Russian Journal of Innovation Economics Russian Journal of Innovation Economics Вопросы инновационной экономики 2222-0372 BIBLIO-GLOBUS Publishing House 117247 10.18334/vinec.13.1.117247 AHENAR Articles Статьи Research Article Analysis of innovation and investment balance of industrial policy in Russia amidst digital transformation with the application of artificial intelligence methods Анализ инновационно-инвестиционной сбалансированности промышленной политики России в условиях цифровой трансформации с применением методов искусственного интеллекта Frolov Vladislav Genrikhovich Фролов Владислав Генрихович

Доцент кафедры экономики предприятий и организаций, кандидат экономических наук, доцент

 frolov.unn@gmail.com Perova Valentina Ivanovna Перова Валентина Ивановна

Доцент кафедры математического моделирования экономических процессов,кандидат физико-математических наук, доцент

 perova_vi@mail.ru Lobachevsky State University of Nizhni Novgorod - National Research University (UNN) Национальный исследовательский Нижегородский государственный университет им. Н.И. Лобачевского 31 03 2023 13 1 VOL 13, NO1 (2023) ТОМ 13, №1 (2023) 127 148 06 02 2023 Copyright ©; 2023, Frolov V.G., Perova V.I. Copyright ©; 2023, Фролов В.Г., Перова В.И. 2023 Frolov V.G., Perova V.I. Фролов В.Г., Перова В.И. https://1economic.ru/lib/117247

The research purpose is to analyze the innovation and investment balance of industrial policy as an imperative of industrial development amidst digital transformation. The study solves the problem of improving the tools for assessing the effects of industrial policy in terms of implementing the principle of innovation and investment balance. To conduct the research, a method of complex analysis of heterogeneous statistical data is proposed. It consists in clustering data based on neural networks, which is an important section of artificial intelligence. Neural network modeling based on self-organizing Kohonen maps, objectified on the platform of the Deductor analytical package, was used, since it is free from model limitations and external interference in the neural network. A system of indicators grouped into four sectors has been developed. These sectors determine the balanced innovation and investment development of industrial policy, taking into account the interests of the most important groups of stakeholders amidst digital transformation. This allowed to give it a comprehensive assessment. The features of innovation and investment development of the constituent entities of the Russian Federation are systematized. There is a strong difference between the regions of the Russian Federation in terms of the level of innovation and investment balance of industrial policy, as well as the main imbalances amidst digital transformation. The article may be of interest to specialists involved in the problems of design and implementation of program documents of industrial development at the regional and federal levels.

Целью статьи является анализ инновационно-инвестиционной сбалансированности промышленной политики как императива развития промышленности в условиях цифровой трансформации экономики. В исследовании решается проблема совершенствования инструментария оценки эффектов промышленной политики, в части реализации принципа инновационно-инвестиционной сбалансированности. Для проведения исследования предложен метод комплексного анализа гетерогенных статистических данных, заключающийся в проведении кластеризации данных на базе нейронных сетей – важного раздела искусственного интеллекта. Нейросетевое моделирование с использованием самоорганизующихся карт Кохонена, объектированных на платформе аналитического пакета Deductor, применялось, так как оно свободно от модельной ограниченности и внешнего вмешательства в процедуру функционирования нейронной сети. Разработана система показателей, сгруппированных по 4 секторам, определяющим сбалансированное инновационно-инвестиционное развитие промышленной политики с учетом интересов важнейших групп стейкхолдеров в условиях цифровой трансформации. Это позволило дать его комплексную оценку. Систематизированы особенности инновационно-инвестиционного развития субъектов РФ. Выявлено сильное различие регионов РФ по уровню инновационно-инвестиционной сбалансированности промышленной политики, а также основные диспропорции в условиях цифровой трансформации экономики. Статья может быть интересна специалистам, занимающимся проблемами разработки и реализации программных документов промышленного развития на региональном и федеральном уровнях

 industrial policy innovation and investment balance Industry 4.0 digital transformation artificial intelligence methods cluster analysis neural networks промышленная политика инновационно-инвестиционная сбалансированность Индустрия 4.0 цифровая трансформация методы искусственного интеллекта кластерный анализ нейронные сети 1. Акбердина В.В., Романова О.А. Региональные аспекты индустриального развития: обзор подходов к формированию приоритетов и механизмов регулирования // Экономика региона. – 2021. – № 3. – c. 714-736. – doi: 10.17059/ekon.reg.2021-3-1. 2. Алескеров Ф.Т., Гохберг Л.М., Егорова Л.Г., Мячин А.Л., Сагиева Г.С. Анализ данных науки, образования и инновационной деятельности с использованием методов анализа паттернов: препринт WP7/2012/07. / Нац. исслед. ун-т «Высшая школа экономики». - М.: Изд. дом Высшей школы экономики, 2012. 3. Балабанов А.С., Стронгина Н.Р. Анализ данных в экономических приложениях. - Нижний Новгород: Изд-во ННГУ, 2004. 4. Ведута Н.И. Социально эффективная экономика. - М.: РЭА, 1999. 5. Гончаров А.Ю. Структурное управление развитием региона. / Под ред. проф. Н.В. Сироткиной. - Воронеж: Издательство ВГПУ «Новопресс», 2016. 6. Киселева О.Н. Формирование сбалансированной стратегии инновационного развития предприятий России на основе организационно-управленческнх инноваций // Инновации и инвестиции. – 2017. – № 12. – c. 279-283. 7. Клейнер Г.Б., Рыбачук М.А. Системная сбалансированность экономики России: региональный разрез // Экономика региона. – 2019. – № 2. – c. 309-323. 8. Колганов А.И. Структура российской экономики: потенциал адаптации цифровых технологий. / Ломоносовские чтения-2018. Секция экономических наук. Цифровая экономика: человек, технологии, институты: сборник статей. - М.: Экономический факультет МГУ имени М. В. Ломоносова, 2018. – 150-157 c. 9. Кузнецов Б.В., Симачев Б.В. Эволюция государственной промышленной политики в России // Журнал новой экономической ассоциации. – 2014. – № 2. – c. 152-178. 10. Лаврикова Ю.Г., Андреева Е.Л., Тарасов А.Г., Ратнер А.В. Влияние глобальных экономических вызовов на развитие рынков будущего // Экономика и управление. – 2019. – № 9. – c. 34-42. – doi: 10.35854/1998-1627-2019-9-34-42. 11. Леонтьев В.В. Избранные произведения. / В 3-х томах. Том 2. Специальные исследования на основе методологии «Затраты - выпуск». - М.: Экономика, 2006. 12. Летягина Е.Н., Перова В.И. Нейросетевое моделирование региональных инновационных экосистем // Journal of New Economy. – 2021. – № 1. – c. 71-89. – doi: 10.29141/2658-5081-2021-22-1-4. 13. Перова В.И., Зайцева К.В. Исследование динамики инновационной деятельности регионов России с применением нейросетевого моделирования // Экономический анализ: теория и практика. – 2017. – № 16 (5). – c. 887-901. 14. Романова О.А., Пономарева А.О. Промышленная политика: новые реалии, проблемы формирования и реализации // Экономические и социальные перемены: факты, тенденции, прогноз. – 2020. – № 2. – c. 25-40. – doi: 10.15838/esc.2020.2.68.2. 15. Григорьева Л.М., Зубаревич Н.В., Хасаева Г.Р. Российские регионы: экономический кризис и проблемы модернизации. - М.: ТЕИС, 2011. 16. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы. - М.: Горячая линия – Телеком, 2008. 17. Симачев Ю.В., Кузык М.Г., Кузнецов Б.В., Погребняк Е.В. Россия на пути к новой технологической промышленной политике: среди манящих перспектив и фатальных ловушек // Форсайт. – 2014. – № 4. – c. 6-23. 18. Татаркин А.И., Романова О.А. Промышленная политика и механизм ее реализации. Системный подход // Экономика региона. – 2007. – № 3. – c. 19-31. 19. Татаркин А.И., Сухарев О.С., Стрижакова Е.Н. Шумпетерианская экономическая теория промышленной политики: влияние технологической структуры // Журнал экономической теории. – 2017. – № 2. – c. 7-17. 20. Тебекин А.В., Анастасов М.С. Анализ подходов сбалансированного развития экономических систем // Транспортное дело россии. – 2016. – № 5. – c. 80-85. 21. Фролов В.Г. Инновационно-инвестиционно сбалансированная промышленная политика в условиях цифровой трансформации. - М.: Первое экономическое издательство, 2021. – 240 c. 22. Фролов В.Г. Промышленная политика как интегрированный комплекс развития инновационно-активного предпринимательства производственной сферы // Креативная экономика. – 2013. – № 11 (83). – c. 59-62. 23. Сенчагов В.К. Экономическая безопасность России. / Обший курс: учебник. - М.: Лаборатория знаний, 2020. 24. Aleskerov, F.T., Gokhberg, L.M, Egorova, L,G., Myachin, A.L., and Sagieva, G.S. (2014). A Method of Static and Dynamic Pattern Analysis of Innovative Development of Russian Regions in the Long Run, in: Springer Proceedings in Mathematics and Statistics. Volume 104 Models, Algorithms and Technologies for Network Analysis. Dordrecht, L., Cham, Heidelberg, NY: Springer, Ch. 1, 1-8. DOI: 10.1007/978-3-319-09758-9_1 25. Andreoni A., Chang Ha-Joon. The political economy of industrial policy: Structural interdependencies, policy alignment and conflict management // Structural Change and Economic Dynamics. – 2019. – № 48. – p. 136-150. 26. Binh D.Th.Th., Anh T.Th.K. Stakeholders approach on corporate governance and performance of Vietnamese manufacturing firms // Journal of Governance and Regulation. – 2017. – № 6 (2). – p. 61-73. 27. Carboni O.A., Russu P. Assessing regional wellbeing in Italy: An application of Malmquist–DEA and self-organizing map neural clustering // Social Indicators Research. – 2015. – № 122 (3). – p. 677-700. 28. Di Tollo, G., Tanev, S., Slim, K.M., and De March, D. (2014). Determining the Relationship Between Cocreation and Innovation by Neural Networks // Complexity in Economics: Cutting Edge Research, 49-62. URL: http://link.springer.com/chapter/10.1007/978-3-319-05185-7_3 29. Gruber H. Proposals for a digital industrial policy for Europe // Telecommunications Policy. – 2019. – № 43 (2). – p. 116-127. 30. Kohonen Т. Self-Organized Formation of Topologically Correct Feature Maps // Bio1ogical Cybernetics. – 1982. – № 43 (1). – p. 59-69. – doi: 10.1007/BF00337288. 31. Kraufman L., Rousseeuw P. Finding groups in data: An introduction to cluster analysis. / Hoboken. - NJ: John Wiley Sons, Inc, 2005. 32. Martinetz T.M., Berkovich S.G., Schulten K.J. “Neural-Gas” Network for Vector Quantization and Its Application to Time-Series Prediction // IEEE Transactions on Neural Networks. – 1993. – № 4 (4). – p. 558-569. 33. Mhlanga D., Moloi T. The stakeholder theory in the fourth industrial revolution // International Journal of economics and finance studies. – 2020. – № 12 (2). – p. 252-268. 34. Padmashree, G.S. (2018). Regulating the digital economy: Are we moving towards a 'win‐win' or a 'lose‐lose'? – Maastricht Economic and social Research institute on Innovation and Technology (UNU‐MERIT) [Electronic source] file: //C:/Users/nnd_apavlo/Downloads/wp2018-005.pdf) (data access: 08.10.2022) 35. Rhodes, С., and Rathbone, D. (2016). Digital economy: statistics and policy. Number CBP 7610, 2 June [Electronic source] URL: https://www.legco.gov.hk/general/english/library/stay_informed_overseas_policy_updates/digital_economy.pdf) (data access: 08.10.2022) 36. Sinha S., Singh T.N., Singh V.K., Verma A.K. Epoch determination for neural network by self-organized map (SOM) // Computational Geosciences. – 2010. – № 14 (1). – p. 199-206. – doi: 10.1007/ s10596-009-9143-0.