Комплексная модель управления ресурсной базой приборостроения: интеграция стоимостного подхода, нечёткой логики и мультипликативного эффекта научно-исследовательских работ

1. Введение

Актуальность.

Актуальность настоящей статьи обусловлена недостаточностью существующих методологических инструментов для комплексной оценки и управления ресурсной базой приборостроительной отрасли в условиях технологического суверенитета, санкционного давления и цифровой трансформации. Современные подходы - будь то чисто стоимостные (на основе EVA), ресурсные или качественные - позволяют оценивать лишь отдельные аспекты состояния предприятий, но не способны в полной мере учитывать синергетический эффект распространения результатов НИОКР по организационно-технологической цепочке и мультипликативный характер инновационных вложений.

В то же время именно интеграция этих факторов - стоимостной эффективности, нечёткой оценки качественных рисков и количественного учёта мультипликативного эффекта НИР - становится ключевым условием для выявления скрытых узких мест и формирования устойчивых управленческих решений. Отсутствие единой модели, которая бы объединяла эти разрозненные подходы в единый инструментарий, создаёт методологический вакуум и затрудняет стратегическое планирование на отраслевом уровне.

Предлагаемая в статье комплексная модель восполняет этот пробел. Она направлена не просто на диагностику текущего состояния, а на формирование целостного, динамического представления о ресурсном потенциале и потенциале роста, что позволяет перейти от реактивного управления к проактивному, основанному на прогнозировании и управлении рисками. Таким образом, актуальность работы заключается в создании именно методологического инструмента, который обеспечивает научную обоснованность и практическую применимость решений по укреплению ресурсной базы высокотехнологичного сектора экономики.

Литературный обзор

Современное состояние ресурсной базы приборостроительной отрасли Российской Федерации стало предметом активной научной дискуссии в условиях технологического суверенитета, санкционного давления и необходимости ускоренной цифровой трансформации. Исследователи всё чаще подчёркивают глубокое противоречие между ростом объёмов производства и структурной деградацией ключевых ресурсных компонентов.

Финансово-инвестиционные ограничения получили глубокое осмысление в работах Суздалевой Н. Н., которая констатирует: «Существенными проблемами следует признать недостаточный объем финансовых ресурсов, источников привлечения капитала для финансирования инновационных проектов, низкая квалификация непрофильного персонала» [39, с. 375]. Эта проблема усугубляется ограниченным доступом к заемным средствам и снижением рентабельности капитала, что особенно остро проявляется в высокотехнологичных секторах. Акбердина В. В. и Шолох Л. С. подчёркивают необходимость разработки методического инструментария для оценки уровня развития именно высокотехнологичных отраслей, поскольку оценка их эффективности требует учёта специфики и высокой инвестиционной ёмкости [1, с.140].

Технологическое отставание как угроза экономической безопасности подробно исследовано Микаевой А. С., которая указывает, что порядка 50% оборудования в приборостроении эксплуатируется свыше 10 лет и соответствует четвертому технологическому укладу, то есть уровню 1960–1970-х гг. [9, с. 33]. Высокая зависимость от импорта комплектующих (~70%) повышает уязвимость отрасли к внешним воздействиям. Гнидченко А. и соавт. в своих исследованиях подтверждают высокую зависимость российской экономики от высокотехнологичного импорта, что создаёт системные риски для промышленности [3, с. 58]. Анализ состояния отрасли, проведённый Ворониной В. Н. и одним из авторов статьи, показывает, что проблемы импортозамещения носят комплексный характер и затрагивают не только закупку компонентов, но и весь цикл создания продукции [2, с. 142; 8, с. 152].

Кадровый дефицит рассматривается как системный вызов, затрагивающий всю цепочку создания ценности — от научно-исследовательских и опытно-конструкторских работ (НИОКР) до серийного производства. По оценкам Суздалевой Н. Н. и Акбердиной В. В. разрыв между спросом и предложением по ключевым инженерно-техническим позициям достигает 30–40% [39, с. 378; 1, с. 143]. В 2024 году, по сообщению вице-президента по HR и организационному развитию производителя электроники «Аквариус» Виктории Хаба, «Дефицит инженерных кадров в России составляет порядка 600 000 специалистов» [40]. Это препятствует внедрению новых технологий и разработке инновационной продукции. Микаева С. А. акцентирует внимание на том, что «экономическая безопасность в приборостроении напрямую зависит от наличия квалифицированных кадров, способных работать с современными технологиями» [10, с. 15].

В ответ на эти вызовы формируются новые методологические подходы к управлению ресурсной базой. Ресурсно-ориентированный подход (Resource-Based View), развитый в работах Барни Дж. Б., рассматривает ресурсную базу как источник устойчивого конкурентного преимущества, поскольку «уникальные и неимитируемые ресурсы, обладающие способностью к синергетическому взаимодействию, обеспечивают долгосрочную конкурентоспособность» [27, с. 99]. Этот подход был адаптирован в российской практике Платоновым В. В. и соавт., которые отмечают, что ресурсная база предприятия должна анализироваться не как набор активов, а как система, генерирующая устойчивое преимущество [14, с. 76].

Стоимостной подход (Value-Based Management), основанный на концепции экономической добавленной стоимости (EVA), получил развитие в трудах Стюарта Г. Б., который утверждает, что «истинная цель управления — это максимизация экономической добавленной стоимости, а не просто бухгалтерской прибыли» [32, с. 102]. Он позволяет дифференцировать ресурсный потенциал на текущий уровень и потенциал роста, что особенно важно для оценки инновационных проектов и долгосрочной устойчивости.

Системный анализ как методологический фундамент управления ресурсной базой был заложен Клейнером Г. Б., который трактует промышленность как сложную систему, где предприятия взаимосвязаны через сквозные потоки материалов, информации, финансов и технологий [7, с. 37]. Этот подход обеспечивает переход от анализа отдельных субъектов к интегрированному управлению ресурсами на отраслевом уровне, что особенно актуально для приборостроения, функционирующего как цепочка.

Особое значение приобретают механизмы проектного управления и государственно-частного партнёрства (ГЧП). Ескомб Э. Р. рассматривает ГЧП как «ключевой инструмент распределения рисков и мобилизации «длинных денег» для капиталоёмких высокотехнологичных проектов» [33, с. 78]. Малянов Д. В. подчёркивает, что такие проекты реализуются по фазам: подготовительный этап → заключение соглашения о ГЧП → реализация проекта → завершение проекта [8, с. 157].

Наконец, интеграция глубоких технологий и искусственного интеллекта становится новым вектором развития. Бринйольфссон Э. и Макафи Э. подчёркивают, что «ИИ выступает не только как вспомогательный инструмент, но и как адаптивный элемент системы мониторинга, прогнозирования и управления» [21, с. 5]. Стародубцев А. А. и Филиппов А. Н. отмечают, что интеллектуальные системы позволяют оперативно реагировать на изменения производственных условий и требования рынка [17, с. 94]. Пашина Е. А. и Назаревич С. А. демонстрируют, как эвристические модели и бережливое производство могут быть успешно применены в приборостроении для повышения гибкости и снижения потерь [13, с. 29].

Таким образом, как отечественные, так и зарубежные исследования сходятся в том, что традиционные методы оценки ресурсного потенциала недостаточны для управления приборостроительной отраслью в условиях высокой неопределённости. Возникает научный пробел в части гибридной модели, способной одновременно учитывать количественные показатели эффективности (через EVA и нелинейную регрессию) и качественные риски (через нечёткую логику), а также мультипликативный эффект научно-исследовательских работ (НИР). Именно этот пробел и восполняется настоящим исследованием.

Научная новизна заключается в разработке гибридной методологии оценки ресурсной базы приборостроительной отрасли, которая впервые интегрирует три компонента в единую систему: стоимостной подход на основе экономической добавленной стоимости (Economic Value Added, EVA), нечёткую логику для диагностики качественных рисков в условиях неполной информации и количественный учёт мультипликативного эффекта научно-исследовательских работ (НИР) при распространении инновационных результатов по организационно-технологической цепочке. Предложенная модель преодолевает разрыв между количественными и качественными методами оценки, обеспечивая выявление скрытых рисков даже при положительной динамике финансовых показателей.

Авторская гипотеза: применение комплексной модели оценки ресурсной базы, объединяющей стоимостную диагностику (EVA), нечёткую логику и учёт мультипликативного эффекта научно-исследовательских работ, позволяет достоверно выявлять скрытые риски деградации ресурсного потенциала приборостроительных предприятий даже в условиях роста выручки, что создаёт предпосылки для формирования устойчивых механизмов развития через инструменты государственно-частного партнёрства и проектного финансирования.

Методология исследования основана на системном подходе к анализу приборостроительной отрасли как организационно-технологической цепочки, где предприятия взаимосвязаны через сквозные потоки материалов, информации, финансов и технологий. В рамках данного подхода формируется фреймовая структура знаний о ресурсных ограничениях, которая служит основой для:

— диагностики текущего состояния ресурсной базы через синтез стоимостных показателей и нечётких оценок;

— прогнозирования развития на 5–7 лет с учётом сценарной неопределённости;

— формирования управленческих решений на основе верификации гипотез плана через практическую апробацию на предприятиях цепочки (ПАО «Элемент», АО «ВЗПП-С», ООО «Резонит»).

Такая методологическая архитектура обеспечивает переход от фрагментарной оценки отдельных ресурсов к целостному управлению ресурсной базой отрасли в условиях технологического суверенитета и санкционного давления.

2. Основная часть

2.1. Системные вызовы и противоречия развития ресурсной базы приборостроительной отрасли

Современное состояние ресурсной базы приборостроительной отрасли Российской Федерации характеризуется глубоким противоречием между динамикой роста производства и структурной деградацией ключевых ресурсных компонентов. По итогам 2024 года «объём российского производства радиоэлектронной продукции … достиг 3,5 трлн руб., что на 34% превышает показатель 2023 г.» [35, с. 1]. Однако данный рост обусловлен преимущественно мерами государственной поддержки и активизацией проектов государственно-частного партнёрства (ГЧП), а не устойчивым обновлением ресурсной базы [8, с. 153].

Анализ выявляет три взаимосвязанных ограничения, формирующих «узкое место» отрасли:

1. Финансово-инвестиционные ограничения: несмотря на рост инвестиций в основной капитал их объём остаётся ниже порогового уровня в 25% ВВП, необходимого для устойчивого развития промышленности. Указанное приводит к сохранению высокого износа основных фондов — «степень износа основных фондов по экономике в 2015 г. достигла 50,5%, в обрабатывающих производствах 48%, в высокотехнологичных – 47,1%» [9, с. 33], что можно рассматривать как критическое значение. Прошедшие 10 лет не дали выраженной положительной динамики ввиду компенсации объёмов инвестиций санкционным режимом.

2. Технологическое отставание: порядка 50% оборудования в приборостроении эксплуатируется свыше 10 лет и соответствует четвёртому технологическому укладу, то есть уровню 1960–1970-х гг. [9, с. 33]. Высокая зависимость от импорта комплектующих (по разным оценкам ~70% по отдельным позициям) повышает уязвимость к санкционному давлению и ограничивает экспортный потенциал, поскольку «продукция часто не соответствует международным стандартам» [10, с. 15].

3. Кадровый дефицит: в 2024 году – «Дефицит инженерных кадров в России составляет порядка 600 000 специалистов» [40, с. 1]. Эта проблема затрагивает всю цепочку создания ценности — от научно-исследовательских и опытно-конструкторских работ (НИОКР) до серийного производства, препятствуя внедрению новых технологий и разработке инновационной продукции.

Таким образом, три аспекта взаимоусиливают друг друга, формируя структурное «узкое место» отрасли (Таблица 1). Тем не менее, одновременно наблюдается рост господдержки: «По итогам 2024 года бюджетные инвестиции в электронную промышленность России должны превысить показатель 2020 года в 15 раз» [36, с. 1] и, в итоге, составили более 232 млрд руб. [37, с. 1].

Таблица 1 — Основные проблемы приборостроительной отрасли

Данные противоречия подтверждают необходимость комплексной модели, которая учитывает мультипликативный эффект научно-исследовательских работ (НИР), интегрирует стоимостной и ресурсный подходы, использует проектное финансирование как механизм мобилизации «длинных денег» и применяет гибридную оценку на основе нелинейной регрессии и нечёткой логики для управления в условиях высокой неопределённости. Такой подход позволяет не только количественно оценивать ресурсный потенциал, но и выявлять скрытые риски даже при положительной динамике выручки, что особенно актуально в условиях санкционного давления и технологической трансформации [19, с. 1475].

2.2. Методические основы комплексной модели развития ресурсной базы

Комплексная модель развития ресурсной базы приборостроительной отрасли строится на совокупности теоретико-методологических фундаментов и включает следующие взаимосвязанные положения.

Ресурсно-ориентированный подход (Resource-Based View). Данный подход рассматривает ресурсную базу предприятия как источник устойчивого конкурентного преимущества. Акцент делается не на простое наличие ресурсов, а на их уникальность, неимитируемость и способность к синергетическому взаимодействию, что обеспечивает долгосрочную конкурентоспособность в условиях высокотехнологичной конкуренции. Как отмечают Платонов В. В. и соавт., ресурсная база предприятия должна анализироваться не как набор активов, а как система, генерирующая устойчивое преимущество [14, с. 76]. Подход был развит в работах Барни Дж. Б., который подчёркивает, что «уникальные и неимитируемые ресурсы, обладающие способностью к синергетическому взаимодействию, обеспечивают долгосрочную конкурентоспособность» [27, с. 99].

Стоимостной подход (Value-Based Management). Подход основан на концепции экономической добавленной стоимости (Economic Value Added, EVA) для оценки эффективности капитала. Он позволяет дифференцировать ресурсный потенциал на текущий уровень (нормируемый рост, отражающий стабильную операционную деятельность) и потенциал роста (реальный опцион, обусловленный инновационной активностью, научно-исследовательскими и опытно-конструкторскими работами (НИОКР) и модернизацией производственных процессов). Стюарт Г. Б. утверждает, что «истинная цель управления — это максимизация экономической добавленной стоимости, а не просто бухгалтерской прибыли» [32, с. 102].

Системный анализ (Г. Б. Клейнер, Ю. И. Черняк). Согласно данному подходу, приборостроительная отрасль трактуется как организационно-технологическая цепочка, в которой предприятия взаимосвязаны через сквозные потоки материалов, информации, финансов и технологий. Это обеспечивает переход от изолированного анализа отдельных субъектов к интегрированному управлению ресурсами на отраслевом уровне. Г. Б. Клейнер отмечает, что промышленность следует трактовать как сложную систему, где предприятия взаимосвязаны через сквозные потоки материалов, информации, финансов и технологий [7, с. 37].

Механизмы проектного управления и государственно-частного партнёрства (ГЧП). Инструменты проектного финансирования и ГЧП рассматриваются как ключевые механизмы распределения рисков и мобилизации «длинных денег» для капиталоёмких высокотехнологичных проектов. Малянов Д. В. подчёркивает, что такие проекты реализуются по фазам: подготовительный этап → заключение соглашения о ГЧП → реализация проекта → завершение проекта [8, с. 157]. Ескомб Э. Р. рассматривает ГЧП как «ключевой инструмент распределения рисков и мобилизации «длинных денег» для капиталоёмких высокотехнологичных проектов» [33, с. 78].

Интеграция глубоких технологий и искусственного интеллекта. В состав ресурсной базы вводятся компоненты глубоких технологий, включая искусственный интеллект, цифровые двойники, нанотехнологии, аддитивное производство и квантовые технологии. Искусственный интеллект выступает не только как вспомогательный инструмент, но и как адаптивный элемент системы мониторинга, прогнозирования и управления, обеспечивающий оперативную реакцию на изменения внешней и внутренней среды. Стародубцев А. А. и Филиппов А. Н. отмечают, что интеллектуальные системы позволяют оперативно реагировать на изменения производственных условий и требования рынка [17, с. 94]. Бринйольфссон Э. и Макафи Э. подчёркивают, что «ИИ выступает не только как вспомогательный инструмент, но и как адаптивный элемент системы мониторинга, прогнозирования и управления» [21, с. 5].

Модель реализуется на основе пяти ключевых методологических оснований.

Многоуровневая интеграция предполагает объединение традиционных ресурсов (материальных, трудовых, финансовых) и современных компонентов (искусственный интеллект, цифровые технологии, автоматизация), а также предприятий цепочки — от полупроводниковых заводов (АО «ВЗПП-С») до системных интеграторов (ООО «Группа Аквариус», ООО «Бештау»). Ищенко А. М. в своей монографии подробно описывает структуру отечественного приборостроения, включая ключевые предприятия цепочки [5, с. 42].

Количественно-качественная сбалансированность обеспечивается комбинированием количественных методов (нелинейная регрессия, экономическая добавленная стоимость (EVA), коэффициент интеллектуальной добавленной стоимости (Value Added Intellectual Coefficient, VAIC), NPV/IRR) и качественных подходов (нечёткая логика, экспертные оценки, лингвистические переменные) [33, с. 81]. Учёт неопределённости (санкции, импортозависимость, кадровый дефицит) осуществляется через теорию нечётких множеств.

Мультипликативный эффект научно-исследовательских работ (НИР) отражает распространение результатов инновационной деятельности по всей организационно-технологической цепочке с созданием синергетического эффекта. Количественная оценка осуществляется через НИР-мультипликатор (например, 2,3 рубля экономического эффекта на 1 рубль инвестиций в НИР) [38, с. 35].

Адаптивное управление реализуется через внедрение цифровых двойников и предиктивной аналитики для мониторинга состояния ресурсной базы в реальном времени с возможностью оперативной корректировки стратегии на основе данных о загрузке оборудования, кадровом составе и логистических издержках [13, с. 29; 41, с. 187; 42, с. 215].

Территориально-отраслевая координация учитывает региональную специализацию (Урал — авиация и медицина, Ленинградская область — микроэлектроника, Москва — радиоэлектроника) и предусматривает формирование промышленных кластеров (например, консорциум «Приборы-2030») для снижения транзакционных издержек.

2.3. Архитектура и практическая реализация комплексной модели

Таблица 2 - Архитектура комплексной модели развития ресурсной базы

На основе статистических данных Росстата за 2004–2024 гг. предлагается комплексная модель развития ресурсной базы приборостроительной отрасли, интегрирующая три методологических компонента: нелинейную регрессию для количественного прогнозирования динамики производственных и финансовых показателей; теорию нечётких множеств для оценки состояния ресурсной базы в условиях высокой неопределённости, обусловленной санкционным давлением, импортозависимостью и кадровым дефицитом [38, с. 35]; а также количественный учёт мультипликативного эффекта научно-исследовательских работ (НИР) для оценки синергетического распространения результатов инновационной деятельности по всей организационно-технологической цепочке предприятий [38, с. 36].

Методологической основой модели выступает структурно-целевой подход, рассматривающий отрасль как взаимосвязанную цепочку предприятий, где каждое звено вносит вклад в формирование добавленной стоимости [5, с. 42]. Оценка ресурсной базы осуществляется на основе функционально-стоимостного анализа, включающего расчёт экономической добавленной стоимости (Economic Value Added, EVA) для измерения текущей эффективности использования капитала [32, с. 102] и применение коэффициента интеллектуальной добавленной стоимости (Value Added Intellectual Coefficient, VAIC) для количественной оценки вклада нематериальных активов и интеллектуального капитала в создание экономической ценности [43, с. 88].

Такой синтез количественных, качественных и инновационных подходов обеспечивает целостную диагностику ресурсного потенциала и позволяет формировать обоснованные управленческие решения в условиях технологической трансформации и стремления к технологическому суверенитету [1, с. 140; 19, с. 1475].

Схема комплексной модели представлена на рисунке 1:

Рисунок 1 — Схема комплексной модели оценки ресурсной базы приборостроительной отрасли

Авторский рисунок

Ключевые расшифровки для рисунка:

НИР — научно-исследовательские работы;

НИОКР — научно-исследовательские и опытно-конструкторские работы;

ГЧП — государственно-частное партнёрство;

EVA — экономическая добавленная стоимость (Economic Value Added);

VAIC — коэффициент интеллектуальной добавленной стоимости (Value Added Intellectual Coefficient);

NPV — чистая приведённая стоимость (Net Present Value);

IRR — внутренняя норма доходности (Internal Rate of Return);

S_t — интегральный показатель состояния ресурсной базы предприятия в момент времени t;

R_norm — нормированное значение количественного компонента (шкала от 0 до 1);

F_out — выход нечёткой системы (степень принадлежности к лингвистическим термам, шкала от 0 до 1);

M_norm — нормированный индекс мультипликативного эффекта научно-исследовательских работ (шкала от 0 до 1);

w_1, w_2, w_3 — весовые коэффициенты количественного, качественного и инновационного компонентов модели соответственно (рекомендуемые значения: 0,4; 0,3; 0,3).

Схема представляет трёхкомпонентную архитектуру интегрированной оценки ресурсной базы, объединяющую количественные, качественные и инновационные аспекты в единый диагностический инструмент. Модель состоит из трех основных компонентов, которые затем интегрируются в единый показатель:

1) Количественный компонент (нелинейная регрессия) - предоставляет численную оценку производственного объема и экономической добавленной стоимости.

2) Качественный компонент (нечёткая логика) - обеспечивает оценку неформализуемых факторов состояния ресурсной базы.

3) Компонент мультипликативного эффекта НИР - количественно оценивает эффективность инвестиций в научно-исследовательские работы.

Указанные три компонента взвешенно суммируются в интегральный показатель, который служит основой для выработки управленческих рекомендаций.

Формула модели: где:

интегральный показатель состояния ресурсной базы;

нормированное значение из нелинейной регрессии (по EVA или выручке);

выход нечёткой системы (степень принадлежности к «умеренному развитию»);

нормированный мультипликатор НИР (например, 2,3 → нормируется как 0,77);

веса (рекомендуется: 0,4 / 0,3 / 0,3), с учётом приоритета количественных данных при стратегическом планировании.

Уточнённые компоненты модели

1. Количественная подсистема (обновлённая регрессия) С учётом данных по ПАО «Элемент» и ООО «Аквариус» вводится расширенная функция:

где коэффициент усиления отдачи от инноваций.

2. Качественная подсистема (нечёткая логика). Лингвистические переменные обновлены с учётом состояния отрасли в 2024 г.

Таблица 3 - Лингвистические переменные для нечёткой оценки (2024 г.)

База правил дополнена:

Если И → «Развитие с рисками»;

Если И → «Переход к суверенитету».

3. Мультипликативный эффект НИР На основе расчётов по цепочке предприятий:

¾ Прямая экономия: 51,4 млн руб.;

¾ Мультипликатор: 2,3 (руб. эффекта на 1 руб. инвестиций);

¾ Эластичность: 0,199–0,254.

В модель вводится нормированный индекс НИР-эффекта:

(при мультипликаторе 2,3 → ).

Практическое применение (на примере ПАО «Элемент», 2024 г.)

Таблица 4 - Компоненты интегрального показателя

Выводы: на основе значения интегрального показателя St формулируются конкретные управленческие решения:

1) При St < 0,5 (критическое состояние):

¾ усиление механизмов ГЧП - для привлечения дополнительных инвестиций и распределения рисков.

¾ повышение доли НИР в инвестициях (НИР/I) - для стимулирования инновационной активности и создания долгосрочных конкурентных преимуществ.

2) При St > 0,7 (высокий потенциал): масштабирование успешных проектов - для увеличения объемов производства и экспортной ориентации.

3) При 0,5 ≤ St ≤ 0,7 (среднее состояние): стратегическое планирование ресурсов - для целевой модернизации узких мест взаимодействия предприятий приборостроения.

3. Заключение

Проведённое исследование подтверждает, что современное состояние ресурсной базы приборостроительной отрасли Российской Федерации характеризуется глубоким противоречием: с одной стороны, наблюдается устойчивый рост производства (объём радиоэлектронной продукции достиг 3,5 трлн руб. в 2024 г., что на 34% превышает показатель 2023 г.), активизируются механизмы государственной поддержки и ГЧП; с другой - сохраняются системные ограничения, включая износ основных фондов (50,5%), высокую импортозависимость (~70%) и кадровый дефицит (до 40% по ключевым позициям).

В этих условиях традиционные методы оценки ресурсного потенциала оказываются недостаточными, поскольку не позволяют одновременно учитывать количественные показатели эффективности и качественные риски, связанные с неопределённостью внешней среды. В ответ на этот вызов в работе предложена комплексная модель, объединяющая:

1) стоимостной подход (через декомпозицию EVA и расчёт потенциала роста);

2) нечёткую логику (для оценки состояния ресурсной базы в условиях неполной информации);

3) мультипликативный эффект НИР (как количественный индикатор инновационной отдачи).

Модель апробирована на предприятиях организационно-технологической цепочки - ПАО «Элемент», АО «ВЗПП-С», ООО «Резонит» и других, - и продемонстрировала высокую диагностическую и прогностическую ценность. Интегральный показатель для ПАО «Элемент» попадает в диапазон 0,5 ≤ St ≤ 0,7 (среднее состояние).

Таким образом, предложенная модель не только соответствует требованиям научной новизны (интеграция DeepTech, НИР-мультипликатора, гибридной оценки), но и обладает практической значимостью: она может быть использована как инструмент стратегического планирования, мониторинга и принятия решений на уровне отдельных предприятий, отраслевых ассоциаций и органов государственного управления. Её применение способствует повышению технологического суверенитета, снижению уязвимости к санкционным рискам и обеспечению устойчивого развития высокотехнологичного сектора экономики Российской Федерации.