Яшин С.Н.доктор экономических наук, профессор, заведующий кафедрой менеджмента и государственного управления, Национальный исследовательский Нижегородский государственный университет имени Н.И. Лобачевского (ННГУ), Нижний Новгород, Российская Федерация jashinsn@yandex.ru https://orcid.org/0000-0002-7182-2808 SPIN-код: 4191-7293
Яшина Н.И.доктор экономических наук, профессор, заведующий кафедрой финансов и кредита, Национальный исследовательский Нижегородский государственный университет имени Н.И. Лобачевского (ННГУ), Нижний Новгород, Российская Федерация yashina@iee.unn.ru https://orcid.org/0000-0002-0630-7949 SPIN-код: 8458-4480
Кошелев Е.В.кандидат экономических наук, доцент кафедры менеджмента и государственного управления, Национальный исследовательский Нижегородский государственный университет имени Н.И. Лобачевского (ННГУ), Нижний Новгород, Российская Федерация ekoshelev@yandex.ru https://orcid.org/0000-0001-5290-7913 SPIN-код: 8429-5702
Предмет. Моделирование мотивации топ-менеджеров государственных структур регионов, чтобы привести в соответствие интересы населения и государства. Цели. Создание нейросетевой модели мотивации топ-менеджмента государственных структур регионов для задачи регрессии. Методология. Использованы нейронные сети. Результаты. Моделируются критерии нематериальной и материальной мотивации топ-менеджмента государственных структур регионов, а также критерии стратегического потенциала региона. Целевой функцией при этом является коэффициент естественного прироста населения регионов. Его необходимо максимизировать. Результаты нейросетевого моделирования мотивации топ-менеджмента государственных структур регионов в случае задачи регрессии являются более точными по сравнению с задачей классификации. Нейронная сеть строится и обучается с учетом циклических колебаний целевой функции. Выводы. Полученные результаты могут быть полезны государственным структурам регионов для разработки конструктивной системы материальной и нематериальной мотивации своих топ-менеджеров.
Ключевые слова: мотивация топ-менеджмента, нейронные сети, задача регрессии
Список литературы:
Grus J. Data Science from Scratch: First Principles with Python, 2nd ed. O'Reilly Media, Inc., 2019, 406 p.
Bright L. Is Public Service Motivation a Better Explanation of Nonprofit Career Preferences Than Government Career Preferences? Public Personnel Management, 2016, vol. 45, iss. 4, pp. 405–424. URL: Link
Christensen R.K., Paarlberg L., Perry J.L. Public Service Motivation Research: Lessons for Practice. Public Administration Review, 2017, vol. 77, iss. 4, pp. 529–542. URL: Link
Miao Q., Newman A., Schwarz G., Cooper B. How Leadership and Public Service Motivation Enhance Innovative Behavior. Public Administration Review, 2018, vol. 78, iss. 1, pp. 71–81. URL: Link
Vandenabeele W., Schott C. Public Service Motivation in Public Administrations. In: Oxford Research Encyclopedia of Politics. Oxford University Press, 2020. URL: Link
Hameduddin T., Engbers T. Leadership and Public Service Motivation: A Systematic Synthesis. International Public Management Journal, 2022, vol. 25, iss. 1, pp. 86–119. URL: Link
Fernandes A., Santinha G., Forte T. Public Service Motivation and Determining Factors to Attract and Retain Health Professionals in the Public Sector: A Systematic Review. Behavioral Sciences, 2022, vol. 12, no. 4, p. 95. URL: Link
Xu C. Work Motivation in the Public Service: A Scale Development Based on the Self-Determination Theory. SAGE Open, 2022, vol. 12, no. 2. URL: Link
Zulu T.N., Nhlabathi S.S. Factors and Dynamics of Linkages Between Strategic Visions and Their Outcomes in the Public Sector at the Ulundi and Nongoma Local Municipalities, Kwazulu-Natal, South Africa. International Journal of Public Sector Performance Management, 2022, vol. 10, no. 4, pp. 467–485. URL: Link
Rubtcova M., Vasilieva E. Transparency of Public Service in Arctic Region: Sociological Analyses. International Journal of Public Sector Performance Management, 2022, vol. 10, no. 4, pp. 580–591. URL: Link
Abdullahi D., Baba Y.T., Umar M.Z., Maishanu I.L. Merit Bureaucrats, Good Governance and Innovation. International Journal of Public Sector PerformanceManagement, 2022, vol. 10, no. 1, pp. 103–119. URL: Link
Bataineh M.M., Marler T. Neural Network for Regression Problems with Reduced Training Sets. Neural Networks, 2017, vol. 95, pp. 1–9. URL: Link
Kastner F., Janssen B., Kautz F., Hubner M. Exploring Deep Neural Networks for Regression Analysis. PESARO 2018: The Eighth International Conference on Performance, Safety and Robustness in Complex Systems and Applications, Athens, Greece, April 22–26, 2018. Curran Associates, Inc., 2018.
Udrescu S.-M., Tegmark M. AI Feynman: A Physics-Inspired Method for Symbolic Regression. Science Advances, 2020, vol. 6, iss. 16. URL: Link
Messoudi S., Destercke S., Rousseau S. Conformal Multi-Target Regression Using Neural Networks. Proceedings of Machine Learning Research, 2020, vol. 128, pp. 65–83. URL: Link
Abraham D.C. Mobile Network Coverage Determination at 900MHz for Abuja Rural Areas using Artificial Neural Networks. International Journal of Trend in Scientific Research and Development, 2020, vol. 4, iss. 2, pp. 1119–1123. URL: Link
Barnes E.A., Barnes R.J. Controlled Abstention Neural Networks for Identifying Skillful Predictions for Regression Problems. Journal of Advances in Modeling Earth Systems, 2021, vol. 13, iss. 12. URL: Link
Milicevic M., Batos V., Lipovac A., Car Z. Deep Regression Neural Networks for Proportion Judgment. Future Internet, 2022, vol. 14, no. 4, p. 100. URL: Link
Wetzel S.J., Melko R.G., Tamblyn I. Twin Neural Network Regression is a Semi-supervised Regression Algorithm. Machine Learning: Science and Technology, 2022, vol. 3, no. 4. URL: Link
Mamalakis A., Ebert-Uphoff I., Barnes E.A. Neural Network Attribution Methods for Problems in Geoscience: A Novel Synthetic Benchmark Dataset. Environmental Data Science, 2022, vol. 1. URL: Link
Liu H., Zhou G., Zhou Y. et al. An RBF Neural Network Based on Improved Black Widow Optimization Algorithm for Classification and Regression Problems. Frontiers in Neuroinformatics, 2023, vol. 16. URL: Link
