Искусственные нейронные сети в экономике: математический инструмент, модель или методология?

Цель данной статьи – оценить сложившееся взаимодействие искусственного интеллекта (ИИ) и экономической науки и обозначить перспективные междисциплинарные направления исследований, способные существенно повлиять на методологию познания экономических явлений. Для достижения этой цели произведена замена размытого и частично даже мистического термина ИИ более научным термином «искусственные нейронные сети» (ИНС). В статье использованы методы наукометрического, эпистемологического и сравнительного анализа процессов проникновения ИНС в экономику и другие академические дисциплины.

Раскрыта эпистемологическая общность и различие между ИИ и ИНС. Обосновано смещение в исследовании эпистемологической фокусировки с общего ИИ на ИНС. Систематизировано использование ИНС в экономике: 1) ИНС как математический инструмент решения экономических задач, 2) ИНС как модель экономических явлений, 3) ИНС как методология познания экономических закономерностей. Показано, что взаимодействие экономики с нейронауками может происходить по двум существенно различным направлениям: со стороны нейробиологии, т.е. реальных нервных сетей в живых организмах, или, во-вторых, со стороны теории ИНС. Первое направление ассоциируется с нейроэкономикой, второе пока не артикулировано, но показывает экспоненциальный рост публикаций и связано, прежде всего, с формированием новой экономической парадигмы. Парадигма ИНС в экономике (и не только в экономике) меняет как субъект познания, вводя радикально новые формы/виды доказательства и новые методы исследования, так и объект познания, меняя фокус изучения с индивидуального экономического поведения на коллективное экономическое поведение мега-субъектов.

1. Андреюк, Д. С. (2012). Программы поведения и потоки информации: нейроэволюционный подход к оптимизации управления экономическими системами. Нейрокомпьютерная парадигма и общество. М.: Издательство Московского университета, 276–290.

2. Бабкин, А. В., Лычагин, М. В., & Лычагин, А. М. (2023). Новые аспекты инженерно-экономических исследований с позиции многомерного наукометрического анализа на материалах EconLit и других источников. Управление наукой и наукометрия, 1(2), 8 8 202–247. https://doi.org/10.33873/2686-6706.2023.18-2.202-247

3. Бахтизин, А. Р. (2005). Агентно-ориентированные модели. Макаров В. Л., Бахтизин А. Р., & Бахтизина, Н.,В. CGE-модель социально-экономической системы России со встроенными нейронными сетями. М.: ЦЭМИ РАН

4. Бахтизин, А. Р. (2023). Вопросы прогнозирования в современных условиях. Экономическое возрождение России, 2(76). https://doi.org/10.37930/1990-9780-2023-2(76)-53-62

5. Бахтизин, А. Р., Брагин, А. В., & Макаров, В. Л. (2023). Большие языковые модели четвертого поколения как новый инструмент в научной работе. Искусственные общества, 18(1). URL: https://artsoc.jes.su/s207751800025046-9-1/. https://doi.org/10.18254/S207751800025046-9

6. Берлин, С. И., & Козырь, Н.,С. (2022). Цифровизация экономики в обеспечении экономической безопасности РФ: наукометрический анализ. Естественно-гуманитарные исследования, 40(2), 46–51. EDN: PEYPGA

7. Глазьев, С. Ю. (2016). О новой парадигме в экономической науке. Государственное управление. Электронный вестник, 56.

8. Губарев, Р. В., Чередниченко, Л. Г., Бородин, А. И., & Дзюба, Е. И. (2023). Сравнительный анализ эффективности корреляционно-регрессионного и нейросетевого моделирования в прогнозировании энергетических выбросов углекислого газа в России. Вестник Московского университета. Серия 6. Экономика, 58(3), 217–238. https://doi.org/10.55959/MSU0130-0105-6-58-3-11

9. Дайбаге, Д. С., & Поликовский, Т. А. (2023). Роль искусственного интеллекта как стимула в развитии мировой и российской экономики. Политехнический молодежный журнал, 11(88). http://dx.doi.org/10.18698/2541-8009-2023-11-947

10. Егоров, Д. Г. (2021). Сколько парадигм в экономической теории, и может ли она стать наукой с одной парадигмой. Общественные науки и современность, 5, 129–142. https://doi.org/10.31857/S086904990017287-7.

11. Измайлов, А. А. (2022). Методология научно-исследовательских программ в современной экономической науке. Инновации и инвестиции, 4, 40–46.

12. Канеман, Д., & Тверски, А. (2003). Рациональный выбор, ценности и фреймы. Психологический журнал, 24(4), 31–42.

13. Ковалевская, М. С. (2016). Достоверность и реалистичность экономических моделей: вопросы методологии. Вестник Московского университета. Серия 6: Экономика, 2, 26–44.

14. Ковалевская, М. С. (2019). Научный статус экономической модели как актуальная методологическая проблема экономической науки. Экономика устойчивого развития, 1(37), 349–353.

15. Козак, Е. (2021). Применение нейронных сетей в экономике. Экономика: вчера, сегодня, завтра, 11(5А), 113–119. DOI: 10.34670/AR.2021.43.81.014.

16. Козырь, Н. С. (2022). Проблема ключевых слов региональной экономики: наукометрический анализ. Научные и технические библиотеки, 6, 100–121. https://doi.org/10.33186/1027-3689-2022-6-100-121

17. Кун, Т. (1998). Замечания на статью И. Лакатоса. Рациональная реконструкция истории науки. Б.: БГК им. И. А. Бодуэна де Куртенэ.

18. Кун, Т. (2009). Структура научных революций: пер. И. З. Налетова. М.: АСТ МОСКВА.

19. Лакатос, И. (1998). Ответ на критику. Рациональная реконструкция истории науки. Б.: БГК им. И. А. Бодуэна де Куртенэ.

20. Лакатос, И. (1995). Фальсификация и методология научно-исследовательских программ. М.: Медиум.

21. Нейрокомпьютерная парадигма и общество / под ред. Ю. Ю. Петрунина. (2012). М.: Издательство Московского университета. 304 с.

22. Пескова, А. В., & Ковалевская, М. С. (2016). Нейроэкономика и поведенческая экономика: источники синтеза. Вестник ЮУрГУ. Серия «Экономика и менеджмент», 10(3), 18–25.

23. Петрунин, Ю. Ю. (2015). Нейрофилософия в системе нейронаук. Ней рокомпьютеры: разработка, применение, 5, 69–77.

24. Полани, М. (1985). Личностное знание. На пути к посткритической философии. М.: Прогресс.

25. Поппер, К. Р. (1983). Логика и рост научного знания. Избранные работы. М.: Прогресс.

26. Саймон, Г. (1995). Теория принятия решений в экономической теории и науке о поведении. Вехи экономической мысли. Т. 2 / под ред. В. М. Гальперина. СПб.: Экономическая школа, 54–72.

27. Соколов, М. М., & Чечик, Е. А. (2022). Академические репутации российских экономистов и их наукометрические оценки. Вопросы экономики, (11), 117–135. https://doi.org/10.32609/0042-8736-2022-11-117-135

28. Тегмарк, М. (2019). Жизнь 3.0. Быть человеком в эпоху искусственного интеллекта. М., АСТ, 453–465.

29. Теняков, И. М. (2019). Наукометрия как сдерживающий фактор экономических исследований: опыт США. Вестник Московского университета. Серия 6. Экономика, 3, 62–78.

30. Третьякова, О. В. (2021). Российские исследования в области экономики в МНБД Web of Science: библиометрическая оценка. Журнал НЭА, 2(50), 199–205. https://doi.org/10.31737/2221-2264-2021-50-2-12

31. Тулинов, Д. (2022). Нестандартные уравнения: как искусственный интеллект ищет мельчайшие иголки в гигантском стоге сена научных возможностей. Naked Science. 26.11.2022. https://naked-science.ru/article/hi-tech/nestandartnye-uravneniya-kak?ysclid=ls4ucjkus364904658

32. Тутов, Л. А., & Измайлов, А. А. (2022). Методология научно-исследовательских программ как инструмент для решения современных проблем экономической науки. Философия хозяйства, 4, 89–106.

33. Тутов, Л. А., & Измайлов, А. А. (2022). Применение контент-анализа для выявления жесткого ядра новой институциональной экономической теории. Философия хозяйства, 6, 93–110.

34. Шаститко, А. Е., & Тутов, Л. А. (2023). Заметки о методологическом индивидуализме в экономических исследованиях: есть ли границы применения? Вестник Московского университета. Серия 6. Экономика, 58(1), 3–21. https://doi.org/10.55959/MSU0130-0105-6-58-1-1

35. Чернова, О. А. (2022). Влияние открытого доступа на наукометрические показатели российских экономических журналов. Управленец, 13(4), 69–82. https://doi.org/10.29141/2218-5003-2022-13-4-6. EDN: SZJQAN

36. Abramo, G., & Oxley, L. (2021). Scientometric-based analysis in business and economics: Introduction, examples and guidelines. Journal of Economic Surveys. Special issue, 35(5), 1261–1270. https://doi.org/10.1111/joes.12476

37. Andreyuk, D. S., Petrunin, Yu., Shuranova, A., & Ushakov, V. L. (2022). Information agenda as an analogue of attention in sociomorphic neuronal networks. Procedia computer science, Elsevier BV (Netherlands), 213©, 292–295.

38. Bickley, S. J., Chan, H. F., & Torgler, B. (2022). Artificial intelligence in the field of economics. Scientometrics 127, 2055–2084. https://doi.org/10.1007/s11192-022-04294-w

39. Feickert, M., & Nachman, B. P. (2021 web). A Living Review of Machine Learning for Particle Physics. https://arxiv.org/pdf/2102.02770.pdf

40. Herbrich, R., Keilbach, M., Graepel, T., Bollmann-Sdorra, P. & Obermayer, K. (1999). Neural Networks in Economics. Background, Applications and New Developments. Computational Techniques for Modelling Learning in Economics. Springer New York, NY., 169–196;

41. Iten, R., Metger, T., Wilming, H., del Rio, L., & Renner, R. (2020). Discovering Physical Concepts with Neural Networks. Phys. Rev. Lett. Published 8 January 2020.

42. Karagiorgi, G., Kasieczka, G., Kravitz, S., Nachman, B. & Shih, D. (2022). Machine learning in the search for new fundamental physics. Nature Reviews Physics, 4, 399–412.

43. Lemos, P., Jeff rey, N., Cranmer, M., Ho, S., & Battaglia, P. (2022). Rediscovering orbital mechanics with machine learning. Earth and Planetary Astrophysics. arXiv:2202.02306v1 https://doi.org/10.48550/arXiv.2202.02306

44. McCulloch, W.,S., & Pitts, W. (1943). A logical calculus of the ideas immanent in nervous activity. Bulletin of Mathematical Biophysics, 5, 115–133. https://doi.org/10.1007/BF02478259

45. Mustak, M., Salminen. J., Plé, L., & Wirtz, J. (2021). Artificial intelligence in marketing: Topic modeling, scientometric analysis, and research agenda. Journal of Business Research, 124, January, 389–404. https://doi.org/10.1016/j.jbusres.2020.10.044

46. Rousseau, S., & Rousseau, R. (2021) Bibliometric techniques and their use in business and economics research. Journal of Economic Surveys. Special issue, 35(5), 1428–1451 https://doi.org/10.1111/joes.12415

47. Vanchurin, V. (2020). The world as a neural network. arXiv:2008.01540v1 [physics.genph] 4 Aug.