Research of the regional economy innovative development amidst global challenges using artificial intelligence methods

Letyagina E.N.¹, Perova V.I.¹, Yashin S.N.¹, Borisov S.A.¹
¹ Национальный исследовательский Нижегородский государственный университет им. Н.И. Лобачевского, Russia

Download PDF | Downloads: 20 | Citations: 7

Journal paper

Economic security ^{(РИНЦ, ВАК)}
опубликовать статью | оформить подписку

Volume 4, Number 3 (July-september 2021)

Citation:

Indexed in Russian Science Citation Index: https://elibrary.ru/item.asp?id=46439456
Cited: 7 by 07.08.2023

Abstract:
A study of the regional economy innovative development of the Russian Federation, which affects the country's economic security, is conducted. The solution of the problem of analyzing and predicting the development of the Russian regions economy, which meets the modern requirements of economic security and is related to complex formalized tasks, is carried out using a new promising method – cluster analysis based on neural network modeling. The official statistical data of the Federal State Statistics Service are used as the basis for the study. The tools of artificial neural networks, which are one of the branches of artificial intelligence, allowed to conduct data clustering, which results in the distribution of the Russian Federation regions into five clusters, regardless of their belonging to the federal districts of the Russian Federation. The differentiation of regions according to the considered indicators of their innovative development is revealed, which prescribes different development strategies in the field of innovation. The results obtained in the work showed that in order to ensure the economic security of Russia in the context of global challenges, the breakthrough innovative development of the regional economy requires organizational and managerial methods that are adequate to modern tasks and are aimed at outstripping global trends in scientific and technological development.

Keywords: innovative development of Russian regions, global challenges, cluster analysis, neural networks, self-organizing Kohonen maps

JEL-classification: 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
Показатель	№ 1	№ 2	№ 3	№ 4	№ 5	Среднее по РФ
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.

References:

Bauer V.P., Eremin V.V., Smirnov V.V. (2021). Tsifrovye platformy kak instrument transformatsii mirovoy i rossiyskoy ekonomiki v 2021-2023 godakh [Digital platforms as a tool for transforming the global and russian economy in 2021-2023]. Economy. Taxes. Law. (1). 41–51. (in Russian).

Brown R., Cowling M. (2021). 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.

Bukhvald E.M. (2021). Instituty razvitiya i natsionalnaya bezopasnost Rossiyskoy Federatsii [Development institutions and national security of the Russian Federation]. Razvitie i bezopasnost. (1 (9)). 16–28. (in Russian).

Davies D.L., Bouldin D.W. (1979). A Cluster Separation Measure // IEEE Transactions on Pattern Analysis and Machine Intelligence IEEE Transactions on Pattern Analysis and Machine Intelligence. (2). 224–227.

Glebova O.V., Simonov A.V. (2018). Upravlenie ekonomicheskoy bezopasnostyu uchastnikov vysokotekhnologichnyh proektov razrabotki i proizvodstva produktsii dvoynogo i grazhdanskogo naznacheniya na osnove kontraktnogo podkhoda [Managing economic security of participants of high-tech projects for development and production of dual and civil products based on the contract approach]. Russian Journal of Innovation Economics. (1). 117–128. (in Russian).

Gorodetskiy A.E. (2018). Ekonomicheskaya bezopasnost Rossii: novaya strategiya v novyh realiyakh [Economic security of Russia: a new strategy in a new reality]. Theoretical and Practical Aspects of Management. (1). 8–23. (in Russian).

Karavaeva I.V., Ivanov E.A., Lev M.Yu. (2020). Pasportizatsiya i otsenka pokazateley sostoyaniya ekonomicheskoy bezopasnosti Rossii [Passportization and assessment of Russia's economic security indicators]. Journal of Economics, Entrepreneurship and Law. (8). 2179–2198. (in Russian).

Karavaeva I.V., Kazantsev S.V., Kolomiets A.G., Frenkel A.A., Bykovskaya Yu.V., Ivanov E.A., Lev M.Yu., Kolpakova I.A. (2020). Osnovnye tendentsii razvitiya ekonomiki Rossii na ocherednoy trekhletniy period: analiz, riski, prognoz [Main trends in the development of the russian economy for the next three-year period: analysis, risks, forecast]. Ekonomicheskaya bezopasnost. (4). 415-442. (in Russian).

Kohonen T. (1982). Self-Organizing formation of topologically correct feature maps Biological Cybernetics. 59–69.

Kuznetsov Yu.A., Perova V.I., Semikov D.S. (2017). Informatsionnye i kommunikatsionnye tekhnologii kak faktor razvitiya tsifrovoy ekonomiki v Rossiyskoy Federatsii [Information and communication technologies as a factor in the development of digital economy in the russian federation]. Bulletin of the Nizhny Novgorod University. N.I. Lobachevsky. Series: Social Sciences. (4 (48)). 38–47. (in Russian).

Lenchuk E.B. (2014). Rol «novoy industrializatsii» v formirovanii innovatsionnoy ekonomiki Rossii [The role of the "new industrialization" in the formation of the innovative economy of Russia] (in Russian).

Lenchuk E.B. (2020). Strategicheskoe planirovanie v Rossii: problemy i puti resheniya [Strategic planning in russia: challenges and solution]. Innovations. (2 (256)). 24–28. (in Russian).

Letiagina E., Perova V., Orlova E. (2019). 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. (11). 174–179.

Letyagina E. N., Perova V. I. (2021). Neyrosetevoe modelirovanie regionalnyh innovatsionnyh ekosistem [Neural network modeling of regional innovation ecosystems]. Journal of New Economy. (1). 71–89. (in Russian).

Letyagina E.N. (2021). Upravlenie tsifrovoy transformatsiey otrasley, kompleksov, predpriyatiy [Managing the digital transformation of industries, complexes, and enterprises] (in Russian).

Lev M. Yu., Medvedeva M.B., Leshchenko Yu. G., Perestoronina E.A. (2021). Spatial analysis of financial Indicators Determining the level of Ensuring the economic Security of Russia Economics and management: problems, solutions (Ekonomika i upravleniye: problemy, resheniya nauchno-prakticheskiy zhurnal). (1(109)). 21-34.

Lev M.Yu., Leschenko Yu.G. (2020). Ekonomicheskaya bezopasnost v sisteme zdravookhraneniya v period pandemii COVID-19: otvetnaya reaktsiya gosudarstv i finansovyh organov [Economic security in the health system during the covid-19 pandemic: response of states and financial authorities]. Journal of Economics, Entrepreneurship and Law. (6). 1857-1884. (in Russian).

Lev M.Yu., Leschenko Yu.G. (2020). Tsifrovaya ekonomika: na puti k strategii budushchego v kontekste obespecheniya ekonomicheskoy bezopasnosti [The digital economy: towards a strategy for the future in the context of economic security]. Russian Journal of Innovation Economics. (1). 25–44. (in Russian).

Mityakov S.N. (2020). Vliyanie koronakrizisa na ekonomicheskuyu bezopasnost Rossii [Influence of the coronacrisis on the economic security of russia]. Razvitie i bezopasnost. (4 (8)). 4–16. (in Russian).

Mityakov S.N., Fedoseeva T.A., Mityakov E.S. (2020). Sistema indikatorov ekonomicheskoy bezopasnosti munitsipaliteta kak sostavnoy element mnogourovnevoy sistemy ekonomicheskoy bezopasnosti [The system of indicators of economic security of the municipality as an integral element of a multi-level system of economic security]. The world of new economy. (14(4)). 67–80. (in Russian).

Mityakov S.N., Lapaev D.N., Kataeva L.Yu., Ramazanov S.A. (2019). Ustoychivoe razvitie i ugrozy ekonomicheskoy bezopasnosti [Sustainable development and threats to economic security]. Journal of Economy and Entrepreneurship. (10 (111)). 111–114. (in Russian).

Perova V. I. (2012). Neyronnye seti v ekonomicheskikh prilozheniyakh [Neural networks in economic applications] (in Russian).

Perova V.I., Bankovskaya E.S. (2020). Neyrosetevoy analiz vliyaniya chelovecheskogo kapitala na ekonomicheskuyu bezopasnost Rossiyskoy Federatsii [Neural network analysis of the impact of human capital on the economic security of the Russian Federation]. Razvitie i bezopasnost. (4). 106–114. (in Russian).

Perova V.I., Perova N.A. (2018). Neyrosetevoe modelirovanie dinamiki razvitiya fizicheskoy kultury i sporta v regionakh Rossii kak faktora sotsialno-ekonomicheskogo rosta strany [Neural network modeling of development trends of physical culture and sports in the russian regions as a driver of the national socio-economic growth]. National interests: priorities and security. (11). 2064–2082. (in Russian).

Senchagov V.K., Ivanov E.A. (2016). Struktura mekhanizma sovremennogo monitoringa ekonomicheskoy bezopasnosti Rossii [Structure of the mechanism of modern monitoring of Russia's economic security] (in Russian).

Yashin S.N., Borisov S.A. (2019). Diagnostika bankrotstva predpriyatiya kak vazhneyshiy element sistemy ekonomicheskoy bezopasnosti [Diagnostics of enterprise bankruptcy as an essential element of the economic security system]. Innovative development of economy. (53). 290–296. (in Russian).

Yashin S.N., Borisov S.A. (2020). Metodologicheskie podkhody k opredeleniyu reytinga ekonomiko-innovatsionnogo razvitiya promyshlennyh predpriyatiy regiona [Methodological approaches to the determination of the rating of economic and innovative development of industrial enterprises in the region]. Russian Journal of Innovation Economics. (2). 819-836. (in Russian).

Страница обновлена: 09.04.2025 в 11:09:12

Подробнее об авторах: