ЕКОНОМІКО-МАТЕМАТИЧНЕ МОДЕЛЮВАННЯ: СИНЕРГІЯ АНАЛІТИКИ, МЕНЕДЖМЕНТУ ТА ШТУЧНОГО ІНТЕЛЕКТУ
Анотація
Розглянуто економіко-математичне моделювання як системний інструмент прийняття управлінських рішень у цифровізованому середовищі, з акцентом на інтеграцію бізнес-аналітики та технологій штучного інтелекту (ШІ). Мета статті полягає у теоретико-методологічному обґрунтуванні принципів, структур і алгоритмів сучасного економіко-математичного моделювання, здатного забезпечити адаптивне управління соціально-економічними системами у повоєнний час. Досягнення поставленої мети забезпечено шляхом використання комплексу методів дослідження: аналізу, синтезу, порівняння, узагальнення та формалізації. Було систематизовано сучасні програмні засоби, які підтримують реалізацію моделей у прикладному бізнес-аналізі. Здійснено порівняльний огляд традиційних математичних методів та новітніх AI-підходів, що використовуються в економіці та менеджменті для підтримки прийняття рішень. Визначено, що синергія математичного моделювання, цифрової аналітики та ШІ підвищує ефективність управлінських рішень, дозволяє знижувати вплив людського чинника, виявляти латентні закономірності в масивах даних і створювати адаптивні системи управління.
Посилання
Прокопенко Н., Круш К.-К. Економіко-математичне моделювання стратегічної зрілості проєктного управління підприємств енергетичної галузі. Економіка та суспільство. 2025. № 74. DOI: https://doi.org/10.32782/2524-0072/2025-74-3
Гур’янова Л. С., Пушкар О. І., Панасенко О. В., Орлова А. О. Моделювання динаміки ринку в умовах цифрової економіки. Бізнес Інформ. 2025. № 2. С. 284–294. DOI: https://doi.org/10.32983/2222-4459-2025-2-284-294.
Янковий О. Г. Латентні ознаки в економіці: монографія. Одеса: Атлант, 2015. 268 с.
Якімова Н. А. Математичні методи прогнозування в економіці та бізнесі. Одеса: ОНУ ім. І. І. Мечникова. 2024. 211 с.
Дудник О. Економіко-математичне моделювання як інструмент прогнозування впровадження стратегій розвитку в аграрному секторі. Modeling the Development of the Economic Systems. 2025. № 2. С. 52–59.
Куперман В. В. Багатовимірний статистичний метод побудови глобального критерію оптимальності виробничої програми. Вісник соц.-екон. Досліджень ОНЕУ. 2012. № 45. С. 126–131.
Chepurna O., Cherevko Y., Kuleshova Y. On Information Geometry Methods for Data Analysis. Geometry, Integrability and Quantization. 2024. Vol. 29. P. 11–22. DOI: https://doi.org/10.7546/giq-29-2024-11-22
Babii A., Ghysels E., Striaukas J. Machine Learning in Macroeconomics and Finance. SSRN. No. 4547321. DOI: https://doi.org/10.2139/ssrn.4547321
Oancea B. Advancing GDP Forecasting Using Deep Learning. arXiv preprint. 2025. URL: https://arxiv.org/abs/2502.19807 (дата звернення: 20.07.2025).
Sharma P. An Application of AI Models in Macroeconomic Analysis and Forecasting. IJSRD. 2024. Vol. 12(5). URL: https://ijsdr.org/papers/IJSDR2412051.pdf (дата звернення: 20.07.2025).
Manshur Al Ahmad A. S., et al. Distributed Macroeconomic Modeling Using AI.. EAI Endorsed Transactions. 2023. DOI: https://doi.org/10.4108/eetsis.4452 (дата звернення: 20.07.2025).
Chen Q. et al. Can AI Master Econometrics? MetaGPT for Structured Macroeconomic Analysis. 2025. arXiv preprint. URL: https://arxiv.org/abs/2506.00856 (дата звернення: 20.07.2025).
Ramaharo F., Rasolofomanana G. GDP Nowcasting for Madagascar Using ML. 2023. arXiv preprint. URL: https://arxiv.org/abs/2401.10255 (дата звернення: 20.07.2025).
Alexeeva A. et al. Deep Reinforcement Learning Control of Macroeconomic Chaos. 2023. arXiv preprint. URL: https://arxiv.org/abs/2302.12019 (дата звернення: 20.07.2025).
Wamba S. F., Kala Kamdjoug J. R., Akter S. et al. How artificial intelligence and big data analytics can support sustainable development goals (SDGs): A comprehensive literature review. Technological Forecasting and Social Change. 2023. Vol. 190. DOI: https://doi.org/10.1016/j.techfore.2023.122369
Guo Y., Tang J., Ye X., et al. A hybrid machine learning approach for financial risk prediction. Expert Systems with Applications. 2024. Vol. 232. DOI: https://doi.org/10.1016/j.eswa.2023.121239
Kaelbling L. P., Littman M. L., Moore A. W. Reinforcement Learning: A Survey. Journal of Artificial Intelligence Research. 1996. Vol. 4. DOI: https://doi.org/10.1613/jair.301
Francois-Lavet V., Henderson P., Islam R. et al. An Introduction to Deep Reinforcement Learning. Foundations and Trends in Machine Learning. 2018. Vol. 11(3–4). DOI: https://doi.org/10.1561/2200000071
Prokopenko N., Krush K. (2025). Ekonomiko-matematychne modeliuvannia stratehichnoi zrilosti proiektnoho upravlinnia pidpryiemstv enerhetychnoi haluzi [Economic and Mathematical Modeling of Strategic Maturity of Project Management in Energy Enterprises]. Ekonomika ta suspilstvo – Economy and Society, vol. 74. DOI: https://doi.org/10.32782/2524-0072/2025-74-3 (in Ukrainian), (accessed July 20, 2025)
Huriianova L. S., Pushkar O. I., Panasenko O. V., Orlova A. O. (2025). Modeliuvannia dynamiky rynku v umovakh tsyfrovoi ekonomiky [Market Dynamics Modeling in the Digital Economy]. Biznes Inform – Business Inform, vol. 2, pp. 284–294. DOI: https://doi.org/10.32983/2222-4459-2025-2-284-294 (in Ukrainian), (accessed July 20, 2025)
Yankovyi O. H. (2015). Latentni oznaky v ekonomitsi: monohrafiia [Latent Features in the Economy: Monograph]. Odesa: Atlant, 268 p. (in Ukrainian)
Yakimova N. A. (2024). Matematychni metody prohnozuvannia v ekonomitsi ta biznesi [Mathematical Forecasting Methods in Economics and Business]. Odesa: ONU im. I. I. Mechnykova, 211 p. (in Ukrainian)
Dudnyk O. (2025). Ekonomiko-matematychne modeliuvannia yak instrument prohnozuvannia vprovadzhennia stratehii rozvytku v ahrarnomu sektori [Economic and Mathematical Modeling as a Tool for Forecasting Strategy Implementation in the Agricultural Sector]. Modeling the Development of the Economic Systems, vol. 2, pp. 52–59. (in Ukrainian)
Kuperman V. V. (2012). Bahatovymirnyi statystychnyi metod pobudovy hlobalnoho kryteriiu optymalnosti vyrobnychoi prohramy [Multivariate Statistical Method for Constructing a Global Optimality Criterion for the Production Program]. Visnyk sots.-ekon. doslidzhen – Bulletin of Socio-Economic Research, vol. 45, pp. 126–131. (in Ukrainian)
Chepurna O., Cherevko Y., Kuleshova Y. (2024). On Information Geometry Methods for Data Analysis. Geometry, Integrability and Quantization, vol. 29, pp. 11–22. DOI: https://doi.org/10.7546/giq-29-2024-11-22
Babii A., Ghysels E., Striaukas J. (2023). Machine Learning in Macroeconomics and Finance. SSRN. No. 4547321. DOI: https://doi.org/10.2139/ssrn.4547321 (accessed July 20, 2025)
Oancea B. (2025). Advancing GDP Forecasting Using Deep Learning. arXiv preprint. Available at: https://arxiv.org/abs/2502.19807 (accessed July 20, 2025)
Sharma P. (2024). Machine Learning Models in Macroeconomics. International Journal of Scientific Development and Research – IJSRD, vol. 12(5). Available at: https://ijsdr.org/papers/IJSDR2412051.pdf (accessed July 20, 2025)
Manshur Al Ahmad A. S., et al. (2023). Distributed Macroeconomic Modeling Using AI. EAI Endorsed Transactions on Scalable Information Systems. DOI: https://doi.org/10.4108/eetsis.4452 (accessed July 20, 2025)
Chen Q., et al. (2025). Can AI Master Econometrics? MetaGPT for Structured Macroeconomic Analysis. arXiv preprint. Available at: https://arxiv.org/abs/2506.00856 (accessed July 20, 2025)
Ramaharo F., Rasolofomanana G. (2023). GDP Nowcasting for Madagascar Using ML. arXiv preprint. Available at: https://arxiv.org/abs/2401.10255 (accessed July 20, 2025)
Alexeeva A., et al. (2023). Deep Reinforcement Learning Control of Macroeconomic Chaos. arXiv preprint. Available at: https://arxiv.org/abs/2302.12019 (accessed July 20, 2025)
Wamba S. F., Kala Kamdjoug J. R., Akter S., et al. (2023). How Artificial Intelligence and Big Data Analytics Can Support Sustainable Development Goals (SDGs): A Comprehensive Literature Review. Technological Forecasting and Social Change, vol. 190. DOI: https://doi.org/10.1016/j.techfore.2023.122369
Guo Y., Tang J., Ye X., et al. (2024). A Hybrid Machine Learning Approach for Financial Risk Prediction. Expert Systems with Applications, vol. 232. DOI: https://doi.org/10.1016/j.eswa.2023.121239
Kaelbling L. P., Littman M. L., Moore A. W. (1996). Reinforcement Learning: A Survey. Journal of Artificial Intelligence Research, vol. 4. DOI: https://doi.org/10.1613/jair.301
Francois-Lavet V., Henderson P., Islam R., et al. (2018). An Introduction to Deep Reinforcement Learning. Foundations and Trends in Machine Learning, vol. 11(3–4). DOI: https://doi.org/10.1561/2200000071
