Фрактально-кластерна технологія оцінки достовірності інформаційного потенціалу і параметрів цифрової ентропії енергетичних підприємств

Буданов О. П.

Стаття

Випуск:	2025 №3 (91)
Рубрика:	Економіка підприємства
УДК:	004.9:519.7:005.8
DOI:	https://doi.org/10.33271/ebdut/91.176
Мова статті:	Українська
Сторінки:	176-187
Заголовок:	Фрактально-кластерна технологія оцінки достовірності інформаційного потенціалу і параметрів цифрової ентропії енергетичних підприємств
Автор:	Буданов О. П., Харківський національний університет імені В. Н. Каразіна
Анотація:	Методологія дослідження. Результати отримано за рахунок застосування методів: фрактально-кластерного моделювання – для виявлення ієрархічних зв’язків між інформаційними ресурсами та їх впливу на стійкість підприємства; методів багатовимірної статистики – для групування показників та виявлення прихованих залежностей; моделювання сценаріїв – для прогнозування впливу цифрової ентропії на функціонування енергетичного підприємства в умовах когерентного цифрового середовища. Результати. У роботі продемонстровано, що у контексті цифрової трансформації економіки ключовим викликом для підприємств стає забезпечення достовірності та узгодженості інформаційних потоків, що безпосередньо впливає на якість управлінських рішень та стійкість бізнес-процесів. Проблема полягає у відсутності ефективних інструментів для комплексної оцінки достовірності інформаційного потенціалу енергетичних підприємств в умовах зростання цифрової ентропії та необхідності забезпечення інформаційної когерентності. Наведено, що зростання цифрової ентропії призводить до хаотизації даних, ускладнює їхню верифікацію та інтеграцію в єдиний інформаційний простір, що особливо критично для енергетичних підприємств із високим рівнем технологічної складності. Новизна. Наукова новизна роботи полягає у формуванні універсального інструменту оцінювання достовірності інформаційного потенціалу і параметрів цифрової ентропії енергетичних підприємств, який інтегрує кількісні та якісні характеристики в єдиний аналітичний простір і може застосовуватися як для стратегічного моніторингу, так і для оперативного управління інформаційним потенціалом енергетичних підприємств. Розроблено методику оцінки достовірності інформаційного потенціалу підприємств на основі фрактальнокластерної технології оцінювання параметрів цифрової ентропії. Запропоновано фрактально-кластерну технологію оцінки достовірності інформаційного потенціалу, яка поєднує методи фрактального аналізу та алгоритми кластеризації. Розроблено методику визначення параметрів цифрової ентропії, що дає можливість встановити взаємозв’язок між рівнем інформаційної хаотизації та цифровою когерентністю підприємства. Практична значущість. Практична апробація на прикладі енергетичних підприємств засвідчила, що застосування фрактально-кластерного підходу підвищує точність діагностики недостовірних даних, сприяє зниженню рівня цифрової ентропії, оптимізує інформаційні ресурси та посилює цифрову когерентність підприємства. Отримані результати мають прикладне значення для формування систем інформаційної безпеки, підвищення ефективності управління та забезпечення цифрової стійкості підприємств в умовах цифрової ентропії.
Ключові слова:	Методика, Інформаційний потенціал, Енергетичні підприємства, Цифрові технології, Цифрова ентропія, Цифрова когерентність, Управління, Фрактально-кластерна технологія, Інформаційні технології, Цифрова трансформація
Файл статті:	EV20253_176-187.pdf
Література:	1. Prokhorova, V.V. (Ed.). (2024). Transformatsiia ekonomichnoho seredovyshcha vumovakh entropii. Kharkiv: Vydavnytstvo Ivanchenka I.S. Retrieved from https://crust.ust.edu.ua/server/api/core/bitstreams/2486eb3a-943c-4608-a987-0b645aea8f1d/content 2. Prokhorova, V., & Budanov, M. (2024). Entropy as a factor of influence on energy security management of enterprises. Technology Audit and Production Reserves, 5(4(79), 6-12. https://doi.org/10.15587/2706-5448.2024.314397 3. Prokhorova, V., Budanov, M., & Budanov, P. (2024). Devising an integrated methodology for energy safety assessment at an industrial power-generating enterprise. Transfer of Technologies: Industry, Energy, Nanotechnology, 4 (13 (130)), 118-131. https://doi.org/10.15587/1729-4061.2024.3080 4. Riepina, I., Tepliuk, M., Dziuba, D., & Moroz, A. (2024). The influence of entropy and digitalization on the development of enterprises. Development Service Industry Management, (2), 238-243. https://doi.org/10.31891/dsim-2024-6(37) 5. Riepina, I., Tepliuk, M., & Dziuba, D. (2024). Vplyv entropiinykh protsesiv na hlokalizatsiinyi rozvytok pidpryiemstv v umovakh tsyfrovizatsii. Modeling the development of the economic systems, (2), 229-234. https://doi.org/10.31891/mdes/2024-12-30 6. Tepliuk, M. (2024). The genesis of entropy in the conditions of the digital economy and socio-economic relations: globalization challenges and opportunities for sustainable development. Collection of Scientific Papers «Scientific Notes», 36(3), 149-159. http://doi.org/10.33111/vz_kneu.36.24.03.14.096.102 7. Bigdan, A., Babenko, T., Hnatiienko, H., Baranovskyi, O., & Myrutenko, L. (2022). Detection of Cybersecurity Events Based on Entropy Analysis. Pro- ceedings from MIIM ’22 7th International Conference on Digital Technologies in Education, Science and Industry, DTESI 2022, Almaty, 20 October through 21 October 2022. Technical University of Aachen. https://ceur-ws.org/Vol-3382/Paper21.pdf 8. Yehorova-Hudkova, T. (2020). Deiaki metodolohichni skladovi pryrodopodobnoho upravlinnia ta ekonomichna bezpeka derzhavy. Ekonomika ta suspilstvo, (22). https://doi.org/10.32782/2524-0072/2020-22-69 9. Pushkar, O. (2025). Modeliuvannia rozvytku informatsiinykh system v ekonomitsi. Herald of Khmelnytskyi National University. Economic Sciences,. (2), 555-560. DOI: https://doi.org/10.31891/2307-5740-2025-340-88 10. Tereshchenko, L.O. (2021). Tekhnolohii modeliuvannia upravlinskykh informatsiinykh system v systemi menedzhmentu pidpryiemstva. Ekonomika i suspilstvo, Vyp 27. DOI: https://doi.org/10.32782/2524-0072/2021-27-55 11. Shevchenko, S., Zhdanova Y., Spasiteleva, S., Negodenko, O., Mazur, N., & Kravchuk, K. (2019). Matematychni metody v kiberbezpetsi: fraktaly ta yikh zastosuvannia v informatsiinii ta kibernetychnii bezpetsi. Elektronne fakhove naukove vydannia «Kiberbezpeka: osvita, nauka, tekhnika», 1(5), 31-39. https://doi.org/10.28925/2663-4023.2019.5.3139 12. Tur H.I., & Trunova, O.V. (2015). Zastosuvannya metodu fraktalʹnoho analizu dlya vyznachennya trendovykh kharakterystyk chyslovykh ryadiv. [Application of fractal analysis method for determination of trending characteristics of numerical series], Bulletin of Chernihiv National Pedagogical University. Series: Pedagogical Sciences, vol. 125, pp. 252-256, 2015. [Online] Retrieved from http://nbuv.gov.ua/UJRN/VchdpuP_2015_125_61 [Aug 13 2019] (in Ukrainian). 13. M.A. Nazarkevich, M.A., Dronyuk, I.M., OA Troyan, O.A., & Tomaschuk, T.Yu. (2015). Rozrobka metodu zakhystu dokumentiv latentnymy elementamy na osnovi fraktaliv. [Developing a Method for Securing Documents with Fractal-Based Latent Elements] Information Security, Volume 17, No. 1, pp. 21-26. [Online] Retrieved from http://jrnl.nau.edu.ua/index.php/ZI/article/view/7505/9882 (in Ukrainian). 14. Janani, K. (2025). Cybersecurity through Entropy Injection: A Paradigm Shift from Reactive Defense to Proactive Uncertainty. arXiv preprint arXiv:2504.11661. 15. Al-Zoubi, W.K. (2024). Economic Development in the Digital Economy: A Bibliometric Review. Economies, 12(3), 53. https://doi.org/10.3390/economies12030053 16. Yehorova-Hudkova, T. (2020). Deiaki metodolohichni skladovi pryrodopodobnoho upravlinnia ta ekonomichna bezpeka derzhavy. Ekonomika ta suspilstvo, (22). https://doi.org/10.32782/2524-0072/2020-22-69 17. Zhao, T., Li, Z., & Deng, Y. (2023). Information fractal dimension of random permutation set. Chaos, solitons & fractals, 174, 113883. https://doi.org/10.1016/j.chaos.2023.113883 18. Qiang, C., Deng, Y., & Cheong, K. H. (2022). Information fractal dimension of mass function. Fractals, 30(06), 2250110. https://doi.org/10.1142/S0218348X22501109 19. Ji, X., Henriques, J. F., & Vedaldi, A. (2019). Invariant information clustering for unsupervised image classification and segmentation. Proceedings from MIIM ’19 The IEEE/CVF International conference on computer vision. (pp. 9865-9874). 20. Bhavsar, R., Helian, N., Sun, Y., Davey, N., Steffert, T., & Mayor, D. (2018). Efficient Methods for Calculating Sample Entropy in Time Series Data Analysis. Procedia Computer Science, 145, 97-104. https://doi.org/10.1016/j.procs.2018.11.0162. 21. Chen, C., Sun, S., Cao, Z., Shi, Y., Sun, B., & Zhang, X.D. (2019). A comprehensive comparison and overview of R packages for calculating sample entropy. Biology Methods and Protocols, 4(1). https://doi.org/10.1093/biomethods/bpz0164 22. Dippo, O.F., & Vecchio, K.S. (2021). A universal configurational entropy metric for high-entropy materials. Scripta Materialia, 201, 113974. https://doi.org/10.1016/j.scriptamat.2021.1139745 23. Asenjo, D., Paillusson, F., & Frenkel, D. (2014). Numerical Calculation of Granular Entropy. Physical Review Letters, 112 (9), 098002. https://doi.org/10.1103/physrevlett.112.0980026 24. Davies, S. R., Macfarlane, R., Buchanan, W. J. (2022). Comparison of Entropy Calculation Methods for Ransomware Encrypted File Identification. Entropy, 24 (10), 1503. https://doi.org/10.3390/e241015037 25. Heidari, H., Velichko, A., Murugappan, M., & Chowdhury, M. E. H. (2023). Novel techniques for improving NNetEn entropy calcula-tion for short and noisy time series. Nonlinear Dynamics, 111 (10), 9305-9326. https://doi.org/10.1007/s11071-023-08298-w8 26. Velichko, A., & Heidari, H. (2021). A Method for Estimating the Entropy of Time Series Using Artificial Neural Networks. Entropy, 23 (11), 1432. https://doi.org/10.3390/e231114329 27. Sherwin, W. B., & Prat i Fornells, N. (2019). The Introduction of Entropy and Information Methods to Ecology by Ramon Margalef. Entropy, 21 (8), 794. https://doi.org/10.3390/e2108079410 28. Ekberg, V., & Ryde, U. (2021). On the Use of Interaction Entropy and Related Methods to Estimate Binding Entropies. Journal of Chemical Theory and Computation, 17 (8), 5379-5391. https://doi.org/10.1021/acs.jctc.1c003743.