Риски организации и реализации процесса принятия решений на основании аналитики больших данных и искусственного интеллекта
Ключевые слова:
Аналитика больших данных, большие данные, государственное управление, искусственный интеллект, принятие решений, система рисков.Аннотация
В последнее время все актуальнее становится поиск дополнительных инструментов, обеспечивающих качество организации процесса принятия решений и его реализации должностными лицами в системе государственного и муниципального управления. Традиционные подходы, основанные на официальной статистике, дают лишь «слепок реальности», то есть не всегда данных официальной статистики достаточно для понимания объективной ситуации. Такие достижения технологического прогресса на современном этапе, как аналитика больших данных и искусственный интеллект, позволяют пересмотреть научный метод познания, на практике предлагая дополнительные инструменты поддержки процесса принятия решений. Для реализации возможностей этих технологий необходимо преодолеть ряд проблем, в том числе связанных с организацией и реализацией процесса принятия решений. В исследовании предлагается к рассмотрению общая проблема неравномерного использования больших данных и искусственного интеллекта в государственном секторе с концентрацией внимания на том, как использование технологий влияет на процессы принятий решений. Отмечается определенное отставание государственного сектора от частного сектора в вопросах внедрения технологий больших данных и искусственного интеллекта и широкие возможности государства в области генерации данных по сравнению в другими хозяйствующими субъектами. В исследовании используется метод анализа научной литературы и метод кейс-стади. По результатам исследования предлагается система рисков организации и реализации процесса принятия решений на основании аналитики больших данных и искусственного интеллекта, которая вносит свой вклад в формирование процедур повышения качества решений в системе государственного управления.
Библиографические ссылки
Амелин Р.В. Информационные системы как правовой инструмент воздействия на общественные отношения: анализ российской и мировой практики // Известия Саратовского университета. Новая серия. Серия: Экономика. Управление. Право. 2021. Т. 21. № 4. С. 445–452. DOI: 10.18500/1994-2540-2021-21-4-445-452
Бабкин Р.А. Опыт использования данных операторов сотовой связи в зарубежных экономико-географических исследованиях // Вестник Санкт-Петербургского университета. Науки о Земле. 2021. № 66(3). С. 416–439. DOI: 10.21638/spbu07.2021.301
Балацкий Е.В., Екимова Н.А. Прогнозирование настроений населения и идентификация «социальных пузырей» // Мониторинг общественного мнения. 2008. № 1(85). С. 62–71.
Балацкий Е.В., Юревич М.А. Измерение инфляционных ожиданий: традиционные и новаторские подходы // Вестник Санкт-Петербургского университета. Экономика. 2018. Т. 34. № 4. С. 534–552. DOI: 10.21638/spbu05.2018.403
Елизаров А.М., Паджев В.В., Хохлов Ю.Е. Система управления и механизмы финансирования работы с большими данными // Информационное общество. 2021. № 4–5. С. 53–65. DOI: 10.52605/16059921_2021_04_53
Исаков А., Латыпов Р., Репин А., Постолит Е., Евсеев А., Синельникова-Мурылева Е. Твердые цифры: открытые микроданные о потребительских ценах // Деньги и кредит. 2021. Т. 80. № 1. С. 104–119. DOI: 10.31477/rjmf.202101.104
Катин А.В., Хохлов Ю.Е. Мониторинг использования технологий работы с большими данными в системе государственного управления в России // Информационное общество. 2021. № 4–5. С. 150–165. DOI: 10.52605/16059921_2021_04_150
Кузнеченко И.М. Большие данные и искусственный интеллект в государственном управлении: анализ теории и выделение российских научных сообществ // Информационное общество. 2023. № 4. С. 127–146. DOI: 10.52605/16059921_2023_04_127
Кузнеченко И.М. Большие данные и искусственный интеллект, как факторы трансформации системы государственного управления // Экономическое развитие России. 2024. Т. 31. № 2. С. 113–128.
Морозов А.Н. Альтернативные источники статистической информации как основа принятия политических решений // Вопросы государственного и муниципального управления. 2018. № 2. С. 50–70.
Муминова С.Р. Технологии искусственного интеллекта как инструмент государственного управления в туризме // Среднерусский вестник общественных наук. 2022. Т. 17. № 5. С. 172–182. DOI: 10.22394/2071-2367-2022-17-5-172-182
Овчинский В.С., Ларина Е. Искусственный интеллект: Большие данные. Преступность. М.: Книжный мир, 2018.
Оксенойт Г.К. Цифровая повестка, большие данные и официальная статистика // Вопросы статистики. 2018. Т. 25. № 1. С. 3–16.
Умнова-Конюхова И.А., Ловцова Д.А. Государство и право в новой цифровой реальности. М.: РАН. ИНИОН, 2020.
Чаннов С.Е. Использование цифровых технологий в сфере публичного управления // Известия Саратовского университета. Новая серия. Серия: Экономика. Управление. Право. 2021. Т. 21. № 4. С. 419–428. DOI: 10.18500/1994-2540-2021-21-4-419-428
Ясыченко А.И. Большие данные в сфере электронных государственных и муниципальных услуг // Информационные технологии в управлении и экономике. 2022. № 3(28). С. 30–38.
Ananny M. Toward an Ethics of Algorithms: Convening, Observation, Probability, and Timeliness // Science, Technology, & Human Values. 2016. Vol. 41. Is. 1. P. 93–117. DOI: 10.1177/016224391560652
Barth T., Arnold E. Artificial Intelligence and Administrative Discretion: Implications for Public Administration // The American Review of Public Administration. 1999. Vol. 29. Is. 4. P. 332–351. DOI: 10.1177/0275074992206446
Boyd D., Crawford K. Critical Questions for Big Data. Information // Communication & Society. 2012. Vol. 15. Is. 5. P. 662–679. DOI: 10.1080/1369118X.2012.678878
Brauneis R., Goodman E.P. Algorithmic Transparency for the Smart City // Yale Journal of Law & Technology. 2018. Vol. 20. DOI: 10.2139/ssrn.3012499
Budhi G.S., Chiong R., Wang Z., Dhakal S. Using a Hybrid Content-based and Behavior-based Featuring Approach in a Parallel Environment to Detect Fake Reviews // Electronic Commerce Research and Applications. 2021. Vol. 47. DOI: 10.1016/j.elerap.2021.101048
Burrell J. How the Machine Thinks: Understanding Opacity in Machine Learning Algorithms // Big Data & Society. 2016. Vol. 3. Is. 1. DOI: 10.1177/2053951715622512
Cheung E., Chan A., Kajewski S. Reasons for Implementing Public Private Partnership Projects: Perspectives from Hong Kong, Australian and British Practitioners // Journal of Property Investment and Finance. 2009. Vol. 27. Is. 1. P. 81–95. DOI: 10.1108/14635780910926685
Chiao V. Fairness, Accountability and Transparency: Notes on Algorithmic Decision-making in Criminal Justice // International Journal of Law in Context. 2019. Vol. 15. Special Is. 2. P. 126–139. DOI: 10.1017/S1744552319000077
Coglianese C., Lehr D. Transparency and Algorithmic Governance // Administrative Law Review. 2019. Vol. 71. Is. 1. URL: https://scholarship.law.upenn.edu/cgi/viewcontent.cgi?article=3125&context=faculty_scholarship
Crawford K., Gray M., Miltner K. Critiquing Big Data: Politics, Ethics, Epistemology. Special Section Introduction // International Journal of Communication. 2014. Vol. 8. URL: https://ijoc.org/index.php/ijoc/article/view/2167/1164
Currie M. Data as Performance — Showcasing Cities through Open Data Maps // Big Data & Society. 2020. Vol. 7. Is. 1. DOI: 10.1177/2053951720907953
Danaher J. Freedom in an Age of Algocracy // Oxford Handbook of Philosophy of Technology / ed. by Sh. Vallor Oxford: Oxford University Press, 2020. Р. 250–272. DOI: 10.1093/oxfordhb/9780190851187.013.16
Desouza K., Jacob B. Big Data in the Public Sector: Lessons for Practitioners and Scholars // Administration & Society. 2014. Vol. 49. Is. 7. P. 1043–1064. DOI: 10.1177/0095399714555751
Dumbacher B., Hutchinson R. Enhancing the Foundation of Official Economic Statistics with Big Data // Estadística Española. 2018. Vol. 60. Núm. 197. P. 263–271.
Flores A., Bechtel K., Lowenkamp C. False Positives, False Negatives, And False Analyses: A Rejoinder to “Machine Bias: There’s Software Used Across the Country to Predict Future Criminals and It’s Biased Against Blacks” // Federal Probation Journal. 2016. Vol. 80. No. 2. URL: https://www.uscourts.gov/sites/default/files/80_2_6_0.pdf
Gal M. Algorithmic Challenges to Autonomous Choice // Michigan Journal of Law and Technology. 2018. Vol. 25. Is. 1. P. 59–104.
Giest S. Big Data for Policymaking: Fad or Fasttrack? // Policy Sciences. 2017. Vol. 50. P. 367–382. DOI: 10.1007/s11077-017-9293-1
Glaeser E., Hillis A., Kominers S., Luca M. Crowdsourcing City Government: Using Tournaments to Improve Inspection Accuracy // American Economic Review. 2016. Vol. 106. Is. 5. P. 114–118. DOI: 10.1257/aer.p20161027
Glicksman R., Markell D.L., Monteleoni C. Technological Innovation, Data Analytics, and Environmental Enforcement // Ecology Law Quarterly. 2017. Vol. 44. Is. 1. P. 41–88.
Guenduez A., Mettler T., Schedler K. Technological Frames in Public Administration: What do Public Managers Think of Big Data? // Government Information Quarterly. 2020. Vol. 37. Is. 1. DOI: 10.1016/j.giq.2019.101406
Hackl P. Big Data: What Can Official Statistics Expect? // Statistical Journal of the IAOS. 2016. Vol. 32. Is. 1. P. 43–52. DOI: 10.3233/sji-160965
Höchtl J., Parycek P., Schöllhammer R. Big Data in the Policy Cycle: Policy Decision Making in the Digital Era // Journal of Organizational Computing and Electronic Commerce. 2016. Vol. 26. Is. 1–2. P. 147–169. DOI: 10.1080/10919392.2015.1125187
Holt D. Official Statistics, Public Policy and Public Trust // Journal of the Royal Statistical Society Series A. 2008. Vol. 171. Is. 2. P. 323–346. DOI: 10.1111/j.1467-985X.2007.00523.x
Howlett M. Policy Analytical Capacity and Evidence-Based Policy-Making: Lessons from Canada // Canadian Public Administration. 2009. Vol. 52. Is. 2. P. 153–175. DOI: 10.1111/j.1754-7121.2009.00070_1.x
Kaski S., Ailisto H., Suominen A. International AI Experts: Towards the Third Wave of Artificial Intelligence // Leading the Way into the Age of Artificial Intelligence: Final Report of Finland’s Artificial Intelligence Programme 2019. Helsinki: Ministry of Economic Affairs and Employment, 2019. P. 28–42.
Kitchin R. Big Data and Human Geography: Opportunities, Challenges and Risks // Dialogues in Human Geography. 2013. Vol. 3. Is. 3. P. 262–267. DOI: 10.1177/2043820613513388
Kitchin R. Big Data, New Epistemologies and Paradigm Shift // Big Data & Society. 2014. Vol. 1. Is. 1. DOI: 10.1177/2053951714528481
Kitchin R., Stehle S. Can Smart City Data Be Used to Create New Official Statistics? // Journal of Official Statistics. 2021. Vol. 37. Is. 1. P. 121–147. DOI: 10.2478/jos-2021-000
Klievink B., Romijn B.-J., Cunningham S., de Bruijn H. Big Data in the Public Sector: Uncertainties and Readiness // Information Systems Frontiers. 2017. Vol. 19. P. 267–283. DOI: 10.1007/s10796-016-9686-2
Kogan M. The Impact of Research on Policy // Speaking Truth to Power: Research and Policy on Lifelong Learning / ed. by F. Coffield. Bristol, UK: Policy Press, 1999. P. 11–18.
Kroll J.A., Huey J., Barocas S., Felten E.W., Reidenberg J.R., Robinson D.G., Yu H. Accountable Algorithms // The University of Pennsylvania Law Review. 2017. Vol. 165. URL: https://scholarship.law.upenn.edu/penn_law_review/vol165/iss3/3/
Liu H.W., Lin C.F., Chen Y.J. Beyond State v. Loomis: Artificial Intelligence, Government Algorithmization, and Accountability // International Journal of Law and Information Technology. 2019. Vol. 27. Is. 2. P. 122–141. DOI: 10.1093/ijlit/eaz001
Maciejewski M. To Do More, Better, Faster and More Cheaply: Using Big Data in Public Administration // International Review of Administrative Sciences. 2017. Vol. 83. Is. 1 suppl. P. 120–135. DOI: 10.1177/0020852316640058
Marchi G., Lucertini G., Tsoukiàs A. From Evidence-Based Policy-Making to Policy Analytics // Annals of Operations Research. 2016. Vol. 236. Is. 1. P. 15–38. DOI: 10.1007/s10479-014-1578-6
Marmot M. Evidence Based Policy or Policy Based Evidence? // BMJ. 2004. Vol. 328. No. 7445. P. 906–907. DOI: 10.1136/bmj.328.7445.906
Mayer-Schonberger V., Cukier K. Big Data: A Revolution that Will Change How We Live, Work and Think. Boston, New York: An Eamon Dolan Book; Houghton Mifflin Harcourt, 2013.
McAfee A., Brynjolfsson E. Big Data: The Management Revolution // Harward Business Review. 2012. Vol. 90. Is. 10. P. 60–66.
Medda F., Carbonaro G., Davis S. Public Private Partnerships in Transportation: Some Insights from the European Experience // IATSS Research. 2013. Vol. 36. Is. 2. P. 83–87. DOI: 10.1016/j.iatssr.2012.11.002
Mikhaylov S.J., Esteve M., Campion A. Artificial Intelligence for the Public Sector: Opportunities and Challenges of Cross-Sector Collaboration // Philosophical Transactions of the Royal Society A. 2018. Vol. 376. Is. 2128. DOI: 10.1098/rsta.2017.0357
Miller H. The Data Avalanche is Here. Shouldn’t We Be Digging? // Journal of Regional Science. 2010. Vol. 50. Is. 1. P. 181–201. DOI: 10.1111/j.1467-9787.2009.00641.x
Mittelstadt B., Allo P., Taddeo M., Wachter S., Floridi L. The Ethics of Algorithms: Mapping the Debate // Big Data & Society. 2016. Vol. 3. Is. 2. DOI: 10.1177/2053951716679679
Nelkin D. The Political Impact of Technical Expertise // Social Studies of Science. 1975. Vol. 5. Is. 1. P. 35–54.
O’Neil C. Weapons of Math Destruction: How Big Data Increases Inequality and Threatens Democracy. Washington, D.C.: Crown Books, 2016.
Pasquale F. A Rule of Persons, Not Machines: The Limits of Legal Automation // George Washington Law Review. 2019. Vol. 87. Is. 1. URL: https://www.gwlr.org/wp-content/uploads/2019/01/87-Geo.-Wash.-L.-Rev.-1.pdf
Poel M., Meyer E.T., Schroeder R. Big Data for Policymaking: Great Expectations, but with Limited Progress? // Policy & Internet. 2018. Vol. 10. Is. 3. P. 347–367. DOI: 10.1002/poi3.176
Prensky M.H. Sapiens Digital: From Digital Immigrants and Digital Natives to Digital Wisdom // Innovate: Journal of Online Education. 2009. Vol. 5. Is. 3. URL: https://www.learntechlib.org/p/104264/
Rosenstock L., Lee L.J. Attacks on Science: The Risks to Evidence-based policy // American Journal of Public Health. 2002. Vol. 92. Is. 1. P. 14–18. DOI: 10.2105/ajph.92.1.14
Sabatier P. Toward Better Theories of the Policy Process // PS: Political Science & Politics. 1991. Vol. 24. Is. 2. P. 147–156.
Siegel E. Predictive Analytics: The Power to Predict Who Will Click, Buy, Lie, or Die. Hoboken: Wiley, 2013.
Stahl B. Artificial Intelligence for a Better Future: An Ecosystem Perspective on the Ethics of AI and Emerging Digital Technologies. Berlin: Springer Nature, 2021.
Tiguint B. AI and Big Data Strategy in the Public Sector: Toward the State 4.0 // Искусственный интеллект и тренды цифровизации: техногенный прорыв как вызов праву. М.: Российский университет транспорта, 2021. С. 67–81.
Van der Voort H.G., Klievink A.J., Arnaboldi M., Meijer A.J. Rationality and Politics of Algorithms. Will the Promise of Big Data Survive the Dynamics of Public Decision Making? // Government Information Quarterly. 2019. Vol. 36. Is. 1. P. 27‒38. DOI: 10.1016/j.giq.2018.10.011
Vydra S., Klievink B. Techno-Optimism and Policy-Pessimism in the Public Sector Big Data Debate // Government Information Quarterly. 2019. Vol. 36. Is. 4. DOI: 10.1016/j.giq.2019.05.010
Walker R. Welfare Policy: Tendering for Evidence // What works? Evidence-Based Policy and Practice in Public Services / ed. by S. Nutley, P. Smith, H. Davies. Bristol: Policy Press, 2000. P. 141–166. DOI: 10.1332/policypress/9781861341914.003.0007
Wexler R. Life, Liberty, and Trade Secrets: Intellectual Property in the Criminal Justice System // Stanford Law Review. 2018. Vol. 70. URL: https://review.law.stanford.edu/wp-content/uploads/sites/3/2018/06/70-Stan.-L.-Rev.-1343.pdf
Zarsky T. Transparent Predictions // University of Illinois Law Review. 2013. Vol. 2013. Is. 4. P. 1503–1569.
