Neural network modeling of the regional energy efficiency amid a pandemic as a consignor of Russia's economic security

Trifonov Yu.V.¹, Letyagina E.N.¹, Perova V.I.¹
¹ Национальный исследовательский Нижегородский государственный университет им. Н.И. Лобачевского, Russia

Download PDF | Downloads: 12

Journal paper

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

Volume 5, Number 4 (October-December 2022)

Citation:

Indexed in Russian Science Citation Index: https://elibrary.ru/item.asp?id=49860718

Abstract:
A study of the regional energy efficiency in Russia, affecting the economic security of the country, was conducted. The solution of the multidimensional task of analyzing and forecasting the development of energy efficiency in Russian regions, which refers to complex formalized tasks and meets modern requirements of economic security, is implemented using a new promising method. This method is a cluster analysis based on neural network modeling. The official statistics of Rosstat were the initial data for the study. The use of the tools of artificial neural networks, which represent an important section of artificial intelligence, allowed the clustering of heterogeneous data. Its result is the segregation of Russian regions into five clusters. At the same time, there is an independence of the regional division into clusters, so called cluster solution, from their entry into the federal districts of the Russian Federation. A different level of energy efficiency of the regions has been established. This imposes the requirement of using different strategies to increase it. The impact of the pandemic on the development of energy efficiency of the Russian economy is shown. The results obtained show that in order to implement the tasks of further strengthening the economic security of the Russian Federation in the context of global challenges associated with the pandemic, innovative organizational and managerial methods are needed that form a vector of orientation towards the effective solution of modern challenges.

Keywords: energy efficiency of the Russian regional economy, global challenges, pandemic, cluster analysis, neural networks

JEL-classification: F01, F63, F52, Q43

Введение. Опережение мировых тенденций научно-технологического развития Российской Федерации относится к приоритетам государственной политики в области обеспечения национальной безопасности, в том числе экономической безопасности [2–6, 11, 13–15, 23, 25, 29] (Balabanov, Strongina, 2004; Bukhvald, 2021; Gorodetskiy, 2018; Karavaeva, Kazantsev, Kolomiets, Frenkel, Bykovskaya, Ivanov, Lev, Kolpakova, 2020; Lev, Leshchenko, 2020; Letyagina, Pertseva, Belova, 2015; Senchagov, Ivanov, 2016; Kraufman, Rousseeuw, 2005). Это особенно важно на современном этапе развития экономики в условиях глобальных вызовов в целях выполнения Указа Президента России от 01.12.2016 г. № 642 «О Стратегии научно-технологического развития Российской Федерации» [12] (Kuznetsov, Perova, Umilina, 2019) для выполнения прорывного инновационного научно-технологического развития сраны. К главным угрозам экономической безопасности относятся неопределенность и последствия пандемии во всем мире.

Российская Федерация опережает большинство стран в осуществлении мер по недопущению массового распространения коронавирусной инфекции, однако пандемия кардинальным образом изменила повседневный образ жизни. Среди негативных последствий пандемии следует отметить и вескую нагрузку на систему здравоохранения, и экономические потери [7, 16, 20, 21, 24] (Gorodetskiy, 2020; Letyagina, 2017; Mityakov, 2020; Perova, 2012; Urinson, Kozhukhovskiy, Sorokin, 2020). На восстановление экономики в современном мире существенное влияние оказывает состояние электроэнергетики, которая представляет собой сложный технологический энергокомплекс, в значительной мере характеризует состояние всей экономики и тем самым образ жизни населения [8, 10, 17, 27] (Golovnin, Arbuzov, 2016; Karavaeva, Ivanov, Lev, 2020; Letyagina, Perova, 2021; Brown, Cowling, 2021). Для наиболее рационального использования энергетических ресурсов в Европе функционируют два масштабных энергообъединения: ENTSO-E и ЕЭС/ОЭС Восточная. Энергообъединение ENTSO-E состоит из Северной NORDEL и Западной UCTE. Энергообъединение ЕЭС/ОЭС (Единая энергетическая система / Объединенные энергетические системы) – это ЕЭС России в комплексе с энергосистемами стран СНГ, Балтии и Монголии. ЕЭС России является одним из уникальных и громадных энергообъединений по неординарным качественным и количественным характеристикам, которые созданы в мировой электроэнергетике. Управление таким объединением относится к весьма сложной инженерной задаче. В структуру Единой энергетической системы России входят семь ОЭС [1]: ОЭС Центра, ОЭС Северо-Запада, ОЭС Юга, ОЭС Средней Волги, ОЭС Урала, ОЭС Сибири, ОЭС Востока. При этом ОЭС Востока [19] (Mityakov, Lapaev, Kataeva, Ramazanov, 2019) работает изолированно от остальных шести, называется «Второй синхронной зоной» и состоит из территориально изолированных энергосистем Чукотского автономного округа, Камчатского края, Сахалинской области, Магаданской области, Норильско-Таймырского и Николаевского энергорайонов, энергосистемы северной части Республики Саха (Якутия). На рисунке 1 представлен показатель выработки электроэнергии в ОЭС в условиях действия пандемии, который показывает количественное снижение показателя при неизменном характере вида поведения графиков.

Рисунок 1. Выработка электроэнергии ОЭС (млн кВт⋅ч):

1 – ОЭС Центра, 2 – ОЭС, Северо-Запада, 3 – ОЭС Юга, 4 – ОЭС Средней Волги,

5 – ОЭС Урала, 6 – ОЭС Сибири, 7 – ОЭС Востока

Источник: авторская разработка по данным [1].

Рисунок 2 демонстрирует влияние пандемии на показатель потребления электроэнергии в ОЭС.

Рисунок 2. Потребление электроэнергии в ОЭС (млн кВт⋅ч):

1 – ОЭС Центра, 2 – ОЭС, Северо-Запада, 3 – ОЭС Юга, 4 – ОЭС Средней Волги,

5 – ОЭС Урала, 6 – ОЭС Сибири, 7 – ОЭС Востока

Источник: авторская разработка по данным [1].

Из данных (рис. 1, 2) следует, что наибольшие значения показателей выработки и потребления электроэнергии наблюдаются в ОЭС Урала, а наименьшие значения – в ОЭС Востока. Данные на рисунке 3 отражают собственные максимальные потребления мощности в ОЭС, которые практически одинаковы в 2019 и 2020 гг., за исключением ОЭС Центра, ОЭС Юга и ОЭС Урала.

Рисунок 3. Собственное максимальное потребление мощности в ОЭС (МВт):

1 – ОЭС Центра, 2 – ОЭС, Северо-Запада, 3 – ОЭС Юга, 4 – ОЭС Средней Волги,

5 – ОЭС Урала, 6 – ОЭС Сибири, 7 – ОЭС Востока

Источник: авторская разработка по данным [1].

Следует отметить, что экономическая политика регионов должна быть направлена на преодоление кризиса пандемии, смягчение ее последствий и отвечать требованиям экономической безопасности России. В связи с этим в целях обеспечения поступательного и устойчивого развития региональной экономики РФ и совершенствования экономической безопасности страны, согласно Указу Президента РФ от 13.05.2017 № 208 «О Стратегии экономической безопасности Российской Федерации на период до 2030 года» [30] (Letiagina, Perova, Orlova, 2019), необходимо исследование состояния энергоэффективности экономики регионов России.

Целью настоящей работы является анализ и оценка энергоэффективности региональной экономики Российской Федерации в условиях пандемии как детерминанта экономической безопасности страны с применением технологий искусственного интеллекта. В качестве объекта исследования выступают 85 регионов РФ, а предмет исследования – состояние их электроэнергетики и вида экономической деятельности «Обеспечение электрической энергией, газом и паром; кондиционирование воздуха». В работе разработана креативная авторская методика кластерного анализа на основе нейросетевого моделирования. Исследование состояния экономики в регионах России осуществлялось на основе комплекса восьми показателей за 2019 г. Среди разных типов нейронных сетей нами были взяты нейронные сети – самоорганизующиеся карты (СОК) Кохонена [9, 18, 26] (Golovnin, 2021; Yashin, Borisov, 2019), синтезирование которых было проведено с использованием информационных технологий – аналитического пакета Deductor. Самоорганизующиеся карты относятся к мощному аналитическому инструменту, который обеспечивает кластеризацию многомерных гетерогенных данных и проецирование их с поддержкой топологического подобия в двумерное пространство. Это делает возможной визуализацию многомерных данных на плоскости.

При кластеризации исходных данных необходимо нахождение оптимального кластерного решения, показывающего разделение множества объектов на сомкнутые группы, называемые кластерами. При этом необходимо выполнить три правила [31] (Pankratov, Trifonov, 2022):

- каждый объект должен находиться только в одном из кластеров;

- объекты внутри одного кластера близки друг другу по рассматриваемым показателям;

- между объектами из разных кластеров присутствуют явные различия.

Релевантность использования методов искусственного интеллекта вызвана тем, что исходные данные не всегда описываются нормальным законом распределения (законом Гаусса). Кластерный анализ на базе нейронных сетей является свободным от модельных ограничений и способствует продуктивному осуществлению исследования многомерных статистических данных.

Анализ результатов нейросетевого кластерного анализа региональной экономики Российской Федерации. Для проведения нейросетевого моделирования развития региональной экономики РФ были применены данные по 85 регионам РФ за 2019 г., предъявленные, согласно методологии статистического учета, на сайте Федеральной службы государственной статистики [28] (Kohonen, 1982):

- Х1 – мощность электростанций (млн кВт);

- Х2 – производство электроэнергии (млрд кВт⋅ч);

- Х3 – структура объема отгруженной продукции (работ, услуг) по виду экономической деятельности «Обеспечение электрической энергией, газом и паром; кондиционирование воздуха»: производство, передача и распределение электроэнергии (%);

- Х4 – объем отгруженных товаров собственного производства, выполненных работ и услуг собственными силами по виду экономической деятельности «Обеспечение электрической энергией, газом и паром; кондиционирование воздуха»: государственная собственность (в % к итогу);

- Х5 – объем отгруженных товаров собственного производства, выполненных работ и услуг собственными силами по виду экономической деятельности «Обеспечение электрической энергией, газом и паром; кондиционирование воздуха»: частная собственность (в % к итогу);

- Х6 – удельный вес убыточных организаций по виду экономической деятельности «Обеспечение электрической энергией, газом и паром; кондиционирование воздуха» (% от общего числа организаций);

- Х7 – рентабельность проданных товаров, продукции (работ, услуг) организаций по обеспечению электрической энергией, газом и паром; кондиционированию воздуха (%);

- Х8 – индексы производства по виду экономической деятельности «Обеспечение электрической энергией, газом и паром; кондиционирование воздуха» (% к 2018 году).

Система этих показателей позволяет интегративно оценить развитие энергоэнергетики в регионах РФ и ее влияние на состояние экономической безопасности.

На рисунке 4 представлен результат кластеризации объектов – ранжировка 85 регионов России по пяти кластерам.

Рисунок 4. Самоорганизующаяся топологическая карта нейронов за 2019 г.

Источник: авторская разработка.

Объективная оценка качества полученного кластерного решения проверялась с использованием индекса силуэта [22] (Perova, Perova, 2018), который показал отсутствие перекрытия кластеров. Кроме того, из данных кластеризации, приведенных на рисунке 4, видно, что нет перекрытия кластеров, т.е. отсутствуют так называемые спорные объекты, которые могли бы относиться к нескольким кластерам. Это подтверждает обоснованность полученных результатов кластеризации.

Количество регионов РФ в кластерных образованиях и состав кластеров иллюстрирует таблица 1.

Таблица 1

Количественный состав и структура региональных кластеров

Российской Федерации в 2019 г.

Номер кластера	Количество регионов РФ	Конструкция кластера
1	10 (11,8%)	Тверская область, г. Москва, Ленинградская область, Ростовская область, Саратовская область, Свердловская область, Ханты-Мансийский автономный округ – Югра, Республика Хакасия, Красноярский край, Иркутская область
2	22 (25,9%)	Белгородская область, Брянская область, Воронежская область, Калужская область, Курская область, Липецкая область, Орловская область, Смоленская область, Тамбовская область, Ярославская область, Республика Карелия, Архангельская область, Мурманская область, г. Санкт-Петербург, Республика Крым, г. Севастополь, Республика Ингушетия, Кабардино-Балкарская Республика, Карачаево-Черкесская Республика, Республика Северная Осетия – Алания, Республика Марий Эл, Сахалинская область
3	17 (20,0%)	Московская область, Рязанская область, Тульская область, Республика Коми, Краснодарский край, Вологодская область, Ставропольский край, Республика Башкортостан, Республика Мордовия, Республика Татарстан, Пермский край, Нижегородская область, Самарская область, Ямало-Ненецкий автономный округ, Тюменская область, Челябинская область, Кемеровская область (Кузбасс)
4	4 (4,7%)	Республика Адыгея (Адыгея), Чеченская Республика, Еврейская автономная область, Чукотский автономный округ
5	32 (37,6%)	Владимирская область, Ивановская область, Костромская область, Ненецкий автономный округ, Волгоградская область, Калининградская область, Новгородская область, Псковская область, Республика Калмыкия, Астраханская область, Республика Дагестан, Удмуртская Республика, Чувашская Республика, Кировская область, Оренбургская область, Пензенская область, Ульяновская область, Курганская область, Республика Алтай, Республика Тыва, Алтайский край, Новосибирская область, Омская область, Томская область, Республика Бурятия, Республика Саха (Якутия), Забайкальский край, Камчатский край, Приморский край, Хабаровский край, Амурская область, Магаданская область

Источник: авторская разработка.

Данные в таблице 1 свидетельствуют, что имеется сильная неравномерность распределения регионов по кластерам. При этом конструкция кластерных образований не зависит от принадлежности регионов к федеральным округам Российской Федерации. Наибольшее число регионов вошло в состав кластера № 5, а наименьшее – в состав кластера № 4.

Рисунок 5 и таблица 2 иллюстрируют статистику средних значений анализируемых показателей по кластерам.

Рисунок 5. Карты входов, отражающие основные характеристики распределения данных

в восьмимерном пространстве

Источник: авторская разработка.

На рисунке 5 цветовые переходы от синего цвета к красному цвету означают увеличение значений показателей; зеленый цвет соответствует средним значениям показателей.

Таблица 2

Средние значения показателей, характеризующие энергоэффективность региональной экономики России за 2019 г.

Номер кластера Показатель	1	2	3	4	5
Мощность электростанций (Х1), млн кВт	11,2	1,6	4,5	0,2	1,6
Производство электроэнергии (Х2), млрд кВт⋅ч	51,5	6,9	16,5	0,4	5,4
Структура объема отгруженной продукции (Х3)	79,9	66,5	65,0	23,9	62,6
Объем отгруженных товаров собственного производства, выполненных работ и услуг собственными силами: государственная собственность (Х4), %	2,5	9,1	3,3	2,4	4,4
Объем отгруженных товаров собственного производства, выполненных работ и услуг собственными силами: частная собственность (Х5), %	28,7	15,1	59,2	63,7	58,0
Удельный вес убыточных организаций (Х6), %	47,3	39,0	35,8	63,5	57,1
Рентабельность проданных товаров, продукции (Х7), %	10,6	-0,4	5,6	-19,4	1,4
Индексы производства по виду экономической деятельности «Обеспечение электрической энергией, газом и паром; кондиционирование воздуха» (Х8), %	99,5	109,1	98,7	103,1	98,1

Источник: авторская разработка.

Из данных (рис. 5, табл. 2) следует, что регионы кластеров № 2, № 4 и № 5 характеризуются низкими значениями мощностей электростанций, производства электроэнергии, объемов отгруженных товаров собственного производства, выполненных работ и услуг собственными силами (государственная собственность), индексами производства по виду экономической деятельности «Обеспечение электрической энергией, газом и паром; кондиционирование воздуха». Регионы, вошедшие в кластер № 1, обладают показателями состояния электроэнергетики на уровне, в основном превышающем средние значения, за исключением показателя объема отгруженных товаров собственного производства, выполненных работ и услуг собственными силами: государственная собственность и показателя индекса производства по виду экономической деятельности «Обеспечение электрической энергией, газом и паром; кондиционирование воздуха». Регионы кластеров № 2, № 3 и № 5 имеют средние показатели по структуре объема отгруженной продукции и по рентабельности проданных товаров, продукции. Кроме этого, регионы, образовавшие кластеры № 3 и № 5, а также регионы кластера № 4 находятся на уровне средних значений и выше по объему отгруженных товаров собственного производства, выполненных работ и услуг собственными силами: частная собственность. Однако в этих регионах наблюдается значительное число убыточных организаций по виду экономической деятельности «Обеспечение электрической энергией, газом и паром; кондиционирование воздуха».

Заключение

Проведенное исследование обеспечило надлежащую научную и практическую основу для анализа состояния электроэнергетики региональной экономики в контексте обеспечения экономической безопасности Российской Федерации. Предложенный в работе оригинальный авторский метод кластерного анализа многомерных статистических данных на базе нейросетевого моделирования представляет собой эффективный метод исследования, который не обременен модельными ограничениями. Применение технологий искусственного интеллекта позволило выявить сепарирование регионов России по рассматриваемой совокупности показателей энергоэффективности в условиях пандемии.

Полученные результаты констатируют, что для дальнейшего развития энергоэффективности региональной экономики России необходим новый организационно-управленческий подход, который адекватен актуальным задачам и глобальным вызовам внешних обстоятельств. Например, среди актуальных задач можно отметить следующие задачи.

1. Повышение электровооруженности труда работников промышленных предприятий и организаций. Рисунок 6 демонстрирует динамику элетровооруженности труда работников промышленных организаций в разрезе федеральных округов Российской Федерации, которая свидетельствует о негативном влиянии пандемии в 2019 г. Однако несмотря на пандемию, в 2020 г. наблюдается небольшой рост данного показателя по сравнению с 2019 г. в Северо-Западном, Южном, Северо-Кавказском и Дальневосточном федеральных округах.

Рисунок 6. Динамика электровооруженности труда работников промышленных организаций

за 2018–2020 гг. (кВт⋅ч): 1 – Центральный федеральный округ, 2 – Северо-Западный федеральный округ, 3 – Южный федеральный округ, 4 – Северо-Кавказский федеральный округ, 5 – Приволжский федеральный округ, 6 – Уральский федеральный округ, 7 – Сибирский федеральный округ, 8 – Дальневосточный федеральный округ

Источник: авторская разработка по данным [28] (Kohonen, 1982).

2. Достижение максимального эффекта снижения потерь в электрических сетях при транспорте электрической энергии.

3. Увеличение мощности и расширение обслуживаемых территорий, например в Сибирском и Дальневосточном федеральных округах.

4. Разработка и внедрение новых технологий в генерации, преобразовании, транспорте и распределении электрической энергии.

Несомненно, решение этих задач требует и научных разработок, и больших финансовых вложений. За последние десять лет введены в действие ряд стержневых документов, касающихся инновационного развития и модернизации электроэнергетики, реализация которых будет способствовать повышению энергоэффективности экономики России и экономической безопасности страны.

Результаты работы могут быть полезны органам государственной власти федерального и регионального уровней при принятии оперативных управленческих решений. Кроме этого, результаты, полученные в ходе проведения кластерного анализа на основе нейронных сетей, рационально использовать при прогнозировании магистральных показателей энергоэффективности экономики Российской Федерации.

References:

Balabanov A.S., Strongina N.R. (2004). Analiz dannyh v ekonomicheskikh prilozheniyakh [Data analysis in economic applications] Nizhny Novgorod: Izd-vo Nizhegorodskogo gosuniversiteta im. N.I. Lobachevskogo. (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. 39 (4). 319-329. doi: 10.1177/0266242621989326.

Bukhvald E.M. (2021). Instituty razvitiya i natsionalnaya bezopasnost Rossiyskoy Federatsii [Institutes of development and the national security of the Russian Federation]. Razvitie i bezopasnost. (1(9)). 16-28. (in Russian). doi: 10.46960/2713-2633_2021_1_16.

Golovnin M.Yu. (2021). Vliyanie pandemii COVID-19 na mirovuyu finansovuyu sistemu [Covid-19 pandemics impact on international financial system]. Scientific works of the Free Economic Society of Russia. 230 (4). 252-258. (in Russian). doi: 10.38197/2072-2060-2021-230-4-252-258.

Golovnin M.Yu., Arbuzov S.G. (2016). Stabilizatsiya valyutnogo rynka Rossii v kontekste ekonomicheskoy bezopasnosti na sovremennom etape [Stabilization of Russian foreign exchange market and economic security under current conditions]. The Economic Revival of Russia. (2(48)). 104-110. (in Russian).

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

Gorodetskiy A.E. (2020). Ispytanie pandemiey i krizisom: uroki vtoroy volny koronakrizisa [Testing by pandemic and crisis: lessons of the second wave of the coronacrisis]. Razvitie i bezopasnost. (4(8)). 17-37. (in Russian). doi: 10.46960/2713-2633_2020_4_17.

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. 10 (8). 2179-2198. (in Russian). doi: 10.18334/epp.10.8.110705.

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. 3 (4). 415-442. (in Russian). doi: 10.18334/ecsec.3.4.111031.

Kohonen T. (1982). Self-Organizing formation of topologically correct feature maps Biological Cybernetics. 43 59-69.

Kraufman L., Rousseeuw P. (2005). Finding groups in data: An introduction to cluster analysis Hoboken, NJ: John Wiley & Sons, Inc.

Kuznetsov Yu.A., Perova V.I., Umilina A.Yu. (2019). Dinamika innovatsionnogo razvitiya finansovogo sektora ekonomiki regionov Rossii v kontekste ekonomicheskoy bezopasnosti strany [Innovative development dynamics in the financial sector of economy of Russian regions in the context of economic security of the country]. Razvitie i bezopasnost. (2). 37-45. (in Russian). doi: 10.46960/74159_2019_2_37.

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 (ICISTIS 2019). 174-179. doi: 10.2991/icistis-19.2019.37.

Letyagina E.N. (2017). Reformirovanie predpriyatiy elektroenergetiki v usloviyakh innovatsionnogo razvitiya [The reform of the power industry in the conditions of innovative development] Experience and problems of management system reform in a modern enterprise: tactics and strategy. 44-48. (in Russian).

Letyagina E.N., Perova V.I. (2021). Neyrosetevoe modelirovanie regionalnyh innovatsionnyh ekosistem [Neural network modelling of regional innovation ecosystems]. Journal of New Economy. 22 (1). 71-89. (in Russian). doi: 10.29141/2658-5081-2021-22-1-4.

Letyagina E.N., Pertseva L.N., Belova E.V. (2015). K voprosu ob energosberezhenii na promyshlennyh predpriyatiyakh [To the question about energy efficiency in industrial enterprises]. Journal of Economy and Entrepreneurship. (8-1(61)). 1111-1114. (in Russian).

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. 10 (6). 1857-1884. (in Russian). doi: 10.18334/epp.10.6.110511.

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. 10 (1). 25-44. (in Russian). doi: 10.18334/vinec.10.1.100646.

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). doi: 10.46960/2713-2633_2020_4_4.

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(1110). 111-114. (in Russian).

Pankratov E.L., Trifonov Yu.V. (2022). On Analysis of the Competitiveness of Industrial Enterprises Journal of the Knowledge Economy. 13 (2). 805-812. doi: 10.1007/s13132-021-00746-5.

Perova V.I. (2012). Neyronnye seti v ekonomicheskikh prilozheniyakh. Chast 2. Neyronnye seti, obuchaemye bez uchitelya [Neural networks in economic applications. Part 2. Neural networks trained without a teacher] Nizhny Novgorod: Izd-vo Nizhegorodskogo gosuniversiteta. (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. 14 (11). 2064-2082. (in Russian). doi: 10.24891/ni.14.11.2064.

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] M.: In-t ekonomiki RAN. (in Russian).

Urinson Ya.M., Kozhukhovskiy I.S., Sorokin I.S. (2020). Reformirovanie rossiyskoy elektroenergetiki: rezultaty i nereshennye voprosy [The russian electricity reform: achievements and unresolved issues]. The HSE Economic Journal. 24 (3). 323-339. (in Russian). doi: 10.17323/1813-8691-2020-24-3-323-339.

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. (5-2(53)). 290-296. (in Russian).

Страница обновлена: 16.02.2025 в 11:15:44

Подробнее об авторах: