Study of ESG transformation of the region by the artificial intelligence system

Cover Page

Cite item

Full Text

Abstract

The theoretical aspects of the ESG transformation of the region in modern conditions are studied. The relevance is due to the fact that in the conditions of technological transformations, rapid introduction of innovations, increasing market uncertainty, artificial intelligence systems are increasingly used to achieve sustainable development on ESG principles. The goal is to identify patterns of ESG transformations of the region by the artificial intelligence system and obtain a forecast value of the gross regional product for the next year. In the course of the study, a deep learning model DL "Random Forest" was formed, which allows you to get a forecast of the gross regional product of the Volgograd region. The novelty is due to the fact that the work put forward a hypothesis, which was successfully proven, regarding the fact that forecasts of the gross regional product for the next year can be obtained using the deep learning model DL "Random Forest", which largely predetermines the dynamics of sustainable development of the region. The conclusions of the study are that the DL-model "Random Forest" has been developed, which calculated the forecast values ​​of the gross regional product. The forecast value of the GRP for the first option was 1305.88 billion rubles, which is 4.47% more than the actual value in 2024. The forecast value of the GRP for the second option will be 1361.76 billion rubles, which is 8.94% more than the actual value in 2024. The scope of application of the obtained results is the real sector of the economy, local government planning bodies.

About the authors

Nikolay I. Lomakin

Volgograd State Technical University

Author for correspondence.
Email: tel9033176642@yahoo.com
ORCID iD: 0000-0001-6597-7195

Candidate of Economic Sciences, Associate Professor

 

Russian Federation, 28, prosp. Lenin, Volgograd, 400005, Russian Federation

Tatyana I. Kuzmina

Russian Economic University

Email: tutor07@list.ru
ORCID iD: 0000-0002-1757-5201

Doctor of Economics, Professor

 

Russian Federation, 36, Stremyanny Lane, Moscow, 115054, Russian Federation

Maxim S. Maramygin

Ural State Economic University

Email: maram_m_s@mail.ru
ORCID iD: 0000-0003-3416-775X

Doctor of Economics, Professor, Director of the Institute of Finance and Law, Professor of the Department of Finance, Monetary Circulation and Credit

 

Russian Federation, 62, 8 Marta Str., Ekaterinburg, 620144, Russian Federation

Olga V. Yurova

Volgograd State Technical University

Email: yurova@vstu.ru
ORCID iD: 0000-0002-7628-4471

Candidate of Sociological Sciences, Associate Professor

 

Russian Federation, 28, prosp. Lenin, Volgograd, 400005, Russian Federation

Oksana A. Minaeva

Volgograd State Technical University

Email: o_mina@mail.ru
ORCID iD: 0000-0001-8579-4038

Candidate of Economic Sciences, Associate Professor, Department of Economics and Entrepreneurship

 

Russian Federation, 28, prosp. Lenin, Volgograd, 400005, Russian Federation

Aleksey A. Polozhentsev

South-West State University

Email: polojencev135@mail.ru
ORCID iD: 0009-0004-6824-1019

Master of the Faculty of Fundamental and Applied Informatics

Russian Federation, 94, 50 let Oktyabrya Str., Kursk, 305040, Russian Federation

Tamila D. Eliseeva

Volgograd branch of the Plekhanov Russian University of Economics

Email: tamila1607@mail.ru
ORCID iD: 0009-0004-7170-8863

Lecturer of the Department of Economics and Finance

 

Russian Federation, 11, Volgodonakaya Str., Volgograd, 400005, Russian Federation

References

  1. Ronzhin, A. L., & Savel'ev, A. I. (2022). Artificial intelligence systems in solving the problems of digitalization and robotization of the agro-industrial complex. Agricultural Machines and Technologies, 16(2), 22–29. https://doi.org/10.22314/2073-7599-2022-16-2-22-29
  2. Letiagina, E. N., & Perova, V. I. (2023). Neural network study of sustainable development of the economy of Russian regions based on ESG principles. Development and Security, (1), 93–105. https://doi.org/10.46960/2713-2633_2023_1_93
  3. Narolina, T. S., Smotrova, T. I., Purgaeva, I. A., & Nekrasova, T. A. (2023). Study of the practice of implementing the ESG agenda in the regions. Region: Systems, Economics, Management, (1), 12–21. https://doi.org/10.22394/1997-4469-2023-60-1-12-21
  4. Uralov, P. S., & Maramygin, M. S. (2022). Current trends in the development of the banking sector of the Russian Federation in conditions of economic uncertainty. In Proceedings of the International Scientific and Practical Conference "Current Trends in the Development of the Financial and Banking Sector in Conditions of Economic Uncertainty" (pp. 202–206). Nur-Sultan.
  5. Lomakin, N. I., Maramygin, M. S., Kuz'mina, T. I., Polozhentsev, A. A., Sleta, Yu. O., Yurova, O. V., & Shabanov, N. T. (2024). Cognitive model based on the DL Random Forest method for profit forecasting and Fuzzy algorithm for assessing company sustainability in conditions of uncertainty. International Economy, (10). https://doi.org/10.33920/vne-04-2410-06
  6. Kotlyarov, M. A. (2006). Market capitalization as a tool for increasing the sustainability of Russian banks. Finance and Credit, (28), 6–9.
  7. Russian regions are implementing sustainable development principles. (2022). Retrieved January 13, 2025, from https://rg.ru/2022/10/18/moda-na-zelenyj.html?ysclid=m5vaqjw0x6589998955
  8. Babkin, A. V., & Batukova, L. R. (2023). Conceptual foundations of multidimensional system modeling of the mechanism of sustainable ESG development of cyber-social industrial ecosystem of cluster type. Models, Systems, Networks in Economics, Engineering, Nature and Society, (3), 17–37. https://doi.org/10.21685/2227-8486-2023-3-2
  9. ESG ranking of Russian regions. (2021). Retrieved January 13, 2025, from https://raex-rr.com/ESG/ESG_regions/ESG_rating_regions/2021
  10. Volgograd entered the top cities with the strongest environmental component. Retrieved January 25, 2025, from https://vk.com/wall-108998119_547949?ysclid=m7bwconrym79776911
  11. ESG transformation study of the region. Retrieved January 25, 2025, from https://colab.research.google.com/drive/10XQi6HOteGb_rZtyp0wUhVyRGiONkzq6?usp=sharing
  12. DL model dataset. Retrieved January 13, 2025, from https://docs.google.com/spreadsheets/d/1_0oknnto4A6rltFJUQ-2C0d49nYB9iDDXW52TEWhKek/edit?gid=0#gid=0
  13. Letiagina, E. N., Perova, V. I., & Maltseva, A. M. (2022). Neural networks in the study of sustainable development of the economy of Russian regions in the focus of ESG principles. In Proceedings of the International Scientific and Practical Conference "Topical Issues of Economics, Management and Innovation" (pp. 367–371). Nizhny Novgorod: Nizhny Novgorod State Technical University named after R. E. Alekseev.
  14. Grenaderova, M. V. (2023). ESG ratings and rankings: their importance for companies and the region of presence. Bulletin of the North-Eastern Federal University named after M. K. Ammosov. Series: Economics. Sociology. Cultural Studies, (4), 69–78. https://doi.org/10.25587/2587-8778-2023-4-69-78
  15. Berendeeva, A. B. (2024). Institutional environment of sustainable development and ESG transformation of the Russian economy: mega-, macro-, meso- and micro-levels. Theoretical Economics, (1), 98–119.
  16. Cong, Z., & Jianhua, Y. (2024). Artificial intelligence and corporate ESG performance. International Review of Economics & Finance, 96, 103713. https://doi.org/10.1016/j.iref.2024.103713
  17. Qiang, C., Tingting, Z., & Wenmei, Y. (2024). ESG investment and bank efficiency: Evidence from China. Energy Economics, 133, 107516. https://doi.org/10.1016/j.eneco.2024.107516
  18. Robert, K. (2024). ESG as a complementary tool for assessing the knowledge of contemporary sustainable organizations. Procedia Computer Science, 246, 4959–4968. https://doi.org/10.1016/j.procs.2024.09.453
  19. Qunyang, D., Zhennan, S., John, W. G., Anna, M. D., & Tianle, Y. (2024). Ecological risk and corporate sustainability: Examining ESG performance, risk management, and productivity. International Review of Financial Analysis, 96, 103551. https://doi.org/10.1016/j.irfa.2024.103551
  20. Sharon, S. Y., Jr-Wei, H., Hong-Yi, C., & Min-Hung, T. (2025). Detecting corporate ESG performance: The role of ESG materiality in corporate financial performance and risks. The North American Journal of Economics and Finance, 76, 102370. https://doi.org/10.1016/j.najef.2025.102370
  21. Lomakin, N. I., Yurova, O. V., & Kusobokova, E. V. (2023). Random Forest model based on Big Data for predicting the sustainability of the banking system of the Russian Federation. Science of Krasnoyarsk, 12(1-1), 78–100. https://doi.org/10.12731/2070-7568-2023-12-1-78-100
  22. Lomakin, N. I., Kuz'mina, T. I., & Maramygin, M. S. (2024). Hierarchical clustering and deep learning "random forest" model of bank sustainability under risk. Science of Krasnoyarsk, 13(1), 88–102. https://doi.org/10.12731/2070-7568-2024-13-1-235
  23. Nazарова, V. V., Aytykova, Yu. M., & Tokusheva, L. R. (2022). Influence of ESG factors in mergers and acquisitions transactions. Finance and Business, 18(3), 42–61.
  24. Izgarova, A. I., Rogova, E. M., & Bakhareva, O. V. (2023). Relationship between ESG investment information and stock returns: case of large Russian companies. Manager, 14(3), 17–29. https://doi.org/10.29141/2218-5003-2023-14-3-2

Supplementary files

Supplementary Files
Action
1. JATS XML
Download


Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».