ИССЛЕДОВАНИЕ ВЗАИМОСВЯЗИ ОБРАЩЕНИЙ ГРАЖДАН НА ОТКРЫТЫЙ ПОРТАЛ ПРАВИТЕЛЬСТВА МОСКВЫ С СОЦИАЛЬНО-ЭКОНОМИЧЕСКИМИ ПОКАЗАТЕЛЯМИ АДМИНИСТРАТИВНЫХ ОКРУГОВ
Аннотация
В статье рассматриваются возможности изучения состояния социальной сферы по данным репозитория портала открытых данных Правительства Москвы по административным округам и городским округам с использованием платформ бизнес-аналитики и интеллектуальных технологий платформ Data Science и машинного обучения. Представлены возможности использования технологий машинного обучения для платформ бизнес-аналитики для выявления скрытых закономерностей с целью принятия обоснованных управленческих решений.
Цель – эмпирическая проверка гипотезы о положительной взаимосвязи между количеством семей, получающих субсидию в городе Москве, в различных разрезах, и числом обращений граждан на открытый портал Правительства Москвы
Метод или методология проведения работы: в статье использовались метод кластеризации и статистические методы исследования.
Область применения результатов: полученная в результате мониторинга объективная информация может быть использована для выработки стратегии и принятия управленческих решений по развитию округов и повышению качества жизни г. Москвы
Скачивания
Литература
Список литературы
Фролов Ю.В., Сахнюк П.А., Сахнюк Т.И. Использование инструментов геоаналитики для подготовки бакалавров и магистров по направлению «бизнес-информатика» // Вестник Российского университета дружбы народов. Серия: Информатизация образования. 2018. Т. 15. №2. C. 151-164.
Мамаев И.И., Сахнюк Т.И., Сахнюк П.А. Анализ основных социально-экономических показателей районов Ставропольского края за 2011-2015 годы средствами систем бизнес-аналитики // Научный журнал КубГАУ [Электронный ресурс]. Краснодар: КубГАУ, 2016. №123(09). http://ej.kubagro.ru/2016/09/pdf/26.pdf
Количество семей, получающих субсидию в городе Москве, в различных разрезах. https://data.mos.ru/opendata/7701236617-kolichestvo-semey-poluchayushchih-subsidiyu-v-gorode-moskve
Siddiqui T., Ausaf A. Data mining tools and techniques for mining software repositories: A systematic review // Big Data Analytics. Springer, Singapore, 2018, pp. 717-726.
Verma K., Bhardwaj S., Arya R., UL Islam M.S., Bhushan M., Kumar A., Samant P. Latest Tools for Data Mining and Machine Learning // International Journal of Innovative Technology and Exploring Engineering (IJITEE). 2019. Vol. 8, Issue 9S. https://doi.org/10.35940/ijitee.I1003.0789S19
Alcalá R., Gacto MJ., Alcalá-Fdez J. Evolutionary data mining and applications: A revision on the most cited papers from the last 10 years (2007–2017) // Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery. 2018. Vol. 8, e1239.
Jean N., Burke M., Xie M., Davis W.M., Lobell D.B., Ermon S. Combining satellite imagery and machine learning to predict poverty // Science. 2016. Vol. 353(6301). P. 790–794.
Shi S., Wang Q., Xu P., Chu X. Benchmarking state-of-the-art deep learning software tools // 2016 7th international conference on cloud computing and big data (CCBD). IEEE, 2016. P. 99–104.
Tianqi Chen and Carlos Guestrin. Xgboost: A scalable tree boosting system // Proceedings of the 22Nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. 2016.P. 785–794.
Patrick Hall, Navdeep Gill, Nicholas Schmidt. Proposed Guidelines for the Responsible Use of Explainable Machine Learning. arXiv:1906.03533v3 [stat.ML] 29 Nov 2019.
Sorelle A. Friedler, Chitradeep Dutta Roy, Carlos Scheidegger, and Dylan Slack. Assessing the Local Interpretability of Machine Learning Models. arXiv preprint arXiv:1902.03501, 2019. https: //arxiv.org/pdf/1902.03501.pdf.
Nguyen G., Dlugolinsky S., Bobák M. et al. Machine Learning and Deep Learning frameworks and libraries for large-scale data mining: a survey // Artif Intell Rev. 2019. Vol. 52. P. 77–124. https://doi.org/10.1007/s10462-018-09679-z
Hall, Patrick. On the Art and Science of Explainable Machine Learning: Techniques, Recommendations, and Responsibilities. https://arxiv.org/pdf/1810.02909.pdf
Wojciech Froelich. Towards improving the efficiency of the fuzzy cognitive map classifier // Neurocomputing. 2017. Vol. 232. P. 83-93, https://doi.org/10.1016/j.neucom.2016.11.059
Rory Mitchell. Gradient Boosting, Decision Trees and XGBoost with CUDA. https://devblogs.nvidia.com/parallelforall/gradient-boosting-decision-trees-xgboost-cuda/
Mitchell R, Frank E. Accelerating the XGBoost algorithm using GPU computing // PeerJ Computer Science. 2017. Vol. 3, e127. https://doi.org/10.7717/peerj-cs.127
Катрашова Ю. В. Использование «сквозных» цифровых технологий в сфере государственного управления / Ю. В. Катрашова, Г. Ю. Митяшин // Наука Красноярья. 2020. Т. 9, № 4. С. 85-102. https://doi.org/10.12731/2070-7568-2020-4-85-102
Катрашова Ю. В. Система социального рейтинга как форма государственного контроля над обществом: перспективы внедрения и развития, угрозы реализации / Ю. В. Катрашова, Г. Ю. Митяшин, В. А. Плотников // Управленческое консультирование. 2021. № 2(146). С. 100-109. https://doi.org/10.22394/1726-1139-2021-2-100-109
Плотников В. А. Цифровая революция, Covid-19 и государственное управление / В. А. Плотников, А. В. Пролубников // Вызовы цифровой экономики: тренды развития в условиях последствий пандемии COVID-19 : Сборник статей IV Всероссийской научно-практической конференции, приуроченной к Году науки и технологий в России, Брянск, 25 мая 2021 года. Брянск: Федеральное государственное бюджетное образовательное учреждение высшего образования «Брянский государственный инженерно-технологический университет», 2021. С. 234-237.
Катрашова Ю. В. Преимущества и угрозы внедрения технологии больших данных в систему государственного управления / Ю. В. Катрашова, Г. Ю. Митяшин // Актуальные проблемы аграрной науки: прикладные и исследовательские аспекты : Сборник научных трудов Всероссийской (национальной) научно-практической конференции, Нальчик, 04–05 февраля 2021 года. Том I. Нальчик: Федеральное государственное бюджетное образовательное учреждение высшего образования «Кабардино-Балкарский государственный аграрный университет имени В.М. Кокова», 2021. С. 367-370.
Апатова Н. В. Цифровые трансформации бизнеса и социума // Вестник Тверского государственного университета. Серия: Экономика и управление. 2022. № 4(60). С. 60-71. https://doi.org/10.26456/2219-1453/2022.4.060-071
References
Frolov Yu.V., Sakhnyuk P.A., Sakhnyuk T.I. Using geoanalytics tools for training bachelors and masters in business informatics.Bulletin of the Russian Peoples’ Friendship University. Series: Informatization of education. 2018. T. 15. No. 2. pp. 151-164.
Mamaev I.I., Sakhnyuk T.I., Sakhnyuk P.A. Analysis of the main socio-economic indicators of the regions of the Stavropol Territory for 2011-2015 using business analytics systems. Scientific journal of KubSAU [Electronic resource]. Krasnodar: KubGAU, 2016. No. 123(09). http://ej.kubagro.ru/2016/09/pdf/26.pdf
The number of families receiving subsidies in the city of Moscow, in various sections. https://data.mos.ru/opendata/7701236617-kolichestvo-semey-poluchayushchih-subsidiyu-v-gorode-moskve
Siddiqui T., Ausaf A. Data mining tools and techniques for mining software repositories: A systematic review. Big Data Analytics. Springer, Singapore, 2018, pp. 717-726.
Verma K., Bhardwaj S., Arya R., UL Islam M.S., Bhushan M., Kumar A., Samant P. Latest Tools for Data Mining and Machine Learning. International Journal of Innovative Technology and Exploring Engineering (IJITEE). 2019. Vol. 8, Issue 9S. https://doi.org/10.35940/ijitee.I1003.0789S19
Alcalá R., Gacto MJ., Alcalá-Fdez J. Evolutionary data mining and applications: A revision on the most cited papers from the last 10 years (2007–2017). Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery. 2018. Vol. 8, e1239.
Jean N., Burke M., Xie M., Davis W.M., Lobell D.B., Ermon S. Combining satellite imagery and machine learning to predict poverty. Science. 2016. Vol. 353(6301). P. 790–794.
Shi S., Wang Q., Xu P., Chu X. Benchmarking state-of-the-art deep learning software tools. 2016 7th international conference on cloud computing and big data (CCBD). IEEE, 2016, pp. 99–104.
Tianqi Chen and Carlos Guestrin. Xgboost: A scalable tree boosting system. Proceedings of the 22Nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. 2016. P. 785–794.
Patrick Hall, Navdeep Gill, Nicholas Schmidt. Proposed Guidelines for the Responsible Use of Explainable Machine Learning. arXiv:1906.03533v3 [stat.ML] 29 Nov 2019.
Sorelle A. Friedler, Chitradeep Dutta Roy, Carlos Scheidegger, and Dylan Slack. Assessing the Local Interpretability of Machine Learning Models. arXiv preprint arXiv:1902.03501, 2019. https: //arxiv.org/pdf/1902.03501.pdf.
Nguyen G., Dlugolinsky S., Bobák M. et al. Machine Learning and Deep Learning frameworks and libraries for large-scale data mining: a survey. Artif Intell Rev. 2019. Vol. 52. P. 77–124. https://doi.org/10.1007/s10462-018-09679-z
Hall, Patrick. On the Art and Science of Explainable Machine Learning: Techniques, Recommendations, and Responsibilities. https://arxiv.org/pdf/1810.02909.pdf
Wojciech Froelich. Towards improving the efficiency of the fuzzy cognitive map classifier. Neurocomputing. 2017. Vol. 232. P. 83-93, https://doi.org/10.1016/j.neucom.2016.11.059
Rory Mitchell. Gradient Boosting, Decision Trees and XGBoost with CUDA. https://devblogs.nvidia.com/parallelforall/gradient-boosting-decision-trees-xgboost-cuda/
Mitchell R, Frank E. Accelerating the XGBoost algorithm using GPU computing. PeerJ Computer Science. 2017. Vol. 3, e127. https://doi.org/10.7717/peerj-cs.127
Katrashova Yu. V. The use of “end-to-end” digital technologies in the field of public administration / Yu. V. Katrashova, G. Yu. Mityashin. Science of Krasnoyarsk. 2020. Vol. 9, No. 4. pp. 85-102. https://doi.org/10.12731/2070-7568-2020-4-85-102
Katrashova Yu. V. Social rating system as a form of state control over society: prospects for implementation and development, threats to implementation / Yu. V. Katrashova, G. Yu. Mityashin, V. A. Plotnikov. Management consulting. 2021. No. 2(146). pp. 100-109. https://doi.org/10.22394/1726-1139-2021-2-100-109
Plotnikov V. A. Digital revolution, Covid-19 and public administration / V. A. Plotnikov, A. V. Prolubnikov. Challenges of the digital economy: development trends in the context of the consequences of the COVID-19 pandemic: Collection of articles of the IV All-Russian scientific- practical conference dedicated to the Year of Science and Technology in Russia, Bryansk, May 25, 2021. Bryansk: Bryansk State Engineering and Technology University, 2021. P. 234-237.
Katrashova Yu. V. Advantages and threats of introducing big data technology into the public administration system / Yu. V. Katrashova, G. Yu. Mityashin. Current problems of agricultural science: applied and research aspects: Collection of scientific works of the All-Russian (national) scientifi -practical conference, Nalchik, February 04–05, 2021. Volume I. Nalchik: Kabardino-Balkarian State Agrarian University named after V.M. Kokov, 2021. P. 367-370.
Apatova N.V. Digital transformations of business and society. Bulletin of Tver State University. Series: Economics and management. 2022. No. 4(60). pp. 60-71. https://doi.org/10.26456/2219-1453/2022.4.060-071
Просмотров аннотации: 110 Загрузок PDF: 93
Copyright (c) 2023 Pavel A. Sakhnyuk, Tatyana I. Sakhnyuk
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
