АНАЛИЗ ТЕХНОЛОГИЧЕСКОГО РАЗВИТИЯ АРКТИКИ НА ОСНОВЕ СЕМАНТИЧЕСКИХ  АТРИБУТНЫХ ГРАФОВ И МНОГОКРИТЕРИАЛЬНОГО ВНИМАНИЯ

Научная статья

УДК 338.24

doi:10.37614/2220-802X.4.2025.90.012

Скачать статью 

Сергей Константинович Антипов1, Алексей Васильевич Белошицкий2, Алиса Сергеевна Дубгорн3,  Игорь Васильевич Ильин4, Анастасия Ивановна Лёвина5

1, 3, 4, 5Санкт-Петербургский политехнический университет Петра Великого, Санкт-Петербург, Россия

2Уфимский государственный нефтяной технический университет, Уфа, Россия

1antipov_sk@spbstu.ru, ORCID 0000-0001-7593-9483

2bel@bngf.ru, ORCID 0000-0001-6586-3884

3dubgorn@spbstu.ru, ORCID 0000-0002-5012-0831

4igor.ilin@spbstu.ru, ORCID 0000-0003-2981-0624

5levina_ai@spbstu.ru, ORCID 0000-0002-4822-6768

Аннотация. Технологическое развитие арктических регионов Российской Федерации является ключевым фактором обеспечения национальной безопасности, устойчивого освоения природных ресурсов и укрепления суверенитета  в условиях экстремальных климатических и географических вызовов. Несмотря на значительные государственные инвестиции, эффективность реализуемых федеральных программ остается недостаточно просматриваемой, а их влияние на технологические результаты — слабо количественно обоснованным. Существующие подходы, основанные на агрегированных индексах и экспертных оценках, не позволяют выявить, какие именно инициативы формируют технологическую трансформацию и почему одни регионы демонстрируют высокую инновационную активность, а другие — нет. В данной работе перед авторами стояла цель разработки интерпретируемой модели, способной установить причинно-следственные связи между федеральными программами и технологическими индикаторами развития. Новизна исследования заключается в предложении новой модели MASGN-TT — семантического графового нейросетевого подхода с механизмом многокритериального внимания, впервые примененного  в российском контексте для анализа технологического развития Арктики. Модель позволяет не только оценивать степень влияния программ, но и визуализировать их воздействие на конкретные технологические сферы — от цифровой инфраструктуры до экологического мониторинга. Результаты показывают, что два ключевых направления государственной политики — цифровая трансформация и экологический мониторинг — являются доминирующими драйверами технологического роста, тогда как другие программы, несмотря на высокие бюджетные вложения, демонстрируют ограниченную отдачу. Выявлен системный разрыв между подготовкой кадров и их практическим внедрением в технологические процессы. Эффективность технологического развития в Арктике определяется скорее не объемом финансирования, а структурой программного воздействия. Предложенная модель предоставляет инструмент для доказательной оценки государственных программ, обеспечивающий прозрачность, воспроизводимость и адаптацию к управленческим решениям. Это открывает путь к целенаправленной политике технологического развития, ориентированной на максимальный системный эффект.

Ключевые слова: технологическое развитие, АЗРФ, федеральные программы, механизм внимания, интерпретируемое ИИ

Благодарности: исследование выполнено за счет гранта Российского научного фонда № 23-78-10190, https://rscf.ru/project/23-78-10190/.

Для цитирования: Анализ технологического развития Арктики на основе семантических атрибутных графов  и многокритериального внимания / С. К. Антипов [и др.] // Север и рынок: формирование экономического порядка. 2025. № 4. С. 182–192. doi:10.37614/2220-802X.4.2025.90.012.

Список источников

  1. Указ Президента Российской Федерации от 26.10.2020 № 645 «Стратегия развития Арктической зоны Российской Федерации и обеспечения национальной безопасности на период до 2035 года». URL: http://publication.pravo.gov.ru/ (дата обращения: 10.11.2025).
  2. Antipov S. K., Sosnina M. N., Almazova-Ilyina A. B., Tokareva E. U. Developing the Model of the Innovative Economy of Russian Regions in the Arctic // IOP Conference Series: Earth and Environmental Science. 2019. Vol. 302, No. 1. P. 12089.
  3. Dronova I., Kislik C., Dinh Z., Kelly M. A Review of Unoccupied Aerial Vehicle Use in Wetland Applications: Emerging Opportunities in Approach, Technology, and Data // Drones. 2021. Vol. 5, No. 45.
  4. Zamyatina N., Goncharov R. Arctic urbanization: resilience in a condition of permanent instability — the case of Russian Arctic cities // В монографии: Resilience and Urban Disasters. 2019. Глава С. 136–153. Изд-во: Edward Elgar Publishing.
  5. Тишков С. В., Егоров Н. Е., Волков А. Д., Ковров Г. С. Инновационный потенциал регионов Арктической зоны Российской Федерации: состояние и пространственная дифференциация // Арктика и Север. 2024. № 55. С. 24–39.
  6. Ильин И. В., Лёвина А. И., Борреманс А. Д., Калязина С. Е. Мета-модель архитектуры предприятия в цифровую эпоху // Наука и бизнес: пути развития. 2020. № 3. С. 36–40.
  7. Sergeev V., Ilin I. V., Fadeev A. M. Transport and Logistics Infrastructure of the Arctic Zone of Russia // Transportation Research Procedia. Vol. 54. P. 936–944.
  8. Диденко Н. И., Скрипнюк Д. Ф. Моделирование устойчивого социально-экономического развития регионов арктического пространства РФ с использованием системы эконометрических уравнений // Стратегические приоритеты развития российской Арктики. 2014. С. 63–77.
  9. Тяглов С. Г., Пономарева М. А. Современные подходы к формированию системы индикаторов устойчивого развития региона // Вестник РЭА им. Г. В. Плеханова. 2013. Т. 60, № 6.
  10. Руденко Л. Г., Егорова Н. Н. Методологический подход к оценке уровня устойчивого развития регионов // Вестник Московского университета имени С. Ю. Витте. Серия 1: Экономика и управление. 2022. Т. 43, №
  11. Бакаев А. А., Сахарова С. М. Оценка эффективности государственного управления социально-экономическим развитием Арктической зоны Российской Федерации на основе системы сбалансированных показателей // Среднерусский вестник общественных наук. 2024. Т. 19, № 1. С. 150–171.
  12. Диденко Н. И., Скрипнюк Д. Ф., Черенков В. И., Таничев А. В. Ключи к устойчивому развитию Арктической зоны Российской Федерации: модель циркулярной экономики и логистическая инфраструктура // Север и рынок: формирование экономического порядка. 2020. Т. 70, № 4. С. 5–
  13. Карлин Л. Н., Абрамов В. М., Гогоберидзе Г. Г., Александрова Л. В., Попов Н. Н. К вопросу о стратегии создания национальной системы контроля черного углерода в российской Арктике // Ученые записки Российского государственного гидрометеорологического университета. 2014. № 36. С. 67–
  14. Цукерман В. А., Горячевская Е. А. Инновационный потенциал Арктических регионов России // Арктика и Север. 2022. № С. 70–85.
  15. Фадеев А. М., Ильин И. В., Лёвина А. И., Дубгорн А. С., Рукина П. А. Цифровизация как фактор развития целевых арктических субпространств // Арктика и Север. 2025. № 58. С. 84–101.
  16. Скобелев Д. О., Федосеев С. В. Устойчивое развитие и повышение конкурентоспособности промышленности в Баренцевом евро-арктическом регионе // Север и рынок: формирование экономического порядка. 2021. Т. 24, №2(72). С. 7–
  17. Туккель И. Л., Егоров Н. Е., Деттер Г. Ф., Ковров Г. С. Оценка инновационного развития регионов Арктической зоны Российской Федерации // π-Economy. 2017. № С. 60–71.
  18. Андреева А. А., Ахмадулина Т. В. Перспективы развития арктических регионов России в условиях цифровизации // Вестник УМЦ. 2022. № 4(37). С. 85–
  19. Цветков В. А., Дудин М. Н., Юрьева А. А. Cтратегическое развитие арктического региона в условиях больших вызовов и угроз // Экономика региона. 2020. Т. 16, № С. 681–695.
  20. Hua We, Nan Xu, Huichu Zhang, Guanjie Zheng, Xinshi Zang, Chacha Chen, and Weinan Zhang, Yanmin Zhu, Kai Xu, Zhenhui Li. CoLight: Learning Network-level Cooperation for Traffic Signal Control // In Proceedings of the 28th ACM International Conference on Information and Knowledge Management (CIKM ’19). 2019. Association for Computing Machinery, New York, NY, USA. С. 1913–1922.
  21. Ribeiro M.T., Singh S., Guestrin C. «Why Should I Trust You?”: Explaining the Predictions of Any Classifier // In Proceedings of the 2016 Conference of the North American Chapter of the Association for Computational Linguistics: Demonstrations. 2016. С. 97–101.
  22. Wang L., Xiong Y., Wang Z., Qiao Y., Lin D., Tang X., Gool L. V. Temporal Segment Networks: Towards Good Practices for Deep Action Recognition. In: Leibe, B., Matas, J., Sebe, N., Welling, M. (eds) Computer Vision—ECCV 2016. ECCV 2016. Lecture Notes in Computer Science. 2016. Vol. 9912. Springer, Cham.