Возможности использования методов машинного обучения для решения политических задач

Политическая реальность характеризуется нелинейностью процессов и значительным влиянием не только формальных, но и теневых механизмов взаимодействия субъектов, принимающих решения — политических элит и лидеров. Одним из самых перспективных направлений, которое открывает новые возможности для изучения политических проблем, представляется синтез «традиционной» методологии политического анализа и методов искусственного интеллекта. Цель работы — построение методологической модели в виде «дерева решений» и проведение с ее помощью анализа процесса принятия кадровых решений в отношении руководителей субъектов РФ. Хронологические рамки: период 2000–2020 гг. Для достижения поставленной цели необходимо последовательное решение следующих задач: изучение основных тенденций и приоритетов кадровой политики федерального центра в отношении глав регионов в рассматриваемый период; выявление ключевых факторов, влияющих на политические позиции глав регионов РФ на основе анализа данных о параметрах эффективности работы региональной исполнительной власти; обобщение данных о кадровых решениях, принятых в 2000–2018 гг. и построение дерева решений для прогнозирования будущих кадровых решений в соответствии с выбранным алгоритмом. В статье обосновывается адекватность использования дерева решений для анализа и прогнозирования политических решений на примере кадровой политики властных структур федерального уровня в отношении регионов РФ. По итогам работы сформулированы 14 формальных и неформальных критериев оценки устойчивости политических позиций губернаторов с различной степенью вероятности их использования в процессе принятия кадровых решений. Предложено использовать указанные критерии в качестве атрибутов для обучения решающего дерева. В связи со значительным объемом данных в работе представлен фрагмент дерева решений, наглядно иллюстрирующий возможность применения алгоритма С4.5 для решения политических задач.

методы машинного обучения, дерево решений, кадровая политика федерального центра, оценка деятельности губернаторов

1. Губернаторский корпус в условиях трансформации политической системы Российской Федерации. Я. Г. Ашихмина и др., ред. Пермь: Пермский научный центр; 2014. 306 c.

2. Быстрова А. С. Отставки и выборы 2018 г.: обновление губернаторского корпуса, бассейн рекрутирования и карьеры новых персонажей. Власть и элиты. 2018;(5):331–359.

3. Голосов Г. В., Лихтенштейн А. В. «Партии власти» и российский институциональный дизайн: теоретический анализ. Политические исследования. 2002;(1):6–15.

4. Сирота А. А. Методы и алгоритмы анализа данных и их моделирование в MATLAB. СПб.: БХВ-Петербург; 2016. 384 с

5. Груздев А. В. Прогнозное моделирование в IBM SPSS Statistics, R и Python. Метод деревьев решений и случайного леса. М.: ДМК Пресс; 2017. 634 с.

6. Бринк Х., Ричардс Д., Феверолф М. Машинное обучение. СПб.: Питер; 2018. 336 с.

7. Domingos P. The Master Algorithm: How the Quest for the Ultimate Learning Machine Will Remake Our World. New York: Basic Books. 352 p.

8. Barros, R.C., Winck, A.T., Machado, K.S. et al. Automatic design of decision-tree induction algorithms tailored to flexible-receptor docking data. URL: https://doi.org/10.1186/1471–2105–13–310.