ПОЛИТИКО-ГЕОГРАФИЧЕСКИЕ ИССЛЕДОВАНИЯ С ИСПОЛЬЗОВАНИЕМ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА: НЕЙРОСЕТЕВЫЕ ВОЗМОЖНОСТИ И ОГРАНИЧЕНИЯ
DOI:
https://doi.org/10.17072/2218-1067-2026-1-115-126Ключевые слова:
геоконфликтология, электоральная география, мировой порядок, география коррупции, государственная граница, административно-территориальное деление, трансграничное взаимодействие, пространственная диффузия инноваций, искусственная нейронная сетьАннотация
Целью исследования является определение возможностей и ограничений применения нейросетевых алгоритмов в политико-географических исследованиях, выявленных в мировом массиве журнальных статей. Для реализации этой цели потребовалось решить следующие задачи: уяснить суть искусственной нейронной сети, сформировать массив статей, определить эвристические возможности анализируемых алгоритмов в существующих и будущих политико-географических исследованиях, обозначить методологические ограничения. С помощью авторского алгоритма семантического поиска на основе машинного обучения выявлены более семидесяти статей. Показано распределение статей по годам и странам. Выявленные статьи относятся к конфликтологическому, электоральному, миропорядковому и антикоррупционному направлениям политической географии. В них использовались однослойный и многослойный персептроны, самоорганизующаяся карта, сверточная, рекуррентная и графовая нейронные сети. Применение этих алгоритмов позволило прогнозировать время и место начала вооруженных конфликтов, результаты выборов, изменение баланса сил между государствами и вероятность коррупции на разных территориях. Для анализируемых алгоритмов характерны самообучаемость, выявление сложных нелинейных зависимостей, одновременный анализ разных типов данных, отказоустойчивость, помехоустойчивость и быстродействие. Намечены контуры будущего нейросетевого анализа в лимологическом (изучение межгосударственных и внутригосударственных границ), регионологическом (анализ административно-территориального деления государства), трансграничном (оценка взаимодействия между приграничными территориями соседних государств) и диффузионном (распространение политических идей между территориями) направлениях политической географии. Обобщение выявленных статей позволило установить десять основных ограничений в работе искусственных нейронных сетей. Полученные результаты позволяют ориентироваться в зарождающейся сфере нейросетевого анализа политико-географических процессов.Библиографические ссылки
Блануца, В. И. (2021) ‘Интеллектуальный анализ данных в общественно-географических исследованиях’, Общественные науки и современность, 6, cc. 150–164. [Blanutsa, V. I. (2021) ‘Data mining in socio-geographical research’ [Intellektual'nyj analiz dannyh v obshchestvenno-geograficheskih issledovaniyah], Social Sciences and Modernity, 6, pp. 150–164. (In Russ.)]. DOI: 10.31857/S086904990017878-7
Блануца, В. И. (2022) Общественная география: цифровые приоритеты XXI века. Москва: ИНФРА-Мб 252 с. [Blanutsa, V. I. (2022) Human Geography: Digital Priorities of the 21st Century [Obshchestvennaya geografiya: cifrovye prioritety XXI veka]. Moscow: INFRA-M Publ, 252 p. (In Russ.)].
Блануца, В. И. (2024) Общественная география после 2030 года: контуры новых направлений. Москва: ИНФРА-М, 251 c. [Blanutsa, V. I. (2024) Human Geography after 2030: Outlines of New Directions [Obshchestvennaya geografiya posle 2030 goda: kontury novyh napravlenij]. Moscow: INFRA-M Publ, 251 p. (In Russ.)].
Блануца, В. И. (2025) ‘Создание первых автономных систем интернета в Сибири как пространственная диффузия инноваций’, Пространственная экономика, 21(1), cc. 7–32. [Blanutsa, V. I. (2025) ‘Creating the first autonomous systems of Internet in Siberia as a spatial diffusion of innovations’ [Sozdanie pervyh avtonomnyh sistem interneta v Sibiri kak prostranstvennaya diffuziya innovacij], Spatial Economics, 21(1), pp. 7–32. (In Russ.)]. DOI: 10.14530/se.2025.1.007-032
Окунев, И. Ю., Шестакова, М. Н. (2022) Политическая география: Современная российская школа: Хрестоматия. Москва: Аспект Пресс, 544 c. [Okunev, I. Yu., Shestakova, M. N. (2022) Political Geography: Modern Russian School: Anthology [Politicheskaya geografiya: Sovremennaya rossijskaya shkola: Hrestomatiya]. Moscow: Aspect Press, 544 p. (In Russ.)].
Петрунин, Ю. Ю. (2009) ‘Исследование электорального поведения: самоорганизующиеся карты Кохонена versus статистического анализа’, Вестник Московского университета. Сер. 21. Управление (государство и общество), 3, cc. 45–55. [Petrunin, Yu. Yu. (2009) ‘Research of electoral behavior: Kohonen’s self-organizing maps versus statistical analysis’ [Issledovanie elektoral'nogo povedeniya: samoorganizuyushchiesya karty Kohonena versus statisticheskogo analiza], Bulletin of Moscow University, Ser. 21, Management (State and Society), 3, pp. 45–55. (In Russ.)].
Amoore, L. (2024) ‘The deep border’, Political Geo¬graphy, 109, e102547. DOI: 10.1016/j.polgeo.2021.102547
Amoore, L., Campolo, A., Jacobsen, B., et al. (2024) ‘A world model: On the political logics of generative AI’, Political Geography, 113, e103134. DOI: 10.1016/j.polgeo.2024.103134
Barthwal, A., Bhatt, M., Avikal, S., et al. (2025) ‘Machine learning-based prediction models for electoral outcomes in India: A comparative analysis of exit polls from 2014–2021’, Quality & Quantity, 59, pp. 313–338. DOI: 10.1007/s11135-024-01937-3
Blatter, J., Portmann, L., Rausis, F. (2022) ‘Theorizing policy diffusion: From a patchy set of mechanisms to a paradigmatic typology’, Journal of European Public Policy, 29(6), pp. 805–825. DOI 10.1080/13501763.2021.1892801
Brandt, P. T., D’Orazio, V., Khan, L., et al. (2022) ‘Conflict forecasting with event data and spatio-temporal graph convolutional networks’, International Interaction, 48(4), pp. 800–822. DOI 10.1080/03050629.2022.2036987
Breiman, L. (2001) ‘Random forests’, Machine Learning, 45(1), pp. 5–32.
Brito, K. and Adeodato, P. J. L. (2023) ‘Machine learning for predicting elections in Latin America based on social media engagement and polls’, Government Information Quarterly, 40(1), e101782. DOI: 10.1016/j.giq.2022.101782
Buscema, M., Ferilli, G., Sacco, P. L. (2017) ‘What kind of “world order”? An artificial neural networks approach to intensive data mining’, Technological Forecasting and Social Change, 117, pp. 46–56.
Buscema, M., Ferilli, G., Sacco, P. L. (2018) ‘The meta-geography of the open society: An Auto-CM ANN approach’, Expert Systems with Applications, 99, pp. 12–24.
Chatsiou, K., Mikhaylov, S. J. (2025) ‘Deep learning for political science”, in: Curini, L. and Franzese, R. (eds.) The SAGE Handbook of Research Methods in Political Science and International Relations. London: SAGE Publ., vol. 2, pp. 1053–1078.
Da Silva, I. N., Spatti, D. H., Flauzino, R. A., et al. (2017) Artificial Neural Networks: A Practical Course. Cham: Springer, 307 p.
De Lombaerde, P., Naeher, D., Vo, H.T, et al. (2023) ‘Regional economic integration and machine learning: Policy insights from the review of literature’, Journal of Policy Modeling, 45(5), pp. 1077–1097. DOI: 10.1016/j.jpolmod.2023.07.001
D’Orazio, V., Lin, Y. (2022) ‘Forecasting conflict in Africa with automated machine learning systems’, International Interactions, 48(4), pp. 714–738. DOI: 10.1080/03050629.2022.2017290
Du, Y., Ding, N., Lv, H. (2025) ‘Spatio-temporal prediction of terrorist attacks based on GCN-LSTM’, Journal of Safety Science and Resilience, 6(2), pp. 186–195. DOI: 10.1016/j.jnlssr.2025.02.005
Durand, F., Decoville, A. (2020) ‘A multidimensional measurement of the integration between European border regions’, Journal of European Integration, 42(2), pp. 163–178. DOI: 10.1080/07036337.2019.1657857
Erspamer, C., Torre, F.D., Massini, G., et al. (2022) ‘Global world (dis-)order? Analyzing the dynamic evolution of the micro-structure of multipolarism by means of an unsupervised neural network approach’, Technological Forecasting and Social Change, 175, e121351. DOI: 10.1016/j.techfore.2021.121351
Ettensperger, F. (2022) ‘Forecasting conflict using a diverse machine-learning ensemble: Ensemble averaging with multiple tree-based algorithms and variance promoting data configurations’, International Interactions, 48(4), pp. 555–578. DOI: 10.1080/03050629.2022.1993209
Ghahari, S., Queiroz, C., Labi, S., et al. (2021) ‘Cluster forecasting of corruption using non¬linear autoregressive models with exo¬ge¬nous variables (NARX) – An artificial neural network analysis’, Sustainability, 13(20), e11366. DOI: 10.3390/su132011366
Gilardi, F., Wasserfallen, F. (2019) ‘The politics of policy diffusion’, European Journal of Political Research, 58(4), pp. 1245–1256.
Goodman, S., Yishay, A. B., Runfola, D. (2024) ‘Spatiotemporal prediction of conflict fatality risk using convolutional neural networks and satellite imagery’, Remote Sensing, 16(18), e3411. DOI: 10.3390/rs16183411
Grekousis, G. (2019) ‘Artificial neural networks and deer learning in urban geography: A systematic review and meta-analysis’, Computers, Environment and Urban Systems, 74, pp. 244–256.
Hashemi, M. (2023) ‘Geographical visualization of tweets, misinformation, and extremism during the USA 2020 presidential election using LSTM, NLP, and GIS’, Journal of Big Data, 10, e125. DOI: 10.1186/s40537-023-00797-2
Hassoun, M. H. (1995) Fundamentals of Artificial Neu¬ral Networks. Cambridge: MIT Press, 511 p.
Janowicz, K., Gao, S., McKenzie, G., et al. (2020) ‘GeoAI: Spatially explicit artificial intelligence techniques for geographic knowledge discovery and beyond’, International Journal of Geographical Information Science, 34(4), pp. 625–636. DOI: 10.1080/13658816.2019.1684500
Jiang, D., Wu, J., Ding, F., et al. (2023) ‘An integrated deep-learning and multi-level framework for understanding the behavior of terrorist groups’, Heliyon, 9(8), e18895. DOI: 10.1016/j.heliyon.2023.18895
Kohonen, T. (2001) Self-Organizing Maps. 3rd ed. Berlin: Springer, 501 p.
Koutidis, G., Loumponias, K., Tsikrika, T., et al. (2024) ‘Towards AI-driven prediction of terrorism risk based on the analysis of localized web news’, IEEE Access, 12, pp. 167288–167299. DOI: 10.1109/ACCESS.2024.3485913
LeCun, Y., Boser, B., Denker, J. S., et al. (1989) ‘Backpropagation applied to handwritten zip code recognition’, Neural Computation, 1(4), pp. 541–551.
Lemke, N., Trein, P., Varone, F. (2024) ‘Defining artificial intelligence as a policy problem: A discourse network analysis from Germany’, European Policy Analysis, 10(2), pp. 162–187. DOI: 10.1002/epa2.1203
Lima, M. S. M., Delen, D. (2020) ‘Predicting and explaining corruption across countries: A machine learning approach’, Government Information Quarterly, 37(1), e101407. DOI: 10.1016/j.giq.2019.101407
Liu, R., Yao, X., Guo, C., et al. (2021) ‘Can we forecast presidential election using Twitter data? An integrative modelling approach’, Annals of GIS, 27(1), pp. 43–56. DOI: 10.1080/19475683.2020.1829704
López-Iturriaga, F. J., Sanz, I. P. (2018) ‘Predicting public corruption with neural networks: An analysis of Spanish provinces’, Social Indicators Research, 140, pp. 975–998.
Malone, I. (2022) ‘Recurrent neural networks for conflict forecasting’, International Interaction, 48(4), pp. 614–632. DOI: 10.1080/03050629.2022.2016736
Marwala, T., Lagazio, M., Tettey, T. (2009) ‘An integrated human-computer system for controlling interstate disputes’, International Journal of Computers and Applications, 31(4), pp. 239–246.
Menga, F., Nagel, C., Grove, K., et al. (eds.) (2024) Political Geography in Practice: Theories, Approaches, Methodologies. Cham: Palgrave Macmillan, 301 p.
Michalak, P. (2019) ‘Application of artificial neural networks in predicting voter turnout based on the analysis of demographic data’, Polish Cartographical Review, 51(3), pp. 109–116.
Mienye, I. D., Swart, T. G., Obaido, G. (2024) ‘Recurrent neural networks: A comprehensive review of architectures, variants, and applications’, Information, 15(9), e517. DOI: 10.3390/info15090517
Neme, A., Hernández, S., Neme, O. (2011) ‘An electoral preferences model based on self-organizing maps’, Journal of Computational Science, 2(4), pp. 345–352.
Qin, S., Wang, Y., Yang, X. (2023) ‘Policy innovation diffusion and PPP spatial distribution’, China Finance and Economic Review, 11(3), pp. 110–129. DOI: 10.1515/cfer-2022-0019
Radford, B. J. (2022) ‘High resolution conflict forecasting with spatial convolutions and long short-term memory’, International Interaction, 48(5), pp. 739–758. DOI: 10.1080/03050629.2022.2031182
Raduleścu, M., Banica, L. (2014) ‘Neural networks-based forecasting regarding the convergence process of CEE countries to the Eurozone’, Transylvanian Review of Administrative Sciences, 42, pp. 225–246.
Ravi, S. K., Chaturvedi, S., Rastogi, N., et al. (2022) ‘A framework for voting behavior prediction using spatial data’, International Journal of Innovative Research in Computer Science and Technology, 10(2), pp. 19–28. DOI: 10.55524/ijircst.2022.10.2.4
Saidi, F., Trabelsi, Z. (2022) ‘A hybrid deep learning-based framework for future terrorist activities modeling and prediction’, Egyptian Informatics Journal, 23(3), pp. 437–446. DOI: 10.1016/j.eij.2022.04.001
Sarlin, P. (2011) ‘Evaluating a self-organizing map for clustering and visualizing optimal currency area criteria’, Economics Bulletin, 31(2), pp. 1483–1495.
Schrodt, P. A. (1991) ‘Prediction of interstate conflict outcomes using a neural network’, Social Science Computer Review, 9(3), pp. 359–380.
Schweinfurth, J. (2025) Artificial Neural Network Architectures. New Delhi: DPH, 228 p.
Squire, R., Jackman, A. (2024) Political Geography: Approaches, Concepts, Futures. London: SAGE Publ, 256 p.
Stoffa, J., Lisbona, R., Farrar, C., et al. (2018) ‘Predicting how U.S. counties will vote in presidential elections through analysis of socio-economic factors, voting heuristics, and party platforms’, SMU Data Science Review, 1(1), e4.
Törnberg, P., Söderström, O., Barella, J., et al. (2025) ‘Artificial intelligence and the state: Seeing like an artificial neural network’, Big Data & Society, 12(2), pp. 1–14. DOI: 10.1177/20539517251338773
Vapnik, V. N. (1998) Statistical Learning Theory. New York: John Wiley and Sons, 768 p.
Wang, S., Huang, X., Liu, P., et al. (2024) ‘Mapping the landscape and roadmap of geospatial artificial intelligence (GeoAI) in quantitative human geography: An extensive systematic review’, International Journal of Applied Earth Observation and Geoinformation, 128, e103734. DOI: 10.1016/j.jzg.2024.103734
Warf, B. (2016) ‘Global geographies of corruption’, GeoJournal, 81(5), pp. 657–669.
Wilson, T. M. (ed.) (2025). Border Studies: A Multidisciplinary Approach. Cheltenham: Edward Elgar Publ, 350 p.
Wordliczek, L. (2023) ‘Neural network and political science: Testing the methodological frontiers’, EMPIRIA. Revista de Metodologia de Ciencias Sociales, 57, pp. 37–62. DOI: 10.5944/empiria.57.2023.36429
Wu, L., Cui, P., Pei, J., et al. (2022) Graph Neural Networks: Foundation, Frontiers, and Applications. Singapore: Springer, 689 p
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Автор предоставляет Издателю журнала (Пермский государственный национальный исследовательский университет) право на использование его статьи в составе журнала, а также на включение текста аннотации, полного текста статьи и информации об авторах в систему «Российский индекс научного цитирования» (РИНЦ).
Автор даёт своё согласие на обработку персональных данных.
Право использования журнала в целом в соответствии с п. 7 ст. 1260 ГК РФ принадлежит Издателю журнала и действует бессрочно на территории Российской Федерации и за её пределами.
Авторское вознаграждение за предоставление автором Издателю указанных выше прав не выплачивается.
Автор включённой в журнал статьи сохраняет исключительное право на неё независимо от права Издателя на использование журнала в целом:
- Авторы сохраняют за собой авторские права на работу и передают журналу право первой публикации вместе с работой, одновременно лицензируя ее на условиях Creative Commons Attribution License, которая позволяет другим распространять данную работу с обязательным указанием авторства данной работы и ссылкой на оригинальную публикацию в этом журнале.
- Авторы сохраняют право заключать отдельные, дополнительные контрактные соглашения на неэксклюзивное распространение версии работы, опубликованной этим журналом (например, разместить ее в университетском хранилище или опубликовать ее в книге), со ссылкой на оригинальную публикацию в этом журнале.
- Авторам разрешается размещать их работу в сети Интернет (например, в университетском хранилище или на их персональном веб-сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению, а также к большему количеству ссылок на данную опубликованную работу (Смотри The Effect of Open Access).
Направление автором статьи в журнал означает его согласие на использование статьи Издателем на указанных выше условиях, на включение статьи в систему РИНЦ, и свидетельствует, что он осведомлён об условиях её использования. В качестве такого согласия рассматривается также направляемая в редакцию справка об авторе, в том числе по электронной почте.
Редакция размещает полный текст статьи на сайте Пермского государственного национального исследовательского университета: http://www.psu.ru и в системе OJS на сайте http://press.psu.ru
Плата за публикацию рукописей не взимается. Гонорар за публикации не выплачивается. Авторский экземпляр высылается автору по указанному им адресу.
