Алгоритмизация управления распределением ограниченных финансовых ресурсов в региональном социальном фонде на основе нейронных сетей ART-MAP

В условиях сохраняющейся ограниченности бюджетных ресурсов, усугубляемой возрастающей социальной нагрузкой на региональные бюджеты, проблема поиска эффективных механизмов распределения средств государственных социальных фондов приобретает первостепенное значение. От того, насколько рационально и справедливо будут распределены ресурсы, напрямую зависит социальное самочувствие миллионов граждан и стабильность общественных отношений. Ключевым элементом для построения такой эффективной системы является наличие четкой, научно обоснованной и, что особенно важно, отранжированной по степени приоритетности классификации групп-получателей социальной помощи. Такая классификация позволяет перейти от уравнительного принципа поддержки к адресному, концентрируя усилия и средства на наиболее уязвимых категориях населения. В данной статье предлагается к рассмотрению инновационный подход к алгоритмизации этого сложного процесса. Предлагаемый метод основан на интеграции разработанной иерархической классификации получателей с современными нейросетевыми технологиями, а именно с архитектурами семейства ART-MAP. Использование данных нейросетей позволяет создать гибкую, адаптивную систему, способную обучаться в реальном времени, учитывать динамику изменений социальной среды и обеспечивать не только точную, но и полностью прозрачную, понятную и обоснованную дисперсию (перераспределение) финансовых потоков, что критически важно для соблюдения принципов социальной справедливости.

1. Шабунова А.А., Крошилин С.В., Ярашева А.В., Медведева Е.И. Социально-экономические индикаторы национальных целей развития России: тенденции и прогноз. Экономические и социальные перемены: факты, тенденции, прогноз. 2024;17(5):40–54. https://doi.org/10.15838/esc.2024.5.95.2

2. Халтурин Р.А., Судоргин Р.О., Акиншин Н.С. Теоретическое обоснование модели поиска оптимальных решений в сложных системах управления ресурсами. Транспорт и информационные технологии. 2025;15(1):214–233. https://doi.org/10.12731/2227-930X-2025-15-1-356

3. Terentyev A.V., Yevtukov S.S., Karelina E.A. Development of zoning method for solving economic problems of optimal resource allocation to objects of various importance in context of incomplete information. In: Proceedings of the International Scientific Conference "Far East Con" (ISCFEC 2020), 01–04 October 2019, Vladivostok, Russia. Atlantis Press; 2020. P. 765–772. https://doi.org/10.2991/aebmr.k.200312.108

4. Аверьянов В.В. Адаптивное управление техническими системами с использованием нейросетевых технологий. Молодой ученый. 2026;(11):65–67.

5. Петухова А.В., Коваленко А.В. Системы поддержки принятия решений (СППР) на основе интеллектуальных технологий. Архитектура, проектирование и использование СППР в различных областях. Прикладная математика и вопросы управления. 2025;(1):47–58.

6. Carpenter G.A., Grossberg S. Adaptive Resonance Theory. In: Encyclopedia of Machine Learning. New York: Springer; 2010. P. 22–35. https://doi.org/10.1007/978-0-387-30164-8_11

7. Львович Я.Е., Львович И.Я., Чопоров О.Н. и др. Оптимизация цифрового управления в организационных системах. Воронеж: Научная книга; 2021. 191 с.

8. Львович И.Я. Принятие решений на основе оптимизационных моделей и экспертной информации. Воронеж: Научная книга; 2023. 231 с.

9. Granger E., Prieur D., Connolly J.-F. Evolving ARTMAP Neural Networks Using Multi-Objective Particle Swarm Optimization. In: IEEE Congress on Evolutionary Computation, 18–23 July 2010, Barcelona, Spain. IEEE; 2010. P. 1–8. https://doi.org/10.1109/CEC.2010.5585953

10. Жилов Р.А. Применение нейронных сетей при кластеризации данных. Известия Кабардино-Балкарского научного центра РАН. 2021;(1):15–19. https://doi.org/10.35330/1991-6639-2021-1-99-15-19