Инновационный метод анализа управления социально-экономическим развитием регионов России с применением нейросетевого моделирования

Плехова Ю.О.1, Перова В.И.1
1 Национальный исследовательский Нижегородский государственный университет им. Н.И. Лобачевского

Статья в журнале

Вопросы инновационной экономики (РИНЦ, ВАК)
опубликовать статью | оформить подписку

Том 15, Номер 1 (Январь-март 2025)

Цитировать эту статью:

Аннотация:
Целью статьи является анализ управления социально-экономическим развития регионов Российской Федерации. Актуальность темы исследования обусловлена необходимостью осуществления управленческой деятельности в контексте национальных целей, основывающейся на результативном инструментарии в обстановке сильной конкуренции социально-экономического развития России. Настоящая работа ориентирована на выстраивание продуктивной и оперативной методологии стратегического управления, генерирующейся на использовании нейронных сетей – существенного элемента искусственного интеллекта. Это открывает перспективу исследования многогранности инновационного развития регионов РФ сообразно направленности вектора управленческой деятельности на возрастание высокотехнологичной составляющей в экономике. Достижение поставленной в работе цели осуществляется за счет применения инновационного метода нейросетевого кластерного анализа официальных данных с сайта Росстата, аттестующих инвестиционную, производственную и инновационную составляющие в деятельности субъектов России. В результате исследования с применением нейросетевых технологий определены особенности инновационного развития субъектов РФ. Получено ранжирование субъектов по семи кластерам. Приведены структура и характеристики каждого кластера. Результаты исследования содержат практическую направленность и могут быть интересны специалистам, занимающимся оперативным анализом при создании стратегий регионального развития, ускоряющих обладающий потенциалом и устойчивостью рост экономики и приумножение технологического лидерства Российской Федерации

Ключевые слова: субъекты Российской Федерации, региональная экономика, технологическое лидерство, инвестиции, инновации, кластерный анализ, искусственные нейронные сети

JEL-классификация: С45, O30, R11



Введение

В современных обстоятельствах в ракурсе выполнения задач по усилению технологического лидерства Российской Федерации принципиальную важность имеет результативное и качественное управление социально-экономической деятельностью субъектов России.

Исходя из Указа Президента Российской Федерации от 28.02.2024 № 145 «О Стратегии научно-технологического развития Российской Федерации» [1] и Указа Президента Российской Федерации от 07.05.2024 № 309 «О национальных целях развития Российской Федерации на период до 2030 года и на перспективу до 2036 года» [2], преобладающее инновационное научно-технологическое развитие, которое базируется на цифровой трансформации экономики, интенсификации научных исследований и их продвиженнии в реальный сектор экономики, становится приоритетом в области национальной безопасности России. Это напрямую связано с управленческой деятельностью вследствие объявленных национальных целей, среди которых обозначены следующие цели: «устойчивая и динамичная экономика»; «технологическое лидерство»; «цифровая трансформация государственного и муниципального управления, экономики и социальной сферы».

Вопросы преобразования управленческого инструментария обеспечения эффективной реализации технологического рывка в экономике России, а также создания новых управленческих механизмов в высокотехнологичных корпорациях рассмотрены в статье Донцовой О.И., Абдикеева Н.М., Богачева Ю.С. [5].

Анализ опыта организаций ускоренного технологического развития позволил авторам сделать вывод о необходимости создания эффективной структуры управленческого аппарата для осуществления координации и мониторинга деятельности корпораций.

Актуальнй вопрос устойчивого развития высокотехнологичных промышленных предприятий в регионах России на основе формирования потока инноваций исследован в научной работе авторов: Дробот Е.В., Макаров И.Н., Башлыков Т.В. и др. [6]. В статье выполнен анализ факторов макро-, мезо- и микроуровня, которые оказывают влияние на инновационное развитие региональных производственных систем. Авторами работы дано обоснование необходимости создания системы государственных предприятий, занимающихся вопросами цифровизации и формирования инновационно-производственных кластеров в регионах Российской Федерации.

Отметим что состояние инновационного потенциала экономики во многом зависит и от согласования ориентаций стратегического развития государства и бизнеса. Рис. 1 иллюстрирует ранжирование организаций РФ с точки зрения форм собственности.

Рисунок 1. Дифференциация организаций РФ по формам собственности в 2022 г., ед.:

1) государственная; 2) муниципальная; 3) частная; 4) общественных и религиозных организаций (объединений); 5) иностранная; 6) совместная российская и иностранная; 7) прочие формы собственности, включая смешанную российскую, собственность гоударственных корпораций

Источник: авторская разработка по данным Росстата [7].

Результаты на рис. 1 показывают, что большинство организаций в 2022 г. относятся к частной форме собственности. Поэтому важно оптимизировать взаимодействие направлений инновационного развития между организациями различных форм собственности и государсвом, которое во многом зависит от выбора бизнес-модели.

При этом главным вопросом при бизнес-моделировании является вопрос о понятии бизнес-модели, что отражено в работе: Коляда А.А,, Плехова Ю.О. [8]. Поскольку имеется проблема огромного количества трактовок понятия «бизнес-модель», авторы статьи [8] дали определение понятия «бизнес-модель» и предложили универсальную бизнес-модель организации, в которой сформулирован комплекс требований, предъявляемых к понятию бизнес-модели. Этот комплекс включает 8 следующих требований: 1) Методическая обеспеченность; 2) Комплексность и полнота; 3) Универсальность применения; 4) Научная интегрированность; 5) Устойчивость; 6) Гибкость; 7) Аналитичность и прогнозируемость; 8) Фундаментальность. Предложенное в статье понятие бизнес-модели лежит в основе универсальной межотраслевой методики разработки и прогнозирования производительности и экономической эффективности бизнес-модели организации (методики бизнес-моделирования) А.А. Коляды, которая апробирована в учебных и консалтинговых проектах Бизнес-школы EMAS в России и за рубежом в 2010–2023 гг.

Отметим, что технологический суверенитет, российский подход к которому рассмотрен в статье Захарова В.Я., Плеховой Ю.О. [7], и технологическое лидерство в сравнении с общемировыми направлениями будут гарантировать обеспечение высокого инновационного экономического потенциала России.

В статье [7] обозначено, что реализация концепции технологического суверенитета требует наращивать долгосрочные инвестиции в исследования и разработки, навыки и инфраструктуру.

На оценку инновационной компоненты, кроме состояния человеческого капитала, научных исследований, современных производственных и цифровых технологий, оказывают существенное влияние инвестиции, интегрированные в инновационную деятельность регионов РФ. Этому посвящены исследования, проведенные в следующих научных работах.

Никитин Г.С., Скобелев Д.О. в научной статье [14] рассмотрели направления повышения эффективности инвестиций в развитие реального сектора экономики Российской Федерации. Ими предложены пути решения задач: а) задачи определения приоритетов развития отечественной финансовой системы; б) задачи совершенствования механизмов поддержки крупных инвестиционных проектов в современных условиях. В работе показана роль концепций наилучших доступных технологий и повышения ресурсной эффективности в стратегической социально-экологической оценке и оценке воздействия на окружающую среду. Приведены практические примеры проведения процедур этих оценок для трех субъектов РФ при учете принципов наилучших доступных технологий и экономики замкнутого цикла. Авторы статьи сформулировали рекомендации по повышению эффективности государственных и корпоративных инвестиций для лиц, которые принимают решения.

Научная статья Яшиной Н.Г., Яшина С.Н., Плетниковой А.Е. [24] посвящена развитию человеческого капитала с позиции реализации ценностно-ориентированного подхода финансовой политики государства, которая устремлена на улучшение благополучия населения в стране. Цель работы состоит в исследовании целевых и финансовых показателей в каждом регионе России, анализе их динамики и распределении по сегментам. Авторами разработана методика, позволяющая произвести распределение субъектов РФ по определенным сегментам, каждый из которых характеризует регион по степени эффективности финансирования в сфере образования, науки и инноваций.

Проведенный анализ целевых и финансовых показателей в каждом регионе России позволил выявить сильные и слабые субъекты с высокими и низкими уровнями достижения результатов и финансово-ресурсного обеспечения.

В научной статье Фролова В.Г., Перовой В.И. [22] и в монографии Фролова В.Г. [23] проведен анализ инновационно-инвестиционной сбалансированности промышленной политики как императива развития промышленности в условиях цифровой трансформации экономики. В исследовании [22] решалась проблема совершенствования инструментария оценки эффектов промышленной политики при реализации принципа инновационно-инвестиционной сбалансированности. Авторами предложен метод комплексного анализа гетерогенных статистических данных путем кластеризации данных на базе нейронных сетей. Разработана система показателей, сгруппированных по 4 секторам, определяющим сбалансированное инновационно-инвестиционное развитие промышленной политики в условиях цифровой трансформации с учетом интересов важнейших групп стейкхолдеров, что позволило получить его комплексную оценку. Авторами систематизированы особенности инновационно-инвестиционного развития субъектов России и выявлено значительное различие регионов Российской Федерации по уровню инновационно-инвестиционной сбалансированности промышленной политики.

На рис. 2 приведена динамика инвестиций в основной капитал за 2019–2023 гг.

Рисунок 2. Динамика инвестиций в основной капитал в Российской Федерации

в сопоставимых ценах, в % к предыдущему году

Источник: Построено авторами по данным Росстата [21].

Данные на рис. 2 констатируют увеличение инвестиций в основной капитал в конце рассматриваемого периода. При этом не учитывались статистические данные по Донецкой Народной Республике (ДНР), Луганской Народной Республике (ЛНР), Запорожской области и Херсонской области из-за отсутствия данных на сайте Росстата.

Продуктивная управленческая деятельность в области инвестирования в реальный сектор экономики способствует активизации роста новых для России инновационных производственных технологий (рис. 3).

Рисунок 3. Число разработанных передовых производственных технологий новых для России по видам экономической деятельности по Российской Федерации, ед.

Источник: Построено авторами по данным Росстата [21].

К одному из значимых результатов, характеризующих потенциал управления социально-экономическим развитием Российской Федерации в современных реалиях, следует отнести совершенствование развития высокотехнологичных предприятий промышленности в экономике страны. Решению этой задачи посвящены ниже представленные научные работы.

Научная статья авторов: Трофимов О.В., Фролов В.Г., Климова Е.З. [19] нацелена на выявление особенностей развития высокотехнологичных производств Нижегородской области. В рамках исследования применялись методы анализа, синтеза и статистические методы. На основе проведенного регрессионного анализа подтверждена тесная взаимосвязь между затратами на технологические инновации и формированием валового регионального продукта. В работе представлены результаты анализа показателей инновационной деятельности промышленности Нижегородской области. Развитие высокотехнологичных производств региона дает возможность сформировать конкурентоспособную и высокопроизводительную промышленность, обеспечивающую его стратегическое развитие.

В научной статье авторов: Куняев Н.Е., Мартынов Л.М., Старожук Е.А. [10] на основе современных управленческих новаций обусловлена потребность развития систем управления полным жизненным циклом (СУПЖЦ) высокотехнологичной продукции организаций машиностроительного и обороннопромышленного комплексов. Авторы представили концептуальные основы функционирования и развития рассматриваемых систем управления в современных условиях в целях их дальнейшего совершенствования и повышения эффективности.

Авторы научной статьи Русакова А. С., Старожук Е.А., Красникова А.С. [17] рассмотрели основные аспекты применения СУПЖЦ в реализации высокотехнологичной продукции в Российской Федкрации и в зарубежных странах мира. Для этого авторы статьи определили такие понятия, как «системы управления полным жизненным циклом – СУПЖЦ», «высокотехнологичная продукция», «CALS-технологии». Для полного понимания связи терминов СУПЖЦ и «CALS-технологии» приведена классификация и проведен анализ особенностей их применения, развития в России и в других странах. В работе подтверждена актуальность и важность использования систем управления полным жизненным циклом для России и стран мира в целом.

В работе авторов: Митяков Е.С., Ладынин А.И. [13] предложена модель управления энергетической безопасностью высокотехнологичных предприятий. Ключевая цель этой модели – формирование надлежащих технико-экономических и правовых условий, которые дадут возможность оптимизировать производство инновационных источников энергии, уровень потребления ресурсов и эффективное взаимодействие агентов на энергорынке. В статье дана авторская трактовка категории «энергетическая безопасность высокотехнологичных организаций». Определены угрозы энергетической безопасности высокотехнологичной организации и приведены задачи обеспечения её энергетической безопасности. Авторы статьи предложили концептуальную схему модели управления энергетической безопасностью высокотехнологичных предприятий и определили базовое условие повышения энергетической безопасности высокотехнологичных предприятий.

Отметим, что на степень технологичности влияет своевременное обновление основных фондов организаций. При этом важное назначение имеет приумножение коэффициента обновления основных фондов по коммерческим (без субъектов малого предпринимательства) и некоммерческим организациям (по полной учетной стоимости, в смешанных ценах), который показывает степень технологичности их видов деятельности (рис. 4).

Рисунок 4. Изменение коэффициента обновления основных фондов по видам экономической деятельности по РФ, %: а) высокотехнологичные виды деятельности;

б) среднетехнологичные высокого уровня виды деятельности; в) среднетехнологичные низкого уровня виды деятельности; г) низкотехнологичные виды деятельности

Источник: Построено авторами по данным Росстата [21].

Результаты на рис. 4 подтверждают, что наибольший рост коэффициента обновления основных фондов в 2023 г. наблюдается по среднетехнологичным высокого уровня и высокотехнологичным видам деятельности.

В условиях внешних ограничений, характеризующих современный этап развития экономики, использование перспективных технологий в ключевых секторах экономической деятельности субъектов РФ, обусловлено инновациями, рассмотрению которых посвящены следующие работы.

Научная статья авторов: Дробот Е.В., Макаров И.Н., Башлыков Т.В., Сухина Ю.В., Володина А.И. [6], в которой проведено исследование устойчивого развития высокотехнологичных промышленных предприятий в регионах Российской Федерации на основе формирования потока инноваций, рассмотрена нами выше в данной статье.

В научной работе авторы: Бахтизин А.Р., Акинфеева Е.В. представили краткий обзор методов оценки инновационного потенциала регионов Российской Федерации и сравнение результатов, полученных на их основе. Авторами рассмотрены следующие методы оценки инновационного потениала: а) метод экспертных оценок с использованием интегрального показателя; б) методика с использованием кластерного анализа; в) оценки инновационного потенциала, используемые рейтинговыми агентствами. Авторы при проведении исследования ориентировались на приведенное ниже определение инновационного потенциала: «Инновационный потенциал – это триединая структура, включающая в себя следующие компоненты: субъекты, генерирующие инновации; инновационные посредники; потребители инноваций». Отмечено, что величина инновационного потенциала является параметром, который позволяет региону оценить возможности его инновационной деятельности, а также определить стратегию инновационного развития и выработать взвешенные управленческие решения по её реализации.

Работа Перовой В.И., Зайцевой К.В. [16] посвящена исследованию динамики инновационной деятельности регионов Российской Федерации с помощью нейронных сетей. В связи с этим рассмотрены и проанализированы данные Федеральной службы государственной статистики о состоянии регионов России в сфере инноваций. Нейросетевое моделирование проведено на основе самоорганизующихся нейронных сетей, реализованных в программном пакете Viscovery SOMine. Исследование определило характер динамики инновационных показателей регионов России и продемонстрировало неравномерность их инновационного развития. В статье сделан вывод о необходимости принятия комплекса мер для стимулирования инновационных процессов в целом по стране, особенно в инновационно слаборазвитых регионах.

В научной статье Сюповой М.С. [18] рассмотрены основные подходы к оценке инновационного развития регионов России. Предложена методика, которая предусматривает многоуровневый характер и качественную характеристику полученных результатов. В работе проведена сравнительная оценка инновационного развития регионов Дальневосточного федерального округа (ДФО). Сформирован рейтинг субъектов ДФО, выделены группы регионов по уровню инновационного развития.

Научная статья Летягиной Е.Н., Перовой В.И. [12] посвящена исследованию проблемы создания единой методологии формирования региональных инновационных экосистем. Методологической базой являются теории стратегического менеджмента и региональной экономики. Предложен метод использования нейросетевого моделирования для получения новых знаний, обобщения и углубления понимания совокупности фактов и теорий в области разработки инновационных экосистем в России. Нейросетевое моделирование выполнено на основе самоорганизующихся карт Кохонена и информационных технологий.. Многомерное пространство показателей инновационного развития регионов Российской Федерации проанализировано путем интеллектуального анализа данных (Data Mining). В работе систематизированы воззрения ученых в области инновационных экосистем. Авторами обоснован новый взгляд на предпринимательский экосистемный подход, который может использоваться в инновационной экономике. Показана неравномерность инновационного развития регионов России. Авторами предложен методологический подход к формированию инновационных экосистем. При кластеризации данных по совокупности показателей инновационного развития авторы распределили регионы РФ на четыре кластера, доказав существенные различия между инновационными экосистемами. Анализ результатов нейросетевого моделирования, представленный в статье, обеспечил практическую и целесообразную научную основу для развития инновационных экосистем. Результаты исследования могут использоваться при разработке стратегий и программ развития, которые нацелены на стимулирование инновационных процессов в регионах Российской Федерации.

В научной статье авторы: Тюкавкин Н.М., Анисимова В.Ю. [20] представили императивы региональной политики импортозамещения и инноваций в промышленности Самарской области. Это безусловные требования, которые подлежат обязательной реализации с учетом формирования и развития технологического суверенитета. Показано, что новые предложения по развитию импортозамещения позволяют достичь приоритета отечественной продукции над импортной, а также заменить зарубежные производственные регламенты. Приведена аналитика показателей развития процессов импортозамещения в контексте обеспечения технологического суверенитета. В работе выявлен уровень потребностей промышленного комплекса региона в различных секторах импортозамещения. Представлена оценка необходимых компетенций персонала на предприятиях промышленного комплекса региона, которые реализуют импортозамещение технологий и инновационной продукции. Авторами составлен рейтинг перспективных мероприятий государственной политики импортозамещения промышленного комплекса в контексте технологического суверенитета.

Среди инноваций значительное место занимают искусственные нейронные сети (ИНС) как актуальная составляющая искусственного интеллекта, что отражено в работах авторов: Корнилов Д.А., Шувалова Ю.Н. [9], Летягина Е.Н., Перова В.И. [11], Перова В.И., Капусткина А.В. [15].

Данные и методы

В настоящей работе выполнено нейросетевое моделирование современного состояния региональной экономики России в фокусе генерирования действенных управляющих стратегий, которые создают условия для её инновационного устойчивого развития. Исследования актуальны с точки зрения применения инновационных методов решения многомерных задач, а также с позиции значимого влияния использования науки и инноваций в реальном секторе экономики РФ. Для исследования были взяты статистические показатели за 2023 г. с официального сайта Федеральной службы государственной статистики России [21] в соответствии с авторским предпочтительным выбором. В исследовании не участвовали субъекты России: Донецкая Народная Республика (ДНР), Луганская Народная Республика (ЛНР), Запорожская область и Херсонская область в виду отсутствия официальных показателей на сайте Росстата, избранных согласно авторской модели. В качестве признаков, описывающих субъекты, были взяты следующие индикаторы [21]:

· П1 – Инвестиции в основной капитал (в сопоставимых ценах, в % к предыдущему году);

· П2 – Используемые передовые производственные технологии (%);

· П3 – Прирост высокопроизводительных рабочих мест (%);

· П4 – Удельный вес организаций, осуществляющих технологические инновации, в общем числе обследованных организаций (%);

· П5 – Удельный вес инновационных товаров, работ, услуг в общем объеме отгруженных товаров, выполненных работ, услуг организаций промышленного производства (%).

Целесообразно заметить, что нейронные сети зарекомендовали себя как эффективный инструмент анализа больших объемов неоднородных статистических индикаторов, между которыми могут быть и линейные, и нелинейные соотношения. Материализация нейросетевых технологий осуществляется либо в формате быстродействующего аппаратного оборудования, либо в формате программного моделирования на компьютере. При выполнении исследований нейронные сети функционируют преимущественно как программные продукты. В ряду программных пакетов, в которых имеется реализация искусственных нейронных сетей различных архитектур, отметим, например, системы: Statistica, MatLab, Viscovery SOMine, Deductor, Loginom и другие. В данной работе для решения обозначенной выше задачи кластеризации субъектов Российской Федерации и наглядного представления результатов задействованы самоорганизующиеся нейронные сети – карты Кохонена [27].

Следует сказать, что при выполнении кластерного анализа многомерного исходного пространства данных достаточно продуктивным методом характеризуется классический статистический метод кластеризации. Он содержит два доминирующих алгоритма для определения кластеров: метод k-средних и метод иерархической кластеризации [3]. При применении обоих алгоритмов окончательное решение о числе кластеров утверждается исследователем. В случае, когда рассматриваемые объекты аттестуются числом гетерогенных показателей, которое значительно превышает количесттво объектов, сначала перед применением кластерного анализа часто исполняется факторный анализ. Факторный анализ осуществляет сжатие исходного многомерного пространства показателей, выявляя скрытые (латентные) факторы [3].

Для анализа многомерных данных в ряде работ представлены эффективные методы анализа паттернов, которые исследуют аналогичные задачи, что и классические методы кластерного анализа. При этом в отличие от классических методов кластеризации, методы анализа паттернов дают возможность находить неявную взаимозависимость исследуемых показателей и направления их изменения. Кроме того, методы анализа паттернов позволяют определять показатели, которые выявляют нехарактерное поведение объектов в динамике [25].

Авторами в настоящей работе для анализа управления социально-экономическим развитием регионов России, который дает новые возможности при решении поставленных задач, предложен инновационный и обладающий потенциалом метод кластеризации многомерных статистических показателей на фундаменте искусственных нейронных сетей, которые составляют сущестственный компонент искусственного интеллекта [12], [26]. В этом методе отсутствуют модельные барьеры и метод позволяет получить результаты кластеризации в наглядном представлении. Кроме того, реализуется неконтролируемое обучение нейронной сети, т.е. не значится внешнего вмешательства в её работу.

Инструментом проведения исследования выбран российский программный пакет Deductor, на платформе которого воплощены самоорганизующиеся нейронные сети – карты Кохонена.

В результате нейросетевого моделирования произошла дифференциация 85 субъектов РФ на 7 групп (кластерных образований) (рис. 5).

Рисунок 5. Кластерное решение – самоорганизующася карта разделения

субъектов России по кластерам

Источник: авторская разработка.

Рис. 6 демонстрирует количество субъектов России, создавших каждый из 7 кластеров.

Рисунок 6. Число субъектов Российской Федерации в кластерах

Источник: авторская разработка.

Вхождение субъектов РФ в кластеры показано в таблице1.

Таблица 1

Результат построения кластерных образований в 2023 г.

Кластеры
Распределение субъектов Российской Федерации
по кластерам

Кластер № 1
Белгородская область, Брянская область, Ивановская область, Курская область, Липецкая область, Рязанская область, Тамбовская область, Вологодская область, Кировская область, Оренбургская область, Пензенская область, Омская область.

Кластер № 2
Республика Карелия, Республика Коми, Ленинградская область, Псковская область, Республика Крым, Кабардино-Балкарская Республика, Республика Северная Осетия - Алания, Курганская область, Республика Тыва, Алтайский край, Магаданская область, Сахалинская область.

Кластер № 3
Тульская область, Архангельская область, Ростовская область, Республика Мордовия, Республика Татарстан, Нижегородская область, Самарская область, Челябинская область, Хабаровский край.

Кластер № 4
Владимирская область, Воронежская область, Калужская область, Орловская область, Мурманская область, Республика Калмыкия, Астраханская область, г. Севастополь, Карачаево-Черкесская Республика, Тюменская область,

Кластер № 5
Московская область Ярославская область, г. Москва, Новгородская область, г. Санкт-Петербург, Республика Башкортостан, Республика Марий Эл, Удмуртская Республика, Чувашская Республика, Пермский край, Ульяновская область, Свердловская область, Новосибирская область, Томская область, Приморский край.

Кластер № 6
Костромская область, Ненецкий автономный округ, Краснодарский край, Республика Дагестан, Республика Ингушетия, Ставропольский край, Ханты-Мансийский автономный округ - Югра, Ямало-Ненецкий автономный округ, Республика Хакасия, Красноярский край, Иркутская область, Кемеровская область, Республика Саха (Якутия), Чукотский автономный округ.

Кластер № 7
Смоленская область, Тверская область, Калининградская область, Республика Адыгея, Волгоградская область, Чеченская Республика, Саратовская область, Республика Алтай, Республика Бурятия, Забайкальский край, Камчатский край, Амурская область, Еврейская автономная область.
Источник: авторская разработка.

Отметим особенность распределения субъектов по кластерам, которая выражается в отсутствии корреляции между вхождением субъектов в кластерные формации и в федеральные округа Российской Федерации.

Таблица 2 демонстрирует средние значения множества используемых индикаторов по кластерам и по Российской Федерации за 2023 г.

Таблица 2

Средние показатели инновационного социально-экономического

развития по кластерам и по России за 2023 г.

Показатель
Кластер
П1
П2
П3
П4
П5
№ 1
101,06
39,17
2,60
18,73
5,92
№ 2
105,62
56,25
-0,87
15,66
1,27
№ 3
116,43
171,22
5,00
30,15
16,47
№ 4
83,28
58,40
7,16
18,06
2,45
№ 5
109,26
1149
7,00
25,46
7,07
№ 6
103,41
101,00
4,59
11,58
1,31
№ 7
130, 22
47,85
3,98
14,53
2,56
Среднее
по РФ
107,53
265,19
4,22
18,79
4,90
Источник: Авторская разработка.

Данные расчетов, представленные в таблице 2, показывают, что наибольшее инвестирование в основной капитал (П1) наблюдается в субъектах кластера № 7. Субъекты, создавшие кластер № 5, аттестуются большим использованием передовых производственных технологий (П2), а субъекты кластера № 4 – высоким приростом высокопроизводительных рабочих мест (П3). Субъекты, сформировавшие кластер № 3, успешно осуществляют технологические инновации (П4) и выпуск инновационных товаров, работ, услуг организациями промышленного производства (П5). В субъектах, сформировавших кластеры № 1, № 2 и № 7, наблюдается прирост высокопроизводительных рабочих мест, который ниже среднероссийких значений. Это вызывает необходимость фокусирования управленческой деятельности на повышении данного показателя.

Заключение

В настоящей работе проведено исследование, нацеленное на рассмотрение вопросов стратегического управления по формированию продуктивной и оперативной методологии, которая опирается на использование нейронных сетей – существенного элемента искусственного интеллекта.

Метод кластеризации многомерных данных на фундаменте нейросетевого моделирования, предложенный в работе, проиллюстрировал важность дифференцированного подхода к стратегическому социально-экономическому развитию субъектов России, характеризующихся многогранностью их инновационного развития. Такой подход будет стимулировать социально-экономическую деятельность субъектов в соответствии с ориентацией их вектора на наращивание инновационной компоненты в экономике.

Выполненное исследование показало, что с позиции технологического лидерства Российской Федерации необходимо направление действий на усиление инновационной деятельности во всех субъектах, особенно в субъектах кластеров № 2 и № 6. Реализация этих задач, опираясь на практики субъектов-лидеров и на эффективное стратегическое управление, будет усиливать технологический суверенитет, технологическое лидерство и, наряду с этим, укреплять национальную безопасность Российской Федерации.


Источники:

1. Указ Президента Российской Федерации от 28 февраля 2024 г. № 145 «О Стратегии научно-технологического развития Российской Федерации». [Электронный ресурс]. URL: http://www.kremlin.ru/acts/bank/50358 (дата обращения: 02.01.2025).
2. Указ Президента Российской Федерации от 07.05.2024 года № 309 «О национальных целях развития Российской Федерации на период до 2030 года и на перспективу до 2036 года». [Электронный ресурс]. URL: https://www.garant.ru/hotlaw/federal/1717715/ (дата обращения: 02.01.2025).
3. Балабанов А.С., Стронгина Н.Р. Анализ данных в экономических приложениях. - Нижний Новгород: Изд-во ННГУ, 2004. – 135 c.
4. Бахтизин А.Р., Акинфеева Е.В. Сравнительные оценки инновационного потенциала регионов Российской Федерации // Проблемы прогнозирования. – 2010. – № 3. – c. 73-81.
5. Донцова О.И., Абдикеев Н.М., Богачев Ю.С. Развитие управленческих механизмов обеспечения технологического прорыва в экономике России // Управленческие науки. – 2019. – № 9. – c. 15-31. – doi: 10.26794/2404-022X-2019-9-4-15-31.
6. Дробот Е.В., Макаров И.Н., Башлыков Т.В., Сухина Ю.В., Володина А.И. Планирование инновационного развития региональных систем на основе цифровизации государственного стратегического управления // Вопросы инновационной экономики. – 2024. – № 1. – c. 139-156. – doi: 10.18334/vinec.14.1.120684.
7. Захаров В.Я., Плехова Ю.О. Сущность и актуальность усиления технологического суверенитета России // Актуальные проблемы управления: Сборник научных статей по итогам X Юбилейной Всероссийской научно-практической конференции. Нижний Новгород, 2024. Национальный исследовательский Нижегородский государственный университет им. Н.И. Лобачевского. Нижний Новгород, 2024. – c. 340-344.
8. Коляда А.А., Плехова Ю.О. Определение понятия бизнес-модели и требований к нему в целях стратегического менеджмента организации // Вестник Нижегородского университета им. Н.И. Лобачевского. Серия: Социальные науки. – 2024. – № 1. – c. 7-16. – doi: 10.52452/18115942_2024_1_7.
9. Корнилов Д.А., Шувалова Ю.Н. Анализ и перспективы развития мирового рынка искусственного интеллекта // Развитие и безопасность. – 2024. – № 1. – c. 46–57.
10. Куняев Н.Е., Мартынов Л.М., Старожук Е.А. Подход к развитию систем управления полным жизненным циклом высокотехнологичной продукции организаций машиностроительного и оборонно-промышленного комплексов в современных условиях // Экономика и предпринимательство. – 2023. – № 1. – c. 1203–1205. – doi: 10.34925/EIP.2023.150.1.245.
11. Летягина Е.Н., Перова В.И. Искусственный интеллект в анализе региональных инновационных экосистем Российской Федерации в условиях импортозамещения // Экономический анализ: теория и практика. – 2024. – № 5. – c. 834–856. – doi: 10.24891/ea.23.5.834.
12. Летягина Е.Н., Перова В.И. Нейросетевое моделирование региональных инновационных экосистем // Journal of New Economy. – 2021. – № 1. – c. 71–89.
13. Митяков Е.С., Ладынин А.И. Модель управления энергетической безопасностью высокотехнологичных предприятий // Развитие и безопасность. – 2021. – № 41. – c. 62–72. – doi: 10.46960/2713-2633_2021_4_62.
14. Никитин Г.С., Скобелев Д.О. Эффективность государственных и корпоративных инвестиций в развитие реального сектора экономики // Вестник Нижегородского университета им. Н.И. Лобачевского. Серия: Социальные науки. – 2022. – № 4. – c. 32–41. – doi: 10.52452/18115942_2022_4_32.
15. Перова В.И., Капусткина А.В. Анализ динамики экономической деятельности крупнейших компаний России на основе методов искусственного интеллекта // Вестник Нижегородского университета им. Н.И. Лобачевского. Серия: Социальные науки. – 2023. – № 2. – c. 22–31. – doi: 10.52452/18115942_2023_2_22.
16. Перова В.И., Зайцева К.В. Исследование динамики инновационной деятельности регионов России с применением нейросетевого моделирования // Экономический анализ: теория и практика. – 2017. – № 5. – c. 887–901.
17. Русакова А.С., Старожук Е.А., Красникова А.С. Анализ систем управления полным жизненным циклом высокотехнологичной продукции в России и зарубежных странах // Вопросы инновационной экономики. – 2021. – № 2. – c. 767-784. – doi: 10.18334/vinec.11.2.112261.
18. Сюпова М.С. Сравнительная оценка инновационного развития регионов // Вестник Тихоокеанского государственного университета. – 2021. – № 4. – c. 91–100.
19. Трофимов О.В., Фролов В.Г., Климова Е.З. Анализ особенностей развития высокотехнологичных предприятий промышленности в экономике Нижегородской области // Вестник Нижегородского университета им. Н.И. Лобачевского. Серия: Социальные науки. – 2021. – № 1. – c. 33–38. – doi: 10.52452/18115942_2021_1_33.
20. Тюкавкин Н.М., Анисимова В.Ю. Императивы региональной политики импортозамещения и инноваций в промышленности Самарской области в контексте технологического суверенитета // Развитие и безопасность. – 2024. – № 3. – c. 39–50.
21. Федеральная служба государственной статистики (Росстат). [Электронный ресурс]. URL: https://gks.ru (дата обращения: 11.09.2024).
22. Фролов В.Г., Перова В.И. Анализ инновационно-инвестиционной сбалансированности промышленной политики России в условиях цифровой трансформации с применением методов искусственного интеллекта // Вопросы инновационной экономики. – 2023. – № 1. – c. 127-148. – doi: 10.18334/vinec.13.1.117247.
23. Фролов В.Г. Инновационно-инвестиционно сбалансированная промышленная политика в условиях цифровой трансформации. - М.: Первое экономическое издательство, 2021. – 240 c.
24. Яшина Н.И., Яшин С.Н., Плетникова А.Е. Развитие методик оценки результативности государственного финансирования образования, науки и инноваций: региональный аспект // Вестник Нижегородского университета им. Н.И. Лобачевского. Серия: Социальные науки. – 2022. – № 4. – c. 63–70. – doi: 10.52452/18115942_2022_4_63.
25. A Method of Static and Dynamic Pattern Analysis of Innovative Development of Russian Regions in the Long Run 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
26. Kohonen T. The self-organizing map // Proceedings of the IEEE. – 1990. – № 9. – p. 1464–1480.

Страница обновлена: 28.01.2025 в 18:56:53