Innovative method of analyzing the management of socio-economic development of Russian regions by means of neural network modeling

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.

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.

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.