CC BY
39УДК 004.01
Нобатов А.М.
старший преподаватель кафедры «Цифровая экономика»
Туркменский государственный институт экономики и управления
(Туркменистан, г. Ашгабад)
Мямиев А.Х.
преподаватель кафедры «Цифровая экономика»
Туркменский государственный институт экономики и управления
(Туркменистан, г. Ашгабад)
БОЛЬШИЕ ДАННЫЕ В ЭКОНОМИКЕ ИХ ЗНАЧЕНИЕ
Аннотация: в данной статье рассматриваются особенности развития технологий обработки больших данных и их влияние на цифровую экономику. Проведен перекрестный и сравнительный анализ влияния выбора направления развития компьютерных технологий. Даны рекомендации по внедрению разработок в изучение компьютерной теории.
Ключевые слова: анализ, метод, исследование, компьютер, технологии.
Большие данные относятся к наборам данных гораздо большего размера, более высокой частоты и часто более персонализированной информации. Примеры включают данные, собранные интеллектуальными датчиками в домах, или агрегацию твитов. В небольших наборах данных традиционные эконометрические методы имеют тенденцию превосходить более сложные методы. Однако в больших наборах данных лучше всего проявляются методы машинного обучения. Чтобы максимально эффективно использовать большие данные в экономике, необходимы новые аналитические подходы. Таким образом, исследователи и политики должны уделять пристальное внимание последним разработкам в области методов машинного обучения, если они хотят
в полной мере использовать преимущества этих новых источников больших данных.
Из-за преобладания подключенных цифровых устройств в настоящее время доступны наборы данных наблюдений, которые намного больше и имеют более высокую частоту, чем традиционные опросы: так называемые большие данные. Это создало возможности для экономистов и политиков изучать экономические системы и варианты выбора с более высокой степенью точности. Однако для полного использования больших данных необходимы новые методы, особенно связанные с машинным обучением. Кроме того, директивные органы должны рассматривать более широкий спектр данных как конфиденциальные, исследователям нужны проверки, чтобы избежать непреднамеренной предвзятости, а экономисты должны изучать языки кодирования общего назначения.
В то время как данные традиционно собирались только для определенной цели, часто национальным статистическим агентством, мир становится все более количественным, когда даже самая маленькая компания собирает и записывает подробные, а иногда и индивидуальные данные. Это достигается с помощью обширной экосистемы программного обеспечения (приложений) и оборудования (датчиков), встроенных в огромное море «умных» технологий, включая телефоны, устройства, подключенные к Wi-Fi, автомобили и спутники. Эта лавина данных резко увеличила как разнообразие данных, так и скорость их записи. Много новых возможностей для создания новых наборов данных из ранее неструктурированной информации, такой как текст и спутниковые изображения. Это развитие открыло новые области экономических запросов; вопросы, на которые раньше можно было ответить только спустя много месяцев или даже лет постфактум, теперь можно решать в режиме реального времени. Таким образом, экономисты перешли от прогнозирования к прогнозированию текущей погоды. Например, теперь можно использовать поиск Google в режиме
реального времени для прогнозирования изменений в уровне безработицы или данные Yelp для прогнозирования моделей местного бизнеса.
Одним из факторов, сдерживающих использование машинного обучения, является не разница в концептуальном подходе эконометрики по сравнению с машинным обучением, а скорее незнакомая терминология, встречающаяся в литературе последнего. Часто подход машинного обучения похож на эконометрический подход, но поскольку терминология отличается, он остается глухим. Например, то, что экономисты называют «переменными», машинное обучение называет «признаками». Таким образом, полезно рассмотреть некоторую базовую терминологию машинного обучения, прежде чем двигаться дальше.
Машинное обучение подразделяется на обучение без учителя и обучение с учителем. «Обучение» здесь — это машинное обучение для подгонки моделей к данным. В обучении с учителем цель состоит в том, чтобы подогнать функцию к цели. В частности, каждая точка данных имеет связанную метку или цель. Задача алгоритма обучения с учителем состоит в том, чтобы найти функцию, которая находит сопоставление между каждой точкой данных и связанной с ней меткой. В эконометрике это называется просто «регрессия». Обучение с учителем занимает львиную долю задач, связанных с подгонкой моделей к данным, в эконометрике, а в настоящее время и в машинном обучении. Если целью является прогнозирование, то есть изучение функционального сопоставления между входными и выходными данными и применение их вне выборки, методы машинного обучения, такие как случайный лес, оператор наименьшего абсолютного выбора и сокращения (LASSO),
Напротив, при неконтролируемом обучении цель состоит в том, чтобы найти закономерности в данных, которые выявляют скрытые структуры или интересные структуры или закономерности. При неконтролируемом обучении каждая точка данных не имеет базовой (связанной) метки. Цель здесь менее четко определена, чем при контролируемом обучении. Например, можно
попытаться уменьшить размерность какого-то очень большого объекта (т. е. очень большого набора данных), чтобы он помещался в пространство меньшего размера (при этом экономя место на жестком диске). Цель может состоять в том, чтобы сгруппировать наблюдения в похожие группы или классифицировать большой корпус документов по темам, избавляя исследователей от трудоемкой задачи чтения тысяч документов. Набор тем в неконтролируемом обучении велик и продолжает расти, и многие из них не изучены в экономике.
СПИСОК ЛИТЕРАТУРЫ:
1. Советов Б.Я., Яковлев С.А. Моделирование систем: Практикум. - М.: Высшая школа, 2016. - 224 с.
2. Александр Иванус: Системные аспекты методов имитационного моделирования. Учебное пособие.
3. Палей, Поллак: Имитационное моделирование. Разработка имитационных моделей средствами iWebsim и AnyLogic.
4. Бабаназаров, Н. Ш., А. Ш. Бабаназарова, and Л. О. Овезгелдиева. "ИСПОЛЬЗОВАНИЕ БОЛЬШИХ ДАННЫХ В ЭКОНОМИЧЕСКОМ И СТАТИЧЕСКОМ АНАЛИЗЕ." (2022): 107-115.
Nobatov A.M.
Senior Lecturer, Department of Digital Economy Turkmen State Institute of Economics and Management (Turkmenistan, Ashgabat)
Mamiev A.H.
Lecturer of the Department of Digital Economy Turkmen State Institute of Economics and Management (Turkmenistan, Ashgabat)
BIG DATA IN ECONOMY THEIR SIGNIFICANCE
Abstract: this article discusses the features of the development of big data processing technologies and their impact on the digital economy. A cross and comparative analysis of the influence of the choice of the direction of development of computer technologies was carried out. Recommendations are given for the introduction of developments in the study of computer theory.
Keywords: analysis, method, research, computer, technologies.
