Исследование инновационного развития региональной экономики в условиях глобальных вызовов с использованием методов искусственного интеллекта

Летягина Е.Н.1, Перова В.И.1, Яшин С.Н.1, Борисов С.А.1
1 Национальный исследовательский Нижегородский государственный университет им. Н.И. Лобачевского

Статья в журнале

Экономическая безопасность
Том 4, Номер 3 (Июль-сентябрь 2021)

Цитировать:
Летягина Е.Н., Перова В.И., Яшин С.Н., Борисов С.А. Исследование инновационного развития региональной экономики в условиях глобальных вызовов с использованием методов искусственного интеллекта // Экономическая безопасность. – 2021. – Том 4. – № 3. – doi: 10.18334/ecsec.4.3.112025.

Аннотация:
Проведено исследование инновационного развития региональной экономики Российской Федерации, влияющей на состояние экономической безопасности страны. Решение задачи анализа и прогнозирования развития экономики регионов России, отвечающей современным требованиям экономической безопасности и относящейся к сложно формализуемым задачам, осуществлено с применением нового перспективного метода – кластерного анализа на основе нейросетевого моделирования. В качестве базы при проведении исследования взяты официальные статистические данные Федеральной службы государственной статистики. Инструментарий искусственных нейронных сетей, являющихся одним из разделов искусственного интеллекта, позволил провести кластеризацию данных, результатом которой является распределение регионов РФ по пяти кластерам вне зависимости от их принадлежности к федеральным округам Российской Федерации. Выявлена дифференциация регионов по рассматриваемым показателям их инновационного развития, которая предписывает разные стратегии развития в сфере инноваций. Полученные в работе результаты показали, что в целях обеспечения экономической безопасности России в условиях глобальных вызовов для прорывного инновационного развития региональной экономики необходимы организационно-управленческие методы, которые адекватны современным задачам и направленны на опережение мировых тенденций научно-технологического развития

Ключевые слова: инновационное развитие регионов РФ, глобальные вызовы, кластерный анализ, нейронные сети, самоорганизующиеся карты Кохонена

JEL-классификация: F01, R11, R13, O33



Введение

На современном этапе в условиях глобальных вызовов с целью выполнения Указа Президента России от 01.12.2016 г. № 642 «О Стратегии научно-технологического развития Российской Федерации» для осуществления прорывного инновационного научно-технологического развития сраны [6; 8; 9; 13; 14; 16; 17; 23; 26] (Glebova, Simonov, 2018; Karavaeva, Ivanov, Lev, 2020; Karavaeva, Kazantsev, Kolomiets, Frenkel, Bykovskaya, Ivanov, Lev, Kolpakova, 2020; Lenchuk, 2014; Lenchuk, 2020; Letyagina, Perova, 2021; Mityakov, Lapaev, Kataeva, Ramazanov, 2019; Senchagov, Ivanov, 2016; Yashin, Borisov, 2020), обеспечения ее национальной безопасности [21; 30] (Perova, Perova, 2018; Lev, Medvedeva, Leshchenko, Perestoronina, 2021), в том числе экономической безопасности [5; 7; 19; 22; 25] (Bukhvald, 2021; Gorodetskiy, 2018; Mityakov, Fedoseeva, Mityakov, 2020; Perova, Bankovskaya, 2020; Yashin, Borisov, 2019), необходимо поддерживать опережение мировых тенденций научно-технологического развития, которое является приоритетом государственной политики в области экономической безопасности.

Одной из главных угроз экономической безопасности является неопределенность и последствия пандемии во всем мире. Ученые-экономисты пересматривают прогнозы социально-экономического развития страны, снижая в своих оценках темпы роста ВВП в обозримом будущем из-за очевидных последствий пандемии. Наиболее пострадавшие отрасли включают обрабатывающую промышленность и сферу услуг, в частности гостиничный и туристический бизнес, авиа- и железнодорожные перевозки, финансовые услуги, горнодобывающую промышленность и строительство.

Несмотря на то, что Россия опережает большинство стран в реализации мер по предотвращению массового распространения коронавирусной инфекции, организации дистанционной работы и обучения, государственной поддержки населения и бизнеса, наблюдается сокращение рабочих мест и доходов населения наряду с нестабильностью цен на товары, работы и услуги. Месяцы изоляции привели к снижению занятости, которая медленно стабилизировалась только к концу 2020 г. В целом пандемия радикально изменила повседневный образ жизни.

К основным негативным последствиям пандемии относятся значительная нагрузка на систему здравоохранения [12; 18] (Lev, Leshchenko, 2020; Mityakov, 2020), большие экономические потери и нестабильность на рынке труда. Однако нынешняя ситуация имеет и некоторые положительные экономические эффекты. Пандемия способствовала развитию цифровизации промышленности и сферы услуг, распространению и использованию современных информационных технологий, росту инноваций в цифровом секторе экономики [4; 10; 11; 15] (Bauer, Eremin, Smirnov, 2021; Kuznetsov, Perova, Semikov, 2017; Lev, Leshchenko, 2020; Letyagina, 2021). При этом данное развитие неравномерно и требует проведения исследования, основанного на ранжировании регионов России в соответствии с их уровнем инновационного развития. Р. Браун и М. Капот [27] (Brown, Cowling, 2021) доказали, что для преодоления кризиса пандемии экономическая политика должна быть территориально дифференцированной и только более целенаправленная региональная политика сможет помочь смягчить последствия пандемии COVID-19, сократив количество банкротств компаний и сопутствующих этому потерь рабочих мест.

В настоящей работе решалась задача кластеризации регионов Российской Федерации с помощью методов искусственного интеллекта в целях обеспечения устойчивого инновационного развития экономики страны и повышения ее экономической безопасности согласно Указу Президента РФ от 13.05.2017 № 208 «О Стратегии экономической безопасности Российской Федерации на период до 2030 года» [2]. Исследование развития инновационной экономики в регионах России осуществлялось на основе совокупности 13 показателей за 2019 г. с применением одного из разделов искусственного интеллекта – нейронных сетей. Среди различных типов нейронных сетей предпочтение было отдано нейронным сетям – самоорганизующимся картам (СОК) Кохонена [20; 29; 31] (Perova, 2012; Kohonen, 1982; Letiagina, Perova, Orlova, 2019). Самоорганизующиеся карты являются мощным аналитическим инструментом, который характеризуется двумя основными парадигмами анализа – кластеризацией и проецированием многомерных данных с учетом топологического подобия в двумерное пространство. Это дает возможность визуализировать многомерные данные на плоскости. Нейросетевые концепции реализуются с применением специализированных программных пакетов, таких как MATLAB, STATISTICA, Deductor, Viscovery SOMine и др.

В данной работе кластерный анализ на базе нейросетевого моделирования – перспективный и эффективный метод анализа многомерных статистических данных – выполнен с использованием информационных технологий – пакета Deductor [3], в котором материализованы СОК Кохонена.

Кластеризация данных предполагает получение кластерного решения, представляющего собой разделение множества объектов на компактные группы (кластеры). В нашем случае объектами являются регионы Российской Федерации.

При кластеризации исходных данных необходимо выполнение трех требований:

- каждый объект должен входить только в один из кластеров;

- объекты внутри одного кластера близки друг другу по своим показателям инновационного развития;

- между объектами из разных кластеров имеются заметные различия.

Актуальность применения методов искусственного интеллекта вызвана тем, что исходные данные не всегда подчиняются нормальному закону распределения (закону Гаусса). Кластерный анализ на основе нейронных сетей свободен от модельных ограничений и позволяет эффективно проводить исследование многомерных статистических данных.

Анализ результатов нейросетевого моделирования инновационного развития экономики регионов России

При проведении нейросетевого моделирования развития региональной экономики Российской Федерации были задействованы данные по 85 регионам РФ за 2019 г., представленные, согласно методологии статистического учета, на сайте Федеральной службы государственной статистики [24]:

- Х1 – уровень инновационной активности организаций, %;

- Х2 – удельный вес организаций, осуществляющих технологические инновации, в общем числе обследованных организаций, %;

- Х3– удельный вес организаций, осуществляющих экологические инновации, в общем числе обследованных организаций, %;

- Х4 – удельный вес инновационных товаров, работ, услуг в общем объеме отгруженных товаров, выполненных работ, услуг, %;

- Х5 – удельный вес затрат на инновационную деятельность в общем объеме отгруженных товаров, выполненных работ, услуг, %;

- Х6 – используемые передовые производственные технологии, ед.;

- Х7 – выдано патентов на изобретения, ед.;

- Х8– численность персонала, занятого научными исследованиями и разработками, чел.;

- Х9 – внутренние затраты на научные исследования и разработки, млн руб.;

- Х10 – доля организаций, использовавших интернет (в общем числе обследованных организаций, %);

- Х11 – доля организаций, использовавших системы электронного документооборота (% от общего числа обследованных организаций соответствующего субъекта Российской Федерации);

- Х12 – доля организаций, использующих широкополосный доступ к сети Интернет (% от общего числа обследованных организаций);

- Х13 – удельный вес населения, использующего интернет для получения государственных и муниципальных услуг в электронной форме, в численности населения в возрасте 15–72 лет, получавшего государственные и муниципальные услуги, %.

Совокупность этих показателей позволяет комплексно оценить развитие инновационной экономики в регионах РФ и ее влияние на состояние экономической безопасности.

На рисунке 1 представлен результат кластеризации объектов – ранжирование 85 регионов Российской Федерации по 5 кластерам.

Рисунок 1. Самоорганизующаяся карта (СОК) Кохонена за 2019 г.

Источник: авторская разработка.

Подтверждение обоснованности полученных результатов кластеризации проверялось путем объективной оценки качества полученного кластерного решения с применением индекса Дэвиса-Боулдина [28] (Davies, Bouldin, 1979), которое показало отсутствие перекрытия кластеров. Количество регионов в кластерах приведено в таблице 1.

Таблица 1

Количественный состав региональных инновационных кластеров

Российской Федерации и их структура в 2019 г.

Кластер
Число регионов РФ
Структура кластера
№ 1
6 (7,1%)
Ненецкий автономный округ, Республика Калмыкия, Республика Дагестан, Республика Северная Осетия – Алания, Чеченская Республика, Забайкальский край
№ 2
24 (28,2%)
Калужская область, Костромская область, Орловская область, Смоленская область, Тверская область, Республика Карелия, Республика Коми, Калининградская область, Ленинградская область, Мурманская область, Новгородская область, Псковская область, Республика Крым, Республика Алтай, Алтайский край, Иркутская область, Новосибирская область, Омская область, Республика Бурятия, Камчатский край, Приморский край, Магаданская область, Еврейская автономная область, Чукотский автономный округ
№ 3
3 (3,5%)
Московская область, г. Москва, г. Санкт-Петербург
№ 4
24 (28,2%)
Белгородская область, Владимирская область, Воронежская область, Липецкая область, Рязанская область, Тульская область, Ярославская область, Ростовская область, Республика Башкортостан, Республика Мордовия, Республика Татарстан, Удмуртская Республика, Чувашская Республика, Пермский край, Кировская область, Нижегородская область, Пензенская область, Самарская область, Ульяновская область, Свердловская область, Тюменская область, Челябинская область, Томская область, Хабаровский край
№ 5
28 (32,9%)
Брянская область, Ивановская область, Курская область, Тамбовская область, Архангельская область, Вологодская область, Республика Адыгея (Адыгея), Краснодарский край, Астраханская область, Волгоградская область, г. Севастополь, Республика Ингушетия, Кабардино-Балкарская Республика, Карачаево-Черкесская Республика, Ставропольский край, Республика Марий Эл, Оренбургская область, Саратовская область, Курганская область, Ханты-Мансийский автономный округ–Югра, Ямало-Ненецкий автономный округ, Республика Тыва, Республика Хакасия, Красноярский край, Кемеровская область (Кузбасс), Республика Саха (Якутия), Амурская область, Сахалинская область
Источник: авторская разработка.

Данные на рисунке 1 и в таблице 1 свидетельствуют, что имеет место сильная дифференциация регионов по инновационным кластерам. При этом структура кластеров не зависит от принадлежности регионов к федеральным округам Российской Федерации. Наибольшее число регионов наблюдается в кластере № 5, а наименьшее – в кластере № 3.

Таблица 2 иллюстрирует статистику средних значений анализируемых показателей и средние значения показателей по России.

Таблица 2

Средние значения показателей, характеризующие инновационную экономику России, по кластерам и общие средние значения показателей по РФ за 2019 г.

Показатель
Кластеры
Среднее по РФ
№ 1
№ 2
№ 3
№ 4
№ 5
Х1
8,43
8,0
12,02
12,79
6,12
8,4
Х2
18,32
16,42
35,43
25,14
15,07
18,3
Х3
0,63
0,69
0,7
0,97
0,38
0,6
Х4
4,65
2,19
6,73
9,55
3,25
4,7
Х5
1,59
1,10
3,0
2,75
1,18
1,6
Х6
3089,94
1698,71
13346,67
5161,12
1979,53
3089,9
Х7
236,49
87,12
2792,33
262,75
110,36
236,5
Х8
8027,09
2944,71
122774,67
8167,5
1582,82
8027,1
Х9
13348,62
3522,32
221717,33
13103,09
2433,65
13348,6
Х10
90,91
91,44
93,7
92,98
91,03
90,9
Х11
70,28
71,17
69,53
73,11
70,48
70,3
Х12
86,33
86,90
89,83
88,71
86,16
86,3
Х13
72,53
61,69
85,33
75,49
80,31
72,5
Источник: авторская разработка.

Из данных таблицы 2 следует, что регионы кластера № 3 занимают лидирующие позиции в развитии инновационной экономики по совокупности рассматриваемых показателей. Показатели развития региональной экономики в регионах кластера № 4 также превышают средние общероссийские показатели, кроме показателя внутренних затрат на научные исследования и разработки (Х9). Значения показателей состояния инновационного развития региональной экономики в регионах, вошедших в кластер № 1, находятся на уровне средних по РФ показателей. Среди регионов кластера № 2 показатель «Удельный вес организаций, осуществляющих экологические инновации, в общем числе обследованных организаций» (Х3) и показатели, характеризующие уровень цифровизации организаций (Х10, Х11, Х12), больше общероссийских значений. Средние значения показателей развития инновационной экономики регионов, составивших кластер № 5, не превышают общероссийские значения, за исключением показателей Х10, Х11 и Х13, отражающих развитие цифровой экономики.

Заключение

Проведенное исследование обеспечило практическую и целесообразную научную основу для анализа региональной инновационной экономики в контексте обеспечения экономической безопасности Российской Федерации. Предложенный в работе метод кластерного анализа многомерных статистических данных на базе нейросетевого моделирования является эффективным методом исследования, который свободен от модельных ограничений. Применение метода искусственного интеллекта позволило выявить дифференциацию регионов России по рассматриваемой совокупности показателей их инновационного развития.

Полученные результаты показывают, что для обеспечения прорывного инновационного развития региональной экономики необходим новый организационно-управленческий подход в сфере инновационной деятельности регионов РФ, который адекватен актуальным задачам и глобальным вызовам внешних обстоятельств.

Результаты работы могут быть полезны при разработке дорожных карт и программ стратегических направлений развития инновационной экономики в регионах России, а также для корректировки управленческих решений в целях повышения уровня экономической безопасности Российской Федерации.


Источники:

1. Указ Президента РФ от 01.12.2016 N 642 «О Стратегии научно-технологического развития Российской Федерации»
2. Указ Президента РФ от 13.05.2017 № 208 «О Стратегии экономической безопасности Российской Федерации на период до 2030 года»
3. Аналитическая платформа Deductor. [Электронный ресурс]. URL: https://basegroup.ru (дата обращения: 15.04.2021).
4. Бауэр В.П., Еремин В.В., Смирнов В.В. Цифровые платформы как инструмент трансформации мировой и российской экономики в 2021-2023 годах // Экономика. Налоги. Право. – 2021. – № 1. – c. 41–51.
5. Бухвальд Е.М. Институты развития и национальная безопасность Российской Федерации // Развитие и безопасность. – 2021. – № 1 (9). – c. 16–28.
6. Глебова О.В., Симонов А.В. Управление экономической безопасностью участников высокотехнологичных проектов разработки и производства продукции двойного и гражданского назначения на основе контрактного подхода // Вопросы инновационной экономики. – 2018. – № 1. – c. 117–128.
7. Городецкий А.Е. Экономическая безопасность России: новая стратегия в новых реалиях // Проблемы теории и практики управления. – 2018. – № 1. – c. 8–23.
8. Караваева И.В., Иванов Е.А., Лев М.Ю. Паспортизация и оценка показателей состояния экономической безопасности России // Экономика, предпринимательство и право. – 2020. – № 8. – c. 2179–2198.
9. Караваева И.В., Казанцев С.В., Коломиец А.Г., Френкель А.А., Быковская Ю.В., Иванов Е.А., Лев М.Ю., Колпакова И.А. Основные тенденции развития экономики России на очередной трехлетний период: анализ, риски, прогноз // Экономическая безопасность. – 2020. – № 4. – c. 415-442.
10. Кузнецов Ю.А., Перова В.И., Семиков Д.С. Информационные и коммуникационные технологии как фактор развития цифровой экономики в Российской Федерации // Вестник Нижегородского университета им. Н.И. Лобачевского. Серия: Социальные науки. – 2017. – № 4 (48). – c. 38–47.
11. Лев М.Ю., Лещенко Ю.Г. Цифровая экономика: на пути к стратегии будущего в контексте обеспечения экономической безопасности // Вопросы инновационной экономики. – 2020. – № 1. – c. 25–44.
12. Лев М.Ю., Лещенко Ю.Г. Экономическая безопасность в системе здравоохранения в период пандемии COVID-19: ответная реакция государств и финансовых органов // Экономика, предпринимательство и право. – 2020. – № 6. – c. 1857-1884.
13. Ленчук Е.Б. Роль «новой индустриализации» в формировании инновационной экономики России. / Институциональная среда «новой индустриализации» экономики России: Сборник / Под ред. Е.Б. Ленчук. - М.: Институт экономики РАН, 2014. – 12–43 c.
14. Ленчук Е.Б. Стратегическое планирование в России: проблемы и пути решения // Инновации. – 2020. – № 2 (256). – c. 24–28.
15. Летягина Е.Н. Управление цифровой трансформацией отраслей, комплексов, предприятий. / монография. - Нижний Новгород: изд-во Нижегородского госуниверситета им. Н.И. Лобачевского, 2021. – 240 c.
16. Летягина Е. Н., Перова В. И. Нейросетевое моделирование региональных инновационных экосистем // Journal of New Economy. – 2021. – № 1. – c. 71–89.
17. Митяков С.Н., Лапаев Д.Н., Катаева Л.Ю., Рамазанов С.А. Устойчивое развитие и угрозы экономической безопасности // Экономика и предпринимательство. – 2019. – № 10 (111). – c. 111–114.
18. Митяков С.Н. Влияние коронакризиса на экономическую безопасность России // Развитие и безопасность. – 2020. – № 4 (8). – c. 4–16.
19. Митяков С.Н., Федосеева Т.А., Митяков Е.С. Система индикаторов экономической безопасности муниципалитета как составной элемент многоуровневой системы экономической безопасности // Мир новой экономики. – 2020. – № 14(4). – c. 67–80.
20. Перова В. И. Нейронные сети в экономических приложениях. / Часть 2. Нейронные сети, обучаемые без учителя. - Нижний Новгород: Изд-во Нижегородского госуниверситета, 2012. – 135 c.
21. Перова В.И., Перова Н.А. Нейросетевое моделирование динамики развития физической культуры и спорта в регионах России как фактора социально-экономического роста страны // Национальные интересы: приоритеты и безопасность. – 2018. – № 11. – c. 2064–2082.
22. Перова В.И., Банковская Е.С. Нейросетевой анализ влияния человеческого капитала на экономическую безопасность Российской Федерации // Развитие и безопасность. – 2020. – № 4. – c. 106–114.
23. Сенчагов В.К., Иванов Е.А. Структура механизма современного мониторинга экономической безопасности России. - М.: Ин-т экономики РАН, 2016. – 71 c.
24. Федеральная служба государственной статистики. [Электронный ресурс]. URL: https://gks.ru (дата обращения: 15.04.2021).
25. Яшин С.Н., Борисов С.А. Диагностика банкротства предприятия как важнейший элемент системы экономической безопасности // Инновационное развитие экономики. – 2019. – № 53. – c. 290–296.
26. Яшин С.Н., Борисов С.А. Методологические подходы к определению рейтинга экономико-инновационного развития промышленных предприятий региона // Вопросы инновационной экономики. – 2020. – № 2. – c. 819-836.
27. Brown R., Cowling M. The geographical impact of the Covid-19 crisis on precautionary savings, firm survival and jobs: Evidence from the United Kingdom’s 100 largest towns and cities // International Small Business Journal. – 2021.
28. Davies D.L., Bouldin D.W. A Cluster Separation Measure // IEEE Transactions on Pattern Analysis and Machine Intelligence // IEEE Transactions on Pattern Analysis and Machine Intelligence. – 1979. – № 2. – p. 224–227.
29. Kohonen T. Self-Organizing formation of topologically correct feature maps // Biological Cybernetics. – 1982. – p. 59–69.
30. Lev M. Yu., Medvedeva M.B., Leshchenko Yu. G., Perestoronina E.A. Spatial analysis of financial Indicators Determining the level of Ensuring the economic Security of Russia // Экономика и управление: проблемы, решения. – 2021. – № 1(109). – p. 21-34.
31. Letiagina E., Perova V., Orlova E. Neural network analysis of the development of physical education and sports in Russia as an economic factor of country security. Proceedings of the 4-th International Conference on Innovations in Sports, Tourism and Instructional Science // Atlantis Press. – 2019. – № 11. – p. 174–179.

Страница обновлена: 27.04.2021 в 21:01:23