Цифровые элиты как новый актор GR
PDF
XML

Ключевые слова

government relations (GR)
data-driven governance
прогностическая аналитика
прескриптивная аналитика
цифровые элиты
big data
машинное обучение
NLP
сетевой анализ (SNA)
захват регулятора (regulatory capture)
лоббизм
США
Илон Маск
DOGE
политическое прогнозирование
темные деньги (dark money)

Как цитировать

Утешкалиева, Л. Р. (2026). Цифровые элиты как новый актор GR. Вопросы элитологии, 7(2), 96–108. извлечено от http://elitology-journal.com/index.php/ioe/article/view/305

Аннотация

Традиционная парадигма Government Relations (GR), основанная на экспертных оценках и личных коммуникациях, сталкивается с ограничениями в условиях цифровизации государственного управления, что порождает проблему трансформации GR-поля под воздействием методов прогностической и прескриптивной аналитики и появления новых доминирующих акторов. Цель статьи – выявить и проанализировать механизмы становления цифровых элит как ключевого актора современного GR, основанного на монопольном владении инструментами анализа больших данных и машинного обучения. В работе обоснован переход от реактивного GR к концепции data-driven governance, интегрирующей прогностическую аналитику и сценарное моделирование; на эмпирическом материале США (2020–2025 гг.) показаны механизмы сращивания цифровых элит с государством (прямое вхождение во власть, «темные деньги», контроль над прогностическими платформами) и выявлена внутренняя фрагментация самих цифровых элит (раскол между сторонниками дерегулирования и безопасного ИИ). Доказано, что контроль над прогностическими инструментами создает асимметрию информации и риски захвата регулятора, знаменуя переход от внешнего лоббизма к прямому управлению государственными структурами; статья рассчитана на исследователей в области GR, политологов, специалистов по государственному управлению, а также практиков, занимающихся корпоративным лоббизмом и регуляторным прогнозированием.
PDF
XML

Библиографические ссылки

TAdviser: портал корпоративной информации. Предикативная (предиктивная) аналитика. 2025. URL: https://www.tadviser.ru/index.php/Статья:Предикативная_аналитика_(предиктивная,_прогнозная,_прогностическая)_Predictive_analytics.

Дмитриева Н.Е., Санина А.Г., Стырин Е.М. и др. Цифровая трансформация в государственном управлении. М.: Изд. дом Высшей школы экономики, 2023. 209 с.

Карабущенко П.Л. Очерки истории элитологии: в 4 т. Т. 4: Новейшее время (XIX–XXI вв.). М.: КДУ, 2025. 552 с.

Когденко В.Г. Описательная, прогностическая и предписывающая аналитика: данные, методы и алгоритмы // Экономический анализ: теория и практика. 2019. Т. 18. № 3. С. 446-462.

Мельников К.В., Иванов Е.А., Петров Н.В. Неформальная структура элитного пространства России: опыт сетевого анализа // Полития. 2022. № 1 (104). С. 72-91.

Моисеев С.П., Карпов И.А., Мифтахутдинова К.И., Михайлова О.Р. Сетевой анализ в контексте различных научных и прикладных дисциплин. Репортаж с XVIII Апрельской международной научной конференции по проблемам развития экономики и общества, 11-14 апреля 2017 г., Москва, Россия // Экономическая социология. 2017. № 3. С. 152-159.

Наумов М.Д., Кореева Е.Б. Анализ тональности текстовой информации с применением методов NLP // Вестник науки. 2026. № 1 (94). С. 1612-1618.

Хабр. Anthropic и OpenAI вступили в политическую войну за регулирование ИИ. 2025. URL: https://habr.com/ru/news/996624/.

Шайхуллин Э.Х., Уляева А.Г. Исследование возможностей применения BI-аналитики в деятельности законодательных органов власти // Управленческий учет. 2025. № 12. С. 536-545.

Лицензия Creative Commons

Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.

Copyright (c) 2026 Линара Рустамовна Утешкалиева