Сергей Николаевич Яшин – д-р экон. наук, профессор, зав. кафедрой менеджмента и государственного управления
603022, Нижний Новгород, просп. Гагарина, д. 23
Sergey N. Yashin – Dr.Sci. (Econ.), Professor, Head of the Department of Management and Public Administration
23 Gagarina Ave., Nizhni Novgorod 603950
Егор Викторович Кошелев – канд. экон. наук, доцент
603022, Нижний Новгород, просп. Гагарина, д. 23
Egor V. Koshelev – PhD (Econ.), Associate Professor
23 Gagarina Ave., Nizhni Novgorod 603950
Алексей Андреевич Иванов – канд. экон. наук, доцент кафедры менеджмента и государственного управления Института экономики и предпринимательства
603022, Нижний Новгород, просп. Гагарина, д. 23
Aleksey A. Ivanov – PhD (Econ.), Associate Professor of the Department of Management and Public Administration
23 Gagarina Ave., Nizhni Novgorod 603950
Технологии машинного обучения являются достаточно мощным инструментом анализа больших данных, поэтому могут быть применены в российских регионах для разработки стратегии инновационного развития промышленности. Для сравнения результатов качества прогнозирования и выбора наиболее оптимального метода на примере радиоэлектронной промышленности (РЭП) применен способ «машинного обучения k-ближайших соседей», нейронные сети «многослойный персептрон» и адаптивная нейро-нечеткая система вывода, включающая в себя алгоритм роя частиц, а также многомерные адаптивные регрессионные сплайны. В качестве целевых функций рассмотрены: 1) объем инновационных товаров; 2) разработанные передовые производственные технологии; 3) сальдированный финансовый результат (информатизация и связь). Представленная модель прошла обучение на основе выборки пакета девяти входных и трех целевых показателей в период с 2010 по 2022 г. для 83 регионов России. Для последующей верификации обученной модели оставлен 2023 г. выборки. Наиболее качественный прогноз был получен с помощью алгоритма машинного обучения k-ближайших соседей. При проведении оценки было установлено, что перспективы инновационного развития в отрасли имеют те регионы, у которых значения прогнозных целевых функций попадают в плановые сегменты в 2023 г. Оценка проводилась лишь в тех регионах, для которых прогноз считался наиболее качественным, т.е. средняя абсолютная процентная ошибка < 0,5, это – Краснодарский и Пермский край, Нижегородская, Свердловская, Челябинская и Новосибирская области. При выполнении подобного анализа для алгоритмов многомерных адаптивных регрессионных сплайнов (для цели 3), роя частиц (для цели 2), многослойных персептронов (для цели 1), было установлено, что претендующими на лидерство в отрасли РЭП имеют Нижегородская и Свердловская области, что частично подтверждает выводы, полученные с помощью способа машинного обучения.
Machine learning technology is a powerful tool for analyzing big data, and thus they can be applied to create a strategy for innovative development of industry in the regions of Russia. To compare the results of the quality of forecasting and to choose the most optimal method on the example of radio-electronic industry (REI), the authors applied the method of “k-nearest neighbor machine learning”, neural networks “multilayer perceptron” and adaptive neuro-fuzzy inference system which includes a particle swarm algorithm as well as multidimensional adaptive regression splines. The following functions were studied as the target ones: 1) the volume of innovative goods; 2) developed advanced production technologies; 3) net financial result (informatization and communication). The suggested model was trained on the basis of a sample package of nine inputs and three targets in 2010-2022 in 83 regions of Russia. For further verification of the trained model the year of 2023 was chosen as a sample package. It was stated that the highest quality forecast was made with the k-nearest neighbors machine learning algorithm. During the assessment, it was established that the prospects for innovative development in the industry can be found in the regions where the values of the predicted target functions fall into the planned segments in 2023. The assessment was conducted only in those regions whose forecast was regarded as the highest quality (with the average absolute percentage error < 0,5). These regions include the Krasnodar and the Perm territories, and Nizhny Novgorod, Sverdlovsk, Chelyabinsk and Novosibirsk regions. When performing similar analysis for algorithms of multidimensional adaptive regression splines (for target 3), particle swarm (for target 2), multilayer perceptrons (for target 1), the authors established that Nizhny Novgorod and Sverdlovsk region can be regarded as leaders in the REI industry, and this partially confirms the conclusions obtained by the machine learning method.
The authors declare that there are no conflicts of interest present.