Перова В.И.кандидат физико-математических наук, доцент кафедры математического моделирования экономических процессов Института экономики и предпринимательства, Нижегородский государственный университет им. Н.И. Лобачевского, Нижний Новгород, Российская Федерация perova_vi@mail.ru
Гончарова Д.Г.студентка механико-математического факультета, Нижегородский государственный университет им. Н.И. Лобачевского, Нижний Новгород, Российская Федерация mmes@mm.unn.ru
Тема. Актуальной задачей российской экономики является ее переход от экспортно-сырьевого типа развития к инновационному. Достижения науки и технологий призваны обеспечить высокий уровень благосостояния населения и конкурентоспособность страны и ее регионов. Цель. Проведение анализа динамики инновационной активности регионов Российской Федерации. Для этого были изучены данные Федеральной службы государственной статистики об экономическом и социальном развитии регионов России. Методология. Динамика активности регионов в области инноваций за 2009-2013 гг. исследована с помощью нейросетевого моделирования на основе следующих показателей, характеризующих инновационную деятельность: численность персонала, занятого научными исследованиями (исследователи); численность персонала, занятого разработками (техники); число поданных патентных заявок на изобретения, на полезные модели; количество выданных патентов на изобретения, на полезные модели; внутренние текущие затраты на фундаментальные, прикладные исследования и разработки. Рабочим инструментом в работе являются реализованные в системе MATLAB самоорганизующиеся карты Кохонена - нейронные сети, обучаемые без учителя. Результаты. Проведенное исследование позволило выявить особенности динамики инновационной деятельности регионов России и определить центры инновационного развития. По уровню этой деятельности регионы распределились на пять групп (кластеров). За рассматриваемый период во всех кластерах сформировались ядра с постоянным составом. Самым многочисленным является ядро кластера, в который вошли регионы со значительно более низкими показателями инновационной активности, чем в среднем по России. Выводы. Полученные результаты свидетельствуют о неравномерном характере инновационной деятельности в регионах страны. Для успешной модернизации экономики России необходимо принятие комплекса мер, способствующих стимулированию инновационной активности во всех регионах, а не только в наиболее развитых.
Хайкин С. Нейронные сети: полный курс. М.: Вильямс, 2006. 1104 с.
Wong T.C., Wong S.Y., Chin K.S. A neural network-based approach of quantifying relative importance among various determinants toward organizational innovation // Expert Systems with Applications. 2011. Vol. 38. № 10. P. 13064–13072. URL: Link.
Harish Naira, Anand Kumar, Osman Ahmed. Neural Network Modelling, Simulation and Prediction of Innovation Growth in United Arab Emirates (UAE) // Procedia Computer Science. 2014. Vol. 36. P. 269–275. URL: Link.
Wang Tai-Yue, Shih-Chien Chien. Forecasting innovation performance via neural networks – a case of Taiwanese manufacturing industry // Technovation. 2006. Vol. 26. № 5-6. P. 635–643. URL: Link.
Giacomo di Tollo, Stoyan Tanev, De March Davide, Zheng Ma. Neural Networks to model the innovativeness perception of co-creative firms // Expert Systems with Applications. 2012. Vol. 39. № 16. P. 12719–12726. URL: Link.
Giacomo di Tollo, Stoyan Tanev, Kassis Mohamed Slim, Davide De March. Determining the Relationship Between Co-creation and Innovation by Neural Networks // Complexity in Economics: Cutting Edge Research. 2014. P. 49–62. URL: Link.
Regional Innovation Scoreboard 2014 // European Commission. 2014. 79 p. URL: Link.
Hajeka P., Henriquesb R., Hajkovac V. Visualising components of regional innovation systems using self-organizing maps – Evidence from European regions // Technological Forecasting and Social Change. 2014. Vol. 84. P. 197–214. URL: Link.
Перова В.И. Нейронные сети. Ч. 2: учеб. пособие. Нижний Новгород: изд-во Нижегородского госуниверситета, 2012. 111 с.
Перова В.И. Нейронные сети в экономических приложениях. Ч. 2. Нейронные сети, обучаемые без учителя: учеб. пособие. Нижний Новгород: изд-во Нижегородского госуниверситета, 2012. 135 с.
Кузнецов Ю.А., Перова В.И. Использование нейросетевого моделирования в анализе деятельности крупнейших компаний Российской Федерации // Экономический анализ: теория и практика. 2010. № 31. С. 32–34.
Кузнецов Ю.А., Перова В.И., Воробьева Е.В. Нейросетевое моделирование финансово-экономической деятельности крупнейших компаний Поволжья // Экономический анализ: теория и практика. 2011. № 35. С. 25–36.
Кузнецов Ю.А., Перова В.И., Эйвазова Э.Н. Нейросетевое моделирование динамики инновационного развития регионов Российской Федерации // Региональная экономика: теория и практика. 2014. № 4. С. 18–28.
Ballabioa D., Vasighib M. A MATLAB toolbox for Self Organizing Maps and supervised neural network learning strategies // Chemometrics and Intelligent Laboratory Systems. 2012. Vol. 118. P. 24–32. URL: Link.
Ghaseminezhad M.H., Karami A. A novel self-organizing map (SOM) neural network for discrete groups of data clustering // Applied Soft Computing. 2011. Vol. 11. № 4. P. 3771–3778. URL: Link.
Численность персонала, занятого научными исследованиями и разработками (по субъектам Российской Федерации). URL: Link.
Поступление патентных заявок и выдача охранных документов в России (по субъектам Российской Федерации). URL: Link.
Внутренние текущие затраты на научные исследования и разработки по видам работ (по субъектам Российской Федерации). URL: Link.
