State University of Telecommunications Open Journals System
Not a member yet
2308 research outputs found
Sort by
АНАЛІЗ ТА ПЕРЕДБАЧЕННЯ ПОГОДНИХ УМОВ НА ОСНОВІ МАШИННОГО НАВЧАННЯ З ІНТЕГРАЦІЄЮ ВЕБ-ТЕХНОЛОГІЙ
No full textThe article highlights therelevance of applying machine learning methods to weather prediction and analyzes modern AutoMLapproaches that simplify model selection and hyperparameter tuning. An integrated software solution isproposed, ensuring a complete data workflow: from dataset import and basic exploratory analysis to modelconstruction and the generation of forecasts based on fundamental methods with fixed hyperparameters.The system architecture is composed of a client interface and an application logic server implemented onthe MERN stack, as well as a separate machine learning module developed with Python libraries. Thedeveloped tool emphasizes transparency and ease of use, allowing non-expert users to perform experimentswith minimal technical effort. Logistic regression, gradient boosting, and multilayer perceptron models areused to predict values in localized climate datasets. The developed application can be used as a tool forrapid hypothesis verification, educational and demonstration purposes, and for obtaining forecasts withacceptable accuracy on localized weather datasets. Future development of the system may focus onintegrating time-series forecasting models such as ARIMA and SARIMA to account for seasonal andautocorrelated characteristics of climatic processes.Keywords: machine learning, AutoML, weather prediction, web application, MERN, Scikit-learn
References1. Machine Learning Methods for Weather Forecasting: A Survey / H. Zhang та ін. Atmosphere.2025. Т. 16, № 1. С. 82. URL: https://doi.org/10.3390/atmos16010082.2. Probabilistic weather forecasting with machine learning / I. Price та ін. Nature. 2024.URL: https://doi.org/10.1038/s41586-024-08252-9.3. Feurer M., Eggensperger K., Falkner S., Lindauer M., Hutter F. Auto-sklearn 2.0: Hands-freeautoml via meta-learning // Journal of Machine Learning Research. – 2022. – Vol. 23, № 261. – С.1–61.4. Erickson N., Mueller J., Shirkov A., Zhang H., Larroy P., Li M., Smola A. Autogluon-tabular:Robust and accurate automl for structured data // arXiv preprint arXiv:2003.06505. – 2020. – URL:https://arxiv.org/abs/2003.06505.5. AMLB: Frameworks. AMLB An AutoML Benchmark.URL: https://openml.github.io/automlbenchmark/frameworks.html (дата звернення: 07.11.2025).6. What is Exploratory Data Analysis? – GeeksforGeeks. – URL:https://www.geeksforgeeks.org/data-analysis/what-is-exploratory-data-analysis.7. Advanced EDA – GeeksforGeeks. – URL: https://www.geeksforgeeks.org/datascience/advanced-eda.8. Geron A. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts,Tools, and Techniques to Build Intelligent Systems. – 2nd ed. – Sebastopol (CA) : O’Reilly Media,Inc., 2019. – 851 с.9. Raschka S., Liu Y., Mirjalili V. Machine Learning with PyTorch and Scikit-Learn. –Birmingham : Packt Publishing Ltd., 2022. – 771 с.10. Supervised Machine Learning – GeeksforGeeks. – URL:https://www.geeksforgeeks.org/machine-learning/supervised-machine-learning.11. Logistic Regression in Machine Learning – GeeksforGeeks. – URL:https://www.geeksforgeeks.org/machine-learning/understanding-logistic-regression.12. Gradient Boosting in ML – GeeksforGeeks. – URL:https://www.geeksforgeeks.org/machine-learning/ml-gradient-boosting.13. Multi-layer Perceptron: a Supervised Neural Network Model using Sklearn –GeeksforGeeks. – URL: https://www.geeksforgeeks.org/deep-learning/multi-layer-perceptron-asupervised-neural-network-model-using-sklearn.14. Gutta S. Machine Learning Metrics in simple terms. Medium.URL: https://medium.com/analytics-vidhya/machine-learning-metrics-in-simple-termsd58a9c85f9f6.Стаття висвітлюєактуальність застосування методів машинного навчання для прогнозування погодних умов і аналізуєсучасні AutoML-підходи, які спрощують процес вибору моделей і налаштування гіперпараметрів.Запропоновано інтегрований програмний засіб, що забезпечує повний цикл роботи з даними: імпорт,базовий дослідницький аналіз і побудову прогнозів на основі фундаментальних моделей зфіксованими гіперпараметрами. Архітектура системи охоплює клієнтський інтерфейс і серверприкладної логіки, реалізовані на основі стеку MERN, а також окремий модуль машинногонавчання, побудований із використанням бібліотек мови Python. Для передбачення застосованологістичну регресію, градієнтний бустинг і багатошаровий персептрон. Розроблене рішення можевикористовуватися як інструмент швидкої перевірки гіпотез, у навчально-демонстраційних цілях тадля отримання передбачень допустимої точності на локалізованих наборах погодних даних.Ключові слова: машинне навчання, AutoML, передбачення погодних умов, веб-застосунок,MERN, Scikit-learn
Список використаної літератури1. Machine Learning Methods for Weather Forecasting: A Survey / H. Zhang та ін. Atmosphere.2025. Т. 16, № 1. С. 82. URL: https://doi.org/10.3390/atmos16010082.2. Probabilistic weather forecasting with machine learning / I. Price та ін. Nature. 2024.URL: https://doi.org/10.1038/s41586-024-08252-9.3. Feurer M., Eggensperger K., Falkner S., Lindauer M., Hutter F. Auto-sklearn 2.0: Hands-freeautoml via meta-learning // Journal of Machine Learning Research. – 2022. – Vol. 23, № 261. – С.1–61.4. Erickson N., Mueller J., Shirkov A., Zhang H., Larroy P., Li M., Smola A. Autogluon-tabular:Robust and accurate automl for structured data // arXiv preprint arXiv:2003.06505. – 2020. – URL:https://arxiv.org/abs/2003.06505.5. AMLB: Frameworks. AMLB An AutoML Benchmark.URL: https://openml.github.io/automlbenchmark/frameworks.html (дата звернення: 07.11.2025).6. What is Exploratory Data Analysis? – GeeksforGeeks. – URL:https://www.geeksforgeeks.org/data-analysis/what-is-exploratory-data-analysis.7. Advanced EDA – GeeksforGeeks. – URL: https://www.geeksforgeeks.org/datascience/advanced-eda.8. Geron A. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts,Tools, and Techniques to Build Intelligent Systems. – 2nd ed. – Sebastopol (CA) : O’Reilly Media,Inc., 2019. – 851 с.9. Raschka S., Liu Y., Mirjalili V. Machine Learning with PyTorch and Scikit-Learn. –Birmingham : Packt Publishing Ltd., 2022. – 771 с.10. Supervised Machine Learning – GeeksforGeeks. – URL:https://www.geeksforgeeks.org/machine-learning/supervised-machine-learning.11. Logistic Regression in Machine Learning – GeeksforGeeks. – URL:https://www.geeksforgeeks.org/machine-learning/understanding-logistic-regression.12. Gradient Boosting in ML – GeeksforGeeks. – URL:https://www.geeksforgeeks.org/machine-learning/ml-gradient-boosting.13. Multi-layer Perceptron: a Supervised Neural Network Model using Sklearn –GeeksforGeeks. – URL: https://www.geeksforgeeks.org/deep-learning/multi-layer-perceptron-asupervised-neural-network-model-using-sklearn.14. Gutta S. Machine Learning Metrics in simple terms. Medium.URL: https://medium.com/analytics-vidhya/machine-learning-metrics-in-simple-termsd58a9c85f9f6
ОСОБЛИВОСТІ ПЛАНУВАННЯ ПІДТРИМКИ БІЗНЕСУ В ПОВОЄННИХ УМОВАХ
Get PDFThe article provides an in-depth analysis of the strategic foundations necessary for ensuringeffective post-war economic recovery in Ukraine under conditions of heightened uncertainty,structural market instability, and significant infrastructural damage. The research emphasizes theimportance of modern strategic management approaches, including competitive strategyframeworks, resilience-oriented business models, and state-led mechanisms aimed at stimulatingeconomic revitalization and ensuring sustainable enterprise development. Particular attention isgiven to the role of international institutions, donor organizations, and analytical centers inidentifying priority directions for national recovery, including strengthening the architecture ofbusiness ecosystems, developing digital and logistical infrastructure, and improving policyinstruments that enhance the adaptability and competitiveness of enterprises across various sectors.The study combines theoretical insights with empirical observations and practicalrecommendations derived from recent academic works, governmental reports, and global recoveryassessments. As a result, a comprehensive set of policy measures is proposed to optimize Ukraine’spost-war development trajectory, support small and medium-sized enterprises, accelerate investmentinflows, and reinforce long-term economic sustainability. The findings are intended to informgovernment bodies, regional authorities, business associations, and other stakeholders involved indesigning, implementing, and monitoring recovery and development strategies, providing actionableinsights for building resilient, innovative, and competitive business environments in the post-warcontext.Keywords: post-war recovery; economic strategy; competitiveness; government business support;economic resilience; digital infrastructure development; business ecosystem; strategic managementtools; crisis-driven transformation; sustainable economic growth.
References1. International Monetary Fund. (2025). World economic outlook: Policy pivot, globaluncertainties. www.imf.org2. Krugman, P. R., Obstfeld, M., & Melitz, M. J. (2024). International economics: Theory andpolicy (12th global ed.). Pearson. www.pearson.com3. Organisation for Economic Co-operation and Development. (2025). OECD economicoutlook, volume 2025 issue 2. OECD Publishing. www.oecd.org4. United Nations Conference on Trade and Development. (2024). Global trade update(December 2024). unctad.org5. United Nations Conference on Trade and Development. (2025). Trade and developmentreport 2025: Under pressure – Uncertainty reshapes global economic prospects. United Nations.unctad.org6. World Bank, Government of Ukraine, & European Commission. (2024). Ukraine recoveryand reconstruction needs assessment (RDNA3). World Bank Group. www.worldbank.org7. World Trade Organization. (2023). World trade report 2023: Re-globalization for a secure,inclusive and sustainable future. www.wto.org8. Ministry of Economy of Ukraine. (2024). Strategy for the recovery, sustainable development,and support of small and medium enterprises until 2027. www.me.gov.uaУ статті досліджено ключові підходи до формування стратегічних засад економічногорозвитку в умовах повоєнної відбудови та зростаючої ринкової нестабільності. Розкритотеоретичні та прикладні аспекти відновлення національної економіки через призму сучаснихмоделей стратегічного управління, включаючи інструменти конкурентної стратегії,державної підтримки бізнесу та механізми підвищення стійкості підприємницького сектору.Особливу увагу приділено рекомендаціям міжнародних інституцій щодо пріоритетнихнапрямів відбудови, зокрема зміцненню бізнес-екосистем і розвитку цифровоїінфраструктури. На основі аналізу праць провідних учених та аналітичних звітів сформованокомплекс пропозицій щодо оптимізації економічної політики України у післявоєнний період.Результати дослідження можуть бути використані в процесі розробки стратегічнихпрограм розвитку, регіональних планів та заходів підтримки малого і середнього бізнесу.Ключові слова: післявоєнна відбудова; економічна стратегія; конкурентоспроможність;державна підтримка бізнесу; економічна стійкість; цифрова інфраструктура; бізнесекосистема.
Перелік посилань1. International Monetary Fund. (2025). World economic outlook: Policy pivot, globaluncertainties. www.imf.org2. Krugman, P. R., Obstfeld, M., & Melitz, M. J. (2024). International economics: Theory andpolicy (12th global ed.). Pearson. www.pearson.com3. Organisation for Economic Co-operation and Development. (2025). OECD economicoutlook, volume 2025 issue 2. OECD Publishing. www.oecd.org4. United Nations Conference on Trade and Development. (2024). Global trade update(December 2024). unctad.org5. United Nations Conference on Trade and Development. (2025). Trade and developmentreport 2025: Under pressure – Uncertainty reshapes global economic prospects. United Nations.unctad.org6. World Bank, Government of Ukraine, & European Commission. (2024). Ukraine recoveryand reconstruction needs assessment (RDNA3). World Bank Group. www.worldbank.org7. World Trade Organization. (2023). World trade report 2023: Re-globalization for a secure,inclusive and sustainable future. www.wto.org8. Ministry of Economy of Ukraine. (2024). Strategy for the recovery, sustainable development,and support of small and medium enterprises until 2027. www.me.gov.u
МАСШТАБОВАНІ ДЕЦЕНТРАЛІЗОВАНІ СИСТЕМИ НА ОСНОВІ РОЗПОДІЛЕНИХ СХОВИЩ ДАНИХ
No full textThe article presents an analysis of approachesto improving the scalability of decentralized systems through the integration of blockchain platforms withdistributed NoSQL storage. The feasibility of using NoSQL databases as a distributed block storage layerwithin the ElasticBloC model is substantiated, which allows reducing the load on the blockchain andensuring horizontal scalability. A system integration approach based on a multilayer software architectureusing Java and Python is considered. As a result, a conceptual model of the synergistic combination ofblockchain, NoSQL infrastructure, and application services is formulated, creating the prerequisites forbuilding scalable and secure decentralized applications in DeFi environments. Approaches to integratingblockchain technologies with distributed NoSQL storage and architectural alignment of Java- and Pythonbased components within decentralized applications are systematized. The proposed solutions can beapplied in the design of information systems with high requirements for resilience, reliability, andperformance.Keywords: blockchain, decentralized systems, distributed data storage, Java, microservices, NoSQL,object-oriented programming, Python
References1. Доценко О. Архітектоніка децентралізованих додатків у складі екосистемиdefi. Соціальна економіка. 2022. № 64. С. 117–124. URL: https://doi.org/10.26565/2524-2547-2022-64-10.2. 3rd global cryptoasset benchmarking study / A. Blandin et al. SSRN electronic journal. 2020.URL: https://doi.org/10.2139/ssrn.3700822.3. A survey on Hadoop HBase system. International journal of advance engineering andresearch development. 2016. Vol. 3, no. 01. URL: https://doi.org/10.21090/ijaerd.030114.4. Azzi R., Chamoun R. K., Sokhn M. The power of a blockchain-based supplychain. Computers & industrial engineering. 2019. Т. 135. С. 582–592.URL: https://doi.org/10.1016/j.cie.2019.06.042.5. Bakos Y., Halaburda H., Mueller-Bloch C. When permissioned blockchains deliver moredecentralization than permissionless. Communications of the ACM. 2021. Т. 64, № 2. С. 20–22.URL: https://doi.org/10.1145/3442371.6. Bamakan S. M. H., Motavali A., Babaei Bondarti A. A survey of blockchain consensusalgorithms performance evaluation criteria. Expert systems with applications. 2020. Т. 154.С. 113385. URL: https://doi.org/10.1016/j.eswa.2020.113385.7. Blockbench / T. T. A. Dinh et al. SIGMOD/PODS'17: international conference onmanagement of data, Chicago Illinois USA. New York, NY, USA, 2017.URL: https://doi.org/10.1145/3035918.3064033.8. Casey M. J. In blockchain we trust. MIT Technology Review.URL: https://www.technologyreview.com/2018/04/09/3066/in-blockchain-we-trust/.9. Chandrakant K., Piwowarek G. Implementing a simple Blockchain inJava. https://www.baeldung.com. URL: https://www.baeldung.com/java-blockchain.10. Chen Y., Pereira I., Patel P. C. Decentralized governance of digital platforms. Journal ofmanagement. 2020. С. 014920632091675. URL: https://doi.org/10.1177/0149206320916755.11. Davies B. How to build ethereum dapps: learn how to write smart contract code, design,implement, test, debug, deploy and secure a full end-to-end dapps. Independently Published, 2022.12. Decision support for blockchain platform selection: three industry case studies / S. Farshidi etal. IEEE transactions on engineering management. 2020. Т. 67, № 4. С. 1109–1128.URL: https://doi.org/10.1109/tem.2019.2956897.13. Jibbawi H., Haque R., Ali Jaber Y. T. ElasticBloC: a massively scalable architecture forblockchain based applications. Proceedings of the 2nd international conference on big data andcyber-security intelligence : CEUR Workshop Proceedings, Versailles, 16-17.12. 2019 / M.-R. Hojeijet al. 2019. С. 73-82. URL: https://ceur-ws.org/Vol-2622/paper11.pdf.14. Khobragade P., Turuk A. K. Blockchain consensus algorithms: a survey. Lecture notes innetworks and systems. Cham, 2023. С. 198–210. URL: https://doi.org/10.1007/978-3-031-21229-1_19.15. LSB: a lightweight scalable blockchain for iot security and anonymity / A. Dorri et al. Journalof parallel and distributed computing. 2019. Т. 134. С. 180–197.URL: https://doi.org/10.1016/j.jpdc.2019.08.005.16. The evolutionary trajectories of peer-produced artifacts: group composition, the trajectories’exploration, and the quality of artifacts / O. Arazy et al. MIS quarterly. 2020. Vol. 44, № 4. С. 2013–2053. URL: https://doi.org/10.25300/misq/2020/15379.17. Understanding the motivations, challenges and needs of Blockchain software developers: asurvey / A. Bosu et al. Empirical software engineering. 2019. Vol. 24, № 4. С. 2636–2673.URL: https://doi.org/10.1007/s10664-019-09708-7.У статті проведено аналізможливостей підвищення масштабованості децентралізованих систем шляхом інтеграції блокчейнплатформ із розподіленими NoSQL-сховищами. Обґрунтовано доцільність використання NoSQLбаз даних у ролі розподіленого сховища блоків у моделі ElasticBloC, що дозволяє зменшитинавантаження на блокчейн та забезпечити горизонтальне масштабування. Розглянуто підхід досистемної інтеграції на основі багаторівневої програмної архітектури з використанням мов Java таPython.У результаті сформульовано концепцію синергетичного поєднання блокчейну, NoSQLінфраструктури та прикладних сервісів, яка створює передумови для побудови масштабованих ізахищених децентралізованих застосунків у середовищі DeFi. Систематизовано підходи доінтеграції блокчейн-технологій з розподіленими NoSQL-сховищами та обґрунтуванні концепціїархітектурного поєднання Java- та Python-компонент у складі децентралізованих застосунків.Запропоновані положення можуть бути використані під час проєктування інформаційних систем звисокими вимогами до стійкості, надійності та продуктивності.Ключові слова: блокчейн; децентралізовані системи; розподілені сховища даних; Java;мікросервіси; NoSQL; об’єктно-орієнтоване програмування; Python
Список використаної літератури1. Доценко О. Архітектоніка децентралізованих додатків у складі екосистемиdefi. Соціальна економіка. 2022. № 64. С. 117–124. URL: https://doi.org/10.26565/2524-2547-2022-64-10.2. 3rd global cryptoasset benchmarking study / A. Blandin et al. SSRN electronic journal. 2020.URL: https://doi.org/10.2139/ssrn.3700822.3. A survey on Hadoop HBase system. International journal of advance engineering andresearch development. 2016. Vol. 3, no. 01. URL: https://doi.org/10.21090/ijaerd.030114.4. Azzi R., Chamoun R. K., Sokhn M. The power of a blockchain-based supplychain. Computers & industrial engineering. 2019. Т. 135. С. 582–592.URL: https://doi.org/10.1016/j.cie.2019.06.042.5. Bakos Y., Halaburda H., Mueller-Bloch C. When permissioned blockchains deliver moredecentralization than permissionless. Communications of the ACM. 2021. Т. 64, № 2. С. 20–22.URL: https://doi.org/10.1145/3442371.6. Bamakan S. M. H., Motavali A., Babaei Bondarti A. A survey of blockchain consensusalgorithms performance evaluation criteria. Expert systems with applications. 2020. Т. 154.С. 113385. URL: https://doi.org/10.1016/j.eswa.2020.113385.7. Blockbench / T. T. A. Dinh et al. SIGMOD/PODS'17: international conference onmanagement of data, Chicago Illinois USA. New York, NY, USA, 2017.URL: https://doi.org/10.1145/3035918.3064033.8. Casey M. J. In blockchain we trust. MIT Technology Review.URL: https://www.technologyreview.com/2018/04/09/3066/in-blockchain-we-trust/.9. Chandrakant K., Piwowarek G. Implementing a simple Blockchain inJava. https://www.baeldung.com. URL: https://www.baeldung.com/java-blockchain.10. Chen Y., Pereira I., Patel P. C. Decentralized governance of digital platforms. Journal ofmanagement. 2020. С. 014920632091675. URL: https://doi.org/10.1177/0149206320916755.11. Davies B. How to build ethereum dapps: learn how to write smart contract code, design,implement, test, debug, deploy and secure a full end-to-end dapps. Independently Published, 2022.12. Decision support for blockchain platform selection: three industry case studies / S. Farshidi etal. IEEE transactions on engineering management. 2020. Т. 67, № 4. С. 1109–1128.URL: https://doi.org/10.1109/tem.2019.2956897.13. Jibbawi H., Haque R., Ali Jaber Y. T. ElasticBloC: a massively scalable architecture forblockchain based applications. Proceedings of the 2nd international conference on big data andcyber-security intelligence : CEUR Workshop Proceedings, Versailles, 16-17.12. 2019 / M.-R. Hojeijet al. 2019. С. 73-82. URL: https://ceur-ws.org/Vol-2622/paper11.pdf.14. Khobragade P., Turuk A. K. Blockchain consensus algorithms: a survey. Lecture notes innetworks and systems. Cham, 2023. С. 198–210. URL: https://doi.org/10.1007/978-3-031-21229-1_19.15. LSB: a lightweight scalable blockchain for iot security and anonymity / A. Dorri et al. Journalof parallel and distributed computing. 2019. Т. 134. С. 180–197.URL: https://doi.org/10.1016/j.jpdc.2019.08.005.16. The evolutionary trajectories of peer-produced artifacts: group composition, the trajectories’exploration, and the quality of artifacts / O. Arazy et al. MIS quarterly. 2020. Vol. 44, № 4. С. 2013–2053. URL: https://doi.org/10.25300/misq/2020/15379.17. Understanding the motivations, challenges and needs of Blockchain software developers: asurvey / A. Bosu et al. Empirical software engineering. 2019. Vol. 24, № 4. С. 2636–2673.URL: https://doi.org/10.1007/s10664-019-09708-7
ОПТИМІЗАЦІЯ ЗОВНІШНЬОЇ ТОРГІВЛІ: ІНСТРУМЕНТИ ПІДВИЩЕННЯ КОНКУРЕНТОСПРОМОЖНОСТІ НА СВІТОВИХ РИНКАХ
No full textThe article examines modern tools for optimizing foreign trade aimed at increasingcompetitiveness in global markets. Particular attention is paid to key strategies for increasing theefficiency of exports and imports, including: the use of digital technologies to automate businessprocesses and manage trade flows; the use of financial instruments to support foreign economicactivity, including loans, guarantees and risk insurance; the implementation of effective logisticssolutions that optimize transport costs and reduce delivery times; and the development andimplementation of innovative marketing strategies for entering new markets and maintainingpositions in existing ones.The paper analyzes the experience of leading countries and companies in implementing modernmethods of optimizing foreign trade, identifies key success factors and challenges faced by enterprisesin the global economic environment. Based on the analysis, recommendations are proposed for acomprehensive approach to increasing the efficiency of foreign economic activity, combiningtechnological, financial and managerial solutions.Keywords: foreign trade, competitiveness, optimization, world markets, export support tools,logistics, digital technologies.
References1. Kovalchuk, S. M. (2021). Globalization and foreign trade: Current trends. Economy and State,7, 45–53.2. Bilorus, O. H., & Halchynskyi, O. V. (2023). Post-war economic recovery: Strategic aspectsof foreign trade. Economics. Management. Business, 2(1), 34–46.3. Lytvynenko, I. V. (2022). Digital technologies in foreign economic activity. Bulletin ofInternational Trade, 10, 12–20.4. Romanenko, A. P. (2020). Logistics strategies in foreign trade. Management and BusinessAdministration, 3, 78–85.5. Petrova, T. M. (2021). Marketing in international trade: Modern practices. InternationalEconomics, 5, 101–109.6. Romaniuk, I. A. (2020). Vplyv konkurentnoi borotby na upravlinnia marketynhovoiudiialnistiu suchasnykh pidpryiemstv [The impact of competition on the management of marketingactivities of modern enterprises]. Molod i silskohospodarska tekhnika u KhKhI storichchi: Zb. mater.KhVI-y Mizhnar. forum molodi. Kharkiv: KhNTUSH, 206.7. OECD. (2022). Export financing and risk management: Country practices. Paris: OECDPublishing, 15–22.8. Melnichuk, L., Martynenko, M., & Volkov, Y. (2025). Management solutions in achievingsustainable development goals. Economics. Management. Business, 1(48), 44–51. doi.org DOI:10.31673/2415-8089.2025.0144519. World Bank. (2021). Digital trade and cross-border e-commerce: Global trends. Washington,DC: World Bank, 8–14.10. Christopher, M. (2016). Logistics & Supply Chain Management. Harlow: Pearson Education.11. Kotler, P., & Keller, K. L. (2020). Marketing Management (16th ed.). Pearson.У статті досліджено сучасні інструменти оптимізації зовнішньоїторгівлі, спрямовані на підвищення конкурентоспроможності на світових ринках. Особливаувага приділена ключовим стратегіям підвищення ефективності експорту та імпорту, середяких виділяються: застосування цифрових технологій для автоматизації бізнес-процесів іуправління торговими потоками; використання фінансових інструментів підтримкизовнішньоекономічної діяльності, зокрема кредитів, гарантій і страхування ризиків;впровадження ефективних логістичних рішень, що дозволяють оптимізувати транспортнівитрати та скоротити терміни доставки; а також розробка та реалізація інноваційнихмаркетингових стратегій для виходу на нові ринки та утримання позицій на існуючих.У роботі проаналізовано досвід провідних країн та компаній щодо впровадження сучаснихметодів оптимізації зовнішньої торгівлі, визначено ключові фактори успішності та виклики, зякими стикаються підприємства у глобальному економічному середовищі. На основіпроведеного аналізу запропоновано рекомендації щодо комплексного підходу до підвищенняефективності зовнішньоекономічної діяльності, що поєднує технологічні, фінансові тауправлінські рішення.Ключові слова: зовнішня торгівля, конкурентоспроможність, оптимізація, світові ринки,інструменти підтримки експорту, логістика, цифрові технології.
Перелік посилань1. Kovalchuk, S. M. (2021). Globalization and foreign trade: Current trends. Economy and State,7, 45–53.2. Bilorus, O. H., & Halchynskyi, O. V. (2023). Post-war economic recovery: Strategic aspectsof foreign trade. Economics. Management. Business, 2(1), 34–46.3. Lytvynenko, I. V. (2022). Digital technologies in foreign economic activity. Bulletin ofInternational Trade, 10, 12–20.4. Romanenko, A. P. (2020). Logistics strategies in foreign trade. Management and BusinessAdministration, 3, 78–85.5. Petrova, T. M. (2021). Marketing in international trade: Modern practices. InternationalEconomics, 5, 101–109.6. Romaniuk, I. A. (2020). Vplyv konkurentnoi borotby na upravlinnia marketynhovoiudiialnistiu suchasnykh pidpryiemstv [The impact of competition on the management of marketingactivities of modern enterprises]. Molod i silskohospodarska tekhnika u KhKhI storichchi: Zb. mater.KhVI-y Mizhnar. forum molodi. Kharkiv: KhNTUSH, 206.7. OECD. (2022). Export financing and risk management: Country practices. Paris: OECDPublishing, 15–22.8. Melnichuk, L., Martynenko, M., & Volkov, Y. (2025). Management solutions in achievingsustainable development goals. Economics. Management. Business, 1(48), 44–51. doi.org DOI:10.31673/2415-8089.2025.0144519. World Bank. (2021). Digital trade and cross-border e-commerce: Global trends. Washington,DC: World Bank, 8–14.10. Christopher, M. (2016). Logistics & Supply Chain Management. Harlow: Pearson Education.11. Kotler, P., & Keller, K. L. (2020). Marketing Management (16th ed.). Pearson
ПРОГНОСТИЧНЕ МОДЕЛЮВАННЯ В SMART CITY НА ОСНОВІ ARIMA-МОДЕЛЕЙ
No full textAccurate time series forecasting is a cornerstone of smart citymanagement, enabling informed decision-making across energy systems, transportation networks,environmental monitoring, and public safety. This study investigates the application of ARIMA models forurban time series prediction, focusing on both standard ARIMA and residual-corrected ARIMA variants.Residual correction allows the capture of latent structural patterns and systematic deviations not fullyaddressed by the base ARIMA model, thereby enhancing forecast accuracy. Model performance isrigorously evaluated using a comprehensive set of metrics, including Mean Absolute Error (MAE), RootMean Squared Error (RMSE), symmetric Mean Absolute Percentage Error (sMAPE), Mean AbsolutePercentage Error (MAPE), and Mean Absolute Scaled Error (MASE), complemented by a multi-criteriaranking procedure to identify the optimal model configuration. The results demonstrate that residualcorrected ARIMA consistently outperforms standard ARIMA for short- and medium-term forecastingtasks, particularly for variables such as air temperature, which exhibit complex temporal dynamics. Thefindings underscore the practical relevance of ARIMA-based forecasting as a reliable tool for data-drivendecision support in smart city infrastructures.Keywords: time series, forecasting, ARIMA model, ARIMA with residual correction, modelselection criteria
References1. Zhang Z., Ren S., Qian X., Duffield N. Towards Invariant Time Series Forecasting in SmartCities // arXiv preprint arXiv:2405.05430. 2024. URL: https://arxiv.org/abs/2405.05430.2. Liang S. Predicting short-term urban bike sharing demand in a smart city // Computers,Environment and Urban Systems. 2026. Vol. 88. P. 101703. URL:https://doi.org/10.1016/j.compenvurbsys.2021.101703.3. Box G.E.P., Jenkins G.M. Time Series Analysis: Forecasting and Control. Prentice Hall, 1970.4. Hyndman R.J., Athanasopoulos G. Forecasting: Principles and Practice. OTexts, 2021. URL:https://otexts.com/fpp3/.5. Yavuz V.S. Forecasting monthly rainfall and temperature patterns in Van Province, Türkiyeusing ARIMA and SARIMA models // Journal of Water and Climate Change. 2025.6. GeeksforGeeks. ARIMA vs. SARIMA model. URL:https://www.geeksforgeeks.org/machine-learning/arima-vs-sarima-model/.7. Machine Learning Mastery. Model residual errors: Correct time series forecasts in Python.URL: https://machinelearningmastery.com/model-residual-errors-correct-time-series-forecastspython/.8. ARIMA-model of Ukrainian Macroeconomic Indicators Forecasting // In: Emergence ofpublic development: financial and legal aspects: monograph. Coventry: Agenda Publishing House,2019. P. 213-221.9. Application of residual modification approach in seasonal ARIMA for electricity demandforecasting: A case study of China / Y. Wang et al. Energy Policy. 2012. Vol. 48. P. 284–294. URL:https://doi.org/10.1016/j.enpol.2012.05.026.10. Real-Time Temperature Prediction Models for Smart City Applications. URL:https://www.researchgate.net/publication/388194104_RealTime_Temperature_Prediction_Models_for_Smart_City_Applications.11. Kyiv, Ukraine Weather Statistics Dataset. URL:https://www.kaggle.com/datasets/thedevastator/kyiv-ukraine-weather-statistics12. APXML. ARIMA Model Diagnostics. URL: https://apxml.com/courses/time-seriesanalysis-forecasting/chapter-4-arima-models-forecasting/arima-modeldiagnostics?utm_source=chatgpt.com.13. Bhutani K. Evaluating Time Series Models for Real-World Forecasting: A PracticalComparison. URL: https://medium.com/%40karanbhutani477/evaluating-time-series-models-forreal-world-forecasting-a-practical-comparison-5c9622618715.14. Khudov H., Makoveychuk O., Butko I., Khizhnyak I. A model for prediction of geospatialdata in systems for processing geospatial information // Systems of Arms and Military Equipment. –2021. № 2(66). С. 123-128. URL: https://doi.org/10.30748/soivt.2021.66.16.15. Google Colab. URL: https://colab.google/.16. Pandas. URL: https://pandas.pydata.org/.17. NumPy. URL: https://numpy.org/.18. Statsmodels. URL: https://www.statsmodels.org/stable/index.html.19. Seaborn. URL: https://seaborn.pydata.org/.У статті досліджується застосуванняARIMA-моделей для прогнозування часових рядів. Розглянуто базові моделі ARIMA та їхмодифікації з корекцією залишків, які дозволяють враховувати додаткові структурні закономірностіу часових рядах та підвищувати точність прогнозу. Для оцінки ефективності моделей використанокомплекс метрик точності — MAE, RMSE, sMAPE, MAPE та MASE — а також багатокритеріальнеранжування моделей для визначення оптимальної конфігурації. Результати дослідженняпідтверджують доцільність застосування ARIMA з корекцією залишків для коротко- тасередньострокового прогнозування. Практичне значення роботи полягає у підвищенні точностіпрогнозів та підтримці прийняття рішень в інформаційно-орієнтованому міському середовищі.Ключові слова: часові ряди, прогнозування, модель ARIMA, модель ARIMA з залишками,критерії вибору моделі
Список використаної літератури1. Zhang Z., Ren S., Qian X., Duffield N. Towards Invariant Time Series Forecasting in SmartCities // arXiv preprint arXiv:2405.05430. 2024. URL: https://arxiv.org/abs/2405.05430.2. Liang S. Predicting short-term urban bike sharing demand in a smart city // Computers,Environment and Urban Systems. 2026. Vol. 88. P. 101703. URL:https://doi.org/10.1016/j.compenvurbsys.2021.101703.3. Box G.E.P., Jenkins G.M. Time Series Analysis: Forecasting and Control. Prentice Hall, 1970.4. Hyndman R.J., Athanasopoulos G. Forecasting: Principles and Practice. OTexts, 2021. URL:https://otexts.com/fpp3/.5. Yavuz V.S. Forecasting monthly rainfall and temperature patterns in Van Province, Türkiyeusing ARIMA and SARIMA models // Journal of Water and Climate Change. 2025.6. GeeksforGeeks. ARIMA vs. SARIMA model. URL:https://www.geeksforgeeks.org/machine-learning/arima-vs-sarima-model/.7. Machine Learning Mastery. Model residual errors: Correct time series forecasts in Python.URL: https://machinelearningmastery.com/model-residual-errors-correct-time-series-forecastspython/.8. ARIMA-model of Ukrainian Macroeconomic Indicators Forecasting // In: Emergence ofpublic development: financial and legal aspects: monograph. Coventry: Agenda Publishing House,2019. P. 213-221.9. Application of residual modification approach in seasonal ARIMA for electricity demandforecasting: A case study of China / Y. Wang et al. Energy Policy. 2012. Vol. 48. P. 284–294. URL:https://doi.org/10.1016/j.enpol.2012.05.026.10. Real-Time Temperature Prediction Models for Smart City Applications. URL:https://www.researchgate.net/publication/388194104_RealTime_Temperature_Prediction_Models_for_Smart_City_Applications.11. Kyiv, Ukraine Weather Statistics Dataset. URL:https://www.kaggle.com/datasets/thedevastator/kyiv-ukraine-weather-statistics12. APXML. ARIMA Model Diagnostics. URL: https://apxml.com/courses/time-seriesanalysis-forecasting/chapter-4-arima-models-forecasting/arima-modeldiagnostics?utm_source=chatgpt.com.13. Bhutani K. Evaluating Time Series Models for Real-World Forecasting: A PracticalComparison. URL: https://medium.com/%40karanbhutani477/evaluating-time-series-models-forreal-world-forecasting-a-practical-comparison-5c9622618715.14. Khudov H., Makoveychuk O., Butko I., Khizhnyak I. A model for prediction of geospatialdata in systems for processing geospatial information // Systems of Arms and Military Equipment. –2021. № 2(66). С. 123-128. URL: https://doi.org/10.30748/soivt.2021.66.16.15. Google Colab. URL: https://colab.google/.16. Pandas. URL: https://pandas.pydata.org/.17. NumPy. URL: https://numpy.org/.18. Statsmodels. URL: https://www.statsmodels.org/stable/index.html.19. Seaborn. URL: https://seaborn.pydata.org/
АЛГОРИТМ ПОКРАЩЕННЯ ЯКОСТІ ГОЛОСОВОГО ЗВ'ЯЗКУ В МЕРЕЖАХ 5G STANDALONE НА ОСНОВІ MOS-ОРІЄНТОВАНОЇ ДИНАМІЧНОЇ АДАПТАЦІЇ РАДІОКАНАЛУ
No full textThis paper proposes a MOS-driven, risk-aware dynamic MCSadaptation algorithm for VoNR in 5G Standalone networks. The algorithm enhances voice deliveryreliability by combining SNR-uncertainty look-ahead, CVaR-based control of HARQ retransmission tails,and an external VoNR feedback loop for Δ-offset regulation. Unlike OLLA and HARQ-aware/unawarebaselines, which optimize BLER without delay prediction, the algorithm evaluates candidate MCS valuesthrough analytical BLER curves, IR-combining gain, late-loss probability, and E-model MOS estimationunder mobility conditions. Simulation results using CRN-blocked experiments confirm stable performanceacross BLER∈0.01-0.10: MOS≈4.26-4.27, >98.5% on-time RTP delivery, and Retx≥2≈2.0-2.3%, with nonotable goodput degradation. Benchmark schemes (OLLA, Random) generate ≈22–25% deep HARQchains and MOS<4.0, demonstrating the advantage of MOS-oriented decision policy over BLER-onlycontrol. The results show that the proposed algorithmic approach provides deterministic QoE underDoppler-induced CQI drift and is suitable for real-time VoNR deployment in native 5G SA environments.Keywords: VoNR, 5G Standalone, MCS adaptation, HARQ retransmissions, MOS, QoS/QoE,BLER, dynamic link adaptation, risk-aware scheduling, real-time voice services
References1. 3GPP TS 38.300 version 17.2.0 Release 17. NR; NR and NG-RAN Overall Description.Effective from 2023-05-18. Official edition. FRANCE: 650 Route des Lucioles, F-06921 SophiaAntipolis Cedex, 2023. 152 p.2. Ветошко І.П., Кравчук С.О. Пріоритизація голосового трафіку в 5G: роль планувальниківу забезпеченні QoS. ХІХ Міжнародна науково-технічна конференція «Перспективителекомунікацій 2025», Київ, 14–18 квітня 2025, с. 189–192.3. 3GPP TS 38.331 version 17.6.0 Release 17. NR; Radio Resource Control (RRC) Protocolspecification. Effective from 2024-02-11. Official edition. FRANCE: 650 Route des Lucioles, F06921 Sophia Antipolis Cedex, 2024. 421 p.4. Vetoshko I.P., Kravchuk S.O. Opportunities to Improve the Quality of Voice Services in 5GNetworks // 2023 IEEE International Conference on Information and TelecommunicationTechnologies and Radio Electronics (UkrMiCo), ISBN: 979-8-3503-4848-4, 13-18 November 2023,Kyiv, Ukraine. https://doi.org/10.1109/UkrMiCo61577.2023.10380376.5. 3GPP TS 23.501 version 16.7.0 Release 16. System architecture for the 5G System (5GS).Effective from 2021-01-21. FRANCE: Sophia Antipolis Cedex, 2021. 451 p.6. 3GPP TR 38.802 V14.2.0 Release 14. Study on new radio (NR) access technology. Effectivefrom 2017-09-28. Official edition. FRANCE: Sophia Antipolis Cedex, 2017. 142 p.7. Vetoshko I.P., Kravchuk S.O. Possibilities of improving the voice services quality in 5Gnetworks // Information and Telecommunication Sciences. – 2023. – Vol.14, No 2. – P. 9-16,https://doi.org/10.20535/2411-2976.22023.9-168. Kwon J., Park J., Rhee W. A QoS-aware adaptive resource allocation scheme using CQI andMCS for LTE-A networks. Wireless Personal Communications. – 2014. – Vol. 76. – P. 193–207.9. Vora P. Voice over 5G (Vo5G): Technical Challenges and Performance Evaluation. IEEECommunications Magazine. 2021. Vol. 59, No. 10. P. 16–22.10. Vetoshko I. P., Kravchuk S. O. Integration of machine learning-based prediction and dynamicQoS optimization into adaptive VONR scheduling in 5G standalone networks: a simulation-basedapproach. Scientific notes of Taurida National V.I. Vernadsky University. Series: Technical Sciences.2025. Vol. 1, no. 3. P. 43–56. URL: https://doi.org/10.32782/2663-5941/2025.3.1/07У роботізапропоновано MOS-орієнтований, ризик-чутливий алгоритм динамічної адаптації MCS для VoNRу мережах 5G Standalone. Запропонований метод підвищує надійність доставки голосового трафікуза рахунок поєднання прогнозування SNR з урахуванням невизначеності, CVaR-керуванняглибокими HARQ-ретрансляціями та зовнішнього VoNR-зворотного контуру для регулювання Δoffset. На відміну від базових схем OLLA та HARQ-aware/unaware, які оптимізують BLER безпередбачення затримок, алгоритм оцінює кандидатні рівні MCS за аналітичними BLER-кривими,приростом IR-комбайнінгу, ймовірністю late-loss та E-model-оцінкою MOS в умовах мобільності.Результати моделювання на основі CRN-блокованих експериментів підтвердили стабільністьроботи у діапазоні BLER∈0.01–0.10: MOS≈4.26–4.27, своєчасна доставка RTP-пакетів >98.5%,імовірність Retx≥2≈2.0–2.3% без погіршення goodput. Контрольні підходи (OLLA, Random)формували ≈22–25% глибоких HARQ-ланцюгів та MOS<4.0, що демонструє перевагу MOSорієнтованої стратегії над BLER-залежним управлінням. Отримані результати показують, щозапропонований підхід забезпечує детермінований рівень QoE при Doppler-зумовленому дрейфіCQI та є придатним для реального впровадження VoNR у нативних 5G SA-мережах.Ключові слова: VoNR, 5G Standalone, адаптація MCS, HARQ-ретрансляції, MOS, QoS/QoE,BLER, динамічне керування каналом, risk-aware scheduling, реальний час голосових сервісів
Список використаної літератури1. 3GPP TS 38.300 version 17.2.0 Release 17. NR; NR and NG-RAN Overall Description.Effective from 2023-05-18. Official edition. FRANCE: 650 Route des Lucioles, F-06921 SophiaAntipolis Cedex, 2023. 152 p.2. Ветошко І.П., Кравчук С.О. Пріоритизація голосового трафіку в 5G: роль планувальниківу забезпеченні QoS. ХІХ Міжнародна науково-технічна конференція «Перспективителекомунікацій 2025», Київ, 14–18 квітня 2025, с. 189–192.3. 3GPP TS 38.331 version 17.6.0 Release 17. NR; Radio Resource Control (RRC) Protocolspecification. Effective from 2024-02-11. Official edition. FRANCE: 650 Route des Lucioles, F06921 Sophia Antipolis Cedex, 2024. 421 p.4. Vetoshko I.P., Kravchuk S.O. Opportunities to Improve the Quality of Voice Services in 5GNetworks // 2023 IEEE International Conference on Information and TelecommunicationTechnologies and Radio Electronics (UkrMiCo), ISBN: 979-8-3503-4848-4, 13-18 November 2023,Kyiv, Ukraine. https://doi.org/10.1109/UkrMiCo61577.2023.10380376.5. 3GPP TS 23.501 version 16.7.0 Release 16. System architecture for the 5G System (5GS).Effective from 2021-01-21. FRANCE: Sophia Antipolis Cedex, 2021. 451 p.6. 3GPP TR 38.802 V14.2.0 Release 14. Study on new radio (NR) access technology. Effectivefrom 2017-09-28. Official edition. FRANCE: Sophia Antipolis Cedex, 2017. 142 p.7. Vetoshko I.P., Kravchuk S.O. Possibilities of improving the voice services quality in 5Gnetworks // Information and Telecommunication Sciences. – 2023. – Vol.14, No 2. – P. 9-16,https://doi.org/10.20535/2411-2976.22023.9-168. Kwon J., Park J., Rhee W. A QoS-aware adaptive resource allocation scheme using CQI andMCS for LTE-A networks. Wireless Personal Communications. – 2014. – Vol. 76. – P. 193–207.9. Vora P. Voice over 5G (Vo5G): Technical Challenges and Performance Evaluation. IEEECommunications Magazine. 2021. Vol. 59, No. 10. P. 16–22.10. Vetoshko I. P., Kravchuk S. O. Integration of machine learning-based prediction and dynamicQoS optimization into adaptive VONR scheduling in 5G standalone networks: a simulation-basedapproach. Scientific notes of Taurida National V.I. Vernadsky University. Series: Technical Sciences.2025. Vol. 1, no. 3. P. 43–56. URL: https://doi.org/10.32782/2663-5941/2025.3.1/0
АЛГОРИТМІЧНИЙ ПІДХІД ДО ОЦІНКИ DISRUPTIVE-IT ТЕХНОЛОГІЙ У FASHION E-COMMERCE
No full textThe paper presents analgorithmic approach to evaluating the impact of disruptive information technologies (disruptive-IT) withinthe Fashion E-commerce domain. The study focuses on developing a formalized and reproducible methodthat combines content analysis, open-source intelligence (OSINT) data processing, and analytical modelingto determine the priority of disruptive-IT implementation in digital business environments. The proposedapproach integrates methods of data collection, preprocessing, classification, and ranking of technologiesbased on economic, technical, user experience, and social impact criteria. A conceptual evaluation modelhas been developed that considers statistical indicators of data representativeness, confidence intervals, andrelevance weight coefficients, implemented through algorithmic data analysis procedures. The researchemploys Python-based tools for natural language processing (NLP), text vectorization, and automatedpattern detection to enhance the objectivity and scalability of results. The practical significance of the studylies in the formation of an analytical core for decision support systems (DSS) aimed at strategic planningof digital transformation in Fashion E-commerce. The algorithmic approach provides a foundation for thedevelopment of intelligent information systems capable of ranking and assessing disruptive technologies,optimizing innovation management, and reducing decision-making uncertainty.Keywords: OSINT, algorithmic modeling, decision support systems, digital transformation, FashionE-commerce, disruptive information technologies, computer modeling
References1. The State of Fashion: Beauty Volume 2 (2025) URL:https://www.businessoffashion.com/reports/state-of-fashion-beauty-industry-report/.2. The billion-pound question in fashion E-commerce: Investigating the anatomy of returns / J.Marriott et al. Transportation Research Part E: Logistics and Transportation Review. 2025. Vol. 194.P. 103904. URL: https://doi.org/10.1016/j.tre.2024.103904.3. Sequential LLM Framework for Fashion Recommendation / H. Liu et al. Proceedings of the2024 Conference on Empirical Methods in Natural Language Processing: Industry Track, Miami,Florida, US. Stroudsburg, PA, USA, 2024. P. 1276–1285. URL:https://doi.org/10.18653/v1/2024.emnlp-industry.954. Research on Clothing Recommendation Technology Integrating Multimodal Data / R. Lin etal. AISNS 2024: 2024 2nd International Conference on Artificial Intelligence, Systems and NetworkSecurity, Mianyang China. New York, NY, USA, 2024. P. 130–137. URL:https://doi.org/10.1145/3714334.37143575. Blockchain-Driven Innovation in Fashion Supply Chain Contractual Party Evaluations As AnEmerging Collaboration Model / M. Qiao et al. Blockchain: Research and Applications. 2025. P.100266. URL: https://doi.org/10.1016/j.bcra.2024.100266.6. Tushar Tiwari et al. (2025) Disruptive Innovation in E-commerce: Evolution, Impact, andFuture Trends, International Journal of Innovative Research in Science Engineering and Technology12(01). ResearchGate. URL:https://www.researchgate.net/publication/388610470_Disruptive_Innovation_in_Ecommerce_Evolution_Impact_and_Future_Trends.7. Anandha Kumar J. Disruptive technologies in fashion industry. International Journal ofEngineering Applied Sciences and Technology. 2020. Vol. 04, no. 11. P. 163–166. URL:https://doi.org/10.33564/ijeast.2020.v04i11.029.8. Aaron Chi (2019) The Future of Fashion: How AI is Changing the Fashion Retail Industry.URL: https://www.theinterline.com/2019/06/14/the-future-of-fashion-how-ai-is-changing-thefashion-retail-industry.9. Chih-Wen Wu (2023) The Impact of Virtual Reality and Augmented Reality ServiceTechnologies on Consumer Purchase Intention for Fashion Brands July 2023. URL:https://www.theinterline.com/2019/06/14/the-future-of-fashion-how-ai-is-changing-the-fashionretail-industry.10. Statista. (2024). Fashion e-commerce worldwide - statistics & facts. URL:https://www.statista.com/topics/9288/fashion-e-commerce-worldwide/(date of access: 02.09.2025).11. How Amazon Uses Robots to Sort and Transport Packages in Warehouses. (2025). URL:https://www.businessinsider.com/how-amazon-uses-robots-sort-transport-packages-warehouses2025-2.12. McKinsey & Company. (2022). Jumpstarting value creation with data and analytics in fashionand luxury. URL: https://www.mckinsey.com/industries/retail/our-insights/jumpstarting-valuecreation-with-data-and-analytics-in-fashion-and-luxury.13. Badhwar A.,. et al. (2023). Exploring the potential of blockchain technology within thefashion and textile supply chain with a focus on traceability, transparency, and product authenticity:A systematic review" Journal: Frontiers in Blockchain. 2023. URL:https://doi.org/10.3389/fbloc.2023.1044723.14. OSINT Framework. URL: https://osintframework.com/.15. Open Source Intelligence Techniques: Resources For Searching And Analyzing OnlineInformation [8 ed.] (2021). URL: https://dokumen.pub/open-source-intelligence-techniquesresources-for-searching-and-analyzing-online-information-8nbsped-9798578577086.html.16. Chengshuai Zhao, et al. (2025) SCALE: Towards Collaborative Content Analysis in SocialScience with Large Language Model Agents and Human Intervention. URL:https://arxiv.org/abs/2502.10937.17. Klaus Krippendorff (2025) Content Analysis: An Introduction to Its Methodology (4thEdition), SAGE Publications. URL: https://methods.sagepub.com/book/mono/content-analysis-4e/.18. Alberto Arletti, et al. (2025) Making Online Polls More Accurate: Statistical MethodsExplained. URL: https://arxiv.org/abs/2503.15395.19. Daniel Mider (2024) Open source intelligence on the internet - categorisation and evaluationof search tools. URL: https://bibliotekanauki.pl/articles/55995908.20. Deborah J. Rumsey (2021) Rumsey Statistics For Dummies: How to Calculate the Margin ofError for a Sample Proportion. URL: https://www.dummies.com/article/academics-thearts/math/statistics/how-to-calculate-the-margin-of-error-for-a-sample-proportion-169849/ .21. Dongmei Zhou, et al. (2024) Cross-Domain Keyword Extraction with Keyness Patterns. URL:https://arxiv.org/abs/2409.18724.22. Thomas Oakley Browne (2024) A systematic review on research utilising artificialintelligence for open source intelligence (OSINT) applications. International Journal of InformationSecurity Published: 05 June 2024, Volume 23, pages 2911–2938. URL:https://link.springer.com/article/10.1007/s10207-024-00868-2.23. INTERNATIONAL STANDARD ISO 31000. URL: https://www.ler.uam.mx/CalidadUAML/wp-content/uploads/2025/02/ISO-31000-2018.pdf.24. MIL-STD-963. URL: https://quicksearch.dla.mil/qsDocDetails.aspx?ident _number=202450.25. Kazuki Hayashi et al., (2025) IterKey: Iterative Keyword Generation with LLMs forEnhanced Retrieval Augmented Generation. URL: https://arxiv.org/abs/2505.08450.26. Maltego (2025). URL: https://www.g2.com/products/maltego/pricing.У статті представленоалгоритмічний підхід до оцінки впливу проривних інформаційних технологій (disruptive-IT) у сферіFashion E-commerce, які спрямовані на створення інструментарію для об’єктивного визначенняїхньої пріоритетності впровадження. Запропоновано модель, що поєднує методи контент-аналізу,обробки відкритих даних (OSINT) та елементи аналітичного моделювання для кількісного йякісного оцінювання ефектів цифрових технологій на бізнес-процеси електронної комерції.Алгоритмічний підхід базується на побудові формалізованої послідовності етапів: від зборурелевантної інформації з легальних відкритих джерел до класифікації та ранжування disruptiveтехнологій за критеріями впливу - економічного, технічного, UX- та соціального. Розробленоконцептуальну модель оцінювання, що враховує статистичні показники репрезентативностівибірки, параметри довірчих інтервалів і вагові коефіцієнти релевантності, які реалізуються увигляді алгоритмічних процедур аналізу даних. Використання Python-орієнтованих інструментівдля текстової обробки, NLP і векторизації дозволяє автоматизувати процес оцінки впливутехнологій і зменшити суб’єктивність експертних висновків. Практична цінність дослідженняполягає у формуванні аналітичного ядра для систем підтримки прийняття рішень (Decision SupportSystems), орієнтованих на стратегічне планування цифрової трансформації у Fashion E-commerce.Отримані результати можуть бути інтегровані у процеси data-driven аналітики, побудову ІТ-моделейпрогнозування інноваційних трендів і розробку інформаційних систем для оцінюваннятехнологічних ризиків. Отже, алгоритмічний підхід до оцінки disruptive-IT технологій демонструєзастосування методів комп’ютерних наук - алгоритмізації, обробки даних, системного аналізу таінтелектуальної аналітики - у вирішенні задач цифрової трансформації електронної комерції.Ключові слова: OSINT, алгоритмічне моделювання, системи підтримки рішень, цифроватрансформація, Fashion E-commerce, disruptive information technologies, комп’ютерне моделювання
Список використаної літератури1. The State of Fashion: Beauty Volume 2 (2025) URL:https://www.businessoffashion.com/reports/state-of-fashion-beauty-industry-report/.2. The billion-pound question in fashion E-commerce: Investigating the anatomy of returns / J.Marriott et al. Transportation Research Part E: Logistics and Transportation Review. 2025. Vol. 194.P. 103904. URL: https://doi.org/10.1016/j.tre.2024.103904.3. Sequential LLM Framework for Fashion Recommendation / H. Liu et al. Proceedings of the2024 Conference on Empirical Methods in Natural Language Processing: Industry Track, Miami,Florida, US. Stroudsburg, PA, USA, 2024. P. 1276–1285. URL:https://doi.org/10.18653/v1/2024.emnlp-industry.954. Research on Clothing Recommendation Technology Integrating Multimodal Data / R. Lin etal. AISNS 2024: 2024 2nd International Conference on Artificial Intelligence, Systems and NetworkSecurity, Mianyang China. New York, NY, USA, 2024. P. 130–137. URL:https://doi.org/10.1145/3714334.37143575. Blockchain-Driven Innovation in Fashion Supply Chain Contractual Party Evaluations As AnEmerging Collaboration Model / M. Qiao et al. Blockchain: Research and Applications. 2025. P.100266. URL: https://doi.org/10.1016/j.bcra.2024.100266.6. Tushar Tiwari et al. (2025) Disruptive Innovation in E-commerce: Evolution, Impact, andFuture Trends, International Journal of Innovative Research in Science Engineering and Technology12(01). ResearchGate. URL:https://www.researchgate.net/publication/388610470_Disruptive_Innovation_in_Ecommerce_Evolution_Impact_and_Future_Trends.7. Anandha Kumar J. Disruptive technologies in fashion industry. International Journal ofEngineering Applied Sciences and Technology. 2020. Vol. 04, no. 11. P. 163–166. URL:https://doi.org/10.33564/ijeast.2020.v04i11.029.8. Aaron Chi (2019) The Future of Fashion: How AI is Changing the Fashion Retail Industry.URL: https://www.theinterline.com/2019/06/14/the-future-of-fashion-how-ai-is-changing-thefashion-retail-industry.9. Chih-Wen Wu (2023) The Impact of Virtual Reality and Augmented Reality ServiceTechnologies on Consumer Purchase Intention for Fashion Brands July 2023. URL:https://www.theinterline.com/2019/06/14/the-future-of-fashion-how-ai-is-changing-the-fashionretail-industry.10. Statista. (2024). Fashion e-commerce worldwide - statistics & facts. URL:https://www.statista.com/topics/9288/fashion-e-commerce-worldwide/(date of access: 02.09.2025).11. How Amazon Uses Robots to Sort and Transport Packages in Warehouses. (2025). URL:https://www.businessinsider.com/how-amazon-uses-robots-sort-transport-packages-warehouses2025-2.12. McKinsey & Company. (2022). Jumpstarting value creation with data and analytics in fashionand luxury. URL: https://www.mckinsey.com/industries/retail/our-insights/jumpstarting-valuecreation-with-data-and-analytics-in-fashion-and-luxury.13. Badhwar A.,. et al. (2023). Exploring the potential of blockchain technology within thefashion and textile supply chain with a focus on traceability, transparency, and product authenticity:A systematic review" Journal: Frontiers in Blockchain. 2023. URL:https://doi.org/10.3389/fbloc.2023.1044723.14. OSINT Framework. URL: https://osintframework.com/.15. Open Source Intelligence Techniques: Resources For Searching And Analyzing OnlineInformation [8 ed.] (2021). URL: https://dokumen.pub/open-source-intelligence-techniquesresources-for-searching-and-analyzing-online-information-8nbsped-9798578577086.html.16. Chengshuai Zhao, et al. (2025) SCALE: Towards Collaborative Content Analysis in SocialScience with Large Language Model Agents and Human Intervention. URL:https://arxiv.org/abs/2502.10937.17. Klaus Krippendorff (2025) Content Analysis: An Introduction to Its Methodology (4thEdition), SAGE Publications. URL: https://methods.sagepub.com/book/mono/content-analysis-4e/.18. Alberto Arletti, et al. (2025) Making Online Polls More Accurate: Statistical MethodsExplained. URL: https://arxiv.org/abs/2503.15395.19. Daniel Mider (2024) Open source intelligence on the internet - categorisation and evaluationof search tools. URL: https://bibliotekanauki.pl/articles/55995908.20. Deborah J. Rumsey (2021) Rumsey Statistics For Dummies: How to Calculate the Margin ofError for a Sample Proportion. URL: https://www.dummies.com/article/academics-thearts/math/statistics/how-to-calculate-the-margin-of-error-for-a-sample-proportion-169849/ .21. Dongmei Zhou, et al. (2024) Cross-Domain Keyword Extraction with Keyness Patterns. URL:https://arxiv.org/abs/2409.18724.22. Thomas Oakley Browne (2024) A systematic review on research utilising artificialintelligence for open source intelligence (OSINT) applications. International Journal of InformationSecurity Published: 05 June 2024, Volume 23, pages 2911–2938. URL:https://link.springer.com/article/10.1007/s10207-024-00868-2.23. INTERNATIONAL STANDARD ISO 31000. URL: https://www.ler.uam.mx/CalidadUAML/wp-content/uploads/2025/02/ISO-31000-2018.pdf.24. MIL-STD-963. URL: https://quicksearch.dla.mil/qsDocDetails.aspx?ident _number=202450.25. Kazuki Hayashi et al., (2025) IterKey: Iterative Keyword Generation with LLMs forEnhanced Retrieval Augmented Generation. URL: https://arxiv.org/abs/2505.08450.26. Maltego (2025). URL: https://www.g2.com/products/maltego/pricing
ОСОБЛИВОСТІ РОЗВИТКУ ІННОВАЦІЙНОГО ПІДПРИЄМНИЦТВА: ВПЛИВ ПСИХОЛОГІЧНИХ ЧИННИКІВ
Get PDFThe article investigates specific factors influencing the formationof a business idea and the development of innovative entrepreneurship. The definition of innovativeactivity, which is a process in which things and forces are reflected and transformed in order to createnew economic benefits, is specified. The criteria for assessing the effectiveness of innovative activityare determined by the degree of originality, realism and justification of the result. A specialpsychological structure of the subject's innovative business activity during professional training isrevealed, which includes a block of motives, actions and results. It is determined that people withhigh innovative performance in business during professional training practically do not differ inpsychological characteristics. It is substantiated that the activity of people who have shown highresults of innovative activity in business is more defined and structured. It is determined that theeffectiveness of innovative business activity during professional training is directly related to the levelof organization of the individual. The level of organization of innovatively effective individuals is 1.5times higher than that of ineffective ones. A review of approaches to studying the psychologicalstructure of activity, activity and behavior has been conducted. The component composition of thepsychological structure of a businessman's innovative activity has been identified. A theoreticalmodel of a businessman's innovative activity has been constructed. An experimental study of thepsychological structure of innovative business activity has been conducted. An experimentalcomparison of the components of the psychological structure of innovative business activity with thecomponents of other types of activity has been carried out. A specific block of personal qualities thatensures the success of innovative business activity has been identified. Psychological ideas aboutinnovative activity, the structure and specificity of its components have been generalized. Apsychological structure of innovative activity of specialists carried out during the period ofprofessional training has been constructed. The psychological characteristics of subjects related tothe effectiveness of innovative activity are described. The features of innovative business activitiesduring professional training have been identified, which will create conditions for accounting andcorrecting the innovator's activities during the educational process, and will contribute to itsorganization in the field of business and in other areas of professional activity related to thedevelopment and implementation of innovations, taking into account the specifics of its componentsand personality characteristics.Keywords: innovative business activities, psychology of business and innovation, changes,leadership, personal qualities of a businessman, psychological factors, business performance
References1. Butko, M.P. Nezhyvenko, A.P. and Pepa, T.V. (2016) Ekonomichna psykholohiia [Economicpsychology]. Kyiv: Tsentr uchbovoi literatury.2. Holev, S.V. and Holieva, O.S. (2017) Orhanizatsijna psykholohiia (Psykholohiiaorhanizatsij)[Organizational psychology (Psychology of organizations)]: Kurs lektsij. Kherson.3. Illiashenko, S.M. (2014) Upravlinnia innovatsijnoiu diial'nistiu. Osnovy innovatsijnoho menedzhmentu: mahisters'kyj kurs [Innovation management. Fundamentals of innovationmanagement: master's course]. Sumy: Universytets'ka knyha..4. Karpun', I.N. (2008) “Motyvatsiia i stymuliuvannia innovatsijnoi diial'nosti pidpryiemstva”.Vydavnytstvo L'vivs'koi politekhniky, vol. 628, pp. 529–533.5. Kokhanova, O.P. (2015) “Psykholohichni aspekty innovatsijnoi diial'nosti v umovakh vyschoishkoly”. Humanitarnyj visnyk DVNZ “Pereiaslav-Khmel'nyts'kyj derzhavnyj pedahohichnyjuniversytet imeni Hryhoriia Skovorody”, vol. 35. Аvailable at:https://elibrary.kubg.edu.ua/id/eprint/7678/1/O_Kokhanova_VOVU_8_IL.pdf6. Kremen', V.H. (2012) “Innovatsijnist' i osvita”. Ridna shkola, vol. 4–5, pp. 7–12.7. Lukoms'ka, Yu.O. (2013) “Psykholohichni aspekty vprovadzhennia innovatsij v orhanizatsii”.Problemy suchasnoi psykholohii, no. 2, pp. 80–85.8. Potapkina, L.V. (2013) “Sut' ta oznaky innovatsijnoi diial'nosti ekonomista i rol' osvity vts'omu protsesi”. Zbirnyk naukovykh prats' Khmel'nyts'koho instytutu sotsial'nykh tekhnolohijUniversytetu “Ukraina”, vol. 1(7), pp. 194–198.9. Chudakova, V. (2014) “Psykholohichna hotovnist' do innovatsijnoi diial'nosti takonkurentozdatnist' personalu holovnyj resurs orhanizatsijnoho rozvytku”. Navchannia ivykhovannia obdarovanoi dytyny: teoriia ta praktyka, vol. 1, pp. 100–127.У статті досліджено особливі чинники впливу на формування бізнес-ідеї та розвитокінноваційного підприємництва. Уточнено визначення інноваційної діяльності, яка являє собоюпроцес, при якому відбувається відображення та трансформація речей та сил з метоюстворення нових економічних благ. Визначено критерії оцінки ефективності інноваційноїдіяльності за ступенем оригінальності, реалістичності та обґрунтованості результату.Виявлено особливу - психологічну структуру інноваційної бізнес-діяльності суб’єкта в періодпрофесійної підготовки, що включає блок мотивів, дій та результатів. Визначено, що люди звисокою інноваційною результативністю у бізнесі під час професійної підготовки практичноне відрізняються за психологічними характеристиками. Обґрунтовано, що діяльність людей,які показали високі результати інноваційної діяльності у бізнесі, більш визначена таструктурована. Визначено, що результативність інноваційної бізнес-діяльності у періодпрофесійної підготовки безпосередньо пов’язана з рівнем організованості особистості.Рівень організованості інноваційно ефективних осіб у 1,5 рази вищий, ніж неефективних.Проведено огляд підходів до вивчення психологічної структури діяльності, активності таповедінки. Виділено компонентний склад психологічної структури інноваційної діяльностібізнесмена. Побудовано теоретичну модель інноваційної діяльності бізнесмена. Проведеноекспериментальне дослідження психологічної структури інноваційної бізнес-діяльності.Здійснено експериментальне зіставлення компонентів психологічної структури інноваційноїбізнес-діяльності із компонентами інших видів діяльності. Виділено специфічний блокособистісних якостей, що забезпечує успішність інноваційної бізнес-діяльності.Ключові слова: інноваційна бізнес-діяльність, психологія бізнесу та інновацій, зміни,лідерство, особистісні якості бізнесмена, психологічні чинники, результативність бізнесу
Перелік посилань1. Butko, M.P. Nezhyvenko, A.P. and Pepa, T.V. (2016) Ekonomichna psykholohiia [Economicpsychology]. Kyiv: Tsentr uchbovoi literatury.2. Holev, S.V. and Holieva, O.S. (2017) Orhanizatsijna psykholohiia (Psykholohiiaorhanizatsij)[Organizational psychology (Psychology of organizations)]: Kurs lektsij. Kherson.3. Illiashenko, S.M. (2014) Upravlinnia innovatsijnoiu diial'nistiu. Osnovy innovatsijnoho menedzhmentu: mahisters'kyj kurs [Innovation management. Fundamentals of innovationmanagement: master's course]. Sumy: Universytets'ka knyha..4. Karpun', I.N. (2008) “Motyvatsiia i stymuliuvannia innovatsijnoi diial'nosti pidpryiemstva”.Vydavnytstvo L'vivs'koi politekhniky, vol. 628, pp. 529–533.5. Kokhanova, O.P. (2015) “Psykholohichni aspekty innovatsijnoi diial'nosti v umovakh vyschoishkoly”. Humanitarnyj visnyk DVNZ “Pereiaslav-Khmel'nyts'kyj derzhavnyj pedahohichnyjuniversytet imeni Hryhoriia Skovorody”, vol. 35. Аvailable at:https://elibrary.kubg.edu.ua/id/eprint/7678/1/O_Kokhanova_VOVU_8_IL.pdf6. Kremen', V.H. (2012) “Innovatsijnist' i osvita”. Ridna shkola, vol. 4–5, pp. 7–12.7. Lukoms'ka, Yu.O. (2013) “Psykholohichni aspekty vprovadzhennia innovatsij v orhanizatsii”.Problemy suchasnoi psykholohii, no. 2, pp. 80–85.8. Potapkina, L.V. (2013) “Sut' ta oznaky innovatsijnoi diial'nosti ekonomista i rol' osvity vts'omu protsesi”. Zbirnyk naukovykh prats' Khmel'nyts'koho instytutu sotsial'nykh tekhnolohijUniversytetu “Ukraina”, vol. 1(7), pp. 194–198.9. Chudakova, V. (2014) “Psykholohichna hotovnist' do innovatsijnoi diial'nosti takonkurentozdatnist' personalu holovnyj resurs orhanizatsijnoho rozvytku”. Navchannia ivykhovannia obdarovanoi dytyny: teoriia ta praktyka, vol. 1, pp. 100–127