Разработка стратегии инновационного развития промышленности в регионах России c применением машинного обучения

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.

1. Гринев С.А., Квинт В.Л. Формирование стратегических приоритетов промышленного развития РФ как инновационный фактор преодоления кризисных периодов. Экономика промышленности. 2023;16(3):275–283. https://doi.org/10.17073/2072-1633-2023-3-275-283

2. Яшин С.Н., Кошелев Е.В., Суханов Д.А. Эволюционное нейросетевое моделирование импортозамещения в радиоэлектронной промышленности регионов. Финансы и кредит. 2024;30(4):765–787. https://doi.org/10.24891/fc.30.4.765

3. Yoosefzadeh-Najafabadi M., Earl Hugh J., Tulpan D., Sulik J., Eskandari M. Application of machine learning algorithms in plant breeding: Predicting yield from hyperspectral reflectance in soybean. Frontiers in Plant Science. 2021;11:2169. https://doi.org/10.3389/fpls.2020.624273

4. Ramezanpour A., Beam A.L., Chen J.H., Mashaghi A. Statistical physics for medical diagnostics: Learning, inference, and optimization algorithms. Diagnostics. 2020;10(11):972. https://doi.org/10.3390/diagnostics10110972

5. Okolie J.A., Savage Sh., Ogbaga C.C., Gunes B. Assessing the potential of machine learning methods to study the removal of pharmaceuticals from wastewater using biochar or activated carbon. Total Environment Research Themes. 2022;1-2:100001. https://doi.org/10.1016/j.totert.2022.100001

6. Jaiswal A., Babu A.R., Zadeh M.Z., Banerjee D., Makedon F. A survey on contrastive self-supervised learning. Technologies. 2021;9(1):2. https://doi.org/10.3390/technologies9010002

7. Fleer S., Moringen A., Klatzky R.L., Ritter H. Correction: Learning efficient haptic shape exploration with a rigid tactile sensor array. PLoS One. 2020;15(2):e0230054 https://doi.org/10.1371/journal.pone.0230054

8. Piryonesi S.M., El-Diraby T.E. Role of data analytics in infrastructure asset management: Overcoming data size and quality problems. Journal of Transportation Engineering, Part B: Pavements. 2020;146(2):04020022.

9. Uddin S., Haque I., Lu H., Moni M.A., Gide E. Comparative performance analysis of K-nearest neighbour (KNN) algorithm and its different variants for disease prediction. Scientific Reports. 2022;12:6256. https://doi.org/10.1038/s41598-022-10358-x

10. Halder R.K., Uddin M.N., Uddin M.A., Aryal S., Khraisat A. Enhancing K-nearest neighbor algorithm: A comprehensive review and performance analysis of modifications. Journal of Big Data. 2024;11:113. https://doi.org/10.1186/s40537-024-00973-y

11. Xiong L., Yao Y. Study on an adaptive thermal comfort model with K-nearest-neighbors (KNN) algorithm. Building and Environment. 2021;202:108026. https://doi.org/10.1016/j.buildenv.2021.108026

12. Patchanok S., Korn S. Random kernel k-nearest neighbors regression. Frontiers in Big Data. 2024;7:1402384. https://doi.org/10.3389/fdata.2024.1402384

13. Zardini E., Blanzieri E., Pastorello D. A quantum k-nearest neighbors algorithm based on the Eucli dean distance estimation. Quantum Machine Intelligence. 2024;6:23. https://doi.org/10.1007/s42484-024-00155-2

14. Boateng E., Otoo J., Abaye D. Basic tenets of classification algorithms K-nearest-neighbor, support vector machine, random forest and neural network: A review. Journal of Data Analysis and Information Processing. 2020;08(04):341–357. https://doi.org/10.4236/jdaip.2020.84020

15. Isabona J., Imoize A.L., Ojo S., Karunwi O., Kim Y., Lee C.-C., Li C.-T. Development of a multilayer perceptron neural network for optimal predictive mo deling in urban microcellular radio environments. Applied Sciences. 2022;12(11):5713. https://doi.org/10.3390/app12115713

16. Rashedi K.A., Ismail M.T., Al Wadi S., Serroukh A., Alshammari T.S., Jaber J.J. Multi-layer perceptronbased classification with application to outlier detection in Saudi Arabia stock returns. Journal of Risk and Financial Management. 2024;17(2):69. https://doi.org/10.3390/jrfm17020069

17. Sagias V.D., Zacharia P., Tempeloudis A., Stergiou C. Adaptive neuro-fuzzy inference system-based predictive modeling of mechanical properties in additive manufacturing. Machines. 2024;12(8):523. https://doi.org/10.3390/machines12080523

18. Putra V.G.V., Mohamad J.N. Adaptive neuro-fuzzy inference systems (ANFIS) and artificial neural networks (ANNs) for optimizing electrospun PVA/ TiO2 fiber diameter. The Journal of The Textile Institute. 2022;114(10):1898–1908. https://doi.org/10.1080/00405000.2022.2150954

19. Qiao J., Wang G., Yang Z., Luo X., Chen J., Li K., Liu P. A hybrid particle swarm optimization algorithm for solving engineering problem. Scientific Reports. 2024;14:8357. https://doi.org/10.1038/s41598-024-59034-2

20. Tang K., Meng C. Particle swarm optimization algorithm using velocity pausing and adaptive strategy. Symmetry. 2024;16(6):61. https://doi.org/10.3390/sym16060661

21. Adnan R.M., Liang Z., Heddam S., Zounemat-Kermani M., Kisi O., Li B. Least square support vector machine and multivariate adaptive regression splines for streamflow prediction in mountainous basin using hydro-meteorological data as inputs. Journal of Hydrology. 2020;586:124371. https://doi.org/10.1016/j.jhydrol.2019.124371

22. Hwaidi A., Badr A., Henedy S., Ostrowski K., Imran H. Application of multivariate adaptive regression splines (MARS) approach in prediction of compressive strength of eco-friendly concrete. Case Studies in Construction Materials. 2022;17:e01262. https://doi.org/10.1016/j.cscm.2022.e01262