Прогнозирование показателей Целей устойчивого развития (ЦУР) к 2030 году: подход с использованием машинного обучения и моделей ARIMAX и линейной регрессии
Цели устойчивого развития (ЦУР), установленные Организацией Объединенных Наций, направлены на ликвидацию бедности, защиту окружающей среды, борьбу с изменением климата и обеспечение мира и процветания к 2030 году. Эти 17 целей касаются глобального здравоохранения, образования, неравенства, деградации окружающей среды и вызовов изменения климата. Это исследование направлено на прогнозирование показателей ЦУР для различных глобальных регионов к 2030 году с использованием ARIMAX и линейной регрессии, сглаженных методом мультипликативного Холта-Уинтерса. Результаты прогноза показывают, что страны ОЭСР и Восточная Европа и Центральная Азия ожидаются достичь наивысших показателей ЦУР. В то же время Латинская Америка и Карибы, Восточная и Южная Азия, Ближний Восток и Северная Африка, а также Южная часть Сахары продемонстрируют более низкие уровни достижений.
Устойчивое развитие подчеркивает достижение межпоколенческой справедливости и оптимизацию потребления ресурсов для удовлетворения будущих потребностей.
С 193 государствами-членами ООН, принявшими ЦУР в 2015 году, существует международное согласие по решению глобальных проблем. Внедрение смарт-технологий, в частности ИИ, имеет потенциал ускорить реализацию ЦУР. ИИ может значительно влиять на различные ЦУР, включая здравоохранение, образование и борьбу с изменением климата. Однако проблемы конфиденциальности, кибербезопасности и социальных предубеждений должны быть регулированы стандартами и международными руководящими принципами для смягчения потенциальных негативных последствий.
Материалы и методы:
Для разработки моделей прогнозирования использовались предикторы, идентифицированные в ходе обзора литературы о влиянии ИИ на ЦУР. Систематические поиски в Scopus с использованием специальных ключевых слов дали 33 соответствующих статьи с 1994 по 2023 год. Выбор предикторов осуществлялся с использованием фильтрующих техник, и окончательные предикторы были выбраны из ЦУР, связанных с здравоохранением, образованием, чистой энергией и борьбой с изменением климата. Прогностические модели, включая ARIMAX и линейную регрессию с сглаживанием методом Холта-Уинтерса, были построены с использованием Python в Google Colab. Данные из Отчета о устойчивом развитии 2023 года использовались, с основным акцентом на региональные группировки для минимизации проблем с отсутствующими данными.
Анализ моделей ARIMAX и LR для показателей ЦУР:
Модели ARIMAX и линейной регрессии прогнозируют показатели ЦУР для шести регионов с 2022 по 2030 год. Модель ARIMAX обычно предоставляет более точные прогнозы, особенно для “стран ОЭСР”, которые показывают наивысшую точность и наименьшие погрешности. В то же время “Южная часть Сахары” имеет самые низкие показатели и наибольшую изменчивость. Обе модели предсказывают схожие тенденции, с “странами ОЭСР”, показывающими наивысший рост, а “Южная часть Сахары” – наименьший. Со временем регионы, такие как “Латинская Америка и Карибы” и “Восточная и Южная Азия”, показывают умеренное улучшение, в то время как “Восточная Европа и Центральная Азия” демонстрируют стабильный рост.
Обсуждение:
Прогнозирование показателей ЦУР с использованием методов ARIMAX и сглаживания линейной регрессии показывает нюансированную картину глобального прогресса. Роль ИИ в улучшении ЦУР двояка: он способствует снижению энергопотребления, мониторингу окружающей среды и улучшению здоровья, но также представляет риски, такие как нарушения конфиденциальности, увеличение неравенства и технологическая безработица. Прогнозируемые показатели ЦУР к 2030 году показывают разнообразный региональный прогресс, с лидерством стран ОЭСР, за которыми следуют Восточная Европа, Азия и Латинская Америка. Южная часть Сахары столкнется с существенными проблемами, но показывает потенциал для улучшения с помощью ИИ. Политики должны использовать ИИ для поддержки регионов, отстающих в достижении ЦУР, учитывая социально-экономические и политические факторы, влияющие на развитие.
Заключение:
Это исследование использует модели машинного обучения для прогнозирования показателей ЦУР для глобальных регионов до 2030 года, указывая на общий восходящий тренд. Регионы, такие как страны ОЭСР, Восточная Европа и Центральная Азия, Латинская Америка и Карибы ожидаются лидировать с более высокими показателями. В то же время Восточная и Южная Азия, Ближний Восток и Северная Африка улучшатся, но останутся на низком уровне. Сильные политические, культурные и социально-экономические структуры коррелируют с более высокими показателями ЦУР. Ограничения включают неопределенность прогнозов и эволюцию влияния ИИ. Будущие исследования должны исследовать экономические, социальные и экологические предикторы, усовершенствовать прогностические модели и оценить влияние изменений политики на результаты ЦУР.
Проверьте статью. Вся заслуга за это исследование принадлежит исследователям этого проекта. Также не забудьте подписаться на наш Twitter и присоединиться к нашей группе в LinkedIn. Если вам нравится наша работа, вам понравится наш рассылка.
Не забудьте присоединиться к нашему 47k+ ML SubReddit
Найдите предстоящие вебинары по ИИ здесь
Источник изображения: [Image source]
Попробуйте AI Sales Bot здесь. Этот AI ассистент в продажах помогает отвечать на вопросы клиентов, генерировать контент для отдела продаж и снижать нагрузку на первую линию.