Введение. Социальная сфера каждый день работает с большим количеством сведений о людях и семьях. Это данные о доходах, занятости, выплатах, составе семьи, инвалидности, возрасте, месте проживания, обращениях в ведомства и полученных услугах.
Долгое время такая информация чаще использовалась для отчётов за прошлый период. Органы власти смотрели, сколько денег уже потрачено, сколько заявлений принято и сколько граждан получили поддержку.
Сейчас подход постепенно меняется. Данные начинают применять не только для описания прошлого, но и для оценки ближайших рисков.
Для социальной политики это особенно важно, потому что запоздалое решение часто стоит дороже. Если семья уже попала в тяжёлое положение, службе поддержки приходится решать не одну проблему, а сразу несколько.
Большие данные и искусственный интеллект помогают заранее увидеть такие ситуации. Они не заменяют специалиста, но дают ему больше оснований для решения.
При этом социальная сфера отличается от обычного бизнеса. Здесь ошибка алгоритма может повлиять на пособие, льготу, доступ к услуге или проверку гражданина.
Поэтому применение Big Data и ИИ требует не только технической подготовки. Нужны понятные правила, защита персональных данных, проверка качества моделей и возможность объяснить решение человеку.
Цель статьи состоит в том, чтобы рассмотреть, как Big Data и искусственный интеллект могут применяться для предиктивного экономического анализа в социальной сфере, а также определить практические выгоды и основные риски такого подхода.
Методы и организация исследования: в ходе работы использовались анализ научных и аналитических источников за 2021-2026 годы, сравнение подходов к цифровизации социальной защиты, обобщение зарубежных и российских материалов, а также логический анализ.
Основное внимание уделялось не устройству конкретных алгоритмов, а их роли в управлении социальной сферой. В работе рассматриваются те случаи, где анализ данных помогает планировать расходы, оценивать адресность помощи, снижать риски и быстрее реагировать на изменения в жизни граждан.
Предиктивный экономический анализ в социальной сфере можно понимать как оценку будущих событий и их финансовых последствий. Речь не идёт о точном знании будущего. Скорее, это расчёт вероятности того, что в ближайшее время изменится спрос на ту или иную меру поддержки.
Например, регион может заранее увидеть, что в отдельных районах растёт число обращений по потере работы. Для бюджета это не просто социальный сигнал. Это будущие расходы на пособия, консультации, переобучение, работу центров занятости и, возможно, дополнительные меры поддержки семей.
Похожая ситуация возникает в здравоохранении и социальном обслуживании. Если в муниципалитете увеличивается доля пожилых граждан, то через несколько лет вырастет потребность в уходе на дому, льготных лекарствах, социальных работниках и доступной среде.
Без прогноза такие расходы часто становятся неожиданностью. С прогнозом их можно распределять спокойнее: заранее готовить кадры, закладывать деньги, менять графики работы служб и проверять, где помощь действительно нужна быстрее всего.
Большие данные дают материал для такой оценки. В социальной сфере они формируются из административных реестров, сведений служб занятости, данных о назначенных выплатах, обращений через порталы государственных услуг, информации медицинских и образовательных организаций.
К этим источникам могут добавляться агрегированные демографические и территориальные показатели. Например, динамика рождаемости, миграции, уровня занятости, числа одиноких пожилых людей, обращений за социальными услугами и нагрузки на отдельные учреждения.
Сами по себе эти данные ещё не дают хорошего решения. Они должны быть связаны между собой законно, аккуратно и без лишнего доступа к личной информации. Если базы живут отдельно, орган власти видит только фрагменты, а не общую картину.
Именно здесь появляется практический смысл Big Data. Большой массив сведений позволяет увидеть не один показатель, а связь между ними. Например, снижение дохода, смена состава семьи, переезд и рост обращений в службу занятости вместе говорят больше, чем каждый признак по отдельности.
Искусственный интеллект помогает обрабатывать такие связи быстрее. Модель машинного обучения может искать повторяющиеся ситуации, которые в обычной таблице не сразу заметны. Но её вывод всё равно должен проверяться человеком, особенно если речь идёт о назначении поддержки или отказе в ней.
В России цифровой переход социальной сферы уже закреплён на уровне государственных документов. Распоряжение Правительства РФ от 5 апреля 2024 года № 842-р определяет стратегическое направление цифровой трансформации социальной сферы до 2030 года и отдельно указывает внедрение искусственного интеллекта в этой области [1].
Для экономического анализа это имеет прямое значение. Социальная политика связана с постоянными бюджетными расходами, и даже небольшая ошибка в оценке потребности может привести к заметным последствиям.
Если помощь рассчитана с запасом, часть средств может быть использована не там, где она нужна сильнее. Если денег заложено мало, ведомство сталкивается с очередями, задержками и дополнительным напряжением среди граждан.
Предиктивный анализ не убирает эту проблему полностью, но делает её более управляемой. Он помогает заранее увидеть, где возможно отклонение от обычной ситуации, и подготовить решение до того, как нагрузка станет критической.
Наиболее понятный пример связан с адресностью социальной поддержки. Адресность означает, что помощь получает тот, кто действительно в ней нуждается. На практике это сложнее, чем выглядит в нормативном документе.
Доход семьи может меняться несколько раз в год. Один человек работает официально, другой получает нерегулярный доход, третий временно ухаживает за ребёнком или пожилым родственником. Если система опирается только на старые сведения, она легко ошибается.
Большие данные позволяют чаще обновлять картину. Органы социальной защиты могут видеть не только факт обращения, но и набор обстоятельств, которые повышают риск нуждаемости. Это не должно автоматически назначать выплату, но может стать основанием для консультации, проверки права на поддержку или сообщения гражданину о доступной услуге.
Такой подход близок к проактивной модели. В обычной модели человек сам ищет меру поддержки, собирает документы и обращается в ведомство. В проактивной модели государство само видит возможное право на помощь и сообщает об этом гражданину.
В этом есть экономический смысл. Чем раньше человек получает поддержку, тем ниже риск более тяжёлых последствий. Например, своевременная помощь безработному может быть дешевле, чем длительные выплаты после потери квалификации и роста долгов.
В сфере занятости предиктивные инструменты помогают оценивать, какие группы людей могут дольше искать работу. Здесь важны возраст, образование, профессия, место проживания, состояние местного рынка труда и прошлые обращения в службу занятости.
Если данные показывают, что в регионе снижается спрос на конкретную специальность, центр занятости может заранее предложить переобучение. Это лучше, чем ждать, когда человек несколько месяцев не сможет найти работу и придёт уже в более сложном положении.
В образовании похожая логика применяется при планировании мест в детских садах, школах, группах продлённого дня и программах дополнительной поддержки. Данные о рождаемости, миграции, доходах семей и посещаемости помогают понять, где через год или два возникнет нехватка мест или специалистов.
Для бюджета это означает более спокойное распределение средств. Деньги можно направлять не только туда, где проблема уже стала заметной, но и туда, где она только формируется.
В здравоохранении и социальном обслуживании предиктивный анализ помогает оценивать будущую нагрузку на учреждения. Например, рост числа пожилых граждан в конкретном районе влияет на потребность в социальных работниках, патронажной помощи, льготных лекарствах и транспорте до медицинских организаций.
Если эти изменения видны заранее, власти могут планировать расходы не в режиме срочного закрытия проблемы, а поэтапно. Это не всегда снижает сумму расходов, но делает их более предсказуемыми и понятными.
Отдельная задача связана с выявлением ошибок и злоупотреблений. В социальной сфере это сложный вопрос. С одной стороны, бюджетные средства нужно защищать от мошенничества. С другой стороны, гражданин не должен постоянно доказывать, что он не нарушитель.
Поэтому алгоритм в такой ситуации лучше рассматривать как инструмент предварительного отбора. Он может показать странное совпадение, резкое изменение данных или повторяющуюся схему. Но окончательное решение должен принимать специалист, который понимает контекст.
Российские исследования показывают, что интерес к искусственному интеллекту быстро растёт. В докладе НИУ ВШЭ 2025 года рассматриваются результаты обследований по разработке и применению ИИ в 2023-2024 годах, включая использование больших данных для таких решений [2].
В статистическом сборнике «Индикаторы цифровой экономики: 2025» приведены данные о затратах организаций на внедрение и использование ИИ, а также о влиянии таких технологий на качество услуг, процессы и производительность [3].
Для социальной сферы эти материалы важны как общий фон. Они показывают, что ИИ постепенно выходит за рамки узкой технической темы и становится частью управленческой работы. Но переносить коммерческие модели в социальную политику напрямую нельзя.
В бизнесе ошибка прогноза чаще всего влияет на продажи, рекламу или складские остатки. В социальной сфере она может повлиять на доступ человека к помощи. Поэтому требования к проверке, объяснимости и справедливости здесь выше.
Международные материалы также подтверждают осторожный подход. В докладе OECD о будущем социальной защиты отмечается, что государства всё чаще используют данные и цифровые инструменты для повышения охвата граждан, ускорения процедур и поддержки внутренних процессов [4].
При этом OECD в отдельной работе по применению ИИ в государственном управлении подчёркивает важность правил, надзора, прозрачности и оценки рисков [5]. Иными словами, технология сама по себе не делает управление лучше. Важен порядок, в котором она используется.
Всемирный банк в докладе World Development Report 2021 пишет о двойственной роли данных. Данные могут создавать социальную и экономическую ценность, но только при доверии, понятных правилах доступа и защите от вредного использования [6].
Для социальной сферы это особенно важно. Здесь данные касаются доходов, здоровья, инвалидности, состава семьи, места проживания и других личных обстоятельств. Ошибка или утечка такой информации может нанести человеку прямой вред.
Практический интерес представляет опыт цифровизации социальной защиты, описанный Всемирным банком. В работах о цифровых системах социальной поддержки говорится о важности динамического включения граждан и совместимости данных между разными службами [7; 8].
Смысл здесь простой. Система не должна один раз внести человека в реестр и забыть о нём. Жизненная ситуация меняется, поэтому данные должны обновляться, а меры поддержки должны подстраиваться под реальные обстоятельства.
Показательным примером считается кейс Novissi в Того. Всемирный банк описывает, как в условиях кризиса применялись административные данные, опросы, большие данные и методы искусственного интеллекта для быстрой поддержки уязвимых групп [9].
Этот пример не стоит копировать механически. У России другой масштаб, другая система социальной защиты и другие правовые условия. Но он показывает, что прогнозные модели могут быть полезны тогда, когда обычные реестры обновляются слишком медленно.
Главное ограничение Big Data связано с качеством исходных сведений. Если данные неполные, старые или собраны по разным правилам, модель будет давать слабый результат. Внешне прогноз может выглядеть точным, но по сути будет строиться на плохой базе.
Например, если в данных плохо отражены люди с неформальной занятостью, система может недооценить их нуждаемость. Если один и тот же гражданин записан в нескольких базах по-разному, появляются ошибки при сверке.
Есть и другая проблема. Модель обучается на прошлых данных. Если в прошлом какая-то группа населения реже получала помощь из-за низкой цифровой грамотности или слабого доступа к сервисам, алгоритм может повторить эту несправедливость.
В таком случае технология не уменьшит неравенство, а сделает его менее заметным. На отчёте всё будет выглядеть аккуратно, но отдельные группы граждан снова окажутся за пределами помощи.
Ещё один риск связан с объяснимостью. Гражданин должен понимать, почему его заявление отправили на дополнительную проверку, почему ему отказали или почему ему предложили конкретную меру поддержки.
Если решение выглядит как закрытый вывод программы, доверие к системе снижается. Для социальной сферы это опасно, потому что люди обращаются за помощью не от хорошей жизни. Им важно понимать, что с их ситуацией разобрались по существу.
Поэтому для социальных задач лучше подходят модели, результаты которых можно проверить и объяснить обычным языком. Чем выше влияние решения на жизнь гражданина, тем меньше допустима автоматизация без контроля специалиста.
Отдельно нужно учитывать цифровое неравенство. Не все граждане одинаково пользуются порталами, мобильными приложениями и электронными сервисами. Пожилые люди, жители отдалённых территорий, часть людей с инвалидностью и граждане с низкой цифровой грамотностью могут оказаться в слабом положении.
В материалах UN Women о цифровых инструментах социальной защиты отмечаются не только их выгоды, но и риски исключения отдельных групп, особенно если доступ к цифровым каналам распределён неравномерно [10]. Для социальной политики это важное предупреждение.
Даже хорошая цифровая система не должна закрывать офлайн-каналы. У гражданина должна оставаться возможность получить консультацию лично, через МФЦ, телефон, социального работника или другой понятный способ.
Экономический эффект от Big Data и ИИ не стоит сводить только к экономии. В социальной сфере экономия не всегда является главным критерием. Иногда правильнее потратить больше сейчас, чтобы избежать более дорогих последствий позже.
Например, поддержка семьи на раннем этапе может снизить будущие расходы на кризисное сопровождение. Переобучение безработного может быть выгоднее, чем длительная выплата пособия и потеря профессиональных навыков.
Поэтому предиктивный анализ нужен не для механического сокращения расходов. Его задача в том, чтобы деньги использовались точнее и вовремя. Хорошая модель помогает увидеть, где профилактика дешевле, чем последующее решение уже острой проблемы.
Для внедрения таких решений нужны несколько условий. Данные должны быть актуальными, совместимыми и очищенными от явных ошибок. Ведомства должны понимать, какие сведения они могут передавать друг другу и на каком основании.
Также необходим человеческий контроль. Специалист должен видеть не только итоговый риск, но и причины, по которым система показала этот результат. Тогда ИИ становится помощником, а не закрытым механизмом.
Не менее важна подготовка кадров. Работник социальной сферы не обязан быть программистом, но он должен понимать, что такое вероятность, ошибка модели, качество данных и риск ложного вывода.
Без этого технология легко превращается либо в источник завышенных ожиданий, либо в угрозу для сотрудников. В первом случае от неё ждут невозможного. Во втором её боятся и используют формально.
Нужна и понятная оценка результата. Если внедряется предиктивная модель, следует заранее определить, что именно считается успехом. Это может быть сокращение времени обработки заявления, более раннее выявление нуждаемости, снижение числа ошибочных выплат или более точное планирование нагрузки на службу.
При этом показатели должны быть социальными, а не только техническими. Быстрая система сама по себе не доказывает пользу, если гражданину стало сложнее получить помощь или оспорить решение.
В предиктивном анализе социальной сферы важен баланс. С одной стороны, государство получает возможность работать с данными быстрее и точнее. С другой стороны, оно не должно превращать гражданина в набор признаков в базе.
Наиболее разумный вариант состоит в том, чтобы использовать ИИ для ранней подсказки, а не для окончательного решения. Алгоритм может показать риск, предложить список случаев для проверки или помочь оценить будущую нагрузку. Но итоговая ответственность остаётся за человеком и органом власти.
Если этот принцип соблюдается, Big Data и ИИ становятся полезной частью экономического анализа. Они помогают планировать расходы ближе к реальной жизни, а не только по прошлогодним отчётам.
Отдельно стоит сказать о порядке внедрения. В социальной сфере нельзя начинать с идеи «поставим ИИ, а потом разберёмся». Сначала нужно понять, какую управленческую задачу надо решить. Например, сократить задержки при назначении выплаты, точнее оценить будущую потребность в социальных работниках или быстрее находить семьи, которым нужна консультация.
После этого определяются данные, которые действительно нужны для такой задачи. Избыточный сбор сведений опасен и с правовой, и с практической стороны. Чем больше лишних данных попадает в систему, тем сложнее защищать их и объяснять гражданам, зачем они используются.
На первом этапе разумнее запускать не крупную систему сразу на всю страну, а пилот в ограниченной сфере. Например, можно взять один регион и проверить, помогает ли модель заранее оценивать рост обращений за конкретной выплатой. Затем результаты сравниваются с обычным способом планирования.
Если прогноз модели почти не отличается от работы специалистов, смысла в сложном решении мало. Если же модель раньше показывает рост нагрузки и это подтверждается практикой, инструмент можно развивать дальше. Такой подход честнее, чем объявлять цифровой проект успешным только потому, что он запущен.
Важен и вопрос измерения эффекта. Для социальной сферы не хватает одного показателя экономии. Нужно смотреть, стало ли меньше задержек, снизилось ли число повторных обращений, быстрее ли граждане получают консультацию, уменьшилась ли нагрузка на сотрудников, не выросло ли число ошибочных отказов.
Например, модель может хорошо выявлять риск переплаты, но при этом слишком часто отправлять честных граждан на дополнительную проверку. Формально бюджет защищён лучше, но качество социальной услуги падает. Такой результат нельзя считать полноценным успехом.
Предиктивный анализ также может помочь при подготовке государственных программ. Когда ведомство планирует новую меру поддержки, оно обычно оценивает число будущих получателей и объём финансирования. Если оценка сделана грубо, программа либо недофинансируется, либо получает лишний резерв.
Использование данных позволяет проверить несколько сценариев. Можно оценить, как изменится нагрузка при росте безработицы, повышении цен, миграции населения или изменении правил назначения выплаты. Такой расчёт не даст абсолютной точности, но поможет увидеть диапазон возможных расходов.
Для региона это особенно полезно. Федеральные меры поддержки часто задают общие правила, но реальная ситуация в муниципалитетах различается. В одном районе основная проблема связана со старением населения, в другом — с занятостью, в третьем — с доступностью школ, детских садов и транспорта.
Если анализ строится только по среднему показателю, эти различия теряются. Большие данные позволяют смотреть глубже и сравнивать территории между собой. Тогда бюджетное решение становится ближе к конкретной проблеме, а не к усреднённой картине.
При этом важно не путать прогноз и управленческое решение. Прогноз показывает, где риск выше. Но он не объясняет сам по себе, какую меру выбрать. Иногда нужна выплата, иногда консультация, иногда переобучение, иногда изменение работы учреждения.
Поэтому в социальной сфере ИИ лучше работает вместе с экспертной оценкой. Специалист знает местный контекст, видит реальные ограничения и понимает, какие меры вообще доступны. Модель помогает ему не пропустить тревожный сигнал, но не заменяет знание ситуации на месте.
Есть ещё один практический момент. Данные должны обновляться не только в момент подачи заявления. Если информация меняется раз в год, прогноз быстро устаревает. Социальные риски часто появляются быстрее, чем заканчивается отчётный период.
Например, потеря работы, развод, болезнь члена семьи или переезд могут резко изменить положение человека за несколько недель. Если система видит эти изменения слишком поздно, она снова работает по старой логике реагирования после факта.
Но частое обновление данных не означает постоянное наблюдение за человеком. Здесь нужна граница. Государство должно использовать только те сведения, которые нужны для законной и понятной цели, а гражданин должен понимать общий смысл такой обработки.
Именно поэтому доверие становится частью экономического результата. Если люди не доверяют цифровой системе, они будут чаще обращаться лично, подавать жалобы, дублировать заявления и просить разъяснения. Это создаёт дополнительную нагрузку и снижает эффект от внедрения технологии.
Большие данные в социальной сфере работают лучше тогда, когда они не отделены от обычной управленческой работы. Модель должна быть встроена в понятный процесс: кто смотрит прогноз, кто принимает решение, кто отвечает за ошибку, как гражданин может получить объяснение и куда он может обратиться при несогласии.
В противном случае появляется риск формального внедрения. Система есть, отчёты о цифровизации есть, но специалисты продолжают работать по старым правилам, потому что не понимают, как использовать результат модели или не доверяют ему.
Заключение. Использование больших данных и искусственного интеллекта для предиктивного экономического анализа в социальной сфере может дать заметный практический результат. Эти инструменты помогают заранее оценивать спрос на меры поддержки, нагрузку на бюджет, риск безработицы, бедности, перегрузки социальных служб и возможные ошибки в выплатах.
Главная ценность такого подхода состоит не в том, что решение принимает алгоритм. Ценность в том, что у органов власти появляется более ранняя информация для управленческого решения.
При этом Big Data и ИИ не снимают с государства ответственность. В социальной сфере нужны понятные правила работы с данными, защита персональной информации, проверка качества моделей, объяснимость решений и возможность участия человека.
Если этих условий нет, технология может усилить уже существующие проблемы. Плохие данные приведут к плохому прогнозу, закрытая модель снизит доверие, а отказ от офлайн-каналов оставит часть граждан без нормального доступа к помощи.
Наиболее оправданным выглядит осторожный и поэтапный подход. Искусственный интеллект должен помогать специалистам видеть риски, сравнивать варианты и планировать расходы, но не должен самостоятельно решать судьбу гражданина.
В таком виде предиктивный анализ может стать рабочим инструментом социальной политики. Он не заменяет социальную поддержку как человеческую и управленческую деятельность, но делает её более точной, своевременной и понятной для бюджета.
