Перова В.И.кандидат физико-математических наук, доцент кафедры математического моделирования экономических процессов, Национальный исследовательский Нижегородский государственный университет им. Н.И. Лобачевского, Нижний Новгород, Российская Федерация perova_vi@mail.ru
Зайцева К.В.студентка магистратуры института экономики и предпринимательства, Национальный исследовательский Нижегородский государственный университет им. Н.И. Лобачевского, Нижний Новгород, Российская Федерация mmep@iee.unn.ru
Предмет. Переход на инновационный путь развития – одна из актуальных задач российской экономической системы. Внедрение передовых технологий связано с уровнем инновационного развития регионов Российской Федерации. Особую значимость в статистике инноваций имеют показатели затрат на технологические инновации ввиду их экономической важности. Цели. Проведение исследования 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. Методология. Показатели, характеризующие динамику инновационной деятельности регионов Российской Федерации за 2012–2015 гг. – численность используемых передовых производственных технологий, прирост высокопроизводительных рабочих мест, затраты на технологические инновации организаций, объем инновационных товаров, работ, услуг – исследованы с помощью нейросетевого моделирования. Нейросетевое моделирование проведено на основе нейронных сетей, которые обучаются без учителя, – самоорганизующихся карт Кохонена, реализованных в программном пакете Viscovery SOMine. Результаты. Исследование определило характер динамики инновационных показателей регионов России и продемонстрировало неравномерность их инновационного развития. Регионы распределились на четыре кластера (группы). Во всех кластерах за рассматриваемый период сформировались ядра с неизменным составом регионов. Наибольшее количество регионов вошло в состав ядра кластера со значительно более низкими показателями инновационной деятельности по сравнению со средними значениями по России. Выводы. Результаты исследования имеют практическую значимость для формирования и реализации инновационной политики регионов России. Анализ динамики инновационной деятельности позволяет сделать вывод о необходимости принятия комплекса мер для стимулирования инновационных процессов в целом по стране, особенно в инновационно слаборазвитых регионах.
Ключевые слова: динамика инновационной деятельности, кластерный анализ, нейронные сети, самоорганизующиеся карты Кохонена, Viscovery SOMine
Список литературы:
Клейнер Г.Б., Мишуров С.С., Ерзнкян Б.А. и др. Инновационное развитие региона: потенциал, институты, механизмы: монография. Иваново: Ивановский государственный университет, 2011. 198 с.
Макаров В.Л. Обзор математических моделей экономики с инновациями // Экономика и математические методы. 2009. Т. 45. № 1. С. 3–14.
Инновационное развитие: экономика, интеллектуальные ресурсы, управление знаниями / под общ. ред. Б.З. Мильнера. М.: ИНФРА-М, 2013. 624 с.
Елецких Г.Г. Технологические инновации как фактор повышения конкурентоспособности фирмы и основа развития современного предпринимательства в России // Вопросы инновационной экономики. 2012. № 1. С. 3–10.
Трифонова Е.Ю., Приказчикова Ю.В. Оценка уровня инновационного развития экономики России // Вестник Нижегородского университета им. Н.И. Лобачевского. 2011. № 5. Ч. 2. С. 215–221.
Болдыревский П.Б., Кистанова Л.А. Оценка эффективности инновационной деятельности промышленных предприятий // Актуальные вопросы науки. 2014. № 12. С. 65–69.
Чалдаева Л.А. Финансово-экономические стимулы инновационной экономики // Вестник МГТА. 2009. № 3-4. С. 120–132.
Бедный А.Б., Бедный Б.И., Грудзинский А.О., Плехова Ю.О. Роль и структура инновационного предпринимательского образования в исследовательском университете // Университетское управление: практика и анализ. 2012. № 3. С. 56–63.
Ситникова И.С., Романова М.С., Шматко А.Д. Развитие малых инновационных предприятий в академических институтах в условиях формирования технологических платформ // Интеллектуальная собственность. Промышленная собственность. 2014. № 8. С. 35–42.
Мисбахова Ч.А. Эконометрическое моделирование институтов развития инноваций на мезоуровне // Вестник Нижегородского университета им. Н.И. Лобачевского. Сер.: Социальные науки. 2016. № 3. С. 48–56.
Горбунова М.Л., Елизарова Н.К. Анализ результатов функционирования региональной инновационной системы Нижегородской области // Вестник Нижегородского госуниверситета им. Н.И. Лобачевского. 2012. № 2. Ч. 2. С. 42–46.
Кудрявцева С.С. Сравнительный анализ инновационного развития стран Евросоюза и России (по методологии европейского инновационного табло) – проблемы стран сырьевой экономики // Вестник Казанского технологического университета. 2012. № 19. С. 204–208.
Аксенов С.В., Новосельцев В.Б. Организация и использование нейронных сетей (методы и технологии) / под ред. В.Б. Новосельцева. Томск: НТЛ, 2006. 128 с.
Sinha S., Singh T.N., Singh V.K., Verma A.K. Epoch Determination for Neural Network by Self-Organized Map (SOM). Computational Geosciences, 2010, vol. 14, iss. 1, pp. 199–206. doi: 10.1007/s10596-009-9143-0
Peng Lifang, Lai Lingling. A Service Innovation Evaluation Framework for Tourism E-Commerce in China Based on BP Neural Network. Electronic Markets, 2014, vol. 24, iss. 1, pp. 37–46. doi: 10.1007/s12525-013-0148-0
Ежов А.А., Шумский С.А. Нейрокомпьютинг и его применение в экономике и бизнесе. М.: МИФИ, 1998. 224 с.
Овсянников В.С. К вопросу управления инновационными проектами с использованием нейронных сетей // Вестник Кузбасского государственного технического университета. 2013. № 3. С. 86–87.
Джонс М.Т. Программирование искусственного интеллекта в приложениях. М.: ДМК Пресс, 2011. 312 с.
Шаламов А.В., Мазеин П.Г. Нейронные сети как новый подход к управлению технологическим оборудованием // Известия Челябинского научного центра Уральского отделения Российской академии наук. 2003. Вып. 1. С. 60–64.
Schmidhuber J. Deep Learning in Neural Networks: An Overview. Neural Networks, 2015, vol. 61, pp. 85–117. doi: 10.1016/j.neunet.2014.09.003
Лазарев В.М., Свиридов А.П. Нейросети и нейрокомпьютеры: монография. М.: Академия, 2011. 131 с.
Илларионов М.Г., Кирпичников А.П., Латыпова Р.Р. Прогнозирование на основе аппарата нейронных сетей // Вестник Казанского технологического университета. 2012. Т. 15. № 1. С. 163–164.
Ширяев В.И. Финансовые рынки: Нейронные сети, хаос и нелинейная динамика. М.: ЛИБРОКОМ, 2016. 232 c.
Tavan P., Grubmüller H., Kühnel H. Self-Organization of Associative Memory and Pattern Classification: Recurrent Signal Processing on Topological Feature Maps. Biological Cybernetics, 1990, vol. 64, iss. 2, pp. 95–105. doi: 10.1007/BF02331338
Калан Р. Основные концепции нейронных сетей. М.: Вильямс, 2001. 287 с.
Дебок Г., Кохонен Т. Анализ финансовых данных с помощью самоорганизующихся карт. М.: Альпина, 2001. 317 с.
Образовательная геодемография России: монография / под ред. М.П. Карпенко. М.: Современный гуманитарный университет, 2011. 224 с.
Матраева Л.В. Распределение прямых иностранных инвестиций в регионы Российской Федерации: монография. М.: Дашков и К, 2013. 192 с.
Матраева Л.В. Методология статистического анализа инвестиционной привлекательности регионов РФ для иностранных инвесторов: монография. М.: Дашков и К, 2013. 312 с.
Илышев А.М., Багирова А.П. Введение в репродуктивистику: становление науки о воспроизводстве человека: монография. М.: Финансы и статистика, 2014. 304 с.
