Методика сравнительного анализа инновационно- технологических характеристик фармацевтической продукции

Предложен алгоритм сопоставления инновационно-технологических характеристик фармацевтической продукции с использованием технологий data-mining (поиск ассоциаций, классификация и кластеризация данных). Проведен отбор патентно-конъюнктурных параметров инновационной продукции фармацевтических предприятий. В качестве основного различительного математического параметра объектов со схожим потребительским назначением использовалось расстояние характеристики объекта до центра кластера. Метод может быть успешно применен как инструмент поддержки принятия решений, требующих сравнительной оценки коммерческого потенциала инновационной продукции промышленных предприятий высоко- технологического сектора

Ключевые слова: инновационная фармацевтическая продукция, патентно-конъюнктурные параметры сравнения

Список использованных источников

  1. A. Chursin, Yu. Vlasov, Yu. Makarov. Innovation as a Basis for Competitiveness. Theory and practice. 2016. P. 6-9.
  2. В. Н. Волкова, А. С. Кудрявцева. Модели для управления инновационной деятельностью промышленного предприятия//Открытое образование. 2018. № 4. С. 64-73.
  3. С. В. Амелин. Выбор инновационных альтернатив на основе моделирования//Экономинфо. 2016. № 26. С. 93-95.
  4. E. Bryzgalova, M. Kovshova, T. Gridneva. Current trends in the pharmaceutical industry in Russia//Economic and Social Development: Book of Proceedings. 2018. P. 456-462.
  5. S. Timofeeva. Innovative Potential As A Factor For Increasing The Competitiveness Of Enterprises In The Pharmaceutical Industry//Entrepreneurship. 2016. Vol. 4. №. 1. P. 144-165.
  6. О. К. Альсова, К. С. Ускова. Программная система кластерного анализа данных смешанного типа//Автоматика и программная инженерия. 2013. №. 1. С. 75-81.
  7. S. Altuntas, T. Dereli, A. Kusiak. Analysis of patent documents with weighted association rules//Technological Forecasting and Social Change. 2015. Vol. 92. P. 249-262. https://doi.org/10.1016/j.techfore.2014.09.012.
  8. J. Kim, M. Hwang, D.-H. Jeong, H. Jung. Technology trends analysis and forecasting application based on decision tree and statistical feature analysis//Expert Systems with Applications. 2012. Vol. 39. №. 16. P. 12618-12625. https://doi.org/10.1016/j.eswa.2012.05.021. 
  9. D. Kukolj, Z. Tekic, Lj. Nikolic et al. Comparison of algorithms for patent documents clusterization//2012 Proceedings of the 35th International Convention MIPRO. IEEE, 2012. P. 995-997. https://ieeexplore.ieee.org/abstract/document/6240789. 
  10. К. С. Ершов, Т. Н. Романова. Анализ и классификация алгоритмов кластеризации//Новые информационные технологии в автоматизированных системах. 2016. №. 19. C. 274-279.
  11. С. В. Кортов, Д. Б. Шульгин, А. А. Каримова, А. В. Роднин. Оценка патентных и продуктовых портфелей фармацевтических компаний при конкурентном анализе// Инновации. 2020. № 3. С. 30-37.
  12. Рейтинг инновационной активности фармацевтических компаний//Исследовательское подразделение медиахолдинга «Эксперт». http://www.acexpert.ru/analytics/ratings/reyting-innovacionnoy-aktivnosti-farmacevticheskih.html. 
  13. Государственный реестр лекарственных средств. http://grls.rosminzdrav.ru/grls.aspx. 
  14. Государственный реестр предельных отпускных цен. http://grls.rosminzdrav.ru/pricelims.aspx. 
  15. Международная патентная классификация. Международная организация интеллектуальной собственности (World Intellectual Property Organization). https://www.wipo.int/classifications/ipc/ipcpub. 
  16. Базы данных для поиска патентных документов. Федеральный институт промышленной собственности. http://www1.fips.ru/iiss/search.xhtml. 
  17. Единая информационная система в сфере закупок. https://zakupki.gov.ru. 

Авторы