Роль глобальной цифровизации и развития технологий искусственного интеллекта в выработке стратегии развития инновационной подсистемы территориальной социально-экономической системы
Ахметов Т.Р.кандидат экономических наук, старший научный сотрудник сектора экономической безопасности, Институт социально-экономических исследований, Уфимский федеральный исследовательский центр РАН (ИСЭИ УФИЦ РАН), Уфа, Российская Федерация docant73@mail.ru https://orcid.org/0000-0002-3857-6174 SPIN-код: 4180-0582
Предмет. Роль и значение глобальной цифровизации и развития технологий искусственного интеллекта в разработке стратегии развития инновационной подсистемы территориальной социально-экономической системы. Цели. Раскрытие взаимосвязи инновационного развития стран и их регионов и типа интеграции с другими регионами и странами с учетом развития информационной базы экономической системы. Методология. Использованы методы анализа данных. Результаты. Типологизация регионов России с учетом факторов цифровизации и технологий искусственного интеллекта показала разноуровневый характер центр-периферийных отношений между регионами страны. Происходит концентрация указанных факторов в столичных центрах, агломерациях и периферизация большинства регионов в плане развития современных цифровых технологий. Выводы. Сущность интеграционных процессов в мировой экономике зависит от развития информационных баз экономик стран глобального центра и догоняющего развития за счет глобальной периферии. Необходима корректировка государственной научно-технологической политики России.
Ключевые слова: инновации, эволюция, эволюционная модель с инновационной доминантой, цикл идеи, цикл инновации
Список литературы:
Низамутдинов М.М., Орешников В.В. Моделирование развития экономики региона: монография. М.: Экономика, 2017. 304 с.
Галикеев Р.Н., Гатауллин Р.Ф. Оценка аграрного потенциала территорий // Фундаментальные исследования. 2016. № 6. Ч. 2. С. 366–371. URL: Link
Низамутдинов М.М., Орешников В.В. Методические и практические аспекты задачи моделирования и сценарного прогнозирования развития территориальной системы муниципального уровня // Экономический анализ: теория и практика. 2017. Т. 16. Вып. 7. С. 1204–1210. URL: Link
Гарипов Ф.Н., Гарипова З.Ф. К проблеме институционального развития экономики // Вестник УГНТУ. Наука, образование, экономика. Серия: Экономика. 2016. № 4. С. 22–31. URL: Link
Гатауллин Р.Ф., Аслаева С.Ш., Каримов А.Г. Оценка поляризации экономического пространства в диагностике экономической безопасности // Конкурентоспособность в глобальном мире: экономика, наука, технологии. 2017. № 9. Ч. 1. С. 27–30. URL: Link
Иванов П.А. Выявление критических зон общественных финансов разноуровневых территориальных образований в контексте обеспечения национальной безопасности РФ // Экономический анализ: теория и практика. 2016. Т. 15. Вып. 7. С. 142–152. URL: Link
Исянбаев М.Н., Атаева А.Г., Уляева А.Г. Регулирование процессов трансформации пространственно-экономического ландшафта в условиях развития агломераций // Конкурентоспособность в глобальном мире: экономика, наука, технологии. 2017. № 11. Ч. 9. С. 1179–1184. URL: Link
Климова Н.И., Сахапова Г.Р. Валовой муниципальный продукт как важнейший показатель стадиальной идентификации жизненного цикла субрегиональных образований // Вестник УГНТУ. Наука, образование, экономика. Серия: Экономика. 2017. № 4. С. 104–113. URL: Link
Yamashita T., Hirasawa K., Hu J. Multi-branch Neural Networks and Its Application to Stock Price Prediction. In: Khosla R., Howlett R.J., Jain L.C. (eds). Knowledge-Based Intelligent Information and Engineering Systems. KES 2005. Lecture Notes in Computer Science, vol. 3681. Springer, Berlin, Heidelberg. URL: Link
Yudkowsky E. Rationality: from AI to Zombies. Berkeley, Machine Intelligence Research Institute, 2015, pp. 95–104.
Quiyong Z., Xiaoyu Z., Fu D. Prediction Model of Stock Prices Based on Correlative Analysis and Neural Networks. In: 2009 Second International Conference on Information and Computing Science. Manchester, 2009, pp. 189-192. URL: Link
Haasdijk E., Rusu A.A., Eiben A.E. HyperNEAT for Locomotion Control in Modular Robots. In: Tempesti G., Tyrrell A.M., Miller J.F. (eds) Evolvable Systems: From Biology to Hardware. ICES 2010. Lecture Notes in Computer Science, vol. 6274. Springer, Berlin, Heidelberg. URL: Link
Li Y., Ma W. Applications of Artificial Neural Networks in Financial Economics: A Survey. In: 2010 International Symposium on Computational Intelligence and Design. Hangzhou, 2010, pp. 211–214. URL: Link
Risi S., Stanley K.O. Indirectly Encoding Neural Plasticity as a Pattern of Local Rules. In: Doncieux S., Girard B., Guillot A. et al. (eds) From Animals to Animats 11. SAB 2010. Lecture Notes in Computer Science, vol. 6226. Springer, Berlin, Heidelberg. URL: Link
Wu Q., McGinnity T.M., Maguire L. et al. Simulation of Visual Attention Using Hierarchical Spiking Neural Networks. In: Huang D.S., Gan Y., Premaratne P., Han K. (eds) Bio-Inspired Computing and Applications. ICIC 2011. Lecture Notes in Computer Science, vol. 6840. Springer, Berlin, Heidelberg. URL: Link
Gauci J., Stanley K.O. Generating Large-Scale Neural Networks Through Discovering Geometric Regularities. In: GECCO '07 Proceedings of the 9th Annual Conference on Genetic and Evolutionary Computation. London, 2007, pp. 997–1004. URL: Link
Ширяев В.И. Финансовые рынки. Нейронные сети, хаос и нелинейная динамика. М.: URSS, 2011. 232 c.
Редько В.Г. Эволюция, нейронные сети, интеллект. Модели и концепции эволюционной кибернетики. М.: URSS, 2019. 224 c.
Комашинский В.И., Смирнов Д.А. Нейронные сети и их применение в системах управления и связи. М.: Горячая линия – Телеком, 2003. 94 c.
Галушкин А.И. Нейронные сети: основы теории. М.: Горячая линия – Телеком, 2017. 496 c.
