science and analytics. 2024. URL: https://doi.org/10.1007/s41060-024-00509-w (date of access: 13.03.2025).
8. XGBoost documentation. XGBoost. URL: https://xgboost.readthedocs.io/en/latest/index.html (date of access: 13.03.2025).