Статьи

Relevance. Africa presents a unique case: despite having the lowest urbanization levels in the world, it demonstrates the highest rates of urban population growth. Universities in large African cities play a key role in developing human capital by providing educational opportunities and training in digital skills necessary for participation in the digital economy. Objective. This article aims to assess the relationship between digital higher education, a key component of human capital, and economic development in African countries. It also explores the Digital Education Index and the factors influencing it in African cities and countries. We hypothesize that the composite Digital Education Index will reveal connections between economic development, urbanization, digital infrastructure, and digital education. Data and Methods. The study uses data from African cities and countries for 2019-2022, sourced from Trading Economics, the World Bank, International Monetary Fund, Free Apply, UNESCO, and the World Intellectual Property Organization. The methodology is based on an index approach, using measures of central tendency. The Digital Education Index is calculated through three sub-indices: technical accessibility of digital technologies, financial-economic accessibility of digital education, and population digital skills. Results. Digital education contributes to human capital development in Africa while reducing inequality and social vulnerability. However, progress in improving the Digital Education Index has been limited, as African universities face challenges such as restricted technology access and low living standards, which limit access to paid education. Conclusion. The study provides policy recommendations highlighting the importance of a comprehensive approach to addressing the challenges of digital education development in Africa.

Новые вызовы, стоящие перед отечественной экономикой, требуют построения моделей, позволяющих адекватно оптимизировать процессы управления промышленностью на уровне региона. Данная работа посвящена разработке агент-ориентированной модели трехуровневого иерархического минимаксного управления региональным промышленным комплексом. Целью настоящего исследования является разработка методики решения задачи идентификации параметров агент-ориентированной модели управления промышленным комплексом региона на примере Свердловской области. Для выполнения поставленной цели предложено теоретическое обоснование реализуемого подхода, приведена формализация задачи идентификации параметров системы управления промышленным комплексом региона, описан алгоритм построения и отбора моделей для оценки параметров системы управления. В качестве метода решения задачи идентификации выбран подход на базе линейного регрессионного анализа. Подготовка информационной базы для апробации подхода проводилась в условиях Свердловской области по 28 видам экономической деятельности, относящихся к промышленному производству, по данным за 2005-2021 гг. При построении статистических моделей идентификации фазовый вектор задается следующими параметрами: среднегодовая численность работников предприятий, основные фонды, валовая добавленная стоимость, объем отгруженных товаров, выполненных работ и услуг, сальдированный финансовый результат организаций, инвестиции в основной капитал, затраты на внедрение и использование цифровых технологий. Вектор управления задан факторами привлечения бюджетных средств, а также привлечения средств кроме бюджетных (из внешних источников). В результате исследования построено 125 моделей достаточно высокого качества, которые могут быть использованы в решении задачи идентификации параметров для построения агент-ориентированной модели управления процессами развития промышленности Свердловской области. Полученные статистические модели позволяют установить связь между агентами, уточнить их специфику, рассчитать и дать оценку результатов применения механизмов управления. Предложенный подход применим для построения прогнозов развития регионального промышленного комплекса в соответствии с планируемыми управляющими воздействиями, а также для вычисления оптимального набора управляющих воздействий для достижения промышленностью целевых параметров.