Варшавский А.Е.доктор экономических наук, кандидат технических наук, профессор, руководитель лаборатории моделирования экономической стабильности, Центральный экономико-математический институт РАН (ЦЭМИ РАН), Москва, Российская Федерация varshav@cemi.rssi.ru https://orcid.org/0000-0001-8229-3692 SPIN-код: 7987-6250
Комкина Т.А.кандидат экономических наук, ведущий научный сотрудник лаборатории моделирования экономической стабильности, Центральный экономико-математический институт РАН (ЦЭМИ РАН), Москва, Российская Федерация tania_kom@mail.ru https://orcid.org/0000-0002-9328-0712 SPIN-код: 6564-8955
Дубинина В.В.младший научный сотрудник лаборатории моделирования экономической стабильности, Центральный экономико-математический институт РАН (ЦЭМИ РАН), Москва, Российская Федерация Viktoria@li.ru https://orcid.org/0000-0002-2785-1599 SPIN-код: 3049-0083
Предмет. Методология анализа развития и распространения высокотехнологичной продукции. Цели. Разработка методов и моделей анализа и прогнозирования развития высокотехнологичной продукции на примере робототехники и мобильных устройств. Методология. Предложены методы анализа динамики технических показателей, разработаны модели зависимости цены от абсолютных и относительных технических показателей по поколениям. Для отдельных видов высокотехнологичной продукции построены модели цены для различных стадий жизненного цикла (начальный этап, этапы роста, зрелости и насыщения), предложены модели для выявления влияния социально-экономических факторов и оценки возможных рисков применения высокотехнологичной продукции. Результаты. Разработана методология и предложен инструментарий для анализа и прогнозирования показателей развития и распространения высокотехнологичной продукции на примере робототехники и мобильных устройств. Разработаны модификации логистических моделей, позволяющие осуществить прогноз динамики технико-экономических показателей на краткосрочную перспективу. Построены эконометрические модели с учетом социально-экономических факторов и рисков, влияющих на скорость распространения и масштабы применения высокотехнологичной продукции, на примере промышленной и сервисной робототехники, мобильных устройств. Предложены комплексные показатели технической сложности рассматриваемой высокотехнологичной продукции, построены модели динамики этих показателей с выделением поколений развития. Выявлена положительная корреляция цены и комплексного показателя технической сложности рассмотренных видов высокотехнологичной продукции. Выводы. Разработанная методология может быть применена для анализа динамики технических показателей и зависимости цены высокотехнологичной продукции от абсолютных и относительных технических показателей по поколениям, что подтверждается в работе на примере анализа развития промышленных роботов Fanuc грузоподъемностью свыше 100 кг и смартфонов Apple. Показано, что на основе разработанных моделей и методов может быть выполнено прогнозирование динамики технико-экономических показателей, распространения на рынке и проведена оценка возможных рисков использования.
Анчишкин А.И. Комплексное прогнозирование развития науки и техники. М.: Центральный экономико-математический институт АН СССР, 1980. 176 с.
Варшавский А.Е. Научно-технический прогресс в моделях экономического развития: методы анализа и оценки. М.: Финансы и статистика, 1984. 208 с.
Варшавский Л.Е. Анализ и прогнозирование показателей распространения новых технологий на основе физико-химических моделей // Анализ и моделирование экономических и социальных процессов. Ижевск: Институт компьютерных исследований, 2021. С. 93–107. URL: Link
Глазьев С.Ю. О создании систем стратегического планирования и управления научно-техническим развитием // Инновации. 2020. № 2. С. 14–23. URL: Link
Комков Н.И. Закономерности научно-технологического развития и их использование при прогнозировании // МИР (Модернизация. Инновации. Развитие). 2010. Т. 1. № 3. С. 72–91. URL: Link
Львов Д.С. Эффективное управление техническим развитием. М.: Экономика, 1990. 255 с.
Белоусов Д.Р., Фролов И.Э. Методологические и предметные особенности прогнозирования научно-технологического развития в современных условиях // Проблемы прогнозирования. 2008. № 3. С. 88–105. URL: Link
Авдонин Б.Н., Хрусталев Е.Ю. Методология организационно-экономического развития наукоемких производств. М.: Наука, 2010. 366 с.
Мелещенко Ю.С. Техника и закономерности ее развития. Л.: Лениздат, 1970. 248 с.
Барташев Л.В. Конструктор и экономика. М.: Экономика, 1977. 223 с.
Ayres R., Benjamin W. The Economic Growth Engine: How Energy and Work Drive Material Prosperity. Cheltenham, UK, Edward Elgar, 2009.
Martino J.P. A review of selected recent advances in technological forecasting. Technological Forecasting and Social Change, 2003, vol. 70, iss. 8, pp. 719–733. URL: Link00375-X
Coccia M. The theory of technological parasitism for the measurement of the evolution of technology and technological forecasting. Technological Forecasting and Social Change, 2019, vol. 141, pp. 289–304. URL: Link
Calleja-Sanz G., Olivella-Nadal J., Solé-Parellada F. Technology Forecasting: Recent Trends and New Methods. In: Machado C., Davim J.P. (eds) Research Methodology in Management and Industrial Engineering. Springer International Publishing, Cham, Switzerland, 2020, pp. 45–69.
Changbae Mun, Sejun Yoon, Nagarajan Raghavan et al. Function score-based technological trend analysis. Technovation, 2021, vol. 101, no. 102199. URL: Link
Magsamen-Conrad K., Dillon J.M. Mobile technology adoption across the lifespan: A mixed methods investigation to clarify adoption stages, and the influence of diffusion attributes. Computers in Human Behavior, 2020, vol. 112, no. 106456. URL: Link
Mesak H.I., Wanjugu S., Blackstock R. An examination of the diffusion of prepaid mobile telephony in selected emerging markets and developing economies. Information & Management, 2020, vol. 57, iss. 7. URL: Link
Suenaga H., Madden G. Understanding the equilibrium dynamics of European broadband diffusion. Applied Economics, 2018, vol. 50, iss. 60, pp. 6553–6568. URL: Link
Lafond F., Bailey A.G. et al. How well do experience curves predict technological progress? A method for making distributional forecasts. Technological Forecasting and Social Change, 2018, vol. 128, pp. 104–117. URL: Link
Adamuthe A.C., Thampi G.T. Technology forecasting: A case study of computational technologies. Technological Forecasting and Social Change, 2019, vol. 143, pp. 181–189. URL: Link
Xiaodong Yuan, Yuchen Cai. Forecasting the development trend of low emission vehicle technologies: Based on patent data. Technological Forecasting and Social Change, 2021, vol. 166, no. 120651. URL: Link
Kumar R.R., Guha Pr., Chakraborty A. Comparative assessment and selection of electric vehicle diffusion models: A global outlook. Energy, 2022, vol. 238, part C, no. 121932. URL: Link
Shuying Li, Garces E., Daim T. Technology forecasting by analogy-based on social network analysis: The case of autonomous vehicles. Technological Forecasting and Social Change, 2019, vol. 148, no. 119731. URL: Link
Zhen-Yu She, Rui Cao, Bai-Chen Xie et al. An analysis of the wind power development factors by Generalized Bass Model: a case study of China’s eight bases. Journal of Cleaner Production, 2019, vol. 231, pp. 1503–1514. URL: Link
Meade N., Towhidul Islam. Forecasting in telecommunications and ICT – A review. International Journal of Forecasting, 2015, vol. 31, iss. 4, pp. 1105–1126. URL: Link
Yu Cheng, Lucheng Huang, Ronnie Ramlogan, Xin Li. Forecasting of potential impacts of disruptive technology in promising technological areas: Elaborating the SIRS epidemic model in RFID technology. Technological Forecasting and Social Change, 2017, vol. 117, pp. 170–183. URL: Link
Hyeongjin Ahn, Eunil Park. Determinants of consumer acceptance of mobile healthcare devices: An application of the concepts of technology acceptance and coolness. Telematics and Informatics, 2022, vol. 70, no. 101810. URL: Link
Najafi-Ghobadi S., Bagherinejad J., Taleizadeh A.A. Modeling the diffusion of generation products in the presence of heterogeneous strategic customers for determining optimal marketing-mix strategies. Computers and Industrial Engineering, 2021, vol. 160, no. 107606. URL: Link
Dohnal M., Doubravsky K. Equationless and equation-based trend models of prohibitively complex technological and related forecasts. Technological Forecasting and Social Change, 2016, vol. 111, pp. 297–304. URL: Link
Shelia V., Hansen J. et al. A multi-scale and multi-model gridded framework for forecasting crop production, risk analysis, and climate change impact studies. Environmental Modelling and Software, 2019, vol. 115, pp. 144–154. URL: Link
Changyong Lee. A review of data analytics in technological forecasting. Technological Forecasting and Social Change, 2021, vol. 166, no.120646. URL: Link
Galin R.R., Meshcheryakov R.V. Human-Robot Interaction Efficiency and Human-Robot Collaboration. In: Kravets A. (eds) Robotics: Industry 4.0 Issues & New Intelligent Control Paradigms. Studies in Systems, Decision and Control, 2020, vol. 272. Springer, Cham. URL: Link
Ramesh P.S., Muruga Lal Jeyan. Mini Unmanned Aerial Systems (UAV) – A Review of the Parameters for Classification of a Mini UAV. International Journal of Aviation, Aeronautics, and Aerospace, 2020, vol. 7, iss. 3. URL: Link
Дубинина В.В. Анализ технико-экономических показателей промышленных роботов большой грузоподъемности // Концепции. 2021. № 1. С. 37–43. URL: Link
Варшавский А.Е., Кузнецова М.С. Анализ показателей инновационного развития смартфонов (на примере смартфонов iPhone компании Apple) // Национальные интересы: приоритеты и безопасность. 2021. Т. 17. Вып. 9. С. 1625–1649. URL: Link
