Для цитирования:
Макарова, М. Н., Пышминцева, О. А. (2025). Энтропийный подход к оценке и прогнозированию социальных рисков населения. AlterEconomics, 22(4), 588–607. https://doi.org/10.31063/AlterEconomics/2025.22-4.2
Аннотация:
В условиях высокой социально-экономической неопределенности и турбулентности, вызванной глобальными вызовами и внутренними структурными проблемами, совершенствование инструментария для оценки и прогнозирования социальных рисков приобретает критическую важность. Традиционные статистические методы зачастую не в полной мере учитывают комплексную природу и субъективное восприятие рисков населением, что обуславливает необходимость разработки новых подходов для прогнозирования социальных рисков, способствующий выработке проактивных мер социальной политики и снижению социальной напряженности. Целью исследования являются разработка и апробация энтропийного подхода к оценке и прогнозированию социальных рисков на региональном уровне, позволяющего количественно измерить уровень неопределенности и неупорядоченности в региональной социальной системе. На базе данных авторского социологического опроса населения Свердловской области был рассчитан адаптированный показатель социальной энтропии, основанный на показателе информационной энтропии Шеннона и интегрирующий вероятность, интенсивность и значимость различных социальных рисков для различных половозрастных групп. Прогноз динамики энтропии социальных рисков до 2050 года выполнен на основе демографического прогноза с использованием когортно-компонентного метода. По результатам исследования установлено, что уровень энтропии социальных рисков в регионе высок, что свидетельствует о значительной неустойчивости социальной системы региона. Наиболее значимыми являются риски утраты здоровья, деградации окружающей среды и потери контроля над жизнью. Выявлена гендерная асимметрия: мужчины демонстрируют более резкие колебания энтропии социальных рисков на протяжении жизненного цикла, чем женщины. Прогнозные оценки указывают на незначительный рост совокупной энтропии к 2050 году, а также на смещение фокуса рисков в сторону проблем старения населения, с формированием двухмодального распределения у мужчин, когда пик энтропии приходится на возраст 25−39 и 60−64 года. Полученные результаты имеют практическую ценность для разработки стратегии социально-экономического развития региона и уточнения адресных мер социальной поддержки.
Макарова Мария Никитична — кандидат экономических наук, старший научный сотрудник, Институт экономики УрО РАН; https://orcid.org/0000-0001-6144-6178 (Российская Федерация, 620014, г. Екатеринбург, ул. Московская, д. 29; e-mail: makarova.mn@uiec.ru).
Пышминцева Ольга Александровна — младший научный сотрудник, Институт экономики УрО РАН; https://orcid.org/0000-0002-5710-9459 (Российская Федерация, 620014, г. Екатеринбург, ул. Московская, д. 29; e-mail: pyshmintseva.oa@uiec.ru).
Бек, У. (2000). Общество риска. На пути к другому модерну. Москва: Прогресс-Традиция, 384.
Белопашенцева, П. В., Слободенюк, Е. Д., Мареева, С. В. (2024). Объективная и субъективная бедность в России: что принесли последние 20 лет. Вестник Института социологии, 15 (4), 34–59. https://doi.org/10.19181/vis.2024.15.4.3
Бочавер, А. А., Докука, С. В., Сивак, Е. В., Смирнов, И. Б. (2019). Использование социальных сетей в интернете и депрессивная симптоматика у подростков. Клиническая и специальная психология, 8 (3), 1–18. https://doi.org/10.17759/cpse.2019080301
Вапник, В. Н., Червоненкис, А. Я. (1974). Теория распознавания образов (статистические проблемы обучения). Москва: Наука, 416.
Воробьев, Г. А. (2017). Траектории проявления социальной энтропии в оппозиции социального порядка — социального хаоса в современном российском обществе. Научная мысль Кавказа, (3(91)), 32–37.
Данильчук, А. Б. (2014). Использование энтропийных показателей для моделирования динамики сложных социально-экономических систем. Economics, (1(1)), 19–24.
Зубаревич, Н. В. (2016). Социальное развитие регионов России: проблемы и тенденции переходного периода. Москва: ЛЕНАНД, 264.
Лаврикова, Ю. Г., Бучинская, О. Н., Мыслякова, Ю. Г. (2023). Теория хаоса: расширение границ экономических исследований. AlterEconomics, 20 (1), 79–109. https://doi.org/10.31063/AlterEconomics/2023.20-1.5
Ларичев, О. И. (2006). Вербальный анализ решений. Москва: Наука, 181.
Майер-Шенбергер, В., Кукьер, К. (2014). Большие данные. Революция, которая изменит то, как мы живем, работаем и мыслим. Москва: Манн, Иванов и Фербер, 240.
Макаров, В. Л., Бахтизин, А. Р. (2013). Социальное моделирование — новый компьютерный прорыв (агент-ориентированные модели). Москва: Экономика, 295.
Мареева, С. В. (2025). Социально-экономические неравенства в жизни россиян: особенности восприятия и динамика. Вестник Российского университета дружбы народов. Серия: Социология, 25 (2), 344–362. https://doi.org/10.22363/2313-2272-2025-25-2-344-362
Михеенкова, М. А. (2009). О принципах формализованного качественного анализа социологических данных. Информационные технологии и вычислительные системы, (4), 40–56.
Молчанова, С. М. (2023). Риски антикризисного управления в современном бизнесе. Экономика и управление: проблемы, решения, 4 (5(137)), 125–131. https://doi.org/10.36871/ek.up.p.r.2023.05.04.016
Осипов, Г. С. (2011). Методы искусственного интеллекта. Москва: Физматлит, 295.
Попков, Ю. С. (2019). Машинное обучение и рандомизированное машинное обучение: сходство и различие. Системный анализ и информационные технологии САИТ-2019: Труды Восьмой международной конференции, Иркутск, 08–14 июля 2019 год (с. 10–25). Москва: ФИЦ ИУ РАН. https://doi.org/10.14357/SAIT2019001
Саати, Т. Л. (1993). Принятие решений. Метод анализа иерархий. Москва: Радио и связь, 314.
Сетна, Дж. П. (2013). Статистическая механика: энтропия, параметры порядка и сложность. Москва: Научный мир, 616.
Тихонова, Н. Е. (2014). Социальная структура России: теории и реальность. Москва: Новый хронограф, 408.
Усманов, Г. Р. (2024). Концепция «общества риска» Ульриха Бека: теоретический анализ. Вестник экономики, права и социологии, (2), 247–250.
Чепьюк, О. Р. (2016). Энтропия в экономической науке: предвестник конца или нового начала. Философия хозяйства, (3(105)), 64–72. EDN XETWPL
Черешкин, Д. С., Ройзензон, Г. В., Бритков, В. Б. (2020). Применение методов искусственного интеллекта для анализа риска в социально-экономических системах. Информационное общество, (3), 14–24.
Яковенко, И. Г. (2006). Риски социальной трансформации российского общества: культурологический аспект. Москва: Прогресс-Традиция, 176.
Bailey, K. D. (1990). Social Entropy Theory: An overview. Systemic Practice and Action Research, 3 (4), 365–382. https://doi.org/10.1007/bf01063441
Ballian, R. (2004). Entropy, a Protean Concept. Poincaré Seminar 2003: Bose-Einstein Condensation — Entropy (pp. 119–144). Basel.
Etzioni, A. (2003). Toward a new socio-economic paradigm. Socio-economic review, 1 (1), 105–118.
Haykin, S. (1998). Neural Networks: A Comprehensive Foundation. Prentice Hall, 842.
Knight, F. (1921). Risk, Uncertainty and profit. Boston: Houghton Mifflin Company, 381.
Novikova, O., Shamileva, L., Vicen, V., & Bukoros, T. (2021). The modernization of current methods and technologies for risk assessment, modeling and forecasting. Journal of Physics Conference Series, 1804 (1), 012057. https://doi.org/10.1088/1742-6596/1804/1/012057
Shannon, C. E. (1948). A mathematical theory of communication. The Bell system technical journal, 27 (3), 379–423. https://people.math.harvard.edu/~ctm/home/text/others/shannon/entropy/entropy.pdf (дата обращения: 05.11.2025).
Tian, S., Tang, H., Wang, Q., Yuan, X., Ma, Q., & Wang, M. (2021). Evaluation and optimization of blanket production from recycled polyethylene terephthalate based on the coordination of environment, economy, and society. The Science of the Total Environment, 772, 145049. https://doi.org/10.1016/j.scitotenv.2021.145049
Weinert, F. (2005). The Scientist as Philosopher: Philosophical Consequences of Great Scientific Discoveries. Springer Berlin: Heidelberg, 344. https://doi.org/10.1007/b138529
