АНАЛІЗ МЕТОДІВ ПРОГНОЗУВАННЯ СОЦІАЛЬНО-ЕКОНОМІЧНИХ ВРАЗЛИВОСТЕЙ КРАЇН
Анотація
У статті реалізовано бібліометричний аналіз наукових публікацій з проблематики прогнозування соціально-економічних вразливостей країн на основі даних бази Scopus із використанням аналітичного пакету VOSviewer. В результаті виявлено динаміку публікацій за 1991-2025 рр., провідні країни та галузі досліджень, а також тематичні кластери методів прогнозування: штучний інтелект і обробка природної мови, машинне навчання в соціально-економічних та екологічних системах, статистичне моделювання та управління ризиками, алгоритмічна оптимізація, прогнозування траєкторій руху, фінансове моделювання, бюджетування та системи раннього попередження. Результати дозволяють стверджувати про перспективи розвитку методів прогнозування із урахуванням впливу кіберзагроз, корупції та відмивання коштів, а також потенціал нейронних мереж, зокрема GRU, для підвищення точності прогнозів і підтримки стратегічного прийняття рішень.
Посилання
Balcaen S., & Ooghe H. (2006) 35 years of studies on business failure: an overview of the classic statistical methodologies and their related problems. The British Accounting Review, vol. 38(1), pp. 63-93. DOI: 10.1016/j.bar.2005.09.001
Swain S. S., Rao R. R., Reddy C. R. M., Kaur H., & Boopathi S. (2025) Predictive Analytics for Urban Development Using ML Technique. In Urban Mobility and Challenges of Intelligent Transportation Systems (pp. 383-402). IGI Global Scientific Publishing. DOI: 10.4018/979-8-3693-7984-4.ch021
Zhao J., Shao M., Wang H., Yu X., Li B., & Liu X. (2022) Cyber threat prediction using dynamic heterogeneous graph learning. Knowledge-Based Systems, vol. 240, no. 108086. DOI: 10.1016/j.knosys.2021.108086
Rajesh R., Agariya A. K., & Rajendran C. (2021) Predicting resilience in retailing using grey theory and moving probability based Markov models. Journal of Retailing and Consumer Services, vol. 62, no. 102599. DOI: 10.1016/j.jretconser.2021.102599
Sethi P., Singh A., & Gupta V. (2025) Predicting Financial Distress Using Machine Learning Techniques. Asia-Pacific Financial Markets, 1-23. DOI: 10.1007/s10690-025-09525-7
Sharma V., Vashishth T. K., Sharma K. K., Kaushik V., Sharma M. K., & Sharma R. (2026) Financial Forecasting and Cybersecurity with Convolutional Neural Networks: Trends and Challenges. AI-Powered Cybersecurity for Banking and Finance, 204-239. DOI: 10.4324/9781003596875-10
Zhao J., Su X., Li X., Xi X., & Yao X. (2025) Forecasting technology convergence with the spatiotemporal link prediction model. Technovation, vol. 146, no. 103289. DOI: 10.1016/j.technovation.2025.103289
Sun X., Yuan P., Yao F., Qin Z., Yang S., & Wang X. (2025) Financial fragility in emerging markets: Examining the innovative applications of machine learning design methods. Journal of the Knowledge Economy, vol. 16(2), pp. 5862-5883. DOI: 10.1007/s13132-023-01731-w
Koc K. (2023) Role of national conditions in occupational fatal accidents in the construction industry using interpretable machine learning approach. Journal of Management in Engineering, vol. 39(6), no. 04023037. DOI: 10.1061/JMENEA.MEENG-5516
Manousiadis C., & Gaki E. (2023) Prediction models and testing of resilience in regions: Covid19 economic impact in USA counties study case. REGION, vol. 10(1), pp. 113-132. DOI: 10.18335/region.v10i1.449
VOSviewer. Visualizing scientific landscapes. URL: https://www.vosviewer.com (accessed December 10, 2025)
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
