Искусственный интеллект и машинное обучение в современной нейроэкономике: анализ данных и моделирование экономического поведения

Цель. Систематизировать современные представления о нейроэкономике как междисциплинарном научном направлении, а также определить роль технологий искусственного интеллекта (ИИ) и машинного обучения в анализе экономического поведения на основе сопоставления зарубежных и российских исследований.

Задачи. Проследить генезис и ключевые теоретические модели нейроэкономики; охарактеризовать состояние и специфику нейроэкономических исследований российских ученых; систематизировать основные направления исследований индивидуального, социального и финансового экономического поведения, выполненных зарубежными авторами; изучить формы применения ИИ как инструмента анализа данных и как самостоятельной вычислительной модели принятия решений; сопоставить степень зрелости и институциональной обеспеченности рассматриваемых направлений.

Методология. Использован качественный сравнительно-аналитический обзор рецензируемых зарубежных и российских исследований о нейроэкономике, вычислительной нейронауке, поведенческой экономике и применении ИИ в анализе экономического поведения. Источники выбраны авторами статьи по критерию отношения к трем тематическим блокам, таким как теоретико-методологические основы нейроэкономики, эмпирические исследования нейронных механизмов выбора, работы по применению машинного обучения к анализу и моделированию экономического поведения. Сопоставление зарубежных и российских направлений проведено по критериям теоретической базы, эмпирических методов, степени интеграции ИИ и машинного обучения.

Результаты. Установлено, что нейроэкономика формируется как самостоятельная дисциплина, объясняющая принятие решений через взаимодействие автоматических и контролируемых нейрональных процессов. Зарубежные исследователи учитывают социальные предпочтения и финансовое поведение, а российские авторы сосредоточены преимущественно на социальном влиянии, конформности, реабилитационных нейротехнологиях и пока слабо интегрированы в экономическую теорию. Показана двойная роль ИИ как инструмента анализа данных и вычислительной модели выбора, а также рассмотрены этические рамки применения нейротехнологий и ИИ в экономических исследованиях.

Выводы. Нейроэкономика представляет собой зрелое междисциплинарное направление с выраженной асимметрией между зарубежными и российскими исследованиями по степени интеграции в экономическую теорию. ИИ усиливает аналитические возможности нейроэкономики, но требует методологической осторожности и институционального этического регулирования. Перспективным направлением развития является создание в России специализированных междисциплинарных программ, объединяющих экономику, нейронауку и анализ данных.

1. Camerer C. F., Loewenstein G., Prelec D. Neuroeconomics: How neuroscience can inform economics // Journal of Economic Literature. 2005. Vol. 43. No. 1. P. 9–64. https://doi.org/10.1257/0022051053737843

2. Glimcher P. W., Rustichini A. Neuroeconomics: The consilience of brain and decision // Science. 2004. Vol. 306. No. 5695. P. 447–452. https://doi.org/10.1126/science.1102566

3. Rangel A., Camerer C., Montague P. R. A framework for studying the neurobiology of valuebased decision-making // Nature Reviews Neuroscience. 2008. Vol. 9. No. 7. P. 545–556. https://doi.org/10.1038/nrn2357

4. Fehr E., Camerer C. F. Social neuroeconomics: The neural circuitry of social preferences // Trends in Cognitive Sciences. 2007. Vol. 11. No. 10. P. 419–427. https://doi.org/10.1016/j.tics.2007.09.002

5. Frydman C., Camerer C. F. The psychology and neuroscience of financial decision making // Trends in Cognitive Sciences. 2016. Vol. 20. No. 9. P. 661–675. https://doi.org/10.1016/j.tics.2016.07.003

6. Peysakhovich A., Naecker J. Using methods from machine learning to evaluate behavioral models of choice under risk and ambiguity // Journal of Economic Behavior & Organization. 2017. Vol. 133. P. 373–384. https://doi.org/10.1016/j.jebo.2016.08.017

7. Thomas T., Straub D., Tatai F. et al. Modelling dataset bias in machine-learned theories of economic decision-making // Nature Human Behaviour. 2024. Vol. 8. No. 4. P. 679–691. https://doi.org/10.1038/s41562-023-01784-6

8. Zheng Y., Xu Z., Xiao A. Deep learning in economics: A systematic and critical review // Artificial Intelligence Review. 2023. Vol. 56. No. 9. P. 9497–9539. https://doi.org/10.1007/s10462-022-10272-8

9. Кошовец О. Б. Экономический агент в ваших мозгах: нейроэкономический дискурс и границы рационального // Вопросы теоретической экономики. 2022. № 2. С. 7–21. https://doi.org/10.52342/2587-7666VTE_2022_2_7_21

10. Лебедев М. А., Репин Д. А., Тимофеева М. А. Перспективы применения нейроинтерфейсов и технологий расширенной реальности в государственном управлении // Экономика и управление. 2025. Т. 31. № 4. С. 467–474. https://doi.org/10.35854/1998-1627-2025-4-467-474

11. Федоров М. В., Клевцова О. Ю., Игнатьев С. А. Трансляция междисциплинарных методов искусственного интеллекта в медицинскую диагностику: оценка социальноэкономических эффектов // Экономика и управление. 2026. Т. 32. № 2. С. 180–194. https://doi.org/10.35854/1998-1627-2026-2-180-194

12. Еремин А. В., Еремин Е. В., Полякова К. Д., Федоров М. В. Социально-экономические аспекты внедрения технологий искусственного интеллекта. Часть 2. Искусственный интеллект в государственном управлении // Исследования в цифровой экономике. 2023. Т. 1. № 2. С. 6–74. https://doi.org/10.24833/14511791-2023-2-6-74

13. Федоров М. В., Репин Д. А., Игнатьев С. А. Технологии искусственного интеллекта в государственном управлении: разработка парадигмы разумного (само)ограничения // Известия Санкт-Петербургского государственного экономического университета. 2024. № 5. С. 46–53.

14. Klucharev V., Smidts A., Fernández G. Brain mechanisms of persuasion: How ‘expert power’ modulates memory and attitudes // Social Cognitive and Affective Neuroscience. 2008. Vol. 3. No. 4. P. 353–366. https://doi.org/10.1093/scan/nsn022

15. Klucharev V., Hytönen K., Rijpkema M., Smidts A., Fernández G. Reinforcement learning signal predicts social conformity // Neuron. 2009. Vol. 61. No. 1. P. 140–151. https://doi. org/10.1016/j.neuron.2008.11.027

16. Klucharev V., Munneke M. A. M., Smidts A., Fernández G. Downregulation of the posterior medial frontal cortex prevents social conformity // Journal of Neuroscience. 2011. Vol. 31. No. 33. P. 11934–11940. https://doi.org/10.1523/JNEUROSCI.1869-11.2011

17. Shestakova A., Rieskamp J., Tugin S. et al. Electrophysiological precursors of social conformity // Social Cognitive and Affective Neuroscience. 2013. Vol. 8. No. 7. P. 756–763. https://doi.org/10.1093/scan/nss064

18. Ключарев В. А., Зубарев И. П., Шестакова А. Н. Нейробиологические механизмы социального влияния // Экспериментальная психология. 2014. Т. 7. № 4. С. 20–36.

19. Мокиенко О. А., Черникова Л. А., Фролов А. А. Интерфейс мозг — компьютер как новая технология нейрореабилитации // Анналы клинической и экспериментальной неврологии. 2011. Т. 5. № 3. С. 46–52.

20. Федоров М. В., Репин Д. А., Вошев Д. В., и др. Перспективы применения нейроинтерфейсов в здравоохранении: социально-экономические эффекты и риски: обзор // Российский кардиологический журнал. 2026. Т. 31. № 2S. Ст. № 6902. https://doi.org/10.15829/1560-4071-2026-6902

21. Шендерюк-Жидков А. В., Храмов А. Е. Согласование этики и технологий: построение ответственного будущего нейротехнологий и искусственного интеллекта // Социология науки и технологий. 2025. Т. 16. № 4. С. 138–154. https://doi.org/10.24412/2079-0910-2025-4-138-154

22. Пескова А. В., Ковалевская М. С. Нейроэкономика и поведенческая экономика: источники синтеза // Вестник Южно-Уральского государственного университета. Серия: Экономика и менеджмент. 2016. Т. 10. № 3. С. 18–25. https://doi.org/10.14529/em160302

23. Yuste R., Goering S., Agüera y Arcas B. et al. Four ethical priorities for neurotechnologies and AI // Nature. 2017. Vol. 551. P. 159–163. https://doi.org/10.1038/551159a