Зміна методології соціально-економічних досліджень під впливом новітніх технологій
DOI:
https://doi.org/10.31767/su.4(111)2025.04.09Ключові слова:
наукова методологія, методи досліджень, машинне навчання, штучний інтелект, великі дані, цифрова економіка, соціально-економічний аналіз, цифровізація.Анотація
У концептуальному плані розглядаються окремі аспекти розвитку методології соціально-економічних досліджень, визначаються напрями її трансформації та наочно демонструються можливості практичного застосування у сучасних аналітичних і прогнозних розробках. Інформаційну базу дослідження склали відкриті аналітичні документи, звіти, методологічні, робочі огляди та політичні документи Організації економічного співробітництва та розвитку. Відібрано релевантні наукові розробки різної тематичної спрямованості за критеріями новизни методичного інструментарію, використання альтернативних або високочастотних джерел даних, орієнтації на прикладні результати для формування політик. Аналіз цих матеріалів дав змогу ідентифікувати ряд важливих тенденцій у розвитку методології досліджень та показати способи поєднання традиційних і новітніх підходів. Використано методичні пояснення, що містяться у звітах про результати досліджень, розглянуто різні за призначенням методи, застосовані для описової діагностики, виявлення причинно-наслідкових зв’язків, оперативного оцінювання поточного стану, прогнозування та сценарного моделювання. Окремий акцент зроблено на інтеграції алгоритмічних моделей з класичними статистичними та економетричними інструментами, що є ключовою ознакою сучасної методологічної трансформації. Проведений аналіз продемонстрував, що методологія сучасних соціально-економічних досліджень зазнає глибоких змін, спричинених цифровізацією, зростанням обсягів доступних даних і ускладненням об’єктів дослідження. Відбувається перехід від переважання класичних статистичних прийомів до все ширшого застосування гнучких комбінованих методик із залученням машинного навчання, аналізу великих даних, сценарного прогнозування. Це дозволяє краще враховувати нелінійні взаємозв’язки, ретельніше вивчати широкий спектр чинників і передумов, які впливають на розвиток соціально-економічних систем. Застосування алгоритмічних моделей і методів оперативного оцінювання зменшує залежність від недостатньо гнучкої статистичної інформації, підвищує точність аналітичних висновків і прогнозів.
Завантаження
Посилання
Stechenko, D. M., & Chmyr, O. S. (2007). Metodolohiia naukovykh doslidzhen [Methodology of scientific research]. (2nd ed.). Kyiv: Znannia. [in Ukrainian].
Varian, H. (2014). Big Data: New Tricks for Econometrics. Journal of Economic Perspectives, 28, 2, 3–28. doi: 10.1257/jep.28.2.3
Mullainathan, S., & Spiess, J. (2017). Machine Learning: An Applied Econometric Approach. Journal of Economic Perspectives, 31, 2, 87–106. DOI 10.1257/jep.31.2.87
Gentzkow, M., Kelly, B., & Taddy, M. (2019). Text as Data. Journal of Economic Literature, 57, 3, 535–574. DOI: 10.1257/jel.20181020
Einav, L., & Levin, J. (2014). Economics in the age of big data. Science, 346, 6210, 715. DOI: 10.1126/science.1243089
Athey, S., & Imbens, G. W. (2019). Machine Learning Methods That Economists Should Know About. Annual Review of Economics, 11, 685–725. https://doi.org/10.1146/annurev-economics-080217-053433
Bajari, P., Nekipelov, D., Ryan, S., & Yang, M. (2015). Machine Learning Methods for Demand Estimation. American Economic Review, 105, 5, 481–485. DOI: 10.1257/aer.p20151021
Callaway, B., Sant’Anna, P. (2021). Difference-in-Differences with multiple time periods. Journal of Econometrics, 225, 2, 200–230. https://doi.org/10.1016/j.jeconom.2020.12.001
Publications Insights and context to inform policies and global dialogue. OECD. Publications. www.oecd.org. Retrieved November 24, 2025 from https://www.oecd.org/en/publications.html
De Lyon, J., & Dechezleprêtre, A. (19 November 2025). The great dispersion in energy productivity between firms. OECD Science, Technology and Industry Working Papers, No. 2025/24. Paris: OECD Publishing. https://doi.org/10.1787/0fa543ce-en
Aristodemou L., Appelt, S., van Beuzekom, B., & Galindo-Rueda, F. (2025). Assessing the relevance of R&D funding towards societal goals: Insights from new data sources and AI-assisted methods. OECD Science, Technology and Industry Working Papers, No. 2025/25. Paris: OECD Publishing. https://doi.org/10.1787/bafcdc7b-en
Identifying emerging AI technologies using patent data: A semi-automated approach. (24 September 2025). Technical Paper. Paris: OECD Publishing. https://doi.org/10.1787/d17e9a1a-en
Fonteneau, F. (26 September 2025). Advancing the measurement of investments in artificial intelligence. OECD Artificial Intelligence Papers, No. 47. Paris: OECD Publishing. https://doi.org/10.1787/13e0da2f-en
Molnar-Tanaka, K., & Shao, K. (27 June 2025). Using AI to measure disaster damage costs: Methodology and the example of the 2018 Sulawesi earthquake. OECD Development Centre Working Papers, No. 355. Paris: OECD Publishing. https://doi.org/10.1787/b1fe3967-en
Dorville, Y. (10 March 2025). Towards more timely measures of labour productivity growth. OECD Statistics Working Papers, No. 2025/01. Paris: OECD Publishing. https://doi.org/10.1787/436ecbb5-en
Murtin, F., & Salomon-Ermel, M. (28 June 2024). Nowcasting subjective well-being with Google Trends: A meta-learning approach. OECD Papers on Well-being and Inequalities, No. 27. Paris: OECD Publishing. https://doi.org/10.1787/cbdfb5d9-en
OECD Digital Economy Outlook 2024 (Volume 1): Embracing the Technology Frontier. (14 May 2024). Paris: OECD Publishing. https://doi.org/10.1787/a1689dc5-en
Maes, M. (22 July 2025). Monitoring exposure to future climate-related hazards: Forward-looking indicator results and methods using climate scenarios. OECD Environment Working Papers, No. 26. Paris: OECD Publishing. https://doi.org/10.1787/b9ba6ee0-en
Chalaux, T., Turner, D., & Cassimon, S. (2025). Harnessing the wisdom of crowds to assess recession risks in OECD countries. OECD Economics Department Working Papers, No. 1849. Paris: OECD Publishing. https://doi.org/10.1787/46880adc-en
Chalaux, T., & Turner, D. (20 September 2024). Doombot versus other machine-learning methods for evaluating recession risks in OECD countries. OECD Economics Department Working Papers, No. 1821. Paris: OECD Publishing. https://doi.org/10.1787/1a8c0a92-en
Monteiro, B., & Dal Borgo, R. (11 September 2023). Supporting decision making with strategic foresight: An emerging framework for proactive and prospective governments. OECD Working Papers on Public Governance, No. 63. Paris: OECD Publishing. https://doi.org/10.1787/1d78c791-en
Strategic Foresight Toolkit for Resilient Public Policy: A Comprehensive Foresight Methodology to Support Sustainable and Future-Ready Public Policy. (21 January 2025). Paris: OECD Publishing. https://doi.org/10.1787/bcdd9304-en
The OECD Truth Quest Survey: Methodology and findings. (28 June 2024). OECD Digital Economy Papers, No. 369. Paris: OECD Publishing. https://doi.org/10.1787/92a94c0f-en
Using private sector geospatial data to inform policy: Lessons from OECD countries on private-public collaborations. (28 November 2022). OECD Regional Development Papers, No. 38. Paris: OECD Publishing. https://doi.org/10.1787/242f51b8-en
Corrado, C., Haskel, J., Iommi, M., & Jona-Lasinio, C. (21 November 2022). Measuring data as an asset: Framework, methods and preliminary estimates. OECD Economics Department Working Papers, No. 1731. Paris: OECD Publishing. https://doi.org/10.1787/b840fb01-en
Measuring the attractiveness of regions. (9 September 2022). OECD Regional Development Papers, No. 36. Paris: OECD Publishing. https://doi.org/10.1787/fbe44086-en
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2025 Статистика України
TЦя робота ліцензується відповідно до Creative Commons Attribution-ShareAlike 4.0 International License.
