Разработка методики комплексной оценки и прогнозирования инновационного развития региона с использованием самоорганизующейся нейросети

Цель данной статьи состоит в исследовании перспективных направлений использования технологий обработки экономической информации на основе нейросетевого моделирования для комплексной оценки и прогнозирования инновационного развития регионов. Нейросетевой подход предполагает использование нейронных сетей, способных обучаться и обобщать накопленные знания, для решения задач классификации, идентификации и прогнозирования, что в конечном итоге позволяет объединить механизмы регулирования и самоорганизации в управлении региональными инновационными системами. Автором предложено использовать самоорганизующиеся (эволюционирующие) нейронные сети. Использование принципов самоорганизации позволяет синтезировать многослойные нейронные сети на неполной, непредставительной обучающей выборке. В результате исследования реализована общая концепция нейронной сети для решения прогностических задач в региональной инновационной системе, что является основой для разработки систем управления экономическим ростом субъектов РФ за счет инновационных факторов

Ключевые слова: инновации, алгоритм управления, методика оценки, нейросетевой подход, машинное обучение

Список использованных источников

  1. Ю. А. Алексеева. Оценка финансового состояния и прогнозирование банкротства предприятия. Автореферат дисс. М., 2011.
  2. Т. К. Богданова, А. В. Баклакова. Инструментальные средства прогнозирования вероятности банкротства авиапредприятий//Бизнес-информатика. 2008. № 1. С. 45-61.
  3. Л. А. Гамидуллаева. Теоретико-методологические основы управления и прогнозирования развития инновационной системы региона: дис. …д-ра экон. наук. Санкт-Петербургский государственный университет. СПб.: СПбГУ, 2019.
  4. Л. А. Гамидуллаева. Возможности неоинституционального системно-синергетического подхода к исследованию инновационных систем//Журнал экономической теории. 2015. № 4. С. 142-154.
  5. Л. А. Гамидуллаева. От шумпетерианской теории созидательного разрушения к синергетической парадигме инноваций//Журнал экономической теории. 2019. Т. 16. № 3. С. 498-512.
  6. Л. А. Гамидуллаева. Институты в развитии инновационных систем// Вопросы регулирования экономики (Journal of Economic Regulation). 2016. Т. 7. № 1. С. 93-103.
  7. Н. А. Никифорова, Е. В. Донцов. Применение нейросетевого моделирования для прогнозирования финансового состояния предприятия//Управленческий учет. 2011. № 4. С. 36-46.
  8. Е. М. Коростышевская, В. А. Плотников, А. В. Пролубников, М. В. Рукинов. Социальная компонента государственной региональной политики и ее роль в обеспечении устойчивого развития и экономической безопасности//Известия Санкт-Петербургского государственного экономического университета. 2018. № 6 (114). С. 120-126.
  9. С. Оссовский. Нейронные сети для обработки информации. М.: Горячая линия Телеком, 2016. 448 с.
  10. П. Н. Панфилов. Введение в нейронные сети//Современный трейдинг. 2001. № 2. С. 12-17.
  11. Плас Дж. Вандер. Python для сложных задач: наука о данных и машинное обучение. СПб.: Питер, 2018. 576 с.
  12. Г. З. Рахимкулова. Аналитические и нейрокомпьютерные модели оценки кредитоспособности предприятия//Аудит и финансовый анализ. 2007. № 3. C. 196-198.
  13. С. Рашка. Python и машинное обучение. М.: ДМК Пресс, 2017. 418 с.
  14. А. В. Романовский. О применении искусственных нейронных сетей для прогнозирования финансовых показателей предприятия//Аудит и финансовый анализ. 2013. № 2. С. 363-370.
  15. И. С. Светуньков. Краткосрочное прогнозирование социально-экономических процессов с использованием модели с коррекцией//Бізнес Інформ. 2011. Т. 1. № 5. С. 109-112
  16. П. Флах. Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных. М.: ДМК Пресс, 2015. 400 с.
  17. E. V. Balatskii, N. A. Ekimova, M. A. Yurevich. Short-Term Inflation Projection Based on Marker Models//Stud. Russ. Econ. Dev. 30, 498-506, 2019.
  18. J. Carpenter, M. Kenward. Multiple Imputation and its Application. Wiley, 2013. 364 p.
  19. E. A. Fedorova, E. V. Gilenko, S. E. Dovzhenko. Models for bankruptcy forecasting: Case study of Russian enterprises//Stud. Russ. Econ. Dev. 24, 159-164, 2013.
  20. V. I. Gorbachenko, O. Yu. Kuznetsova, D. S. Silnov. Investigation of Neural and Fuzzy Neural Networks for Diagnosis of Endogenous Intoxication Syndrome in Patients with Chronic Renal Failure//International Journal of Applied Engineering Research, 2016, Vol. 11. № 7. P. 5156-5162.
  21. J. C. Neves, A. Vieira. Improving bankruptcy prediction with hidden layer learning vector quantization//European Accounting Review. 2006. Vol. 15. № 2. P. 253-271.
  22. K. Schirmer, M. Kuehn. Fact Extraction from Financial News. In Proceedings of the Second International Conference on Artificial Intelligence Applications on Wall Street. New York, NY, April, 1993. Gaithersburg, MD: Software Engineering Press.
  23. M. Tkáč, R. Verner. Artificial neural networks in business: Two decades of research//Applied Soft Computing. Vol. 38. 2016. P. 788-804.

 

Авторы