Методология прогностического моделирования внешнеэкономической деятельности регионов тема диссертации и автореферата по ВАК РФ 08.00.13, доктор наук Кисляков Алексей Николаевич

• Кисляков Алексей Николаевич
• доктор наук
• 2022

Оглавление диссертации доктор наук Кисляков Алексей Николаевич

Введение

Глава 1. Анализ современного состояния и тенденций развития методов планирования и прогнозирования внешнеэкономической деятельности регионов

1.1. Анализ условий реализации внешнеэкономической деятельности регионов

1.2. Анализ методов планирования и прогнозирования внешнеэкономической деятельности регионов

1.3. Постановка научной задачи исследования

Выводы по Главе

Глава 2. Разработка подходов и экономико-математического инструментария описания эволюционных изменений в структуре внешнеэкономических связей регионов

2.1. Исследование подходов к описанию эволюционных изменений в структуре внешнеэкономических связей региона на основе графов

2.2. Исследование влияния эффекта нарушения симметрии на эволюционную изменчивость структуры региональных внешнеэкономических связей

2.3. Исследование влияния сложности экономики на эволюционную изменчивость структуры региональных внешнеэкономических связей

Выводы по Главе

Глава 3. Разработка методов построения прогностических моделей показателей внешнеэкономической деятельности региона на основе

эффекта нарушения симметрии

3.1. Разработка метода описания структуры внешнеэкономических связей региона на основе графов

3.2. Разработка методики оценки локальной симметрии структуры внешнеэкономических связей региона на основе графовых методов

3.3. Разработка метода построения графа, описывающего структуру внешнеэкономических связей

3.4. Разработка метода обобщения признаков, описывающего структуру внешнеэкономических связей

3.5. Разработка метода отбора признаков для использования в моделях предиктивной аналитики внешнеэкономической деятельности

регионов

3.6. Разработка метода оценки устойчивости временных рядов на основе алгоритма DTW

3.7. Разработка методики описания торгового профиля региона с позиции усложнения экономики

Выводы по Главе

Глава 4. Разработка инструментальных методов модификации данных и

выбора алгоритмов машинного обучения для построения прогностических

моделей показателей внешнеэкономической деятельности регионов

4.1. Разработка методологии построения прогностических моделей с использованием эффекта нарушения симметрии

4.2. Разработка подхода к виртуальному расширению статистической выборки

4.3. Разработка метода признаковой аугментации данных

4.4. Разработка инструментального метода прогноза показателей внешнеэкономической деятельности на основе автоматизированного машинного обучения

4.5. Эволюционный подход к построению рекомендательной системы по управлению и развитию внешнеэкономической деятельностью регионов

Выводы по Главе

Глава 5. Практическая реализация прогностических моделей показателей внешнеэкономической деятельности на основе эффекта нарушения симметрии

5.1. Результаты анализа экономической сложности экспортной корзины

5.2. Результаты формирования рекомендаций по развитию экспортного потенциала региона

5.3. Результаты построения моделей прогноза целевых показателей внешнеэкономической деятельности региона

Выводы по Главе

Заключение

Список сокращений и условных обозначений

Список литературы

Приложение А Графы по товарным группам и странам-партнерам для

экспорта и импорта товаров на примере Владимирской области

Приложение Б Вычисленные значения индекса экономической сложности

^0) по странам по отношению к Владимирской области за 5 лет

Приложение В Стратегически значимые товары для освоения экспорта на

уровне сравнительных преимуществ (на примере Владимирской области) .. 364 Приложение Г Сопоставление перечня запросов иностранных компаний на импорт продукции из Российской Федерации с перспективными направлениями и возможностями экспорта на примере Владимирской области на март 2022 г

Введение диссертации (часть автореферата) на тему «Методология прогностического моделирования внешнеэкономической деятельности регионов»

ВВЕДЕНИЕ

Актуальность темы исследования обусловлена процессами трансформации и усилении роли отдельных регионов при глобальной перестройке торговых цепочек создания стоимости товаров. В настоящее время эффективное управление региональным развитием определяется концепцией принятия управленческих решений на основе данных (Data Driven) и использовании доказательной политики, которые сопровождаются обширными исследованиями состояния рынков на основе показателей внешнеэкономической деятельности как на предмет стабильности развития, так и выявления возможностей эффективной трансформации в изменяющихся условиях внешней среды. При этом особую ценность имеет развитие внешнеторговых связей на уровне субъектов Российской Федерации за счет развития наукоемких технологий и наращивания выпуска продуктов с высокой добавленной стоимостью, что является наиболее перспективным направлением в условиях глобальной перестройки экономики.

Сформировавшаяся в течение последних десятилетий неравномерность в экономическом развитии отраслей специализации регионов препятствует комплексному опережающему развитию. Ретроспективный анализ многообразия экономических связей субъектов Российской Федерации позволяет понять принципы экономического развития территорий страны и повысить эффективность основных отраслей экономики, что является частью национальной программы «Цифровая экономика» на 2018 - 2024 годы [1].

Поэтому особую актуальность приобретает задача разработки эффективных методик анализа, оценки условий и разработки стратегии ведения внешнеэкономической деятельности в целях обеспечения устойчивого развития. Высокая степень зависимости большинства отраслей экономики и промышленного производства регионов России от конъюнктуры мировых рынков в условиях пандемии и санкций может привести к снижению положительного воздействия от активизации внешне-

экономической деятельности регионов. Оценка факторов риска основных направлений развития внешнеторговых связей невозможна без грамотного прогнозирования и планирования внешнеэкономической деятельности страны и отдельно взятых регионов.

Для разрешения указанных противоречий необходима разработка методологии построения прогностических моделей как отдельного направления концепции умной специализации регионов [2,3] позволяющей выявить приоритеты для создания конкурентного преимущества региона и сфокусировать усилия по поиску уникальной траектории развития.

Современные подходы к прогнозированию, представляют собой набор из нескольких десятков методов, реализованных в процессе взаимного проникновения концепций, принципов, моделей из смежных наук, расширяя возможности для понимания явлений, происходящих в социально-экономических системах. В этой связи особо важными и актуальными становятся задачи построения прогностических моделей, основанных на изучении направлений эволюции конъюнктуры рынков, изучении торгового профиля и внешнеторговых связей регионов и стран, а современный математический и программный инструментарий позволяет эффективно решить эти задачи.

В этой связи, наблюдается возрождение прежних и разработка новых методик описания структуры взаимодействий участников рынка и оценки устойчивости экономических связей на мировых рынках товаров и услуг на основе результатов анализа поведенческой активности поставщиков и потребителей продуктов, продиктованных условиями внешней среды. Подобные методики позволяют создавать математические модели и автоматизированные интеллектуальные системы поддержки принятия решений.

Федеральные и региональные органы государственной власти заинтересованы в мониторинге тенденций изменчивости глобальных рынков и прогнозирова-

нии экономической ситуации в целях краткосрочного, среднесрочного и долгосрочного стратегического планирования, а также выявлении отраслей производства продукции, которые следует выбирать приоритетными для развития.

При решении подобных задач наибольшее распространение получили пассивные методики прогнозирования, опирающиеся на анализ ретроспективных данных и определяющие будущие тенденции, пропорции формирования производства и развития внешней торговли региона.

В мировой практике существует множество пассивных подходов для прогнозирования показателей внешнеэкономической деятельности: трендовые модели; многофакторные регрессионные модели; модели на основе гибридных когнитивных карт; комплексные эконометрические модели; модели межотраслевого баланса; матричные модели международной торговли; оптимизационные модели. Подобные планы-прогнозы внешнеэкономических связей разрабатываются Министерством экономического развития при взаимодействии с другими профильными министерствами и ведомствами. Также существуют подходы, основанные на методах имитационного моделирования, таких как метод Монте-Карло, которые в свою очередь требуют отбора признаков и детального описания статистических распределений этих признаков.

Наряду с этим активные методики прогнозирования являются более эффективными, так как позволяют выстроить причинно-следственную связь между управленческим воздействием и результатом в динамически меняющихся условиях. Обычно такие методики ориентированы на неформализованный анализ и основаны на экспертных оценках, что в значительной мере усложняет процесс прогнозирования и вносит субъективные оценки сложившейся ситуации на основе совокупного опыта группы экспертов. Поэтому для понимания процессов саморегулирования экономики, необходимо исследовать изменчивость процессов и оценивать устойчивость наметившихся тенденций на основе изучения текущей структуры связей между объектами экономической системы.

В этой связи нахождение устойчивой структуры связей между объектами позволяет не только исследовать, но и сбалансировать систему, что в конечном итоге влияет на достоверность прогноза и дает возможность эффективно управлять изменениями. Применительно к управлению внешнеэкономической деятельностью регионов формирование устойчивой структуры региональных внешнеэкономических связей требует учета внутренних особенностей и внешних условий развития региона для нахождения оптимального решения.

С позиции системного подхода к описанию сложных систем, достижение динамичного равновесия предполагает непрерывное появление новых связей, нарушающих баланс системы, что приводит к эволюционным изменениям структуры связей и установления нового равновесного состояния. В этом случае речь идет не только о нарушении устойчивости системы с позиции оценки результирующих показателей, но и о эффекте спонтанного нарушении симметрии связей системы, которое приводит к «гибели» и/или глобальной перестройке архитектуры системы и возрождению ее в абсолютно новом виде. Эффект нарушения симметрии напрямую связан с процессом эволюции системы и характеризуется как явление изменчивости сложной системы, при котором любые воздействия, переводят систему из сбалансированного, но неустойчивого в динамике состояния в одно или несколько динамически устойчивых состояний.

Само по себе нарушение сбалансированности условий ведения хозяйственной деятельности, приводящее к необходимости перестройки внутрисистемных связей, не всегда является губительным для системы и позволяет с достаточно высокой точностью делать прогнозы об изменчивости состояний системы, однако важным этапом исследования является прогнозирование эволюционных изменений системы после прохождения стадии нарушения симметрии внутрисистемных связей.

Практика управления изменениями во внешнеэкономической деятельности региона, как и любая управленческая деятельность, осуществляющая вмешатель-

ство в структуру связей динамической открытой системы, представляет собой процесс нарушения устойчивости системы. И в этом случае важно ответить на несколько вопросов: устойчиво ли состояние системы на текущий момент времени? Нарушена ли симметрия структуры внешнеэкономических связей системы (региона)? Какие эволюционные изменения следует ожидать? Ответ на эти вопросы дает более полное понимание ситуации и открывает новые перспективы эффективного управления внешнеэкономической деятельностью региона с учетом открывшихся возможностей.

Таким образом, структура региональных внешнеэкономических связей, характеризующаяся эволюционным развитием должна поддерживать управляемые, постепенные и последовательные изменения в нескольких направлениях.

- переходом к производству новых видов продукции, в общем случае, имеющих некоторые конкурентные преимущества для рассматриваемой территории;

- повышением разнообразия продуктового ассортимента на базе имеющихся производственных возможностей;

- созданием и накоплением новых технологий (формированием технологических кластеров) для увеличения разнообразия производственных возможностей.

Поэтому актуальным вопросом остается перспективный анализ направлений изменчивости (векторов эволюции) внешнеторговых рынков и разработка, с учетом выявленных особенностей, отраслевого торгового профиля региона, позволяющего объективно оценить возможности и направления развития региональной инновационной политики. Решение этой задачи дает неоспоримое преимущество в стратегическом управлении регионом, однако связано с рядом проблем: описанием «скрытых» и неочевидных взаимодействий и оценки степени влияния факторов на изучаемый процесс; недостаточным объемом данных для построения модели или же наоборот - высокой степенью избыточности информации, и, как следствие, низкой степенью интерпретируемости полученных результатов. Желание учесть в модели как можно больше показателей оценки может привести к практически нереализуемым вычислительным сложностям.

Основное противоречие состоит в том, что существующие подходы для построения прогностических моделей, включая и часть широко известных экономико-математических и статистических методов анализа данных, ориентированы на исследование целевых показателей, описывающих результат, что не создает предпосылок для комплексного анализа причин изменчивости наблюдаемого процесса и моделирования эволюционных изменений. Указанное противоречие определяет необходимость проведения исследований в данном направлении.

Степень разработанности темы исследования. Обширный ряд научных исследований, указывает на связь процессов эволюции сложных систем с эффектом спонтанного нарушения симметрии.

Научные подходы к изучению теории симметрии и практического ее применения начались с кристаллографии в XIX веке (работы Е. С. Фёдорова и А. В. Га-долина), хотя отдельные работы по изучению природы симметрии велись с XVII века (например, работы Н. Стенона, М. В. Ломоносова). В физике теорема Нётер впервые открыла связь между симметрией в природе и законами сохранения.

В работах К. Пирсона отражены фундаментальные основы изменчивости в статистическом анализе. Пьер Кюри по результатам своих исследований сделал важный вывод: «В различных явлениях могут присутствовать элементы симметрии, но они не являются необходимыми, для существования явлений необходимым является только отсутствие определенных элементов симметрии».

Вторая половина XX века - это начало активного изучения и переосмысливание вопросов математического моделирования сложных процессов и систем. С появлением новых подходов стохастического моделирования, теория самоорганизующихся систем, теория катастроф и синергетики, увеличивается точность пре-диктивных моделей для описания поведения сложных систем за счет выявления скрытых закономерностей, присущих таким системам. Исследованию этих вопросов посвящены работы В.Б. Занга [4], Б. Мандельброта [5-7], Э. Петерса [8], А.И. Пригожина [9-11], Г.Г. Малинецкого [12-13], В.И. Арнольда [14].

Научные основы искусственных нейронных сетей и иных направлений развития мягких вычислений, заложены в работах Т. Кохонена [15-16], М.Л. Мински [17], Т. Мартинеца [18], Т. Такаги [19] и других зарубежных ученых. Отечественная научная школа в данной области представлена работами О.И. Ларичева [20], А.И. Орлова [21-22], Г.С. Осипова [23-24], А.С. Птускина [25-27] и других.

Большой вклад в развитие исследований временных рядов внесли труды таких зарубежных ученых, как Х. Акаике [28-29], Д. Бокс и Г. Дженкинс [30], Н. Вин-нер [31] и многие другие. Следует отметить и труды известных советских и российских ученых: С. А. Айвазяна [32], В.Н. Вапника [33-35], Л. В. Канторовича [3637], Ю. П. Лукашина [38] и др.

Важное прикладное развитие для анализа социально-экономических процессов принцип нарушения симметрии нашел в работах Дж. Акерлофа, М. Спенса, Дж. Стиглица [39-40]: информационная асимметрия основа новой микроэкономики, частично получивший продолжение в работах Е.А. Федоровой.

При этом особый вклад в развитие математических основ теории информации внес К. Шеннон [41], результаты его трудов нашли свое отражение в работах А.Н. Колмогорова [42-43] по математическим основам теории и информации, Б. Мандельброта [5-7], исследовавшего нелинейность рынков и работах В.И. Арнольда - по теории катастроф [14]. Основы прогнозно-плановой работы на государственном уровне заложили выдающиеся отечественные ученые мирового уровня, к числу которых относятся Н.Д. Кондратьев [44], Г.А. Фельдман [45], В.В. Новожилов [46], А.Г. Аганбегян [47], С.С. Шаталин [48], и многие другие.

Проблемам применения прогностических моделей в наукоемком производстве высокотехнологичных видов продукции и анализе внешнеэкономической деятельности посвящены работы Д.В. Александрова [49-50], А.Е. Бром [51], М.А. Ха-ликова Т.Г. Садовской и П.А. Дроговоза [52-53], С.Г. Фалько [54], и других исследователей. Оценке сложности экономики посвящены работы Р. Хаусмана и С. Иль-даго [55-59].

Проблемам применения теории графов в анализе эволюционной изменчивости сетевых структур посвящены работы Л. Ловаса и М. Палмера [60], Э. Петерса [8], Дж. Гросса [61], У. Татта [62] и др. Отечественная научная школа представлена работами О.Е. Акимова [63-64], В.К. Шитикова и С. Э. Мастицкого [65-68], В.Г. Рау и Т.Ф. Рау [69-71], и других исследователей.

Анализ существующих отечественных и зарубежных работ в направлении разработки методологий построения прогностических моделей показателей внешнеэкономической деятельности определил необходимость дальнейшего развития и совершенствование в направлении исследования возможностей применения к анализу современных макроэкономических показателей основываясь на специфике внешнеэкономической деятельности отдельных регионов, а также использовании системного подхода к оценке эволюционной изменчивости и устойчивости внешнеэкономических связей региона с учетом эффекта нарушения симметрии, что обусловливает актуальность темы диссертационного исследования.

Цель и задачи исследования. Целью диссертационного исследования является разработка теоретических и методологических положений построения прогностических моделей показателей внешнеэкономической деятельности региона с учетом эффекта нарушения симметрии, обеспечивающих повышение эффективности управления ВЭД регионов. Указанная цель исследования диктует необходимость решения следующих взаимосвязанных научных задач:

1. Анализ современных экономических условий реализации и практики управления внешнеэкономической деятельностью регионов в условиях цифровой трансформации;

2. Анализ подходов к описанию внешнеторговых связей регионов и актуальных методологий исследования и прогнозирования показателей, характеризующих внешнеэкономическую деятельность регионов и проблем их практического применения;

3. Разработка и обоснование модифицированных подходов и экономико-математического инструментария описания эволюционных изменений в структуре внешнеэкономических связей регионов с учетом эффекта нарушения симметрии;

4. Разработка обобщенной методологии анализа данных и построения прогностических моделей на основе эффекта нарушения симметрии, с применением методов экономико-математического моделирования;

5. Обоснование методологических подходов, экономико-математического и программного инструментария, используемых для построения прогностических моделей показателей внешнеэкономической деятельности регионов, учитывающего особенности входных данных, критерии и ограничения;

6. Верификация разработанного экономико-математического инструментария на реальных данных, характеризующих результаты внешнеэкономической деятельности регионов России;

7. Программная реализация и апробация прототипа системы поддержки принятия решений для построения прогностических моделей и проведения вычислительных экспериментов по построению прогноза показателей внешнеэкономической деятельности регионов, реализующего разработанные подходы и методы.

Объектом исследования является внешнеэкономическая деятельность регионов, формирующая динамически изменяющуюся структуру региональных экономических связей.

Предметом исследования являются научно-методические подходы прогнозирования показателей внешнеэкономической деятельности регионов для принятия управленческих решений в целях обеспечения устойчивого развития.

Методология и методы исследования. Теоретическую и методологическую основу исследования составили общенаучные методы теории систем, теории информации, абстрагирования, формализации, а также специальные методы теории принятия решений, анализа иерархий, теории графов, теории групп, мягких вычислений, нейросетевого моделирования и кластерного анализа.

Информационно-эмпирическая база диссертационного исследования формируется на основе действующих нормативных правовых актов, а также ряда аналитических отчетов, представленных органами государственной власти. Статистическая и информационная база исследования сформирована на основе официальных данных Федеральной таможенной службы Российской Федерации для страны в целом и отдельных регионов за последние 7 лет. Для расчета показателей экономической сложности использовались данные ВЭД зарубежных стран. Источниками данных по внешней торговле всех стран мира является официальный сайт Всемирной торговой организации (ВТО), разработанный ВТО сервис TradeMap, а также база данных UN Comtrade. При проведении расчетов использовался программный инструментарий в виде пакетов прикладных программ: MS Excel, языков программирования R и Python.

Научная проблема заключается в разработке и развитии экономико-математических методов анализа и моделей прогнозирования показателей внешнеэкономической деятельности регионов Российской Федерации с учетом эволюционных изменений в структуре внешнеэкономических связей регионов на основе эффекта нарушения симметрии с применением доказательной политики и методов интеллектуального анализа данных при выработке управленческих решений.

Соответствие паспорту научной специальности. Область исследования соответствует пунктам

1.2. Теория и методология экономико-математического моделирования, исследование его возможностей и диапазонов применения: теоретические и методологические вопросы отображения социально-экономических процессов и систем в виде математических, информационных и компьютерных моделей;

1.5. Разработка и развитие математических методов и моделей глобальной экономики, межотраслевого, межрегионального и межстранового социально-экономического анализа, построение интегральных социально-экономических индикаторов.

2.8. Развитие методов и средств аккумуляции знаний о развитии экономической системы и использование искусственного интеллекта при выработке управленческих решений.

2.10. Развитие инструментальных методов анализа механизмов функционирования рынков товаров и услуг в условиях глобализации мировой экономики и свободной торговли.

Гипотеза исследования состоит в том, что прогностические модели показателей внешнеэкономической деятельности регионов и основанная на них система поддержки принятия решений, выстроенные с учетом оценки тенденций эволюционной изменчивости и устойчивости внешнеэкономических связей позволят повысить эффективность стратегического планирования, реализовать потребности в развитии отдельных отраслей экономики и развивать межрегиональные экономические кластеры.

Научная новизна заключается в том, что с учетом актуальной специфики стратегического прогнозирования внешнеэкономической деятельности регионов, разработан математический и программный инструментарий, отличающийся новыми подходами к изучению и описанию эволюционных изменений в структуре внешнеэкономических связей регионов на основе эффекта нарушения симметрии, используемый при построении прогностических моделей показателей внешнеэкономической деятельностью регионов. Часть предложенных и разработанных методов не зависит от природы объектов и может быть адаптирована для описания и конструирования моделей физических, экономических, социальных или абстрактных математических систем, обладающих свойствами симметрии.

Основные научные результаты, полученные в ходе исследования лично автором и выносимые на защиту, заключаются в следующем:

1. Разработаны и обоснованы новые подходы к описанию эволюционных изменений в структуре региональных внешнеэкономических связей, отличающиеся от существующих методов макроэкономического моделирования использованием графовых моделей и оценкой локальной и глобальной связности сетевых структур.

2. Разработан новый подход к описанию процесса нарушения симметрии в графовых моделях региональных внешнеэкономических связей, отличающиеся оценкой степени нарушения симметрии графа на основе анализа клик в графе.

3. Разработан инструментальный метод построения графа, описывающего структуру внешнеэкономических связей, отличающийся использованием алгоритма Uniform Manifold Approximation and Projection (UMAP) для понижения размерности и включения связей между вершинами в граф на основе обобщения признаков объектов.

4. Разработана и верифицирована методология использования нового подхода формирования графа региональных внешнеэкономических связей и оценки локальной симметрии графа для построения прогностических моделей показателей ВЭД, отличающаяся оценкой устойчивости связей в динамике и учетом внутренних особенностей и внешних условий ведения внешнеэкономической деятельности на региональном уровне.

5. Разработан метод отбора признаков, отличающийся использованием кли-кового коэффициента симметрии и коэффициент Джини для оптимизации глобальной структуры графа UMAP с позиции максимума информации для связанных признаков.

6. Предложена новая методика аугментации данных, отличающаяся использованием методов признаковой аугментации данных на основе оценки характеристик временных рядов показателей внешнеэкономической деятельности, кластерного анализа и рекуррентных искусственных нейронных сетей с долгой краткосрочной памятью.

7. Разработан инструментальный метод прогноза показателей внешнеэкономической деятельности, отличающийся использованием алгоритма понижения размерности и отбора признаков, методов аугментации данных и автоматизированного машинного обучения для выбора моделей на основе ансамблевых методов.

8. Разработан новый подход к построению рекомендаций по развитию направлений внешнеэкономической деятельности с использованием индекса выявленных сравнительных преимуществ (RCA), индекса экономической сложности (ECI) и индекса продуктовой сложности (PCI), отличающийся использованием индекса Джини продукта (PGI).

Теоретическая значимость диссертационного исследования заключается в развитии научных концепций и научно-методического аппарата применения эффекта нарушения симметрии, теории графов и мягких вычислений для описания эволюционной изменчивости региональных внешнеторговых связей, а также для построения прогностических моделей региональных показателей внешнеэкономической деятельности.

Практическая ценность диссертационной работы состоит в разработке, программной реализации и апробации в практической деятельности прототипа системы поддержки принятия решений по построению прогностических моделей региональных показателей внешнеэкономической деятельности.

Обоснованность и достоверность научных положений и выводов диссертационного исследования реализуется за счет проведения экспериментов на корректно обработанных наборах данных, использованием современного апробированного математического аппарата, программных средств обработки информации, а также достаточной сходимостью полученных результатов с реальными значениями показателей при тестировании моделей, практической реализацией и апробацией разработанных прогностических моделей и программного инструментария, а также обсуждением основных положений диссертационного исследования на семинарах и научных конференциях.

Апробация результатов исследования. Основные положения и выводы диссертационного исследования докладывались на следующих международных и всероссийских научно-практических конференциях: Международной научно-практической конференции РАНХиГС «Перспективы повышения качества государственного управления в условиях цифровизации», Владимир 2021 г.; Ежегодной

Список литературы диссертационного исследования доктор наук Кисляков Алексей Николаевич, 2022 год

СПИСОК ЛИТЕРАТУРЫ

1. Цифровая экономика 2024 // Аналитический центр при Правительстве Российской Федерации. URL: https://digital.ac.gov.ru. (дата обращения: 21.03.2022).

2. Калюжнова Н.Я., Виолин С.И. «Умная специализация» российских регионов: возможности и ограничения // Экономика, предпринимательство и право. 2020. Том 10. № 10. С. 2457-2472.

3. Мерзликина Г.С. Концепция «Умной специализации» регионов: уточнение принципов // Вопросы инновационной экономики. 2021. Том 11. № 3. С. 997-1014.

4. Занг В.Б. Синергетическая экономика. Время и перемены в нелинейной экономической теории: Пер. с англ. М.: Мир, 1999. 335 с.

5. Мандельброт Б. Фракталы и хаос. Множество Мандельброта и другие чудеса // Бенуа Мандельброт. Ижевск.: НИЦ «Регулярная и хаотическая динамика», 2009. 392 с.

6. Мандельброт Б. Фракталы, случай и финансы// Бенуа Мандельброт. Москва. Ижевск.: НИЦ «Регулярная и хаотическая динамика», 2004. 256 с.

7. Мандельброт Б., Хадсон Р. (Не)послушные рынки: фрактальная революция в финансах. The Misbehavior of Markets. М.: «Вильямс», 2006. 400 с.

8. Петерс Э. Фрактальный анализ финансовых рынков: Применение теории Хаоса в инвестициях и экономике. М., 2004. 304 с

9. Николис Г., Пригожин И. Познание сложного. Введение. М.: Книга по Требованию, 2012. 345 с.

10. Пригожин И., Стенгерс И. Порядок из хаоса: Новый диалог человека с природой: Пер. с англ. Общ. ред. В. И. Аршинова, Ю. Л. Климонтовича и Ю.В. Сачкова. М.: Прогресс, 1986. 432 с.

11. Николис Г., Пригожин И. Самоорганизация в неравновесных от диссипативных структур к упорядоченности через флуктуации: Пер. с англ. канд. хим. наук В.Ф. Пастушенко, под ред. доктора хим. наук Ю.А. Чизмаджева. М.: Издательство МИР, 1979. 512 с.

12. Малинецкий Г.Г. Математические основы синергетики: Хаос. Структуры. Вычислительный эксперимент. 8-е изд. М.: УРСС, 2017. 312 с.

13. Малинецкий Г. Г., Потапов А. Б. Нелинейная динамика и хаос: Основные понятия. М.: УРСС, 2018. 240 с.

14. Арнольд В. И. Теория катастроф, 3-е изд., доп. М.: Наука. Гл. ред. физ.-мат. лит., 1990, 128 с.

15. Kohonen T. Self-organized formation of topologically correct feature maps // Biological Cybernetics. 1982. No. 43. P. 59-69.

16. Дебок Г., Кохонен Т. Анализ финансовых данных с помощью самоорганизующихся карт. М.: Алпина Паблишер. 2001. 318 с.

17. Martinetz T. M., Berkovich S. G., Schulten K. J. Neural-gas network for vector quantization and its application to time-series prediction // IEEE Trans. on Neural Networks. 1993. No. 4. P. 558-569.

18. Minsky M.L. The Emotion Machine: Commonsense Thinking, Artificial Intelligence, and the Future of the Human Mind. NY: Simon & Schuster, 2007. 400 p.

19. Inuzuka K., Hayashi T., Takagi T. Recommendation System Based on Prediction of User Preference Changes // 2016 IEEE/WIC/ACM International Conference on Web Intelligence (WI). 2016. P. 192-199.

20. Ларичев О. И. Наука и искусство принятия решений. М.: Наука, 1979. 199 с.

21. Орлов А.И. Организационно-экономическое моделирование: учебник: в 3 ч. Часть 1: Нечисловая статистика. М.: Изд-во МГТУ им. Н.Э. Баумана, 2009. 541 с.

22. Орлов А.И., Луценко Е.В. Системная нечеткая интервальная математика: Монография (научное издание). Краснодар.: КубГАУ, 2014. 600 с.

23. Осипов Г.С. Приобретение знаний интеллектуальными системами: Основы теории и технологии. М.: Наука. Физматлит, 1997. 112 с.

24. Осипов Г.С. Методы искусственного интеллекта: Монография (2-е изд.). М.: Физматлит, 2015. 295 с.

25. Птускин А.С. Решение стратегических задач в условиях размытой информации: Монография. М.: Дашков и К, 2003. 240 с.

26. Птускин А.С. Нечеткая модель выбора антирисковых стратегических программ для уменьшения потерь в цепях поставок // Управленческие науки в современной России. 2014. Т. 2. № 2. С. 178-181.

27. Птускин А.С. Нечеткие модели задач принятия стратегических решений на предприятиях: дис. док. эк. наук: 08.00.13 / М.: ЦЭМИ РАН, 2004. 323 с.

28. Akaike H. Information theory and the maximum likelihood principle. In International Symposium on Information Theory. Edited by Petrov, V. and Csaki F. Budapest.: Akademiai Kiado, 1973. P. 267-281.

29. Akaike H. A new look at the statistical model identification // IEEE Transactions on Automatic Control. 1974. 19(6). P.716-723.

30. Бокс Дж., Дженкинс Г. Анализ временных рядов, прогноз и управление: Пер. с англ. М.: Мир, 1974, кн. 1. 406 с.

31. Винер Н. Нелинейные задачи в теории случайных процессов. М.: ИЛ, 1961. 158 с.

32. Айвазян С.А. и др. Прикладная статистика: Исследование зависимостей Справочное издание/ С.А. Айвазян, И.С. Енюков, Л.Д. Мешалкин; под ред. С.А. Айвазяна. М.: Финансы и статистика, 1985. 487с.

33. Вапник В. Н. Восстановление зависимостей по эмпирическим данным. М.: Наука, 1979.

34. Vapnik V.N. The Nature of Statistical Learning Theory. NY: Springer, 1995. 314 p.

35. Vapnik V.N. Statistical Learning Theory. NY: John Wiley, 1998. 768 p.

36. Канторович Л.В., Акилов Г.П. Функциональный анализ в нормированных пространствах. М.: Физматлит, 1959. 684 с.

37. Канторович Л.В., Горстко А.Б. Математическое оптимальное программирование в экономике. Москва: Изд-во Знание, 1968. 95 с.

38. Лукашин Ю.П. Финансовая математика: Учебно-методический комплекс / М.: Изд. центр ЕАОИ, 2008. 200 с.

39. Akerlof G. The Market for «lemons»: Quality Uncertainty and the Market Mechanism // Quarterly Journal of Economics. 1970. 84 (3). P. 488-500.

40. Akerlof G., Spence M., Stiglitz J. L'asymetrie au coeur de la nouvelle microeconomie // Problemes Econ. 2001. No 2734. P. 19-24.

41. Шеннон К.Э. Работы по теории информации и кибернетике. М.: ИЛ, 1963. 829 с.

42. Колмогоров А.Н. Теория информации и теория алгоритмов. М.: Наука, 1987. 39 с.

43. Колмогоров А.Н. Об энтропии на единицу времени как метрическом инварианте автоморфизмов. ДАН СССР. Т. 124. 1959. 754-755 с.

44. Кондратьев Н.Д., Опарин Д.И. Большие циклы конъюнктуры: Доклады и их обсуждение в Институте экономики. 1-е изд. М., 1928. 287 с.

45. Фельдман Г.А. К теории темпов народного дохода (Под углом зрения народного хозяйства СССР) // Плановое хозяйство. 1928. № 11. С.146-170.

46. Новожилов В. В. Измерение затрат и их результатов в социалистическом хозяйстве. В кн.: Применение математики в экономических исследованиях. М.: Соцэкгиз, 1959, с. 42-214.

47. Бородкин Ф.М., Аганбегян А.Г., Розин Б.Б. Экономико-статистические исследования промышленного производства / Ин-т экономики и организации пром. производства. Сиб. отд-ние АН СССР. Москва.: Статистика, 1969. 312 с.

48. Шаталин С.С. Пропорциональность общественного производства: (Очерк теории и методологии планирования). М.: Экономика, 1968. 215 с.

49. Гусев М.А., Александров Д.В. Подход к реализации системы поддержки принятия решений диспетчером газотранспортной системы во внештатных ситуациях // Информационно-измерительные и управляющие системы. 2008. № 5. 66-75 с.

50. Козаев А.Т., Салех Х.М., Александров Д.В. Применение искусственных нейронных сетей для решения задачи локализации места утечки газа на магистральном газопроводе // Физика и радиоэлектроника в медицине и экологии. Труды XIII Международной научной конференции с научной молодежной школой имени И.Н. Спиридонова. В 2-х книгах. 2018. 43-46 с.

51. Brom A., Maslennikova Y. Cognitive model of digital production development // 3rd International Conference on Information Processing and Control Engineering, IOPCon-ference Series: Materials Science and Engineering. 2019. Vol. 630. Art. No. 012011.

52. Дроговоз П.А., Садовская Т.Г., Шиболденков В.А. Подходы к моделированию процессов разработки и производства инновационной продукции / седьмые Чар-новские чтения. сборник трудов VII Всероссийской научной конференции по организации производства. НОЦ «Контроллинг и управленческие инновации» МГТУ им. Н.Э. Баумана. 2018. 18-30 с.

53. Дроговоз П.А., Мухопад В.И., Садовская Т.Г. и др. Организационно-экономические механизмы международного трансфера промышленных технологий: монография / под редакцией П. А. Дроговоза. М.: Ваш формат, 2018. 241 с.

54. Фалько С.Г., Бойко В.П. Контроллинг инновационных проектов в ракетно-космической промышленности. М.: Объединение контроллеров, 2019. 128 с.

55. The Atlas of Economic Complexity: Mapping Paths to Prosperity. / Hausmann R., Hidalgo C., Bustos S., Coscia M., Simoes A., Yildirim M.A. // Cambridge: Center for International Development, Harvard University, MIT. 2011. P. 108-358.

56. Hausmann R., Hidalgo C. A. Country diversification, product ubiquity, and economic divergence [Эл. ресурс] // Working Paper. Cambridge, MA, 2010. No. 201. URL: https://growthlab.cid.harvard.edu/files/growthlab/files/201.pdf (дата обращения: 21.03.2022).

57. Hidalgo C.A., Hausmann R. The building blocks of economic complexity // Proceedings of the National Academy of Sciences. 2009. № 106(26). P. 10570-10575.

58. Hausmann R., Hidalgo C. A., Bustos S. et al. The atlas of economic complexity: Mapping paths to prosperity. Mit Press, 2014. 368 p.

59. Hausmann R., Hidalgo C. A. The network structure of economic output // Journal of Economic Growth. 2011. Vol. 16(4). P. 309-342.

60. Ловас JI., Пламмер М. Прикладные задачи теории графов. Теория паросочета-ний в математике, физике, химии: Пер. с англ. М.: Мир, 1998. 653 с.

61. Graph theory and its applications / J. L. Gross, J. Yellen. 2nd ed. Boca Raton [etc.]: Chapman & Hall/CRC, 2006. 779 p.

62. Татт У. Теория графов / Пер. с англ. Г. П. Гаврилова. М.: Мир, 1988. 424 с.

63. Акимов О. Е. Дискретная математика: логика, группы, графы. 2-е изд., доп. М.: Лаборатория Базовых Знаний, 2003. 376 с.

64. Акимов О.Е. Дискретная математика: логика, группы, графы, фракталы. М.: Издатель Акимова, 2005. 656 с.

65. Шитиков В.К. Моделирование корреляционных связей в сообществе с помощью сетей [Электронный ресурс]. 2020.: URL: http://www.ie-vbras.ru/ecostat/Kiril/R/Blog/14_QGraph.pdf (дата обращения 21.03.2022)

66. Шитиков В. К., Мастицкий С. Э. Классификация, регрессия, алгоритмы Data Mining с использованием R. [Электронный ресурс]. 2017.: URL: https://github.com/ranalytics/data-mining (дата обращения: 21.03.2022).

67. Шитиков В.К., Розенберг Г.С. Рандомизация и бутстреп: статистический анализ в биологии и экологии с использованием R. Тольятти: Кассандра, 2013. 314 с.

68. Мастицкий С. Э. Анализ временных рядов с помощью R. [Электронный ресурс]. 2020.: URL: https://ranalytics.github.io/tsa-with-r (дата обращения: 21.03.2022).

69. Рау В.Г., Рау Т.Ф., Малеев А.В. Статистические модели в квантовой физике, экологии и экономике. Учебное пособие, рекомендованное УМО РАЕ. М.: Издательский дом Академии Естествознания, 2015. 144 с.

70. Компьютерные эксперименты в группах подстановок с нарушенной симметрией / Рау В.Г., Ломтев Л.А., Рау Т.Ф., Горшков К.А., Никитин О.Р. // Современные наукоемкие технологии, изд. РАЕ, 2017. №3. С.43-49.

71. Рау В.Г., Поляков С.В., Рау Т.Ф., Фирсов И.В., Тогунов И.А. Некоторые особенности применения групп нарушенной симметрии для «визуализации» процессов в природных, «живых» и социально-экономических системах // Региональная экономика: опыт и проблемы. Материалы XII международной научно-практиче-

ской конференции (Гутманские чтения) 15 мая 2019 года / под общ. ред. А. И. Новикова и А. Е. Илларионова. Владимир.: Владимирский филиал РАНХиГС, 2019. 111-119 с.

72. Евсеева М.В., Раменская Л.А. Анализ функциональной сложности как фактора устойчивости региональной экономики на основе экосистемного подхода [Электронный ресурс] // Фундаментальные исследования. 2020. № 9. С. 25-30. URL: https://fundamental-research.ru/ru/article/view?id=42838 (дата обращения: 21.03.2022).

73. Моисеев А.К., Бондаренко П.А. Применение индекса экономической сложности в макрофинансовых моделях // Проблемы прогнозирования, 2020. № 3. С. 101112.

74. Dereich S., Morters P. Random networks with sublinear preferential attachment: Degree evolutions // Electronic Journal of Probability. 2009. Vol. 14. P. 1222-1267.

75. Любимов И.Л., Лысюк М.В., Гвоздева М.А. Атлас экономической сложности российских регионов // Вопросы экономики. 2018. № 6. С. 71-91.

76. Harvard's Growth Lab. Country & Product Complexity Rankings. [Электронный ресурс]. 2018. URL: https://atlas.cid.harvard.edu/rankings. (дата обращения: 21.03.2022).

77. Басовский, Л. Е. Прогнозирование и планирование в условиях рынка: учебное пособие / Л. Е. Басовский. М.: ИНФРА-М, 2019. 260 с.

78. Кузык Б.Н. Прогнозирование, стратегическое планирование и национальное программирование: учебник / Б.Н. Кузык, В.И. Кушлин, Ю.В. Яковец. 4-е изд., пе-рераб. и доп. М.: Экономика, 2011. 604 с.

79. Таможенная статистика внешней торговли РФ. Федеральная таможенная служба РФ: офиц. сайт. [Электронный ресурс]. 2021. URL: http://stat.customs.ru (дата обращения: 21.03.2022).

80. Akamatsu, K. A historical pattern of economic growth in developing countries // Journal of Developing Economies. 1962. № 1, March-August. P. 3-25.

81. Kojima K. Japanese Investment Abroad International. Tokyo: Christian University Mitaka, 1990. 13 p.

82. Leontief W. Domestic Production and Foreign Trade: the American Capital Position Re-Examined // Proceedings of the American Philosophical Society, 28 September 1953. Vol. 97. No. 4. P. 332-349.

83. Спартак А.Н. Перспективные направления экспортной специализации России // Российский внешнеэкономический вестник. 2016. № 4. 3-10 с.

84. Спартак А.Н. Россия в международном разделении труда: Выбор конкурентоспособной стратегии: монография / А. Н. Спартак. М.: МАКС Пресс, 2004. 524 с.

85. Евченко Н.Н. Внешнеэкономическая деятельность регионов России. Часть 1: учебное пособие. Ростов-на-Дону.: Издательство Южного федерального университета, 2015. 69 с.

86. Уточненный годовой отчет о реализации государственной программы Российской Федерации «Экономическое развитие и инновационная экономика за 2020 год» [Электронный ресурс]. 23 апреля 2021 г. URL: https://www.economy.gov.ru. (дата обращения: 21.03.2022)

87. Дадаян В.С. Моделирование глобальных экономических процессов: Учеб. пособие. Под ред. В. С. Дадаяна. М.: Экономика, 1984. 320 с.

88. Чижов Ю.А., Ермилов А.П. Прогнозирование капиталистической экономики. Новосибирск.: Наука, 1981. 198 с.

89. Давнис В.В., Тинякова В.И. Адаптивные модели: анализ и прогноз в экономических системах. Воронеж.: Изд-во Воронеж, гос. ун-та, 2006. 380 с.

90. Мелихов А.Н. Ситуационные советующие системы с нечеткой логикой. / А.Н. Мелихов, Л.С. Берштейн, С.Я. Коровин. М.: Наука, 1990. 272 с.

91. Томпсон Дж. Неустойчивости и катастрофы в науке и технике. М.; Мир, 1985. 254 с.

92. Растригин Л.А. Адаптация сложных систем. Методы и приложения. Рига.: Зи-натне, 1981. 375 с.

93. Острейковский В.А. Анализ устойчивости и управляемости динамических систем методами теории катастроф: Учебное пособие. М.: Высшая школа, 2005. 326 с.

94. Эйген М., Шустер П. Гиперцикл. Принципы самоорганизации макромолекул. М.: Мир, 1982. 268 с.

95. Малышев Н.Г. Нечеткие модели для экспертных систем в САПР. / Н.Г. Малышев, Л.С. Берштейн, A.B. Боженюк. М.: Энергоатомиздат, 1991. 136 с.

96. Огарков М.А. Методы статистического оценивания параметров случайных процессов. М.: Энергоатомиздат, 1990. 206 с

97. Hastie Т., Tibshirani R., Friedman J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Second Edition // Publisher: Springer, 2017. 745 р

98. Аверин А.Н. и др. Нечеткие множества в моделях управления и искусственного интеллекта. / Под ред. Д.А. Поспелова. М.: Наука, 1986. 312 с

99. Franklin J. The elements of statistical learning: data mining, inference and prediction. The Mathematical Intelligencer, 2003. Vol. 27. P. 83-85.

100. Андрейчиков A.B., Андрейчикова О.Н. Анализ, синтез, планирование решений в экономике. М.: Финансы и статистика, 2000. 368 с.

101. DAMA-DMBOK: Свод знаний по управлению данными. Второе издание / Dama International [пер. с англ. Г. Агафонова]. М/: Олимп-Бизнес, 2020. 828 с.

102. Батыршин И.З., Недосекин А.О., Стецко A.A. и др. Нечеткие гибридные системы. Теория и практика. / Под ред. Н.Г. Ярушкиной. М.: ФИЗМАТ ЛИТ, 2007. 208 с.

103. Бенькович Е.С., Колесов Ю.Б., Сениченков Ю.Б. Практическое моделирование динамических систем. СПб.: БХВ-Петербург, 2002. 464 с.

104. Лукашин Ю. П. Адаптивные методы краткосрочного прогнозирования временных рядов: Учебное пособие. М.: Финансы и статистика, 2003. 416 с

105. Шлеер С., Меллор С. Объектно-ориентированный анализ: моделирование мира в состояниях/ Пер. с англ. Киев: Диалектика, 1993. 240 с.

106. Чуличков А.И. Математические модели нелинейной динамики. М.: ФИЗМАТЛИТ, 2003. 296 с.

107. Соложенцев Е.Д. Сценарное логико-вероятностное управление риском в бизнесе и технике. СПб.: Изд. дом «Бизнес-пресса», 2004. 432 с.

108. Казаков О.Д., Азаренко Н.Ю. Комбинирование методов машинного обучения и имитационного моделирования социально-экономических процессов в системах поддержки принятия решений // Вестник РГРТУ. 2020. №71. С. 97-107.

109. Bahar D. & Hausmann R., Hidalgo C. Neighbors and the Evolution of the Comparative Advantage of Nations: Evidence of International Knowledge Diffusion? // Journal of International Economics. 2013. Vol. 92. P. 111-123.

110. Roos G. Knowledge Management, Intellectual Capital, Structural Holes, Economic Complexity and National Prosperity // Journal of Intellectual Capital. 2017. Vol. 18(4). P. 745-770.

111. Казакова М.В., Любимов И.Л., Нестерова К.В., Гвоздева М.А. Сложность экономики и возможность диверсификации экспорта в российских регионах / Журнал Новой экономической ассоциации. 2017. № 2(34). 94-122 с.

112. Belova T.A. Econometric modeling and forecasting of macroeconomic indicators of foreign trade. // Young Scientist. 2016. № 6(110). 401-404.

113. Hastie T., Tibshirani R. and Friedman J. A note on Comparison of model selection for regression // Neural computation. 2003. №15(7). P. 1477-1480.

114. Абанина И.Н., Бардушкин В.В., Вуколов Э.А. и др. Теоретико-вероятностные и статистические методы и модели анализа внешнеэкономической деятельности предприятий / Под общ. ред. И. Н. Абаниной, А. М. Ревякина. М.: МГАДА, 2014. 214 с.

115. Ruth W., Loughin T. The Effect of Heteroscedasticity on Regression Trees. [Электронный ресурс] 2013. URL: http://arxiv.org/abs/1606.05273. (дата обращения: 21.03.2022).

116. Efron B. Bootstrap Methods: Another Look at the Jackknife // The Annals of Statistics. 1979. Vol. 7. № 1. P. 1-26.

117. Tibshirani R., Hastie Т. Margin trees for high-dimensional classification, Journal of Machine Learning Research. 2017. №8: 637-652.

118. Захаров, А.В., Харламов, А.В. К вопросу о применении имитационного моделирования методом Монте-Карло в задачах оценки фундаментальной стоимости объекта оценки // Имущественные отношения в Российской Федерации, 2010. № 5. 28-45 с.

119. Чепурных Н.В., Новоселов А.Л. Планирование и прогнозирование природопользования. М.: Интерпракс, 1995. 153 с.

120. Чепурных Н.В., Новоселов A. Л. Экономика и экология: развитие, катастрофы. М.: Наука, 1996. 271 с.

121. Gately Ed. Neural Networks for Financial Forecasting. Wiley, 1995. 208 p.

122. Нейлор Т.Г. Машинные имитационные эксперименты с моделями экономических систем. М.: Мир, 1975. 432 с.

123. Романов В.П. Интеллектуальные информационные системы в экономике: Учебное пособие / Под ред. Н.П. Тихомирова. М.: Издательство "Экзамен", 2003. 496 с.

124. Зиновьев В.И., Нестеров А.В. Интеграция множественной регрессии в алгоритмы интеллектуального анализа данных, для построения подсистем предиктив-ной аналитики, и принятия на их основе управленческих решений. // Естественные и Технические Науки, 2020. №10. С. 61-73.

125. Джон Форман. Много цифр: Анализ больших данных при помощи Excel. М.: Альпина Паблишер. 2016. 464 с.

126. Нидхем М., Ходлер Э. Графовые алгоритмы. Практическая реализация на платформах Apache Spark и Neo4j. / пер. с англ. В. С. Яценкова. М.: ДМК Пресс, 2020. 258 с.

127. Ямароне Ричард Э. Ключевые экономические индикаторы: руководство трейдера. М.: Интернет-трейдинг, 2004. 328 с.

128. Forecasting Trade Potential Between China and the Five Central Asian Countries: Under the Background of Belt and Road Initiative. / Huang R., Nie T., Zhu Y., Du S. // Computational Economics. 2020. № 55(4) P. 1233-1247.

129. Кравченко Н.А., Агеева С.Д. Диверсификация экономики: институциональные аспекты // Журнал институциональных исследований. 2017. № 4. С. 52-67.

130. Balland P.A., Rigby D. The Geography of Complex Knowledge // Economic Geography. 2017. Vol. 93(1). P. 1-23.

131. Kadochnikov S. M., Fedyunina A. A. Economic growth due to export externalities: a spatial econometric analysis for Russian regions, 2003-2008 // International Journal of Economic Policy in Emerging Economies. 2013. Vol. 6(4). P. 358-374.

132. Волошенко К.Ю., Дрок Т.Е., Фарафонова Ю.Ю. Экономическая сложность на субнациональном уровне - инновационная парадигма регионального развития // Вопросы инновационной экономики. 2019. Т. 9. № 3. С. 735-752.

133. Сахарова О. С. Экономико-математические модели индикативной оценки эффективности внешнеэкономической деятельности: автореферат дис. кандидата экономических наук: 08.00.13 / Сахарова Ольга Сергеевна; [Место защиты: Белгород. гос. нац. исслед. ун-т]. Белгород.: 2015. 23 с.

134. Суханова Е.И., Ширнаева С.Ю. Построение интервальных прогнозов эндогенных переменных одной эконометрической модели // Вестник Самарского государственного экономического университета. 2013. №2(100). С. 109-114.

135. Суханова Е.И., Ширнаева С.Ю. Gрогнозирование показателей стабилизационных процессов экономики россии на основе моделей векторной авторегрессии // Фундаментальные исследования. 2014. № 9-7. С. 1590-1595.

136. Dong, C.V., Truong, H.Q. The determinants of creative goods exports: Evidence from Vietnam. // Journal of Cultural Economics. 2020. № 44(2), P. 281-308.

137. Keogh G. A gravity model analysis of Irish merchandise goods exports under Brexit. // Journal of the Statistical and Social Inquiry Society of Ireland. 2019. № 48. P. 41-70.

138. Skvarciany V., Jureviciene D., Vidziunaite, S. The impact of Russia's import embargo on the EU countries' exports. // Economies. 2020. №8(3). 62.

139. Brauning F., Koopman S.J. The dynamic factor network model with an application to international trade. // Journal of Econometrics. 2020. 216(2). P. 494-515.

140. Pesaran M, Schuermann T., Smith L.V. Forecasting economic and financial variables with global VARs. // International Journal of Forecasting. 2009. vol. 25. issue 4. P. 642-675

141. Rodrik D. The Globalization Paradox: Democracy and the Future of the World Economy. // World Trade Review. 2011. № 10(03) P. 409-417.

142. Кисляков А.Н., Поляков С.В. Иерархические методы кластеризации в задаче поиска аномальных наблюдений на основе групп с нарушенной симметрией // Управленческое консультирование. 2020. № 5 (137). С. 116-127.

143. Кисляков А.Н. Асимметрия информации в задачах анализа социально-экономических процессов // Вестник НГУЭУ. 2020. № 1. С. 64-75.

144. Кисляков А.Н. Интеллектуальный анализ потребительского спроса в условиях информационной асимметрии / Современная экономика: проблемы и решения. 2019. № 10 (118). С. 8-17.

145. Кисляков А.Н. Модель поведения участников розничного рынка топлива в условиях информационной асимметрии / Экономические отношения. 2019. Т. 9. № 1. С. 219-234.

146. Кисляков А.Н., Тихонюк Н.Е. Модель ценообразования однородного рынка с учетом асимметричности информации / Инновационное развитие экономики. 2019. № 1 (49). С. 93-100.

147. Kislyakov A.N. Structuring advertising campaign costs considering the asymmetry of users' interests. // Business Informatics. 2020. vol. 14. №4. P. 7-18.

148. Рау В.Г., Кисляков А.Н., Тихонюк Н.Е., Рау Т.Ф. Принцип нарушения симметрии в моделях развития экономических систем // Региональная экономика: опыт и проблемы. Материалы XI международной научно-практической конференции (Гутманские чтения). Под общ. ред. А.И. Новиковаи А.Е. Илларионова. 2018. С. 201-211.

149. Тихонюк Н.Е., Кисляков А.Н. Экономические модели работы с асимметрией информации: эволюция подходов // Региональная экономика: опыт и проблемы. Материалы XI международной научно-практической конференции (Гутманские чтения). Под общ. ред. А.И. Новиковаи А.Е. Илларионова. 2018. С. 236-244.

150. Рау В.Г., Кисляков А.Н., Рау Т.Ф., Герасимов К.А. Математическая модель сборки дендримеров для нанофармакалогии // Физика и радиоэлектроника в медицине и экологии. Труды XIII Международной научной конференции с научной молодежной школой имени И.Н. Спиридонова. В 2-х книгах. 2018. С. 247-250.

151. Рау В.Г. и др. Исследование теории групп нарушенной симметрии в природных, биологических и социально-экономических системах // Рау В.Г., Горшков К.А., Поляков С.В., Рау Т.Ф., Кисляков А.Н., Тогунов И.А., Тихонюк Н.Е. коллективная монография / Владимир, 2020. 261 с.

152. Дерябина М.А. Теоретические и методологические основания самоорганизации социально-экономических систем. // Вопросы экономики. 2019. No 7. с. 73-94.

153. Баранов С. Г. Оценка стабильности развития. Методические подходы: учеб. пособие / С. Г. Баранов, Н. Е. Бурдакова; Владим. гос. ун-т им. А. Г. и Н. Г. Столетовых. Владимир: Изд-во ВлГУ. 2015. 72 с.

154. Okenna N.P. The Importance of International Trade to the Economies of Developing Countries. // International Journal of Economics and Management Science. 2020. Vol. 9. №5. P.1-5.

155. Гольцева А. Ю. Исследование рыночного графа российского фондового рынка в контексте структурной динамики [Электронный ресурс] // Новые информационные технологии в автоматизированных системах. 2014. №17. URL: https://cyber-leninka.ru/article/n/issledovanie-rynochnogo-grafa-rossiyskogo-fondovogo-rynka-v-kontekste-strukturnoy-dinamiki (дата обращения: 21.03.2022).

156. Strogatz S.H. Syncing: how order arises from chaos in the universe, nature and everyday life. Hachette Books, 2012. 352 p.

157. Symmetry-breaking predicates for search problems / Crawford J.M., Ginsberg M.L., Luks E.M., Roy A. // Proceedings of the KR, 1996. P. 148-159.

158. Garlaschelli D., Ruzzenenti F., Basosi R. Complex Networks and Symmetry I: A Review. // Symmetry. 2010. № 2. P. 1-27

159. Frisch A.M., Jefferson C., Miguel I. Constraints for breaking more row and column symmetries. // Lecture Notes in Computer Science, Springer, 2003. Vol. 2833, P. 318332.

160. Gent I.P., Smith B.M. Symmetry breaking in constraint programming. // Proceedings of the 14th European conference on artificial intelligence. Berlin: IOS Press. 2000. P. 599-603.

161. Shlyakhter I. Generating effective symmetry-breaking predicates for search problems. // Discrete Applied Mathematics, 2007. 155(12). P. 1539-1548.

162. Henniab K., Mezghani N., GouinVallerand C. Unsupervised Graph-Based Feature Selection Via Subspace and PageRank Centrality [Электронный ресурс], 2018. № 114, P. 46-53. URL: https://bit.ly/2HGON5B (дата обращения: 21.03.2022).

163. LibenNowell D., Kleinberg J. The Link Prediction Problem for Social Networks [Электронный ресурс] 2003, URL: https://www.cs.cornell.edu/home/kleinber/link-pred.pdf. (дата обращения: 21.03.2022).

164. Цыплаков А. Введение в моделирование пространства состояний. // И Квантиль. 2011. №9. С. 1-34.

165. Олифир Д.И. Городская агломерация как сложная самоорганизующаяся система с диссипативными свойствами // Известия Санкт-Петербургского государственного экономического университета. 2020. №1(121). С.73-78.

166. Mainzer K. Symmetry and Complexity: The Spirit and Beauty of Nonlinear Science. World Scientifc, Singapore, 2005. 448 p.

167. Albert R. Barabasi A.L. Statistical mechanics of complex networks // Rev. Modern Phys. 2002. №74(1). P. 47-97.

168. Saramaki J., Kivela M., Onnela J.-P., Kaski K., Kertesz J. Generalizations of the clustering coefficient to weighted complex networks. // Phys. Rev. E, 2007. №75, 027105.

169. Fagiolo G. Clustering in complex directed networks. // Phys. Rev. E, 2007, №76, 026107.

170. Garlaschelli D., Capocci A., Caldarelli G. Self-organized network evolution coupled to extremal dynamics. // Nat. Physics, 2007. №3. P. 813-817.

171. Чумак О.В. Энтропии и фракталы в анализе данных М.: Ижевск: НИЦ «Регу-ляторная и хаотическая динамика», Институт компьютерных исследований, 2011. 164 с.

172. Song C., Havlin S., Makse H.A. Self-similarity of complex networks. // Nature, 2005, № 433. P. 392-395.

173. West G.B., Brown J.H., Enquist B.J. The fourth dimension of life: fractal geometry and allometric scaling of organisms. // Science, 1999, № 284, 1677-1679.

174. Gross T., Sayama H. Adaptive Networks. Understanding Complex Systems. Springer/NECSI: Cambridge, Massachusetts (USA), 2009. 36 p

175. Wang H.; Yan G.; Xiao Y. Symmetry in world trade network. //J. Syst. Sci. Complex. 2009. №22. P. 280-290.

176. Fagiolo G., Reyes J., Schiavo S. World-trade web: Topological properties, dynamics, and evolution. // Phys. Rev. E, 2009. № 79. 036115.

177. Garlaschelli D., Loffredo M.I. Structure and evolution of the world trade network. // Physica A. 2005. №355. P. 138-144.

178. Дроговоз П.А., Леус Н.А. Мировые тенденции развития предиктивной аналитики больших данных в промышленной сфере // Экономика и предпринимательство. 2019. № 4. С. 168-176.

179. Hidalgo C.A., Klinger B., Barabasi A.-L., Hausmann R. The Product Space Conditions the Development of Nations // Science. Jul. 2007. Vol. 317, issue 5837. P. 482-487.

180. Бутенков С.А. Энтропийный подход к оценке качества гранулирования многомерных данных // Сб. трудов Одиннадцатой Национальной конференции по искусственному интеллекту с международным участием, Дубна. 2008. С. 331-340.

181. Малкина М.Ю., Балакин Р.В. Исследование концентрации и равномерности распределения налоговых поступлений в регионах Российской Федерации на основе индексов Херфиндаля-Хиршмана, Джини и Тейла. Налоги и Налогообложение. 2014. №11(11). С. 1010-1023.

182. Balassa B. "Revealed" comparative advantage revisited, // Trade Policy and Economic Development, New York University Press, NY, 1989. P. 63-79.

183. Hartmann D, Bezerra M., Lodolo B., and Pinheiro F. L., International Trade, Development Traps, and the Core-Periphery Structure of Income Inequality // SSRN Electronic Journal. 2019. 37 p.

184. Кисляков А.Н. Графовая кластеризация поведенческой активности пользователей продукта с учетом информационной асимметрии / Известия Юго-Западного государственного университета. Серия: Экономика. Социология. Менеджмент. 2020. Т. 10. № 3. С. 152-163.

185. Кисляков А.Н., Савельев И.И. Исследование математических методов анализа и оценки качества государственных и муниципальных услуг, предоставляемых в электронном виде / Экономика и управление: проблемы, решения. 2018. Т. 3. № 10. 48-52 с.

186. Никитин О.Р., Кисляков А.Н. Анализ информационного содержания цифровых многоспектральных изображений земной поверхности / Радиотехнические и телекоммуникационные системы. 2016. № 2 (22). С. 64-69.

187. Кисляков А.Н., Тихонюк Н.Е. Выбор метода сегментирования клиентской базы в условиях информационной асимметрии // Вестник Алтайской академии экономики и права. 2021. № 2. С. 46-52.; URL: https://vaael.ru/ru/article/view?id=1596 (дата обращения: 30.03.2021).

188. Filimonova M., Kislyakov A., Tikhonyuk N. Structural and Dynamic Modelling of the Regions' Foreign Trade Profile Based on Graph Cluster Analysis // STRATEGICA: Shaping the Future of Business and Economy. Bucharest, October 2021. P. 34-49.

189. Кисляков А.Н., Тихонюк Н.Е. Принцип нарушения симметрии в описании процессов эволюции социально-экономических систем // Материалы IX Международной научно-технической интернет-конференции, посвященной 100-летию Дон-НУЭТ «Современные тенденции развития математики и ее прикладные аспекты», Донецк. 2020. С. 71-75.

190. Кисляков А.Н. Графовые методы описания торгового профиля региона / Управленческое консультирование. 2022. №2 (принято решение о публикации)

191. Руус Й., Волошенко К. Ю., Дрок Т. Е., Фарафонова Ю. Ю. Анализ экономической сложности Калининградской области — выбор отраслевых приоритетов в новой парадигме создания ценности // Балтийский регион. 2020. Т. 12. № 1. С. 156180.

192. Белоцерковская М.Г. Кластеризация клиентской базы участников программы лояльности // Московский экономический журнал, 2017. № 2. С. 112-119.

193. Галямова А.Ф., Тархов С.В. Управление взаимодействием с клиентами коммерческой организации на основе методов сегментации и кластеризации клиентской базы // Вестник УГАТУ, 2014. Т. 18, № 4 (65). С. 149-156.

194. Журавлев В.Г. Самоподобный рост периодических разбиений и графов // Алгебра и анализ. 2001. №13. С. 69-92.

195. Замотайлова Д. А., Савинская Д. Н., Недогонова Т. А. Применение тренд-сезонных моделей для исследования и прогнозирования временных рядов. Современная Экономика: Проблемы и Решения, 2020. №12. С. 40-48.

196. Юкиш, В.Ф. Макроэкономическое прогнозирование, планирование и программирование: учеб. пособие / В.Ф. Юкиш. М.: МАДИ, 2016. 204 с.

197. Об утверждении методологии ведения статистики взаимной торговли товарами государств - членов евразийского экономического союза и методологии ведения таможенной статистики внешней торговли товарами государств - членов евразийского экономического союза // Коллегия евразийской экономической комиссии. Решение от 25 декабря 2018 г. N 210

198. Статистика внешней торговли Российской Федерации. // Федеральная Таможенная служба. [Электронный ресурс]. URL: http://stat.customs.gov.ru/unload.

199. Якимов В.Н. Шурганова Г.В. Черепенников В.В. Кудрин И.А. Ильин М.Ю. Методы сравнительной оценки результатов кластерного анализа структуры гидробиоценозов (на примере зоопланктона реки Линда Нижегородской обл.) // Биология внутренних вод. Издательство: РАН. 2016. № 2. C. 94-103.

200. Демидова Л.А., Степанов М.А. Подход к решению задачи выявления структурных трансформаций в группах временных рядов. Cloud of Science. 2019. Т. 6. № 2. С. 201-226

201. Печеный Е.А. Динамическая кластеризация потока больших данных/ Печеный Е.А., Нуриев Н.К., Старыгина С.Д. // Математические методы в технике и технологиях: сб. тр. междунар. науч. конф.: в 12 т. Т. 3/ под общ. ред. А.А. Большакова. СПб.: Изд-во Политехн. ун-та. 2019. С. 19-21.

202. Барский М.Е., Шиков А.Н. Исследование алгоритма поиска аномалий isolation forest / Фундаментальные и прикладные научные исследования: актуальные вопросы, достижения и инновации. Сб. статей XXIII Международной научно-практической конференции 5 мая 2019 г. Издательство: "Наука и Просвещение" (ИП Гуляев Г.Ю.) Пенза.: 2019. С.113-117.

203. Luo Y., Zhu J., Li M., Ren Y., Zhang B. Smooth neighbors on teacher graphs for semi-supervised learning. // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2018, P. 8896-8905.

204. Ivanchenko A. Graph isomorphism criterion based on resistance distance. University News. // North-Caucasian Region. Technical Sciences Series, 2020. №2, P. 13-18.

205. Dicks W., Dunwoody M. J., Groups Acting on Graphs, Cambridge Studies in Advanced Mathematics, Cambridge University Press, Cambridge, 1989. vol. 17. 283 p.

206. Lauri J., Scapellato R., Topics in Graph Automorphisms and Reconstruction, London Mathematical Society Student Texts, Cambridge University Press, Cambridge, 2003. vol. 54. 159 p.

207. Xiao Y., Xiong M., Wang W., Wang H., Emergence of Symmetry in Complex Networks, // Physical Review E. 2008. №77(6). 066108.

208. Fagiolo G., Reyes J., Schiavo S., On the topological properties of the world trade web: A weighted network analysis // Physical A, 2008. №387(15). P.3868-3873.

209. MacArthur B. D., Sanchez-Garcia R. J., Anderson J. W., Symmetry in complex networks, Discrete Applied Mathematics, 2008, №156(18). P. 3525-3531.

210. Algebraic Combinatorics in Mathematical Chemistry, Methods and Algorithms, II. Permutation Groups and Coherent (Cellular) Algebras / Klin M., Rcker Ch., Rcker G., Tinhofer G. // Technische UniversiAat MAunchen, MAunchen, 2010. 40 p.

211. Quotient networks: Structural skeletons of complex systems. / Xiao Y., MacArthur B.D., Wang H., Xiong M., Wang W. // Physical Review E, 2008 №78(4) 046102. p. 1-7

212. McKay B.D., Practical graph isomorphism, Congr. Numer., 1981. №30 P. 45-87.

213. Kassambara A. Practical Guide to Cluster Analysis in R: Unsupervised Machine Learning (Multivariate Analysis) (Volume 1) 1st Edition // Publisher: CreateSpace Independent Publishing Platform. 2017. 188 p.

214. Murtagh F., Contreras P. Methods of Hierarchical Clustering // Computing Research Repository (CORR). 2011. 21 p.

215. Aiello W., Chung F., Lu L. A random graph model for massive graphs // Proc. of the 32nd Annual ACM Symposium on Theory of Computing. 2000. P. 171-180.

216. Criminisi A., Shotton J. Decision Forests for Computer Vision and Medical Image Analysis. Springer, Proceedings of the 15th Annual International Conference on Intelligent Systems for Molecular Biology (ISMB) and Sixth European Conference on Computational Biology. 2013. 387 p.

217. Mishra B.K., Hazra D., Tarannum K., Kumar M. Business Intelligence using Data Mining techniques and Business Analytics // 5th International Conference on System Modeling & Advancement in Research Trends (SMART 2016), 25-27 November 2016, Moradabad, India. 2016. P. 84-89.

218. Zheng C. A novel classification tree based on local minimum Gini index and attribute partial order structure diagram. International Journal of Computer Applications in Technology, 2020. №64(1), P. 33-45.

219. Begon J.M., Joly A., Geurts P. Globally induced forest: a prepruning compression scheme. // In: International Conference on Machine Learning, 2017. P. 420-428.

220. De'ath G. Multivariate Regression Trees: A New Technique for Modeling Species-Environment Relationships. Ecology. 2002. No. 83. P. 1105-1117.

221. Wooldridge J. M. Introductory Econometrics - A Modern Approach // South-Western Pub. 2004. Ch.8. P.248-271

222. McInnes L., Healy J., Melville J. Umap: Uniform manifold approximation and projection for dimension reduction // The Journal of Open Source Software 2018. 3(29). P. 861.

223. Becht E. et al. Dimensionality reduction for visualizing single-cell data using UMAP //Nature biotechnology. 2019. Vol. 37. №1. P. 38-44.

224. Cheng, Q. Multifractal Modeling and Lacunarity Analysis. // Mathematical Geology. 1997. 29 (7). P. 919-932.

225. A study of effects of multicollinearity in the multivariable analysis. / Yoo W., May-berry R., Bae S., Singh K., He QP, Lillard Jr JW. // International journal of applied science and technology. 2014. Oct 4(5). P. 9-19.

226. Shreya Tripathi, Aditya Bhardwaj, Poovammal E. Approaches to Clustering in Customer Segmentation // International Journal of Engineering &Technology, 2018. №7(3.12). P. 802-807.

227. Королев О.Л. Применение энтропии при моделировании процессов принятия решений в экономике. Монография // О.Л. Королев, М.Ю. Куссый, А.В. Сигал / Под. ред. доц. А.В. Сигала. Симферополь.: Издательство «ОДЖАКЪ». 2013. 148 с.

228. Biro T. S., Neda Z. Gintropy: Gini Index Based Generalization of Entropy. Entropy. 2020. №22(8). 879 p.

229. Gower J.C. A General Coefficient of Similarity and Some of Its Properties. // Biometrics. 1971. №27. P. 857-871.

230. Frunza M.-Ch. Computing a standard error for the Gini Coefficient: an application to credit model validation // Journal of Risk Model Validation. 2013. Vol. 7. No. 1. P. 6182.

231. Li Y., Cai W., Li Y., Du X. Key Node Ranking in Complex Networks: A Novel Entropy and Mutual Information-Based Approach. Entropy, 2020. № 22. 52 p.

232. Kumar P., Sharma, D. A potential energy and mutual information based link prediction approach for bipartite networks. Scientific Reports. 2020. №10. 20659.

233. Tan F., Xia Y., Zhu, B. Link Prediction in Complex Networks: A Mutual Information Perspective. // PLOS ONE. 2014. № 9. e107056. P. 1-8.

234. Liben-Nowell D., Kleinberg J. The link-prediction problem for social networks. J Am Soc Inf Sci Technol. 2007. №58. P. 1019-1031

235. Омельяненко Я. Эволюционные нейросети на языке Python / пер. с анг. В. С. Яценкова. М.: ДМК Пресс. 2020. 310 с.

236. Giorgino T. Computing and Visualizing Dynamic Time Warping Alignments in R: The Dtw Package. // Journal of Statistical Software. 2009. 31 (7). P. 1-24.

237. Sarda-Espinosa A. Comparing Time-Series Clustering Algorithms in R Using the Dtwclust Package. 2019. P. 1-45.

238. Sakoe H., Chiba S. Dynamic programming algorithm optimization for spoken word recognition. // Transactions on ASSP. 1978. № 26. P. 43-49.

239. Data Mining for Business Analytics: Concepts, Techniques, and Applications in R. / Shmueli, G., P. C. Bruce, I. Yahav, N. R. Patel, K. C. Lichtendahl, Jr. 2018. 544 p.

240. Product complexity and economic development / Felipe J., Kumar U., Abdon A., Bacate M. // Structural Change and Economic Dynamics. 2012. Vol. 23(1). P. 36-68.

241. Decision Forests, Convolutional Networks and the Models in-Between. / Ioannou Y.A., Robertson D., Zikic D., Kontschieder P., Shotton J., Brown M., Criminisi A. // Microsoft Research Technical Report 2015-58. 2015. P.1-9.

242. Kalendjyan, S. O., Safonova, T.Y. Russian oil and gas industry development amid changing global consumption structure. // International Journal of Management. 2020. 11(5). P. 1195-1213

243. Knobel A., Firanchuk A. Monitoring of the economic situation in Russia. Trends and challenges of socio-economic development. [Электронный ресурс] 2020, URL: https://www.iep.ru/ru/doc/35814/vneshnyaya-torgovlya-rossii-v-2020-godu-predvaritel-nye-itogi.pdf (дата обращения: 21.03.2022)

244. Methodological Aspects of Assessment of Foreign Economic Activity in Coal Mining Regions / Kudryashova I., Dolbnya E., Zakharova N, Loginova A. // E3S Web of Conferences. 2020 Vol. 174, 04032.

245. Магомадов Э.М., Муртазалиева А.Х. Использование экономико-математических моделей в условиях цифровой трансформации экономических отношений. 2020. 202003, (141).

246. Мамий Е.А., Яхимович Е.С. Современные подходы к оценке рисков инвестиционных проектов // Экономика и бизнес: теория и практика, 2018. №5. том 1. С. 155-160.

247. Mealy P., Farmer J. D., Teytelboym A. Interpreting economic complexity // Science Advances. 09 Jan 2019. 2019. Vol. 5, № 1, eaau1705.

248. Gao J., Zhou T. Quantifying China's regional economic complexity // Physica A: Statistical Mechanics and Its Applications. 2018. Vol. 492, February 2018. P. 1591-1603.

249. Кисляков А.Н. Показатели асимметрии в задачах изучения поведенческой активности пользователей продукта / Известия Санкт-Петербургского государственного экономического университета. 2020. № 3 (123). С. 110-116.

250. Кисляков А.Н. Оценка эффективности рекламной кампании в социальных сетях с использованием методов имитационного моделирования / Экономика и управление: проблемы, решения. 2019. Т. 5. № 3. С. 20-26.

251. Никитин О.Р. Кисляков А.Н. Метод иерархической кластеризации цифровых многоспектральных изображений в задачах экологического мониторинга // Радиотехнические и телекоммуникационные системы. 2021. № 4. С. 49-57.

252. Nikitin O.R., Kislyakov A.N. Fractal analysis of information content of multispec-tral images in problems of ecological monitoring // Theoretical and Applied Ecology. 2019. No 2. P. 32-38.

253. Kislyakov A., Tikhonuyk N. Principles for Development of Predictive Stability Models of Social and Economic Systems on the basis of DTW [Электронный ресурс] // E3S Web of Conferences. 2020. Vol. 208. Art. No. 08001. URL: https://www.e3s-con-ferences.org/articles/e3sconf/pdf/2020/68/e3sconf_ift2020_08001 .pdf (дата обращения 21.03.2022) (1,0 п.л. / 0,5 п.л.).

254. Кисляков А.Н. Фрактальный анализ в задачах прогнозирования социально-экономических процессов // Новая экономика и региональная наука. 2018. № 1 (10). С. 36-39.

255. Кисляков А.Н. Использование фрактальной размерности в техническом анализе рынка криптовалют // Ученые записки. 2018. № 1 (25). С. 101-105.

256. Кисляков А.Н. Влияние фильтрации Фурье на точность прогноза социально-экономических показателей // Ученые записки. 2017. № 2 (22). С. 78-82.

257. Кисляков А.Н. Имитационное моделирование деятельности многофункциональных центров предоставления государственных и муниципальных услуг // Ученые записки. 2017. № 3 (23). С. 21-24.

258. Кисляков А.Н. Модель информационного взаимодействия в сфере туризма на региональном уровне // Ученые записки. 2017. № 1 (21). С. 3.

259. Никитин О.Р., Кисляков А.Н. Показатели симметрии в кластерном анализе сложных систем // Физика и радиоэлектроника в медицине и экологии -ФРЭМЭ'2020. Труды XIV Международной научной конференции с научной молодежной школой им. И.Н. Спиридонова. 2020. С. 168-172.

260. Кисляков А.Н. Показатели асимметрии в описании сложных взаимодействий социально-экономических систем // Региональная экономика: опыт и проблемы. материалы XIII Международной научно-практической конференции. Владимир.: 2020. С. 94-104.

261. Кисляков А.Н. Фрактальный метод идентификации личности по цифровым изображениям отпечатков пальцев // Перспективные технологии в средствах передачи информации - ПТСПИ-2017. Материалы 12-ой международной научно-технической конференции, в 2-х томах. 2017. С. 200-204.

262. Monar C. Interpretable Machine Learning: A Guide for Making Black Box Models Explainable. [Электронный ресурс]. 2022. URL: https://christophm.github.io/interpret-able-ml-book/ (дата обращения: 21.03.2022)

263. Why Should I Trust You?: Explaining the Predictions of Any Classifier. / Tulio R.M., Singh S., Guestrin C. // In Proceedings of the 22nd Acm Sigkdd International Conference on Knowledge Discovery and Data Mining, 2016. P. 35-44.

264. Атлас экономической специализации регионов России / В. Л. Абашкин, Л. М. Гохберг. Я. Ю. Еферин и др.; под ред. Л. М. Гохберга, Е. С. Куценко; Нац. исслед. ун-т «Высшая школа экономики». М.: НИУ ВШЭ. 2021. 264 с. 150 экз. - ISBN 9785-7598-2379-7 (в обл.).

265. Саликов Ю.А., Вандышева С.В., Смарчкова Л.В., Чудакова Е.А. Использование кластерного подхода в развитии промышленности региона // Вестник Воронежского государственного университета инженерных технологий. 2018. №80(4). P. 493-498.

266. Гончарова Е.А. Тенденции развития высокотехнологичного малого бизнеса в системе социально-экономической безопасности в регионах России // Экономическая безопасность. 2020. № 2. С. 219-232.

267. Canty A., Ripley B.D. boot: Bootstrap R (S-PLUS) Functions. R package version 1.2-35, [Электронный ресурс]. 2009. URL http://CRAN.R-project.org/package=boot (дата обращения: 21.03.2022).

268. Nielsen F. Introduction to HPC with MPI for Data Science // Springer International Publishing, 2016. 282 p.

269. Грибанова Е.Б., Каштанова О.В., Мицель А.А. Система имитационного моделирования торгов, проходящих в форме аукциона // Доклады ТУСУРа. 2007. № 1(15). C. 63-70.

270. Наливкин Д. В. Использование последовательных методов Монте-Карло для оценивания рисков на финансовых рынках // Управление большими системами. 2008. № 21. С.71-83.

271. Дедова М.С. Сравнение методов бутстрапа временных рядов для целей бэкте-стирования моделей оценки банковских рисков. Экономический журнал ВШЭ. 2018. Т. 22. № 1. С. 84-109.

272. Vinod H.D. Maximum Entropy Ensembles for Time Series Inference in Economics // Journal of Asian Economics. 2006. Vol. 17. № 6. P. 955-978.

273. Vinod H.D. Maximum Entropy Bootstrap Algorithm Enhancements. [Электронный ресурс] // Available at SSRN. 2013. URL: https://ssrn.com/abstract=2285041. (дата обращения: 21.03.2022).

274. Vinod H.D., Lopez-de-Lacalle J. Maximum Entropy Bootstrap for Time Series: The meboot R Package // Journal of Statistical Software. 2009. Vol. 29. № 5. P. 1-19.

275. Theil H. The symmetric maximum entropy distribution // Economics Letters, Elsevier. 1980. vol. 6(1). P. 53-57.

276. Federated machine learning: Concept and applications. / Yang Q., Liu Y., Chen T., Tong Y. // ACM Transactions on Intelligent Systems and Technology (TIST). 2019. vol. 10. №2. P. 1-19.

277. Federated learning of deep networks using model averaging / McMahan H.B., Moore E., Ramage D., Arcas B.A. y. [Электронный ресурс], 2016. URL: https://arxiv.org/pdf/1602.05629v1.pdf. (дата обращения: 21.03.2022).

278. Zhu H., Jin Y., Multi-objective evolutionary federated learning. // IEEE transactions on neural networks and learning systems. 2019. vol. 31. № 4, P. 1310-1322.

279. Federated learning in mobile edge networks: A comprehensive survey. / Lim W. Y. B., Luong N. C., Hoang D. T., Jiao Y., Liang Y.-C., Q. Yang, Niyato D., Miao C.// IEEE Communications Surveys & Tutorials. 2020. P. 2031-2063.

280. A secure federated transfer learning framework. / Liu Y., Kang Y., Xing C., Chen T., Yang Q. // IEEE Intelligent Systems. 2020. P. 70-82.

281. Казаков О.Д., Михеенко О.В. Трансфертное обучение и доменная адаптация на основе моделирования социально-экономических систем // Бизнес-информатика. 2020. Т. 14. № 2. С. 7-20.

282. Unsupervised deep transfer learning-based change detection for hr multispectral images. / Saha S., Solano-Correa Y. T., Bovolo F., Bruzzone L. // IEEE Geoscience and Remote Sensing Letters. 2020. P.1-5.

283. Казаков О.Д., Азаренко Н. Ю. Комбинирование методов машинного обучения и имитационного моделирования социально-экономических процессов в системах поддержки принятия решений // Вестник РГРТУ. 2020. №71. С. 97-107

284. Privacy-preserving deep learning via additively homomorphic encryption. / Aono Y., Hayashi T., Wang L., Moriai S. et al. // IEEE Transactions on Information Forensics and Security. 2017. vol. 13. №5. P. 1333-1345.

285. Time Series Data Augmentation for Deep Learning / Wen Q., Sun L., Song X., Gao J., Wang X., Xu H. // Proceedings of the Thirtieth International Joint Conference on Artificial Intelligence (IJCAI-21) Survey Track. 2020. P 4653-4660.

286. Smooth neighbors on teacher graphs for semi-supervised learning. / Luo Y., Zhu J., Li M., Ren Y., Zhang B. // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2018. P. 8896-8905.

287. Randaugment: Practical automated data augmentation with a reduced search space. / Cubuk E.D., Zoph B., Shlens J., Le Q.V. // IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW). 2019. P.1-13.

288. Murtagh F. Methods of Hierarchical Clustering [Электронный ресурс]. 2011. P. 121. URL: https://arxiv.org/pdf/1105.0121.pdf (дата обращения: 21.03.2022).

289. Attention is all you need. / Vaswani A., Shazeer N., Parmar N., Uszkoreit J., Jones L., Gomez A.N., Kaiser L., Polosukhin I. //Advances in neural information processing systems. 2017. P. 5998-6008.

290. FeatMatch: Feature-Based Augmentation for Semi-Supervised Learning C.W. Kuo, C.Y. Ma, J.B. Huang, Z. Kira. // European Conference on Computer Vision ECCV 2020. 2020. P 479-495.

291. On mixup training: Improved calibration and predictive uncertainty for deep neural networks. / Thulasidasan, S., Chennupati, G., Bilmes, J.A., Bhattacharya, T., Michalak S. // Advances in Neural Information Processing Systems. 2019. P. 13888-13899.

292. A Deep Dive into H2O's AutoML [Электронный ресурс]: https://www.h2o.ai/blog/a-deep-dive-into-h2os-automl/ (дата обращения: 21.03.2021).

293. Кисляков А.Н. Имитационное моделирование оптимальной цены предложения в контрактной системе государственных и муниципальных закупок / Управленческое консультирование. 2019. № 5 (125). С. 53-62.

294. Кисляков А.Н. Метод виртуального увеличения выборки при прогнозировании редких продаж в условиях информационной асимметрии/ Вестник Алтайской академии экономики и права. 2019. № 1-2. С. 47-54.

295. Никитин О.Р., Кисляков А.Н. Метод идентификации личности по цифровым изображениям отпечатков пальцев / Радиотехнические и телекоммуникационные системы. 2017. № 4 (28). С. 52-57.

296. Кисляков А.Н. Бутстрэп-регрессия на основе максимума энтропии в задачах прогнозирования социально-экономических показателей / Прикладная математика и вопросы управления 2021. №1. С. 156-173.

297. Кисляков А.Н. Концепция признаковой аугментации для обеспечения конфиденциальности данных в моделях трансфертного обучения // Материалы международной научно-практической конференции Проблемы информационной безопасности государства, общества и личности 7 октября 2021 года. 2021. С.76-87.

298. Кисляков А.Н. Методы и инструменты анализа данных в экономике и управлении: Учеб. пособие. Владимир.: Владимирский филиал федерального государственного бюджетного образовательного учреждения высшего образования "Российская академия народного хозяйства и государственной службы при Президенте Российской Федерации. 2019.

299. Кисляков А.Н. Методы и модели оптимизации в экономике и управлении: Учеб. пособие. Владимир.: Владимирский филиал федерального государственного бюджетного образовательного учреждения высшего образования "Российская академия народного хозяйства и государственной службы при Президенте Российской Федерации. 2018.

300. Кисляков А.Н., Поляков С.В. Основы математического моделирования социально-экономических процессов: учебно-методическое пособие Владимир.: Владимирский филиал федерального государственного бюджетного образовательного учреждения высшего образования "Российская академия народного хозяйства и государственной службы при Президенте Российской Федерации. 2017.

301. Кисляков А.Н. Программа для ЭВМ: Программное обеспечение для прогнозирования экономических показателей с использованием бутстрап-регрессии на основе максимума энтропии, регистрационный № 2021611745 от 04.02.2021.

302. Кисляков А.Н. Программа для ЭВМ: Программное обеспечение для прогнозирования признаковой аугментации данных, представленных в виде временных рядов, регистрационный № № 2021660685 от 30.06.2021.

303. Кисляков А.Н. Алгоритм бинарной классификации на основе графов принятия решений в задачах кредитного скоринга / Модели, системы, сети в экономике, технике, природе и обществе, 2021. № 1 (37). С. 29-41.

304. Кисляков А.Н., Тихонюк Н.Е. Маркетинговое использование методов машинного обучения: обзор направлений применения // Экономика и предпринимательство. 2021. № 3 (128). С. 653-657.

305. Кисляков А.Н. Проблемы построения прогностических моделей показателей внешнеэкономической деятельности предприятий текстильной промышленности // Известия высших учебных заведений. технология текстильной промышленности. 2021. №4(394), С. 37-42

306. Кисляков А.Н., Филимонова Н.М., Омарова Н.Ю. Разработка прогностических моделей социально-экономических систем на основе деревьев решений с многомерным откликом // Международная научно-практическая конференция «Россия 2020 - новая реальность: экономика и социум» / Новгородский государственный университет им. Ярослава Мудрого.

307. Кисляков А.Н. Прикладные аспекты использования автоматизированного машинного обучения для создания прогностических моделей социально-экономических показателей // Региональная экономика: опыт и проблемы. Материалы XI

международной научно-практической конференции (Гутманские чтения). Под общ. ред. А.И. Новикова и А.Е. Илларионова. 2021. С. 193-204

308. Кисляков А.Н. Особенности построения прогностических моделей внешнеэкономической деятельности в рамках международного сотрудничества стран ЕАЭС // МЕМЛЕКЕТТ1К БАС^АРУ ЖЭНЕ МЕМЛЕКЕТТ1К ^ЫЗМЕТ Хальщара-льщ гылыми-талдау журналы №2 (77) 2021. С. 85-94.

309. Kislyakov A.N., Tikhonyuk N.E., Filimonova N.M., Kochanov D.V., Susina A.A. Method of Complex Analysis of Time Series to Predict the Dynamics of Changes in Product Groups in Foreign Economic Activity. In: Popkova E.G. (eds) Imitation Market Modeling in Digital Economy: Game Theoretic Approaches. ISC 2020. Lecture Notes in Networks and Systems, Springer, Cham. 2020. vol 368. P. 408-415.

310. Кисляков А.Н. Программа для ЭВМ: Программное обеспечение для прогнозирования экономических показателей с использованием бутстрап-регрессии на основе максимума энтропии, регистрационный № 2021611745 от 04.02.2021.

311. Кисляков А.Н. Программа для ЭВМ: Программное обеспечение для прогнозирования признаковой аугментации данных, представленных в виде временных рядов, регистрационный № 2021660685 от 30.06.2021.

312. Кисляков А.Н., Тихонюк Н.Е., Кочанов Д.В., Сусина А.А. Программа для ЭВМ: Программное обеспечение для создания рейтинга перспективных экспортных товаров региона регистрационный № 2022611622 от 28.01.2022.

313. Кисляков А.Н., Тихонюк Н.Е. Построение прогностических моделей развития экспортного потенциала сельского хозяйства владимирской области // Journal of Agriculture and Environment. 2022. №1(21). С. 20-27.

314. Кисляков А.Н. Эволюционный подход к управлению развитием внешнеэкономической деятельности регионов // Мягкие измерения и вычисления. 2022. №2(51). С. 58-68.

315. Кисляков А.Н. Отбор признаков для использования в моделях предиктивной аналитики внешнеэкономической деятельности регионов // Прикладная математика и вопросы управления. 2022. № 1 С. 176-195.

Приложение А

Графы по товарным группам и странам-партнерам для экспорта и импорта товаров на примере Владимирской области

а

б

Рисунок А.1 - Эволюционная изменчивость структуры экспорта по группам

товаров за 2016 (а) и 2017 (б) годы

а б

Рисунок А.2 - Эволюционная изменчивость структуры экспорта по группам

товаров за 2018 (а) и 2019 (б) годы

а б

Рисунок А.3 - Эволюционная изменчивость структуры экспорта по группам

товаров за 2020 (а) и 2021 (б) годы

* Зеленым цветом выделены вершины, характеризующие приоритетные направления эволюционной изменчивости структуры региональных внешнеэкономических связей

Таблица А.1 - Приоритетные группы товаров, формирующие структуру экспорта

Код ТН ВЭД (2 знака) Расшифровка Приоритетные направления

2016 2017 2018 2019 2020 2021

70 Стекло и изделия из него V V V V

21 Разные пищевые продукты V V V V

19 Готовые продукты из зерна злаков, муки, крахмала или молока; мучные кондитерские изделия V V V V

84 Реакторы ядерные, котлы, оборудование и механические устройства; их части V V V V

16 Готовые продукты из мяса, рыбы или ракообразных, моллюсков или прочих водных беспозвоночных V V V

09 Кофе, чай, мате, или парагвайский чай, и пряности V V V

44 Древесина и изделия из нее; древесный уголь V V V

76 Алюминий и изделия из него V V V

86 Железнодорожные локомотивы или моторные вагоны трамвая, подвижной состав и их части; путевое оборудование ... V V V

40 Каучук, резина и изделия из них V V

56 Вата, войлок или фетр и нетканые материалы; специальная пряжа; бечевки, веревки, канаты и тросы и изделия из них V V

27 Топливо минеральное, нефть и продукты их перегонки; битуминозные вещества; воски минеральные V V

39 Пластмассы и изделия из них V V

28 Продукты неорганической химии; соединения неорганические или органические драгоценных металлов, редкоземельных металлов, радиоактивных элементов или изотопов V V

03 Рыба и ракообразные, моллюски и прочие водные беспозвоночные V V

35 Белковые вещества; модифицированные крахмалы; клеи; ферменты V V

а

б

Рисунок А.4 - Эволюционная изменчивость структуры экспорта по странам

за 2016 (а) и 2017 (б) годы

а

б

Рисунок А.5 - Эволюционная изменчивость структуры экспорта по странам

за 2018 (а) и 2019 (б) годы

а б

Рисунок А.6 - Эволюционная изменчивость структуры экспорта по странам

за 2020 (а) и 2021 (б) годы

Таблица А.2 - Приоритетные страны-партнеры, формирующие структуру экс-

порта

Коды стран Наименование Входит в список недружественных государств** Приоритетные направления

2016 2017 2018 2019 2020 2021

БУ БЕЛАРУСЬ V V V V V V

кг КАЗАХСТАН V V V V V

МБ МОЛДОВА, РЕСПУБЛИКА V V V

АБ АБХАЗИЯ V V V

иг УЗБЕКИСТАН V V

Бв ЕГИПЕТ V V

8А САУДОВСКАЯ АРАВИЯ V V

кв КИРГИЗИЯ V V

АМ АРМЕНИЯ V V

СО КОЛУМБИЯ V V

ИА УКРАИНА да V V V V V

8Б ШВЕЦИЯ да V V V

ББ ГЕРМАНИЯ да V V V

ББ ЭСТОНИЯ да V V V

Бв БОЛГАРИЯ да V V

сг ЧЕХИЯ да V V

вБ СОЕДИНЕННОЕ КОРОЛЕВСТВО да V V

БК ДАНИЯ да V V

** В соответствии с Распоряжением Правительства РФ от 5 марта 2022 года №430-р

а

б

Рисунок А.7 - Эволюционная изменчивость структуры импорта по группам

товаров за 2016 (а) и 2017 (б) годы

Рисунок А.8

а б

- Эволюционная изменчивость структуры импорта по группам товаров за 2018 (а) и 2019 (б) годы

а б

Рисунок А.9 -Эволюционная изменчивость структуры импорта по группам

товаров за 2020 (а) и 2021 (б) годы

Таблица А.3 - Приоритетные группы товаров, формирующие структуру импорта

Код Расшифровка Приоритетные направления

ТН

ВЭД (2 2016 2017 2018 2019 2020 2021

знака)

Вата, войлок или фетр и нетканые материалы; специальная