ІНТЕГРОВАНИЙ ПІДХІД ДО АНАЛІЗУ ІНВЕСТИЦІЙ У ЦИФРОВУ ІНФРАСТРУКТУРУ НА ОСНОВІ КЛАСТЕРИЗАЦІЇ ТА РЕГРЕСІЙНИХ МОДЕЛЕЙ
DOI: 10.31673/2409-7292.2025.041210
Анотація
Стаття присвячена розробці інтегрованого підходу до аналізу інвестицій у цифрову інфраструктуру на
основі поєднання алгоритмів кластеризації та методів регресійного моделювання. Актуальність дослідження
зумовлена зростаючою роллю цифрової інфраструктури у забезпеченні економічної конкурентоспроможності
регіонів та необхідністю оптимізації інвестиційних рішень в умовах обмежених ресурсів. У роботі використано
алгоритми K-Means і DBSCAN для сегментації регіонів за показниками цифрової зрілості, рівнем ІТ-зайнятості,
інтернет-покриття та доступності цифрових сервісів. Для кожного отриманого кластера побудовано окрему
множинну лінійну регресійну модель, що дає змогу оцінити вплив ключових цифрових факторів на обсяг
інвестицій. Якість моделей оцінено за метриками R², RMSE та MAE із застосуванням k-fold cross-validation.
Інтеграція результатів кластеризації та регресійного аналізу дозволила сформувати матрицю аналітичної оцінки,
яка порівнює фактичні та прогнозні інвестиції і визначає пріоритетні напрями інвестиційної політики.
Запропонований підхід забезпечує підвищення обґрунтованості управлінських рішень, дозволяє виявляти
ефективні та неефективні регіони, а також формувати рекомендації щодо оптимізації фінансування цифрової
інфраструктури. Отримані результати можуть бути використані органами влади, аналітичними центрами та ІКТкомпаніями для підтримки стратегічного планування цифрового розвитку.
Ключові слова: цифрова інфраструктура; інвестиції; кластеризація; K-Means; DBSCAN; регресійний
аналіз; цифрова економіка; машинне навчання.
Перелік посилань
1. Brynjolfsson E., McAfee A. The Second Machine Age: Work, Progress, and Prosperity in a Time of Brilliant
Technologies. New York: W.W. Norton & Company, 2014. 306 p. URL: https://wwnorton.com/books/the-secondmachine-age/
2. Goldfarb A., Tucker C. Digital Economics // Journal of Economic Literature. 2019. Vol. 57, No. 1. P. 3-43.
DOI: 10.1257/jel.20171452
3. Montgomery D. C., Peck E. A., Vining G. G. Introduction to Linear Regression Analysis. 6th ed. Hoboken:
Wiley, 2021. 704 p. URL: https: // www.wiley.com /en-us/Introduction+to+Linear+Regression+Analysis%2C+6th+
Edition-p-9781119578727
4. Jain A. K. Data Clustering: 50 Years Beyond K-Means // Pattern Recognition Letters. 2010. Vol. 31, No. 8. P.
651-666. DOI: 10.1016/j.patrec.2009.09.011
5. Ester M., Kriegel H.-P., Sander J., Xu X. A Density-Based Algorithm for Discovering Clusters in Large Spatial
Databases with Noise // Proceedings of the Second International Conference on Knowledge Discovery and Data Mining
(KDD’96). Portland, 1996. P. 226-231. URL: https://file.biolab.si/papers/1996-DBSCAN-KDD.pdf.
6. Галузов С. Ю., Бондарчук А. П., Бажан Т. О., Корецька В. О. Застосування методів Data Science для
прогнозування попиту в ритейлі // Телекомунікаційні та інформаційні технології. 2023. № 3. С. 56-62. DOI:
10.31673/2412-4338.2023.035965.
7. Бажан Т. О. Порівняльний аналіз методів машинного навчання для побудови прогнозів // Сучасний
захист інформації.2024.Т. 4 (60). С. 125-130. DOI: 10.31673/2409-7292.2024.040013.
8. Бажан Т. О. Інструменти очищення даних для прогнозування інвестицій за допомогою машинного
навчання // Інновації: Збірник наукових праць Державного університету інформаційно-комунікаційних
технологій. Київ: ДУІКТ, 2024. С. 45-50. URL: https://duikt.edu.ua/uploads/p_2779_56719466.pdf.
