Целью исследования явился анализ эволюции методов построения рекомендательных систем и подходов к оценке их качества в условиях многокритериальности и изменяющихся пользовательских предпочтений. В ходе работы рассмотрены основные этапы развития рекомендательных технологий, систематизированы современные алгоритмы и архитектуры, включая гибридные, нейросетевые и графовые модели. Особое внимание уделено методам оценки качества рекомендаций и классификации метрик, отражающих точность, уровень ранжирования, разнообразие и ресурсную эффективность по группам. В статье также показано, что ориентации исключительно на метрики точности для адекватной оценки результативности рекомендательных систем недостаточно. Авторы исследования рассмотрели ключевые методологические проблемы, включая холодный старт, разреженность данных и необходимость баланса между точностью и разнообразием рекомендаций, и сделали вывод о целесообразности комплексного многокритериального подхода к оценке рекомендательных систем. Результаты исследования могут быть использованы научными работниками, разработчиками рекомендательных систем, специалистами в области машинного обучения и анализа данных, а также представителями бизнеса при выборе и оценке эффективности рекомендательных алгоритмов.
Идентификаторы и классификаторы
- SCI
- Экономика
Важным вызовом также становится необходимость поиска баланса между точностью рекомендаций и их разнообразием. Системы, ориентированные исключительно на максимизацию точности, часто приводят к ограничению кругозора пользователей и способствуют возникновению «информационного пузыря». Поэтому в последние годы особое внимание уделяется подходам, которые обеспечивают баланс, стимулируя потребителей к изучению нового и интересного контента при сохранении приемлемого уровня релевантности рекомендаций [24]. Если последние излишне предсказуемы или повторяются, пользователь может быстро утратить интерес, ограничить взаимодействие с сервисом (что уменьшит возможности перекрестных продаж и открытия новых категорий продуктов) или переключиться на конкурентов.
Если у вас возникли вопросы или появились предложения по содержанию статьи, пожалуйста, направляйте их в рамках данной темы.
Список литературы
1. Goldberg D., Nichols D., Oki B. M., Terry D. Using collaborative filtering to weave an information tapestry. Communications of the ACM. 1992;35(12):61-70. https://doi.org/10.1145/138859.138867
2. Resnick P., Iacovou N., Suchak M., Bergstrom P., Riedl J. Grouplens: An open architecture for collaborative filtering of netnews. In: Proc. 1994 ACM conf. on computer supported cooperative work. New York, NY: Association for Computing Machinery; 1994:175-186. https://doi.org/10.1145/192844.192905
3. Schafer J.B., Konstan J., Riedl J. Recommender systems in e-commerce. In: Proc. 1st ACM conf. on electronic commerce. New York, NY: Association for Computing Machinery; 1999:158-166. https://doi.org/10.1145/336992.337035
4. Bennett J., Elkan C., Liu B., Smyth P., Tikk D. Kdd Cup and workshop 2007. ACM SIGKDD Explorations Newsletter. 2007;9(2):51-52. https://doi.org/10.1145/1345448.1345459
5. Koren Y., Bell R., Volinsky C. Matrix factorization techniques for recommender systems. Computer. 2009;42(8):30-37. https://doi.org/10.1109/MC.2009.263
6. Burke R. Hybrid recommender systems: Survey and experiments. User Modeling and User-Adapted Interaction. 2002;12(4):331-370. https://doi.org/10.1023/A:1021240730564
7. Herlocker J.L., Konstan J.A., Terveen L.G., Riedl J.T. Evaluating collaborative filtering recommender systems. ACM Transactions on Information Systems (TOIS). 2004;22(1):5-53. https://doi.org/10.1145/963770.963772
8. Linden G., Smith B., York J. Amazon.com recommendations: Item-to-item collaborative filtering. IEEE Internet Computing. 2003;7(1):76-80. https://doi.org/10.1109/MIC.2003.1167344
9. Lops P., De Gemmis M., Semeraro G. Content-based recommender systems: State of the art and trends. In: Ricci F., Rokach L., Shapira B., Kantor P., eds. Recommender systems handbook. Boston, MA: Springer; 2011:73-105. https://doi.org/10.1007/978-0-387-85820-3_3
10. Celma Ò. Music recommendation. In: Music recommendation and discovery: The long tail, long fail, and long play in the digital music space. Berlin, Heidelberg: Springer; 2010:43-85. https://doi.org/10.1007/978-3-642-13287-2_3
11. Lang K. Newsweeder: Learning to filter netnews. In: Prieditis A., Russell S.J., eds. Proc. 12th Int. conf. on machine learning (ICML’95). (Tahoe City, CA, July 9-12, 1995). San Francisco, CA; Morgan Kaufmann Publishers Inc.; 1995:331-339. https://doi.org/10.1016/B978-1-55860-377-6.50048-7
12. Burke R. Hybrid web recommender systems. In: Brusilovsky P., Kobsa A., Nejdl W., eds. The adaptive web: Methods and strategies of web personalization. Berlin, Heidelberg: Springer; 2007:377-408. (Lecture notes in computer science. Vol. 4321). https://doi.org/10.1007/978-3-540-72079-9_12
13. Gomez-Uribe C.A., Hunt N. The Netflix recommender system: Algorithms, business value, and innovation. ACM Transactions on Management Information Systems (TMIS). 2015;6(4):1-19. https://doi.org/10.1145/2843948
14. Kanakia A., Shen Z., Eide D., Wang K. A scalable hybrid research paper recommender system for Microsoft Academic. In: The World Wide Web conf. (WWW’19). New York, NY: Association for Computing Machinery; 2019:2893-2899. https://doi.org/10.1145/3308558.3313700
15. He X., Liao L., Zhang H., et al. Neural collaborative filtering. In: Proc. 26th Int. conf. on World Wide Web (WWW’17). New York, NY: Association for Computing Machinery; 2017:173-182. https://doi.org/10.1145/3038912.3052569
16. Sedhain S., Menon A.K., Sanner S., Xie L. AutoRec: Autoencoders meet collaborative filtering. In: Proc. 24th Int. conf. on World Wide Web (WWW’15). New York, NY: Association for Computing Machinery; 2015:111-112. https://doi.org/10.1145/2740908.2742726
17. Covington P., Adams J., Sargin E. Deep neural networks for YouTube recommendations. In: Proc. 10th ACM conf. on recommender systems (RecSys’16). New York, NY: Association for Computing Machinery; 2016:191-198. https://doi.org/10.1145/2959100.2959190
18. Hidasi B., Karatzoglou A., Baltrunas L., Tikk D. Session-based recommendations with recurrent neural networks. In: 4th Int. conf. on learning representations (ICLR-2016). (San Juan, May 2-4, 2016). Appleton, WI: ICLR; 2016. URL: https://hidasi.eu/assets/pdf/gru4rec_iclr16.pdf
19. Kang W.-C., McAuley J. Self-attentive sequential recommendation. In: 2018 IEEE int. conf. on data mining (ICDM 2018). (Singapore, November 17-20, 2018). New York, NY: IEEE; 2018:197-206. https://doi.org/10.1109/ICDM.2018.00035
20. Chen Q., Zhao H., Li W., Huang P., Ou W. Behavior sequence transformer for e-commerce recommendation in Alibaba. In: Proc. 1st Int. workshop on deep learning practice for high-dimensional sparse data (DLP-KDD’19). New York, NY: Association for Computing Machinery; 2019:1-4. https://doi.org/10.1145/3326937.3341261
21. Ying R., He R., Chen K., et al. Graph convolutional neural networks for web-scale recommender systems. In: Proc. 24th ACM SIGKDD Int. conf. on knowledge discovery & data mining (KDD’18). New York, NY: Association for Computing Machinery; 2018:974-983. https://doi.org/10.1145/3219819.3219890
22. Wang H., Zhang F., Wang J., et al. Ripplenet: Propagating user preferences on the knowledge graph for recommender systems. In: Proc. 27th ACM Int. conf. on information and knowledge management (CIKM’18). New York, NY: Association for Computing Machinery; 2018:417-426. https://doi.org/10.1145/3269206.3271739
23. Ricci F., Rokach L., Shapira B., eds. Recommender systems handbook. New York, NY: Springer; 2023. 1060 p. https://doi.org/10.1007/978-1-0716-2197-4
24. Ge M., Delgado-Battenfeld C., Jannach D. Beyond accuracy: Evaluating recommender systems by coverage and serendipity. In: Proc. 4th ACM conf. on recommender systems (RecSys’10). New York, NY: Association for Computing Machinery; 2010:257-260. https://doi.org/10.1145/1864708.1864761
25. Abdollahpouri H., Adomavicius G., Burke R., et al. Beyond personalization: Research directions in multistakeholder recommendation. 2019. URL: https://www.researchgate.net/publication/332896126_Beyond_Personalization_Research_Directions_in_Multistakeholder_Recommendation
26. Zhang S., Yao L., Sun A., Tay Y. Deep learning based recommender system: A survey and new perspectives. ACM computing surveys (CSUR). 2019;52(1):1-38. https://doi.org/10.1145/3285029
27. McNee S.M., Riedl J., Konstan J.A. Being accurate is not enough: How accuracy metrics have hurt recommender systems. In: CHI’06 Extended abstracts on human factors in computing systems (CHI EA’06). New York, NY: Association for Computing Machinery; 2006:1097-1101. https://doi.org/10.1145/1125451.1125659
28. Amatriain X., Castells P., de Vries A., Posse C., Steck H. Workshop on recommendation utility evaluation: Beyond RMSE - RUE 2012. In: Proc. 6th ACM conf. on recommender systems (RecSys’12). New York, NY: Association for Computing Machinery; 2012:351-352. https://doi.org/10.1145/2365952.2366042
29. Jannach D., Jugovac M. Measuring the business value of recommender systems. ACM Transactions on Management Information Systems (TMIS). 2019;10(4):1-23. https://doi.org/10.1145/3370082
30. Pu P., Chen L., Hu R. A user-centric evaluation framework for recommender systems. In: Proc. 5th ACM conf. on recommender systems (RecSys’11). New York, NY: Association for Computing Machinery; 2011:157-164. https://doi.org/10.1145/2043932.2043962
Выпуск
Другие статьи выпуска
Оценка деятельности организации (компании, предприятия) в условиях неопределенности (информационной энтропии), латентной и/или явной противоречивости данных может содержать следующие угрозы: введение в заблуждение как внешних, так и внутренних заинтересованных сторон компании (стейкхолдеров); оперирование некачественными, неточными и в итоге бесполезными результатами анализа деятельности предприятия; некачественное определение показателей его финансовой успешности (ФУ). Вследствие этого создается симметрия заблуждений в отношении тех или иных активов и оценки ФУ компании в целом, что влечет принятие стейкхолдерами некорректных управленческих и/или инвестиционных решений, решений по оптимизации деятельности компании, организации, нарушения прав заинтересованных сторон. Целью настоящего исследования явилось рассмотрение подходов к математическому моделированию взаимосвязи финансовой успешности компании и качества информационного обеспечения (ценности данных). В ходе работы использовались общенаучные методы исследования, а также методологический подход к обоснованию принятия управленческих и/или инвестиционных решений при наличии информационной энтропии данных. Авторами статьи предложен подход, основанный на применении математического аппарата для анализа взаимосвязей различных факторов, влияющих на оценку деятельности организации и качество информационного обеспечения (ценность данных). Внедрение результатов исследования позволит предприятиям повысить такие показатели, как эффективность, финансовую устойчивость, платежеспособность и др. для определенной i-стадии жизненного цикла деятельности компании.
Актуальность темы исследования определяется тем, что сфера российского внутреннего туризма является одной из приоритетных отраслей экономики РФ. Целью работы стало выявление ключевых этапов и особенностей стратегического управления развитием туристских территорий в России. Автором были изучены статистические данные по внутреннему туризму, произведен анализ законодательной базы РФ касательно развития отрасли, определены ключевые черты и принципы стратегического управления ее развитием на федеральном и региональном уровнях. Для каждого из них предложена структурная модель. Результаты исследования могут быть использованы как представителями научного сообщества, так и предпринимателями, региональными и муниципальными властями при разработке проектов в сфере туризма.
Целью настоящего исследования является анализ инструмента управления человеческими ресурсами (HR) и элемента архитектуры управленческого контроллинга в организациях стран Центральной и Восточной Европы (ЦВЕ) – цифрового аутсорсинга. Актуальность работы заключается в определении его прикладного управленческого контекста, включающего принятие решений, распределение ответственности, механизмы контроля и формирование доверия в отношениях «компания-заказчик – провайдер цифровых услуг». На основе анализа практик цифрового HR-аутсорсинга, в числе которых – расчет заработной платы, электронный кадровый документооборот и использование интеллектуальных HR-платформ, показано, что цифровизация внешнего хода процессов сопровождается изменением логики управленческого контроля. Это выражается в смещении последнего от операционного мониторинга к рискориентированным и предиктивным моделям. В ходе работы выявлен управленческий парадокс цифрового аутсорсинга, заключающийся в том, что передача операционного исполнения функций внешнему провайдеру не приводит к снижению управленческой ответственности компании-заказчика, а, напротив, усиливает требования к управляемости, интерпретации данных и институционализированному контролю принимаемых решений. Автором статьи показано, что в странах Центральной и Восточной Европы эффективность цифрового аутсорсинга определяется не уровнем технологической автоматизации HR-процессов, а качеством архитектуры корпоративного управления и развитием системы управленческого контроллинга. Полученные результаты имеют практическую значимость для организаций, реализующих цифровой аутсорсинг HR-функций в институционально неоднородной среде стран ЦВЕ.
Предметом исследования являются налоговые и бюджетные инструменты стимулирования развития человеческого капитала в наукоемких отраслях экономики. Цель работы – провести диагностику фискальных инструментов стимулирования человеческого капитала с тем, чтобы выявить институциональные ограничения государственной финансовой поддержки, сдерживающие развитие компетенций работников предприятия в наукоемких отраслях. В работе применяются следующие методы: анализ научных публикаций и документов нормативной правовой базы, связанных с государственной поддержкой рационального использования компетенций работников в наукоемких отраслях экономики; эмпирический анализ влияния налоговых и бюджетных преференций на развитие человеческого капитала для достижения технологического суверенитета и лидерства. Проведен обзор литературы по следующим аспектам исследуемой проблемы: рациональное использование компетенций работников в наукоемких отраслях экономики, влияние налоговых и бюджетных преференций на развитие человеческого капитала для достижения технологического суверенитета и лидерства, сепарирование эффектов государственной финансовой поддержки для объективной оценки их роли в стимулировании интеллектуального капитала. Выявлены ограничения экосистемной обусловленности налоговых и бюджетных инструментов, направленных на развитие человеческого капитала в наукоемких отраслях для достижения технологического суверенитета и лидерства. Результаты исследования могут быть полезны сотрудникам финансовых ведомств, преподавателям экономических дисциплин и студентам управленческих, юридических и экономических специальностей.
В статье рассматриваются проблемы недостаточной согласованности процессов управления объектами интеллектуальной собственности (ИС) и научными исследованиями и разработками наукоемкого предприятия, а также отсутствие формализованного учета уровней развития техники и технологий при принятии организационных решений. Указанные факторы затрудняют оптимизацию портфеля объектов ИС и приводят к снижению результатов коммерциализации результатов интеллектуальной деятельности (РИД), и актуальность данной проблемы обусловлена ростом конкуренции и необходимостью повышения эффективности научно-исследовательских и опытно-конструкторских работ наукоемких предприятий. Целью исследования является проектирование системы управления объектами ИС таких компаний, включающее формирование комплексного организационного контура и формализацию задач жизненного цикла РИД. В ходе работы создана структурно-функциональная модель, отражающая взаимосвязь задач координации объектов ИС с этапами жизненного цикла РИД в составе комплексной системы управления научными исследованиями и разработками на наукоемком предприятии. Полученные результаты могут стать основой для проектирования совокупности взаимосвязанных моделей и алгоритмов, реализующих метод комплексного управления ИС наукоемкого предприятия и обеспечивающих согласование научно-технической, правовой и экономической логики управления, а также повышение координации жизненного цикла РИД.
Формирование и доминирование цифровой экономики знаменует собой переход от традиционных факторов производства (земля, труд, капитал) к новому, ключевому ресурсу – интеллектуальному капиталу (ИК). В современных условиях именно он, а не материальные активы, становится основным источником конкурентных преимуществ, устойчивого развития и стабильно высокой стоимости компании. В статье анализируется трансформация роли интеллектуального капитала в рамках цифровой экономики. Управление ИК рассматривается как условие стратегического развития бизнеса с целью формирования среды для эффективного развития человеческого капитала и его реализации при создании интеллектуального продукта. Целью исследования явился анализ влияния цифровых технологий на такие компоненты, как человеческий, структурный, отношенческий и клиентский капиталы; его объектом стал интеллектуальный капитал организации как экономическая категория, а предметом – совокупность методов, инструментов и отношений, складывающихся в процессе управления ИК в условиях цифровой экономики. В ходе работы были использованы общенаучные методы: анализ, синтез, сравнение, классификация, моделирование. В качестве результатов предлагаются новые подходы к оценке и управлению интеллектуальным капиталом, основанные на data-ориентированных решениях и интеграции в цифровые экосистемы, а также практические рекомендации по построению эффективной системы управления.
В условиях цифровизации и возрастающей сложности процессов разработки программного обеспечения (ПО) управление данными (Data Governance) становится стратегическим направлением развития российских цифровых и высокотехнологичных компаний. Опираясь на современные исследования по бизнес-аналитике (Business Intelligence) и Data Governance последних лет, а также на эмпирические примеры применения систем Business Intelligence в управлении качеством разработки ПО и аналитике человеческих ресурсов (HR-аналитики) в телекоммуникационной компании, авторы обосновывают интегрированную модель управления данными (включающую стратегический, технологический и культурно-кадровый уровни), что представляет собой цель исследования. В статье раскрывается сущность «искусства управлять данными» как инструмента стратегического менеджмента; сделан вывод, что Data Governance выступает не только технологическим, но и социально-управленческим процессом, формирующим культуру принятия решений. Результаты исследования могут быть использованы при разработке корпоративных стратегий цифрового управления и построении систем Data Governance.
Цифровые интеллектуальные активы (ЦИА) формируют добавленную стоимость бизнеса, способствуют интеллектуализации производства и в конечном итоге достижению промышленным предприятием технологического лидерства и конкурентных преимуществ высокого порядка. Цель настоящего исследования заключается в выявлении специфики ЦИА как инструментария «умного» производства и определении на ее основе моделей и принципов коммерциализации данных активов. Методологической базой послужили методы классификации, сравнительного анализа, обобщения и систематизации. В результате работы определены критерии различия цифровых технологий и цифровых интеллектуальных активов; охарактеризованы отличительные особенности ресурсной, инновационной, платформенной, инвестиционной и экосистемной концепций коммерциализации ЦИА; проведена сравнительная характеристика традиционных и цифровых моделей коммерциализации ЦИА с указанием их преимуществ и недостатков. Сделан вывод о том, что выбор концепции и модели зависит от зрелости конкретного вида ЦИА, уровня цифровизации предприятия и рыночной среды; предложена авторская классификация принципов коммерциализации ЦИА. Полученные результаты могут быть полезны руководителям компаний из разных секторов экономики при разработке собственных стратегий коммерциализации цифровых интеллектуальных активов.
Статья посвящена выработке концептуальных подходов к выбору прототипа интегрированной платформы единой цифровой системы данных экономических субъектов России (ЕЦД ЭС). Объектом исследования является система цифровых сервисов и платформ, выступающая технологической базой концепции управления «Государство как платформа», а его задачей – обоснование порядка формирования и использования интегрированной платформы ЕЦД ЭС для повышения эффективности государственного управления в рамках системы межведомственного взаимодействия. Результатами работы стало обоснование архитектуры, базовых принципов формирования и использования ЕЦД ЭС на основе трехкомпонентного взаимодействия платформенных решений. Посредством таких методов, как сравнительный анализ технологических и платформенных решений, изучение международного опыта и отечественной практики интеграции данных экономических субъектов, обоснована целесообразность выбора «интеграционного» сценария формирования платформы ЕЦС данных организаций России и модели ее трехкомпонентной платформы с целью создания на государственном уровне структуры с жестким контролем качества информации. Предложены направления трансформации межведомственного взаимодействия, области возможного использования, вызовы и барьеры, которые могут возникнуть при внедрении предложенного варианта платформы ЕЦС данных организаций России, и ожидаемые эффекты. Исследование может представлять интерес для органов государственного управления, профессиональных сообществ, а также инвесторов и других участников деловых отношений.
Цель исследования – выявление ключевых проблем управления сберегательным поведением граждан РФ в условиях макроэкономической нестабильности и разработка рекомендаций по совершенствованию сберегательной политики. Работа опирается на системный подход, методы статистического и сравнительного анализа, а также элементы эконометрического моделирования. Эмпирическая база сформирована на основе данных НАФИ, статистики Банка России и Росстата. Результатами стало выявление структурных изменений в предпочтениях населения, а также определение четырех ключевых групп проблем (снижение реальных доходов, разрыв между финансовой грамотностью и поведением, инфляционная эрозия сбережений, концентрация рисков и мошенничество). На основе корреляционно-регрессионного анализа показано, что наиболее значимыми факторами, снижающими норму сбережения, выступают рост долговой нагрузки и высокие потребительские ожидания, тогда как влияние ключевой ставки остается ограниченным (эластичность около 0,375). Авторами исследования предложен комплекс мер по развитию целевых накоплений, усилению кибербезопасности и совершенствованию долгосрочных инвестиционных инструментов. Результаты этого исследования будут полезны широкому кругу специалистов: представителям госорганов и регуляторов, работникам банков, инвестиционных компаний и управляющих фондов, преподавателям, маркетологам, экономистам, социологам, психологам и специалистам по поведенческой экономике.
Цель исследования состоит в выявлении институциональных особенностей действующей системы риск-менеджмента Федерального казначейства при управлении ликвидностью средств бюджета и в обосновании направлений ее совершенствования с учетом необходимости соблюдения баланса между сохранностью бюджетных средств и эффективностью проводимых операций. В ходе работы были рассмотрены базовая и продвинутая модели риск-менеджмента, применяемые при проведении операций на организованных и не на организованных торгах, а также механизм хеджирования рисков через сделки репо; выявлены особенности действующего подхода, основанного на использовании инфраструктуры Небанковской кредитной организации – центрального контрагента «Национальный Клиринговый Центр», требований к капиталу кредитных организаций и их кредитным рейтингам. Обосновано, что существующая система обеспечивает высокую результативность с точки зрения сохранности бюджетных средств, однако характеризуется низкой способностью реагирования на изменения на финансовом рынке из-за зависимости от внешних источников информации и практики перекладывания риска. На основе проведенного анализа сформулированы направления модернизации системы, включающие мониторинг решений Банка России в отношении участников финансового рынка, объединение информации о соответствии кредитных организаций установленным требованиям и риск-ориентированную настройку параметров операций при размещении временно свободного остатка бюджетных средств в пределах действующих нормативных и правовых актов. Результаты работы могут быть полезны в первую очередь Федеральному казначейству и иным органам государственной власти, которые осуществляют управление ликвидностью бюджетных средств, а также исследователям в области общественных финансов, риск-менеджмента и управления бюджетной ликвидностью.
Целью исследования стало изучение особенностей процесса поддержания и оценки финансовой устойчивости нефтегазовых компаний в условиях экономической нестабильности, а также выявление оптимальных для внедрения нейронных сетей этапов. Его практическая значимость заключается в формировании предпосылок для последующей разработки и внедрения нормативно-правовых актов и методического функционала с целью обеспечения финансовой устойчивости структурных предприятий. Потенциально это может служить инструментарием для развития экономики государства на макроэкономическом уровне. Результаты исследования могут быть использованы финансовыми аналитиками и государственными регуляторами при оценке и управлении отраслевыми рисками, а также инвесторами, кредитными организациями при изучении финансовой устойчивости предприятий энергетического сектора. Однако существуют ограничения для моделей, обученных на данных относительно развитых рынков (Россия, страны Персидского залива), а именно – вероятность их неточности при применении в развивающихся экономиках (например, Ангола).
Актуальность исследования обусловлена необходимостью повышения эффективности противодействия масштабным кризисным явлениям, в условиях которых последние шесть лет функционирует российская экономика. Цель работы состояла в выявлении и характеристике направлений адаптации российского государственного управления (госуправления) к сложным современным условиям. Предметом исследования явился комплексный анализ отечественной экономики: от методологии картирования до цифровизации госуправления. В работе сделаны выводы о том, что эффективность российского госуправления в кризисных условиях может быть повышена путем внедрения гибридной модели, основу которой – централизованное управление мобилизационной экономикой – следует окружить демпфером гибких инструментов государственной политики. Такая комбинация способна сократить время отклика системы госуправления на кризисные ситуации как за счет быстрого централизованного принятия решений, так и благодаря гибкой своевременной реакции на динамику кризиса. Результаты исследования полезны для представителей органов государственной власти, специалистов по антикризисному менеджменту и аналитиков, участвующих в развитии систем госуправления.
Целью исследования стала практическая апробация методики анализа и управления ресурсами (МАУР). В настоящей статье важность оценки ресурсного обеспечения представлена как одна из приоритетных задач в области управления экономическим ростом и безопасностью государства. В основе рассматриваемой методики лежит компаративный анализ ресурсов развития различных экономических субъектов в рамках единой среды. Непосредственная оценка ряда выделенных ресурсов проводилась с использованием коэффициентов враждебности. Для сравнения были взяты официальные данные международных организаций, крупных компаний и аналитических центров России, США и КНР. Полученные результаты могут способствовать как определению основных направлений изменений в экономических механизмах Российской Федерации в интересах экономического роста и обеспечения экономической безопасности, так и реализации задач по достижению технологического лидерства.
Статистика статьи
Статистика просмотров за 2026 год.
Издательство
- Издательство
- ФИНУНИВЕРСИТЕТ
- Регион
- Россия, Москва
- Почтовый адрес
- 125167, город Москва, Ленинградский пр-кт, д. 49/2
- Юр. адрес
- 125167, город Москва, Ленинградский пр-кт, д. 49/2
- ФИО
- Прокофьев Станислав Евгеньевич (Ректор)
- E-mail адрес
- rector@fa.ru
- Контактный телефон
- +8 (499) 9439580