DOI
10.34229/KCA2522-9664.25.6.12
УДК 004, 528, 338
C.Ю. ДРОЗД
Національний технічний університет України «Київський політехнічний інститут
імені Ігоря Сікорського», Київ, Україна; Університет прикладних наук Анхальта,
Кетен, Німеччина; Інститут космічних досліджень НАН України та ДКА України,
Київ, Україна, 
sofi.drozd.13@gmail.com
Н.М. КУССУЛЬ
Національний технічний університет України «Київський політехнічний інститут
імені Ігоря Сікорського», Київ, Україна; Університет Меріленду (Коледж-Парк),
Меріленд, США; Інститут космічних досліджень НАН України та ДКА України,
Київ, Україна, kussul@umd.edu
БАГАТОКРИТЕРІЙНИЙ АНАЛІЗ ІНВЕСТИЦІЙНОЇ
ПРИВАБЛИВОСТІ СІЛЬСЬКИХ ТЕРИТОРІЙ УКРАЇНИ
З ВИКОРИСТАННЯМ ГІС ТА ШТУЧНОГО ІНТЕЛЕКТУ
Анотація. Проведено комплексне оцінювання інвестиційної привабливості сільських територій України з використанням багатокритерійного геопросторового аналізу за трьома критеріями: природним потенціалом, інфраструктурною доступністю та рівнем воєнної безпеки. Додатково в межах природного потенціалу розглянуто чотири основні напрями інвестування: землеробство, відновлювана енергетика (сонячна і вітрова) та туризм. Для визначення ваг критеріїв методом попарних порівнянь Сааті як віртуальних експертів було залучено п’ять великих мовних моделей (ВММ): GPT-4, Claude, Gemini, Deepseek, Grok 3. Результати опитування ВММ було зіставлено з відповідями дев’яти експертів-людей. З’ясовано, що віртуальні моделі демонструють меншу суперечливість відповідей порівняно з людьми. Оцінки ВММ збігаються з думками експертів щодо трьох ключових критеріїв інвестиційної привабливості, однак, мають нижчий рівень консенсусу для напрямів інвестування. Більшість визнали безпеку найважливішим критерієм, а землеробство — найпривабливішим напрямом інвестування. Створено шість тематичних карт та загальну карту інвестиційної привабливості сіл України. Визначено, що більш привабливими для інвестування є села Західної України, а найменш — села Сходу і Півдня.
Ключові слова: інвестиційна привабливість територій, багатокритерійний аналіз, ГІС, супутникові дані, штучний інтелект, великі мовні моделі.
повний текст
СПИСОК ЛІТЕРАТУРИ
- 1. Greene R., Devillers R., Luther J., Eddy B. GIS-Based multiple-criteria decision analysis. Geography Compass. 2011. Vol. 5. P. 412–432. https://doi.org/10.1111/j.1749-8198.2011.00431.x.
- 2. Silvero N.E.Q., Dematt J.A.M., Vieira J. de S. et al. Soil property maps with satellite images at multiple scales and its impact on management and classification. Geoderma. 2021. Vol. 397, 115089. https://doi.org/10.1016/j.geoderma.2021.115089.
- 3. Kussul N., Shelestov A., Drozd S. et al. Innovative models and applications of satellite intelligence. In: Space Research in Ukraine. Kyiv: Akademperiodyka. 2024. P. 115–123. URL: https://www.researchgate.net/publication/381879688_ Innovative_models_and_applications_of_satellite_intelligence. https://doi.org/10.15407/akademperiodyka.507.172.
- 4. Kussul N., Shelestov A., Yailymova H., Shumilo L., Drozd S. Agriculture land appraisal with use of remote sensing and infrastructure data. IGARSS 2022–2022 IEEE International Geoscience and Remote Sensing Symposium (Kuala Lumpur, Malaysia, 17–22 July 2022). IEEE, 2022. P. 2785–2788. https://doi.org/10.1109/igarss46834.2022.9884045.
- 5. Oshri B., Hu A., Adelson P. et al. Infrastructure quality assessment in Africa using satellite imagery and deep learning. KDD’18: The 24th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (19–23 August, 2018, London, United Kingdom). New York: Association for Computing Machinery, 2018. P. 616–625. https://doi.org/10.1145/3219819.3219924.
- 6. Sahin G., Koc A., van Sark W. Multi-criteria decision making for solar power — Wind power plant site selection using a GIS-intuitionistic fuzzy-based approach with an application in the Netherlands. Energy Strategy Reviews. 2024. Vol. 51, 101307. https://doi.org/10.1016/j.esr.2024.101307.
- 7. Куссуль Н.М., Дрозд С.Ю. Геопросторовий аналіз потенціалу територій України для розміщення сонячних електростанцій за супутниковими даними. Космічна наука і технологія. 2024. T. 30, № 1 (146). С. 31–43. https://doi.org/10.15407/knit2024.01.031.
- 8. Drozd S., Kussul N. Solar energy potential mapping in Ukraine through integration of GIS, remote sensing, and fuzzy logic. European Journal of Remote Sensing. 2024. Vol. 57, N 1. https://doi.org/10.1080/22797254.2024.2362390.
- 9. Hussain, S., Nasim, W., Mubeen, M., Fahad, S. et al. Agricultural land suitability analysis of Southern Punjab, Pakistan using analytical hierarchy process (AHP) and multi-criteria decision analysis (MCDA) techniques. Cogent Food & Agriculture. 2024. Vol. 10, N 1. https://doi.org/10.1080/23311932.2023.2294540.
- 10. Mahmoudzadeh H., Abedini A., Aram F., Mosavi A. Evaluating urban environmental quality using multi criteria decision making. Heliyon. 2024. Vol. 10, N 3, e24921. https://doi.org/10.1016/j.heliyon.2024.e24921.
- 11. Svoboda I., Lande D. Enhancing multi-criteria decision analysis with AI: Integrating analytic hierarchy process and GPT-4 for automated decision support. arXiv:2402.07404 [cs.AI]. 2024. https://doi.org/10.48550/arXiv.2402.07404.
- 12. Wang H., Zhang F., Mu C. One for all: A general framework of LLMs-based multi-criteria decision making on human expert level. arXiv:2502.15778 [cs.AI]. 2025. https://doi.org/10.48550/arXiv.2502.15778.
- 13. Wang X., Wu X. Can ChatGPT serve as a multi-criteria decision maker? A novel approach to supplier evaluation. ICASSP 2024 — 2024 IEEE International Conference on Acoustics, Speech and Signal Processing (, 14–19 April, 2024, Seoul, Republic of Korea). IEEE, 2024. P. 10281–10285. https://doi.org/10.1109/ICASSP48485.2024.10447204.
- 14. Hengl T. Soil pH in H2O at 6 standard depths (0, 10, 30, 60, 100 and 200 cm) at 250 m resolution. Zenodo. 2018. https://doi.org/10.5281/zenodo.2525664.
- 15. Hengl T. Soil texture classes (USDA system) for 6 soil depths (0, 10, 30, 60, 100 and 200 cm) at 250 m. Zenodo. 2018. https://doi.org/10.5281/zenodo.2525817.
- 16. Hengl T., Wheeler I. Soil organic carbon content in 5 g/kg at 6 standard depths (0, 10, 30, 60, 100 and 200 cm) at 250 m resolution (v0.2). Zenodo. 2018. https://doi.org/10.5281/zenodo.2525553.
- 17. Global black soil distribution map (v1.0). FAO Catalog. 2022. URL: https://www.fao.org/global-soil-partnership/gbsmap/en/.
- 18. SRTM. NASA Earthdata. 2024. URL: https://www.earthdata.nasa.gov/data/instruments/srtm.
- 19. ERA5-Land hourly data from 1950 to present. Copernicus Climate Data Store. 2025. URL: https://cds.climate.copernicus.eu/datasets/reanalysis-era5-land?tab=overview.
- 20. Kussul N., Lavreniuk M., Skakun S., Shelestov A. Deep learning classification of land cover and crop types using remote sensing data. IEEE Geoscience and Remote Sensing Letters. 2017. P. 1–5. https://doi.org/10.1109/LGRS.2017.2681128.
- 21. Global Wind Atlas. URL: https://globalwindatlas.info/en/.
- 22. OpenStreetMap. URL: https://www.openstreetmap.org/about.
- 23. About ACLED. 2025. URL: https://acleddata.com/about-acled.
- 24. Ukraine — Subnational Administrative Boundaries. State Scientific Production Enterprise «Kartographia». 2024. URL: https://data.humdata.org/dataset/cod-ab-uk.
- 25. Saaty T.L. Decision making — the analytic hierarchy and network processes (AHP/ANP). Journal of Systems Science and Systems Engineering. 2004. Vol. 13. P. 1–35. https://doi.org/10.1007/s11518-006-0151-5.
- 26. Czerny T. CO-STAR framework for prompt structuring. Jan 26, 2024. URL: https://medium.com/@thomasczerny/co-star-framework-for-prompt-structuring-7f9a8c221224.
- 27. Goepel K. Implementing the analytic hierarchy process as a standard method for multi-criteria decision making in corporate enterprises — a new AHP Excel template with multiple inputs. International Symposium on the Analytic Hierarchy Process. 2023. https://doi.org/10.13033/isahp.y2013.047.
