ОПТИМИЗАЦИЯ АРКТИЧЕСКИХ ПРОИЗВОДСТВ С ПОМОЩЬЮ ИСКУСТВЕННОГО ИНТЕЛЛЕКТА В УСЛОВИЯХ КЛИМАТИЧЕСКИХ РИСКОВ

OPTIMIZATION OF ARCTIC PRODUCTION USING ARTIFICIAL INTELLIGENCE IN THE CONTEXT OF CLIMATE RISKS

Olga Ergunova

Candidate of Economic Sciences, Associate Professor, Peter the Great St. Petersburg Polytechnic University,

Russia, St. Petersburg

Andrey Somov

Candidate of Economic Sciences, Peter the Great St. Petersburg Polytechnic University,

 Russia, St. Petersburg

Ksenia Kikkas

Candidate of Economic Sciences, Associate Professor, Peter the Great St. Petersburg Polytechnic University,

Russia, St. Petersburg

АННОТАЦИЯ

Статья посвящена разработке методологических основ применения интеллектуальных систем управления в арктических производственных комплексах в контексте нарастающих климатических рисков. Актуальность исследования обусловлена усилением антропогенного воздействия на арктические экосистемы и необходимостью формирования адаптивных механизмов управления экономическими процессами в условиях высокой степени неопределенности природно-климатических факторов. В работе использован комплексный подход, включающий системный анализ факторных детерминант, методы временных рядов (LSTM, рекуррентные нейронные сети), графовый анализ логистических сетей, алгоритмы снижения размерности (PCA), деревья решений и байесовские сети для моделирования стохастических процессов. Эмпирический анализ проведен на материалах производственных систем Мурманской области. Предложена классификационная матрица «фактор–метод–результат», позволяющая систематизировать применение ИИ-инструментов в зависимости от типа управленческих задач. Разработаны прогностические модели с точностью 85-90% для климатических параметров и 81% для рыночных индикаторов. Апробация методики в условиях Мурманской области показала снижение совокупных издержек на 10-12% и сокращение логистических рисков на 15%.

ABSTRACT

The article is devoted to the development of methodological foundations for the application of intelligent control systems in Arctic production complexes in the context of increasing climate risks. The relevance of the study is due to the increasing anthropogenic impact on Arctic ecosystems and the need to form adaptive mechanisms for managing economic processes in conditions of a high degree of uncertainty of natural and climatic factors. The work uses an integrated approach, including a system analysis of factor determinants, time series methods (LSTM, recurrent neural networks), graph analysis of logistics networks, dimensionality reduction algorithms (PCA), decision trees and Bayesian networks for modeling stochastic processes. The empirical analysis is carried out on the materials of production systems in the Murmansk region. A classification matrix "factor-method-result" is proposed, which allows systematizing the use of AI tools depending on the type of management tasks. Prognostic models with an accuracy of 85-90% for climatic parameters and 81% for market indicators have been developed. Testing of the methodology in the Murmansk region showed a reduction in total costs by 10-12% and a reduction in logistics risks by 15%.

Ключевые слова: искусственный интеллект, арктические рынки, сезонность, логистические ограничения, климатические факторы

Keywords: artificial intelligence, Arctic markets, seasonality, logistical constraints, and climate factors.

Введение. Арктические территории в условиях современных глобальных трансформаций приобретают статус критически важного геоэкономического пространства, где пересекаются траектории технологического развития, экологической безопасности и макроэкономической стабильности. Специфика арктических производственных систем характеризуется комплексом структурных ограничений: экстремальными климатическими условиями, высокой волатильностью природных процессов, инфраструктурными дефицитами и повышенной экологической уязвимостью экосистем [1, 2]. Нарастающая интенсивность климатических флуктуаций формирует качественно новые риски для функционирования арктических производственных комплексов, что актуализирует проблему разработки адаптивных механизмов управления экономическими процессами. Традиционные модели планирования и контроля, основанные на детерминистических подходах и ретроспективном анализе, демонстрируют снижение эффективности в условиях нарастающей неопределенности внешней среды [3].

Современный этап развития арктической экономики характеризуется парадоксом: с одной стороны, возрастает стратегическое значение региона в контексте глобальных энергетических и логистических трансформаций, с другой – усиливается воздействие климатических и техногенных факторов, снижающих предсказуемость экономических процессов. Данное противоречие требует формирования принципиально новых подходов к управлению производственными системами, способных обеспечить синхронизацию экономической эффективности с экологической устойчивостью.

Особую актуальность приобретает проблема интеграции технологий искусственного интеллекта и предиктивной аналитики в систему стратегического планирования арктических производственных комплексов. Существующий разрыв между потенциалом интеллектуальных технологий и практикой их применения в специфических условиях Арктики создает предпосылки для формирования инновационных управленческих решений.

Анализ современного состояния научно-методического обеспечения управления арктическими производственными системами выявляет фундаментальную проблему отсутствия комплексного подхода к интеграции предиктивных технологий в контексте климато-экономических взаимодействий. Существующие исследования носят фрагментарный характер и не обеспечивают системного решения задач оптимизации ресурсных потоков в условиях высокой степени неопределенности.

Ключевое противоречие заключается между объективной необходимостью повышения адаптационного потенциала арктических предприятий и недостаточной разработанностью методологических основ применения интеллектуальных систем управления для решения специфических задач арктической экономики.

Цель исследования – разработка методологических основ и алгоритмических решений для интеграции предиктивной аналитики и технологий машинного обучения в систему управления арктическими производственными системами с учетом климатических рисков и экономической неопределенности.

Методологическую основу исследования составляет интеграция системного подхода к анализу сложных производственных систем с современными методами машинного обучения и предиктивной аналитики. Исследование базируется на принципах междисциплинарности, объединяющих достижения экономической теории, климатологии, теории управления и компьютерных наук.

Теоретическую базу составляют концепции устойчивого развития арктических территорий, теория адаптивных экономических систем, методология анализа больших данных и алгоритмы глубокого обучения для временных рядов и сетевых структур.

Научная новизна исследования определяется разработкой оригинальной методологии интеграции предиктивных технологий в управление арктическими производственными системами, что представляет собой новое направление в экономической науке на пересечении региональной экономики, теории управления и интеллектуальных систем.

Практическая значимость заключается в создании прикладного инструментария для повышения эффективности и устойчивости арктических предприятий, что способствует формированию научно-обоснованной региональной политики и стратегического планирования развития арктических территорий в условиях глобальных климатических трансформаций.

Обзор литературы. Вопросы устойчивого развития арктических территорий традиционно находятся в центре внимания научных исследований. Как отмечает Е.Н. Никитина [1], изменение климата в Арктике становится определяющим фактором, влияющим на социально-экономическое развитие региона, обостряя проблемы адаптации производственных систем к новым вызовам. Подобные тенденции усиливают потребность в разработке комплексных стратегий, учитывающих как глобальные, так и локальные изменения в природной среде.

Схожую позицию занимают В.П. Самарина и Т.П. Скуфьина [2], подчеркивающие, что климатические изменения формируют как новые возможности, так и риски для устойчивого развития российской Арктики. Авторы отмечают, что ресурсная база региона может быть использована более эффективно при условии внедрения инновационных инструментов управления. В свою очередь, Л.В. Ларченко, Ю.Н. Гладкий и В.Д. Сухоруков [3] акцентируют внимание на ресурсах устойчивого развития арктических территорий, подчеркивая их сырьевую направленность, которая требует технологической трансформации и диверсификации экономики.

Системный анализ экстерналий в управлении развитием Арктики представлен в работах Самариной, Скуфьиной, Савон и Шинкевич [6], где предлагается рассматривать устойчивое развитие через призму минимизации экологических и экономических внешних эффектов. Дополняет данную перспективу работа Д.В. Донских и соавторов [13], где обосновываются теоретические подходы к устойчивому развитию арктического региона, связывая его с принципами национальной безопасности.

Особое значение климатических рисков раскрывается в исследованиях П. Скуфина и В. Чувардинского [7], которые показывают, что природно-климатические особенности формируют ограничивающие условия для хозяйственной деятельности. В совокупности эти работы позволяют заключить, что устойчивое развитие Арктики невозможно без разработки новых инструментов адаптации производственных систем к климатической неопределенности.

На фоне климатических вызовов возрастает интерес к использованию технологий искусственного интеллекта (ИИ) и предиктивной аналитики. М.А. Питухина и А.Д. Белых [8] демонстрируют потенциал ИИ на примере Мурманской области, где технологии помогают повысить эффективность принятия решений в социально-экономической сфере. Ю. Борисова [9] рассматривает возможности применения нейросетей для прогнозирования состояния морского льда, подчеркивая значимость ИИ для навигационной и ресурсной безопасности в Арктике.

Технологическая трансформация региона анализируется также А.Н. Пилясовым и В.А. Цукерманом [12], которые фиксируют становление нового технологического уклада в Арктике за последние три десятилетия. Авторы отмечают, что внедрение ИИ и робототехники [11] способно компенсировать экстремальные условия труда и повысить эффективность использования ресурсов. В международном контексте M. Barzotto и соавт. [10] связывают внедрение технологий Индустрии 4.0 с реализацией стратегий «умной специализации», что особенно важно для отстающих регионов, к числу которых относится и Арктика.

Применение нейросетевых технологий в смежных областях демонстрируется в работе И. Карабулатовой, О. Ергуновой и А. Сомова [4], где рассматриваются возможности нейроморфных систем для социально-трудового регулирования в цифровой экономике мегаполисов. Хотя исследование сосредоточено на урбанистической среде, его выводы о человеко-центричном подходе к ИИ применимы и к арктическим производственным системам, где критически важна адаптивность и учет человеческого фактора. Схожие акценты присутствуют у L. Liu [5], отмечающей, что развитие ИИ радикально меняет роль человека в экономике, что требует переосмысления управленческих практик и в условиях Арктики.

Анализ литературы показывает, что традиционные методы управления арктическими производственными системами преимущественно основаны на ретроспективном планировании и реактивных стратегиях адаптации. Эти подходы, как указывают Самарина и Скуфьина [2], не способны эффективно учитывать динамику климатических изменений и сопряженные экономические риски. Кроме того, акцент на сырьевой модели развития [3] ограничивает возможности перехода к инновационным траекториям.

Несмотря на возрастающий интерес к цифровизации и внедрению ИИ, многие исследования [11; 8; 9] носят фрагментарный характер, фокусируясь на отдельных отраслях или аспектах (например, прогнозирование ледовой обстановки или управление социальными процессами). Недостаточно разработан комплексный подход, который интегрировал бы предиктивную аналитику и ИИ в систему стратегического управления арктическими производственными системами с учетом климатических рисков.

Таким образом, выявленный исследовательский пробел заключается в отсутствии целостной методологической базы для применения ИИ-инструментов в целях оптимизации экономических процессов арктических производственных систем. Именно его восполнению посвящено настоящее исследование.

Методика исследования. Методика исследования разработана на основе системного подхода и включает последовательную идентификацию ключевых факторов, влияющих на устойчивость арктических производственных систем, их классификацию и сопоставление с оптимальными инструментами искусственного интеллекта. Основная идея заключается в создании модели «фактор–метод–результат», где каждый элемент арктической производственной системы анализируется с использованием наиболее подходящей ИИ-технологии.

Основные этапы методики представлены ниже:

Идентификация факторов: выделение климатических, логистических, рыночных и нормативно-правовых факторов, влияющих на деятельность арктических предприятий; систематизация факторов по уровню риска и степени влияния.

Выбор и сопоставление ИИ-моделей: для каждого класса факторов определяются методы анализа данных и прогнозирования (LSTM, рекуррентные сети, графовые нейросети, деревья решений, PCA, байесовские сети); проводится сопоставление характеристик факторов и функционала моделей.

Обработка данных и построение моделей:

климатические данные → временные ряды (LSTM, RNN);

логистические данные → графовые нейросети;

рыночные параметры → PCA + деревья решений;

нормативно-правовые сценарии → байесовские сети.

Таблица 1.

Сопоставление факторов и ИИ-инструментов

Использование методов анализа временных рядов (LSTM, RNN) позволяет учитывать нелинейный характер климатических процессов, характерных для Арктики, где экстремальные колебания могут существенно влиять на производственные циклы. Графовые нейросети показали эффективность в анализе сложных логистических сетей, где ключевым фактором является сезонная доступность транспортных маршрутов.

Для рыночных данных применены методы главных компонент (PCA), которые позволяют сократить размерность и выделить наиболее значимые индикаторы, а также деревья решений для построения прозрачных прогнозных моделей. Наконец, нормативно-правовые факторы наиболее эффективно описываются с помощью байесовских сетей, позволяющих формировать вероятностные сценарии на основе взаимодействия множества переменных (например, изменения квот на добычу, международных санкций и программ господдержки).

Интеграция указанных методов обеспечивает комплексный охват различных аспектов арктических производственных систем и позволяет сформировать многоуровневую модель предиктивной аналитики, способную адаптироваться к высокой степени неопределенности.

Применение методики исследования на примере Мурманской области.

Мурманская область является одним из ключевых регионов российской Арктики, где сочетаются стратегическое значение, богатая ресурсная база и высокая зависимость экономики от климатических условий. Экстремальные природные факторы, сложная логистика и уязвимость экосистем формируют здесь уникальный контекст для применения технологий искусственного интеллекта. Использование предложенной методики — системной идентификации факторов и их сопоставления с инструментами ИИ (см.табл.2.) — позволило провести комплексный анализ устойчивости производственных систем региона. В частности, были выделены четыре группы факторов: климатические, логистические, рыночные и нормативные, каждая из которых моделировалась с применением наиболее релевантных алгоритмов машинного обучения и предиктивной аналитики.

Таблица 2.

Сопоставление факторов и методов ИИ в Мурманской области

В табл. 3. представлена оценка значимости факторов по результатам анализа.

Таблица 3.

 Значимость факторов по результатам анализа (тепловая карта весов)

Климатический блок показал наибольшую значимость для устойчивого функционирования Мурманской области. Использование LSTM и RNN позволило создавать адаптивные модели прогнозов ледовой обстановки, что напрямую влияет на работу рыбопромыслового флота и транспортной инфраструктуры. Уменьшение простоев на 15% стало важным результатом: предприятия получили возможность планировать графики работ более эффективно. Логистические факторы также имеют высокую значимость (0,32). Графовые нейросети выявили наиболее уязвимые узлы — маршруты, связывающие порты с удалёнными северными посёлками. Моделирование дало возможность перераспределить ресурсы и сократить издержки почти на 10%. Это особенно критично для регионов с низкой транспортной доступностью. Рыночные факторы в регионе менее значимы (0,20), но всё же оказывают существенное влияние. С помощью PCA удалось выделить два ключевых индикатора — цену на никель и курс рубля к евро. Нормативный блок оказался наименее значимым (0,10), однако именно здесь была выявлена высокая неопределённость. Байесовские сети показали, что вероятность ужесточения экологических квот в ближайшие годы составляет около 37%. В то же время вероятность расширения господдержки достигает 52%. Такой разрыв в сценариях требует от предприятий региона гибкости: разработаны два инвестиционных сценария — «консервативный» и «экспансивный».

Вывод

Применение методики к Мурманской области подтвердило её эффективность: снижение совокупных издержек предприятий — на 10–12%, сокращение логистических рисков — на 15%, повышение точности прогнозов рыночной и климатической динамики — до 85–90%. Таким образом, использование ИИ-инструментов не только оптимизирует работу отдельных предприятий, но и формирует новые управленческие практики, повышающие устойчивость всего региона к климатическим и экономическим вызовам.

Список литературы

1. Никитина Е.Н. Изменение климата в Арктике: адаптация в ответ на новые вызовы // Контуры глобальных трансформаций: политика, экономика, право. — 2019. — № 5. — URL: https://cyberleninka.ru/article/n/izmenenie-klimata-v-arktike-adaptatsiya-v-otvet-na-novye-vyzovy (дата обращения: 30.08.2025).
2. Самарина В.П., Скуфьина Т.П. Новые возможности и новые риски устойчивого развития российской Арктики в условиях климатических изменений // Арктика и Север. — 2024. — № 55. — С. 72–96. — DOI: https://doi.org/10.37482/issn2221-2698.2024.55.72
3. Larchenko L.V., Gladkiy Yu.N., Sukhorukov V.D. Resources for sustainable development of Russian Arctic territories of raw orientation // IOP Conference Series: Earth and Environmental Science. — 2019. — Vol. 302 (1). — Art. 012121. — DOI: https://doi.org/10.1088/1755-1315/302/1/012121
4. Karabulatova I., Ergunova O., Somov A. Neural networks for socio-labor regulation: a neuromorphic approach to human-centric AI in urban economies. — 2025.
5. Liu L. The future of labor markets: The evolution of AI and changing human roles // Geographical Research Bulletin. — 2023. — Vol. 2. — P. 238–246.
6. Самарина В.П., Скуфьина Т.П., Савон Д.Ю., Шинкевич А.И. Management of Externalities in the Context of Sustainable Development of the Russian Arctic Zone // Sustainability. — 2021. — Vol. 13 (14). — Art. 7749. — DOI: https://doi.org/10.3390/su13147749
7. Скуфин П., Чувардинский В. Continental Glaciation and Conditions for the Formation of Exaration Relief on the Territory of the Baltic Shield // Science and Innovations 2021: Development Directions and Priorities. — 2021. — Vol. 1. — P. 191–195. — DOI: https://doi.org/10.34660/INF.2021.38.79.027
8. Питухина М.А., Белых А.Д. Использование технологий искусственного интеллекта в Российской Арктике на примере Мурманской области // Арктика и Север. — 2023. — № 52.
9. Борисова Ю. Нейросети со льдом: как мы разрабатываем методы ИИ для повышения эффективности прогнозирования морского льда в Арктике // Хабр. — 2025. — URL: https://habr.com/ru/companies/spbifmo/articles/845940/ (дата обращения: 15.03.2025).
10. Barzotto M., Corradini C., Fai F., Labory S., Tomlinson P.R. Smart specialisation, Industry 4 and lagging regions: some directions for policy // Regional Studies, Regional Science. — 2020. — Vol. 7. — № 1. — P. 318–332.
11. Федотовских А.В. Использование робототехники и искусственного интеллекта на Крайнем Севере и в Арктической зоне РФ // Россия: тенденции и перспективы развития. — 2019. — № 14–1. — С. 560–563.
12. Пилясов А.Н., Цукерман В.А. Становление нового технологического уклада в Арктике за период 1990–2021 гг.: региональный разрез // Экономические и социальные перемены: факты, тенденции, прогноз. — 2022. — Т. 15. — № 5. — С. 95–117.
13. Донских Д.В., Мельников А.О., Люй К.Е. Устойчивое развитие арктического региона: основные теоретические аспекты // Национальная безопасность / nota bene. — 2023. — № 4. — URL: https://cyberleninka.ru/article/n/ustoychivoe-razvitie-arkticheskogo-regiona-osnovnye-teoreticheskie-aspekty  (дата обращения: 30.08.2025).