Яшин С.Н.доктор экономических наук, профессор, заведующий кафедрой менеджмента и государственного управления, Нижегородский государственный университет им. Н.И. Лобачевского, Нижний Новгород, Российская Федерация jashinsn@yandex.ru https://orcid.org/0000-0002-7182-2808 SPIN-код: 4191-7293
Кошелев Е.В.кандидат экономических наук, доцент кафедры менеджмента и государственного управления, Нижегородский государственный университет им. Н.И. Лобачевского, Нижний Новгород, Российская Федерация ekoshelev@yandex.ru https://orcid.org/0000-0001-5290-7913 SPIN-код: 8429-5702
Купцов А.В.кандидат экономических наук, доцент кафедры менеджмента и государственного управления, Нижегородский государственный университет им. Н.И. Лобачевского, Нижний Новгород, Российская Федерация kav191982@yandex.ru ORCID id: отсутствует SPIN-код: 1755-5529
Предмет. Моделирование мотивации топ-менеджеров государственных структур регионов, соответствие интересов населения и государства. Цели. Создание нейросетевой модели мотивации топ-менеджмента государственных структур регионов для задачи классификации. Методология. Использованы нейронные сети, методы моделирования и классификации. Результаты. Смоделированы критерии нематериальной и материальной мотивации топ-менеджмента государственных структур регионов, а также критерии стратегического потенциала региона. Предполагалось, что развитие потенциала в будущем может повлиять на оба вида мотивации топ-менеджеров. Целевой функцией является коэффициент естественного прироста населения. Решена задача двоичной классификации в обучаемой нейронной сети. Суммарная ошибка на верификации по функциям нематериальной, материальной мотивации и стратегического потенциала составила 12%. Это говорит о том, что нейронные сети позволяют достичь гораздо большей точности прогноза. Выводы. Полученные результаты могут быть полезны государственным структурам регионов для разработки конструктивной системы материальной и нематериальной мотивации топ-менеджеров.
Ключевые слова: мотивация топ-менеджмента, нейронные сети, задача классификации
Список литературы:
Munna A. Strategic Management, Leadership and Staff Motivation: Literature Review. International Education and Culture Studies, 2021, vol. 1, no. 1, pp. 21–29. URL: Link
Christensen R., Paarlberg L., Perry J. Public Service Motivation Research: Lessons for Practice. Public Administration Review, 2017, vol. 77, iss. 4, pp. 529–542. URL: Link
Serhan C., Achy E., Nicolas E. Understanding Public Sector Employees’ Motivation: What Makes Them Inspired? International Journal of Human Resource Studies, 2018, vol. 8, no. 1, pp. 249–273. URL: Link
Ritz A., Vandenabeele W., Vogel D. Public Service Motivation and Individual Job Performance. In: Leisink P. et al. (eds) Managing for Public Service Performance: How People and Values Make a Difference. Oxford, Oxford University Press, 2021, pp. 254–277. URL: Link
Heo S., Lee J.H. Fault Detection and Classification Using Artificial Neural Networks. IFAC-PapersOnLine, 2018, vol. 51, iss. 18, pp. 470–475. URL: Link
Sysoev A., Mayorov V. Texterra at SemEval-2018 Task 7: Exploiting Syntactic Information for Relation Extraction and Classification in Scientific Papers. Proceedings of the 12th International Workshop on Semantic Evaluation, New Orleans, Louisiana, 2018, pp. 821–825.
Adhikari A., Ram A., Tang R., Lin J. Rethinking Complex Neural Network Architectures for Document Classification. Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, vol. 1 (Long and Short Papers), Minneapolis, Minnesota, 2019, pp. 4046–4051.
Ech-Chouyyekh M., Omara H., Lazaar M. Scientific Paper Classification Using Convolutional Neural Networks. BDIoT'19: Proceedings of the 4th International Conference on Big Data and Internet of Things, 2019, pp. 1–6. URL: Link
Romanov A., Lomotin K., Kozlova E. Application of Natural Language Processing Algorithms to the Task of Automatic Classification of Russian Scientific Texts. Data Science Journal, 2019, vol. 18, no. 37, pp. 1–17. URL: Link
Venkataramanan A., Agarwal P. Plant Disease Detection and Classification Using Deep Neural Networks. International Journal on Computer Science and Engineering (IJCSE), 2019, vol. 11, no. 8, pp. 40–46.
Korde S.K., Munda M.J., Chintamani Y.B. et al. Image Classification using Deep Learning. International Journal of Trend in Scientific Research and Development, 2020, vol. 4, iss. 4, pp. 1648–1650.
Aversa R., Coronica P., De Nobili C., Cozzini S. Deep Learning, Feature Learning, and Clustering Analysis for SEM Image Classification. Data Intelligence, 2020, vol. 2, iss. 4, pp. 513–528. URL: Link
Rajendran R., Samuel L. Satellite Image Classification with Deep Learning: Survey. International Journal of Trend in Scientific Research and Development, 2020 vol. 4, iss. 2, pp. 583–587. URL: Link
Nithya R. Training the Image Classifier with and without Data Augmentation. International Journal of Scientific Research in Computer Science, Engineering and Information Technology (IJSRCSEIT), 2020, vol. 6, iss. 2, pp. 172–178. URL: Link
Vu D., Groenewald M., Verkley G. Convolutional Neural Networks Improve Fungal Classification. Scientific Reports, 2020, vol. 10, no. 12628. URL: Link
Mishra R.B., Jiang H. Classification of Problem and Solution Strings in Scientific Texts: Evaluation of the Effectiveness of Machine Learning Classifiers and Deep Neural Networks. Applied Science, 2021, vol. 11(21). URL: Link
Kandimalla B., Rohatgi S., Wu J., Giles C.L. Large Scale Subject Category Classification of Scholarly Papers with Deep Attentive Neural Networks. Frontiers in Research Metrics and Analytics, 2021, vol. 5. URL: Link
Radhakrishnan A., Belkin M., Uhler C. Wide and Deep Neural Networks Achieve Consistency for Classification. Proceedings of the National Academy of Sciences (PNAS), 2023, vol. 120, no. 14. URL: Link
Perišić N., Jovanović R. Convolutional Neural Networks for Real and Fake Face Classification. In: Sinteza 2022 – International Scientific Conference on Information Technology and Data Related Research, Belgrade, 2022, pp. 29–35. URL: Link
