Кузнецов Ю.А.доктор физико-математических наук, профессор, заведующий кафедрой математического моделирования экономических процессов Института экономики и предпринимательства, Национальный исследовательский Нижегородский государственный университет им. Н.И. Лобачевского, Нижний Новгород, Российская Федерация Kuznetsov_YuA@iee.unn.ru
Перова В.И.кандидат физико-математических наук, доцент кафедры математического моделирования экономических процессов Института экономики и предпринимательства, Национальный исследовательский Нижегородский государственный университет им. Н.И. Лобачевского, Нижний Новгород, Российская Федерация perova_vi@mail.ru
Ласточкина Е.И.студентка магистратуры Института экономики и предпринимательства по направлению «Бизнес и информатика», Национальный исследовательский Нижегородский государственный университет им. Н.И. Лобачевского, Нижний Новгород, Российская Федерация mmep@iee.unn.ru
Предмет. Динамика и особенности инвестиционной деятельности регионов Российской Федерации. Цели. Анализ и характеристика особенностей динамики инвестиций в основной капитал регионов Российской Федерации в интересах обеспечения экономического роста страны, социально-экономического развития территорий и повышения благосостояния населения. Методология. Динамика активности регионов Российской Федерации в области инвестиций за 2012–2014 гг. исследована на основе методологии нейросетевого моделирования с использованием 13 показателей, характеризующих инвестиционную деятельность регионов и определяющих перспективы их социально-экономического развития. В основу исследования положены данные Росстата об инвестициях в основной капитал по видам экономической деятельности в регионах страны. В качестве инструмента в работе применены реализованные в системе STATISTICA самоорганизующиеся карты Кохонена – нейронные сети, обучаемые без учителя. Результаты. Выявлен ряд особенностей динамики инвестиционной деятельности регионов Российской Федерации. По уровню инвестиций в основной капитал регионы распределились на пять групп (кластеров). Определено, что за рассматриваемый период во всех кластерах сформировались ядра с постоянным составом. Самыми многочисленными являются ядра кластеров, в которые вошли регионы с показателями инвестиционной активности ниже, чем средние значения по Российской Федерации. В то же время кластеры с регионами-лидерами оказались самыми малочисленными. При этом инвестиции в добычу полезных ископаемых занимают лидирующую позицию. Выводы. В регионах Российской Федерации наблюдается неравномерный характер инвестиционной деятельности, поэтому необходимо принятие комплексных мер, способствующих изменению структуры привлекаемых инвестиций и стимулированию инвестиционной активности во всех регионах страны, особенно в регионах, где показатели инвестиционной активности ниже, чем средние значения по стране.
Соболева И.В. Парадоксы измерения человеческого капитала // Вопросы экономики. 2009. № 9. C. 51–70.
Soboleva I. Paradoxes of the Measurement of Human Capital. Problems of Economic Transition, 2010, vol. 52, no. 11, pp. 43–70.
Кузнецов Ю.А., Мичасова О.В. Формализация задачи выявления и анализа основных факторов, определяющих экономический рост в РФ // Вестник Нижегородского университета им. Н.И. Лобачевского. Сер. Социальные науки. 2015. № 3. С. 9–19. URL: Link
Кузнецов Ю.А., Умилина А.Ю. Некоторые особенности развития экономики развивающихся стран и математическая модель экономического роста типа Нельсона – Фелпса // Вестник Нижегородского университета им. Н.И. Лобачевского. Сер. Социальные науки. 2015. № 4. С. 36–44. URL: Link
Lajili K. Embedding Human Capital into Governance Design: A conceptual framework. Journal of Management & Governance, 2015, vol. 19, iss. 4, pp. 741–762. doi: 10.1007/s10997-014-9295-8
Ibarra C.A. Investment, Asset Market, and the Relative Unit Labor Cost in Mexico. Economic Change and Restructuring, 2016, vol. 49, iss. 4, pp. 339–364. doi: 10.1007/s10644-015-9175-5
Хайкин С. Нейронные сети: полный курс. М.: Вильямс, 2006. 1104 с.
Бэстенс Д.-Э., ван ден Берг В.-М., Вуд Д. Нейронные сети и финансовые рынки: принятие решений в торговых операциях. М.: ТВП, 1997. 236 с.
Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. М.: Горячая линия – Телеком, 2002. 382 с.
Осовский С. Нейронные сети для обработки информации. М.: Финансы и статистика, 2002. 344 с.
Дебок Г., Кохонен Т. Анализ финансовых данных с помощью самоорганизующихся карт. М.: АЛЬПИНА, 2001. 317 с.
Игнатьева Е.Д., Мариев О.С. Методология и инструментарий структурно-функционального анализа регионального развития // Экономика региона. 2013. № 1. С. 227–239.
Растунков В.С., Петров А.К., Панов В.А. Нейронные сети. Statistica Neural Networks: Методология и технология современного анализа данных. М.: Горячая линия – Телеком, 2008. 392 с.
Медведев В.С., Потемкин В.Г. Нейронные сети. MATLAB 6. М.: ДИАЛОГ-МИФИ, 2002. 122 с.
Kohonen Т. Self-Organized Formation of Topologically Correct Feature Maps. Bio1ogical Cybernetics, 1982, vol. 43, iss. 1, pp. 59–69. doi: 10.1007/BF00337288
Kohonen T. The Self-Organizing Map. Proceedings of the Institute of Electrical and Electronics Engineers, 1990, vol. 78, no. 9, pp. 1464–1480. doi: 10.1109/5.58325
Kohonen Т., Oja E., Simula O., Visa A.J.E., Kangas J. Engineering Applications of the Self-Organizing Map. Proceedings of the Institute of Electrical and Electronics Engineers, 1996, vol. 84, iss. 10, pp. 1358–1384. doi: 10.1109/5.537105
Rende S., Donduran M. Neighborhoods in Development: Human Development Index and Self-Organizing Maps. Social Indicators Research, 2013, vol. 110, iss. 2, pp. 721–734. doi: 10.1007/s11205-011-9955-x
Carboni O.A., Russu P. Assessing Regional Wellbeing in Italy: An Application of Malmquist–DEA and Self-Organizing Map Neural Clustering. Social Indicators Research, 2015, vol. 122, iss. 3, pp. 677–700. doi: 10.1007/s11205-014-0722-7
Martinetz T.M., Berkovich S.G., Schulten K.J. “Neural-Gas” Network for Vector Quantization and Its Application to Time-Series Prediction. IEEE Transactions on Neural Networks, 1993, vol. 4, iss. 4, pp. 558–569.
