Использование методов машинного обучения для оценки инвестиционной деятельности различных регионов России

Кричевский М.Л.1, Мартынова Ю.А.1
1 Санкт-Петербургский государственный университет аэрокосмического приборостроения, Россия, Санкт-Петербург

 Скачать PDF | Загрузок: 84 | Цитирований: 6

Статья в журнале

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

Том 9, Номер 4 (Октябрь-Декабрь 2019)

Цитировать эту статью:

Кричевский, М. Л. Использование методов машинного обучения для оценки инвестиционной деятельности различных регионов России / М. Л. Кричевский, Ю. А. Мартынова // Вопросы инновационной экономики. – 2019. – Т. 9, № 4. – С. 1557-1572. – DOI 10.18334/vinec.9.4.41432
Krichevskiy, M. L., & Martynova, Y. A. (2019). Use of machine learning for evaluating investment activity. Russian Journal of Innovation Economics, 9(4), 1557-1572. https://doi.org/10.18334/vinec.9.4.41432

Эта статья проиндексирована РИНЦ, см. https://elibrary.ru/item.asp?id=42555591
Цитирований: 6 по состоянию на 30.01.2024

Аннотация:
Приведены результаты применения методов машинного обучения, пригодных для оценивания инвестиционной деятельности различных регионов России. Базой данных, использованной в работе, являлся отчет Росстата за 2018 г., в котором содержатся сведения об инвестиционной активности всех российских регионов. Решение задачи доведено до получения информации о классе, к которому относится тот или иной регион. Примененные в работе алгоритмы машинного обучения были взяты из программного продукта MatLab 2018b. В результате проведенного исследования для решения поставленной задачи выбраны лучшие методы по точности классификации, с помощью которых можно судить о деятельности регионов России в области инвестиций. Показано использование полученных результатов для формирования оценки принадлежности нового наблюдения к конкретной категории.

Ключевые слова: инвестиционная активность, машинное обучение, кластерный анализ, методы классификации, определение класса регионов

JEL-классификация: С45, С65, D81

Похожие статьи:

   Применение алгоритмов машинного обучения для прогнозирования ESG-рейтинга корпораций в интересах формирования стоимости в финансовом менеджменте (Нджороге П.К.) // Экономика, предпринимательство и право. № 8 / 2024

   Применение искусственного интеллекта и машинного обучения в практике цифрового маркетинга (Агаметов И.Э., Вечкинзова Е.А.) // Креативная экономика. № 8 / 2023

Источники:

Кричевский М.Л., Мартынова Ю.А. Оценка инвестиционной деятельности регионов России // Устойчивое развитие регионов России: от стратегии к тактике: Сборник материалов I Всероссийской научно-практической конференции. – Новосибирск: Издательство ЦРНС. Новосибирск, 2017. – С. 65-71.
2. Мильская Е.А., Бычкова А.В. Анализ и оценка потенциала инновационно-инвестиционной деятельности экономических субъектов (на примере Северо-Западного федерального округа) // Научно-технические ведомости Санкт-Петербургского государственного политехнического университета. Экономические науки. – 2017. – № 2. – doi: 10.18721/JE.10204 .
Инвестиционная деятельность в России: условия, факторы, тенденции. - М.: Федеральная служба государственной статистики, 2018.
Alpaydin E. Introduction to machine learning. Massachusetts Institute of Technology. , 2010. – 579 с.
Daumé H. A Course in Machine Learning. , 2012. – 189 с.
Shalev-Shwartz S., Ben-David S. Understanding Machine Learning: From Theory to Algorithms. - New York, Cambridge University Press, 2014. – 449 с.
7. Chandrinos S.K., Sakkas G., Lagaros N.D. AIRMS: A risk management tool using machine learning // Expert Systems with Applications. – 2018. – № 9. – С. 34-48.
8. Stanula P., Ziegenbein А., Metternich J. Мachine learning algorithms in production: A guideline for efficient data source selection // Procedia CIRP. – 2018. – № 78. – С. 261-266.
9. Portugal I., Alencar P., Cowan D. The use of machine learning algorithms in recommender systems: A systematic review // Expert Systems with Applications. – 2018. – № 5. – С. 205-227.
Kaufman L., Rousseeuw P.J. Finding Groups in Data: An Introduction to Cluster Analysis. - New York. Wiley&Sons, 2005. – 336 с.
Everitt B.S., Landau S., Leese M. et al. Cluster Analysis. - New York. Wiley&Sons, 2011. – 346 с.
12. Tavernier J., Simm J., Meerbergen K. et al. Fast semi-supervised discriminant analysis for binary classification of large data sets // Pattern Recognition. – 2019. – № 7. – С. 86-99.
13. Gao W., Alsarraf J., Moayedi H. et al. Comprehensive preference learning and feature validity for designing energy-efficient residential buildings using machine learning paradigms // Applied Soft Computing. – 2019. – № 11. – С. art.105748.
14. Ezghazi S., Zahi A., Zekoua K. A new nearest neighbor classification method based on fuzzy set theory and aggregation operators // Expert Systems with Applications. – 2017. – № 1. – С. 58-74.
15. ZhangX., Li Y., ZhangX KRNN: k Rare-class, Nearest Neighbour classification // Pattern Recognition. – 2017. – № 62. – С. 33-44. – doi: 10.1016/j.patcog.2016.08.023.
Вапник В. Н., Червоненкис А. Я. Еория распознавания образов. - М.: Наука, 1974. – 416 с.
Vapnik V.N. Statistical Learning Theory. - NY: J.Wiley, 1998. – 740 с.
18. Azad М., Moshkov М. Multi-stage optimization of decision and inhibitory trees for decision tables with many-valued decisions // European Journal of Operational Research. – 2017. – № 3. – С. 910-921. – doi: 10.1016/j.ejor.2017.06.026.
19. Kim K., Hong J. A hybrid decision tree algorithm for mixed numeric and categorical data in regression analysis // Pattern Recognition Letters. – 2017. – № 98. – С. 39-45. – doi: 10.1016/j.patrec.2017.08.011.

Смотрите также:

   Выбор варианта развития предприятия методами машинного обучения (Кричевский М.Л., Мартынова Ю.А.) // Вопросы инновационной экономики. № 2 / 2022

  Методы машинного обучения при выборе стратегии предприятия (Кричевский М.Л.) // Вопросы инновационной экономики. № 1 / 2019

   Совершенствование сценарного планирования инструментами машинного обучения (Ефремов В.С., Никитинс И.) // Информатизация в цифровой экономике. № 3 / 2024

   Методы машинного обучения при оценке конкурентоспособности предприятия (Мартынова Ю.А.) // Вопросы инновационной экономики. № 1 / 2020

  Выбор источника финансирования методами машинного обучения (Мартынова Ю.А.) // Вопросы инновационной экономики. № 3 / 2019

Страница обновлена: 15.09.2025 в 00:37:40

 
 

 Download PDF | Downloads: 84 | Citations: 6

Use of machine learning for evaluating investment activity

Krichevskiy M.L., Martynova Yu.A.

Journal paper

Russian Journal of Innovation Economics (РИНЦ, ВАК)
опубликовать статью | оформить подписку

Volume 9, Number 4 (October-December 2019)

Citation:

Krichevskiy, M. L., & Martynova, Y. A. (2019). Use of machine learning for evaluating investment activity. Russian Journal of Innovation Economics, 9(4), 1557-1572. https://doi.org/10.18334/vinec.9.4.41432

Abstract:
The results of the application of machine learning methods suitable for evaluating the investment activity of various regions of Russia are presented. The database used in this work was the Rosstat report for 2018, which contains information on the investment activity of all Russian regions. The solution to the problem is brought to the receipt of information about the class to which this or that region belongs. The machine learning algorithms used in the work were taken from the software product MatLab 2018b. As a result of the study, in order to solve the problem, the best methods for classification accuracy were selected, with which you can judge the activities of Russian regions in the field of investment. It is shown that the results obtained are used to form an assessment of whether a new observation belongs to a specific category.

Keywords: Key words: investment activity, machine learning, cluster analysis, classification methods, determining the class of regions

JEL-classification: С45, С65, D81