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
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
Иванов А.А.кандидат экономических наук, доцент кафедры менеджмента и государственного управления, Национальный исследовательский Нижегородский государственный университет имени Н.И. Лобачевского (ННГУ), Нижний Новгород, Российская Федерация alexey.iff@yandex.ru https://orcid.org/0000-0003-4299-4042 SPIN-код: 1055-4483
Предмет. Нейросетевое моделирование инновационного развития. Цели. Определить регионы — лидеры в отрасли радиоэлектронной промышленности (РЭП), а также регионы, которые имеют перспективы будущего развития отрасли в рамках своей территории. Методология. Разработана методология нейросетевого моделирования инновационного развития радиоэлектронной промышленности регионов. Результаты. Нейросетевое моделирование включает в себя: сбор, корректировку на инфляцию и стандартизацию необходимых данных; построение и обучение нейронной сети для задачи регрессии; верификацию обученной сети на данных нового периода наблюдения; определение регионов-лидеров и сегментов планируемых входов сети; оценку соответствия регионов планируемым входам сети. При этом целевыми функциями являются: объем инновационных товаров, разработанные передовые производственные технологии, сальдированный финансовый результат, экспорт технологий. Построена и обучена нейронная сеть для квазивременного ряда с 2010 по 2020 г. для 83 регионов России. Сравнение графиков целевых и предсказанных значений иллюстрирует хорошее качество прогноза сети. Выводы. Полученные результаты могут быть полезны государственным структурам для планирования поддержки инновационного развития отрасли РЭП. Также данные результаты могут использовать инвесторы для выбора направлений капитальных вложений своих средств.
Доброва К.Б., Сахненко С.С. Предприятия радиоэлектронной промышленности в структуре высокотехнологичного сектора экономики // Экономика: вчера, сегодня, завтра. 2022. Т. 12. № 10А. С. 240—246. URL: Link
Трофимов О.В., Ганин А.Н. Разработка акселерационной программы стартапов в радиоэлектронной промышленности // Креативная экономика. 2019. Т. 13. № 3. С. 553—558. URL: Link
Chen W., Huang X., Liu Y., Song Y. Does Industry Integration Improve the Competitiveness of China’s Electronic Information Industry? – Evidence from the Integration of the Electronic Information Industry and Financial Industry. Sustainability, 2019, vol. 11, no. 9, 2695. URL: Link
Клушанцев Д.В. Эволюция производственной специализации в радиоэлектронной промышленности Санкт-Петербурга // МИР (Модернизация. Инновации. Развитие). 2020. Т. 11. № 1. С. 59—71. URL: Link
Балычев С.Ю., Батьковский М.А., Кравчук П.В., Судаков В.А. Оптимизация программ диверсификации предприятий радиоэлектронной промышленности // Наука без границ. 2020. № 2. С. 27—32. URL: Link
Cholid I., Robiani B. Analysis in Productivity and Efficiency on Computer and / or Assembly in Electronic Computer and Computer Device Industries in Indonesia 2011–2015 (ISIC 26210 and 26210) Proceedings of the 5th Sriwijaya Economics, Accounting, and Business Conference (SEABC 2019), 2020, pp. 48–51. URL: Link
Vadavalasa R. Controlling and Monitoring Semiconductor Manufacturing Process Using Smart Technologies. International Research Journal of Modernization in Engineering Technology and Science, 2020, vol. 02, iss. 07, pp. 147–164. URL: Link
Fu Haw Ho, Salwa Hanim Abdul-Rashid, Raja Ariffin Raja Ghazilla et al. What Key Drivers Are Needed to Implement Material Efficiency Strategies? An Analysis of the Electrical and Electronic Industry in Malaysia and Its Implications to Practitioners. Sustainability, 2021, vol. 13, iss. 4, 2065. URL: Link
Shu-Chuan Chen, Da-Sheng Lee, Chien-Yi Huang. Evaluating the Sustainable Operating Performance of Electronics Industry Groups: Taiwanese Firms in Mainland China. Sustainability, 2021, vol. 13, iss. 21, 12030. URL: Link
Yu Wang, Junwei Li, Shen Zhong. Analysis on the Innovation Efficiency of China's Electronic and Communication Equipment Industry. Journal of Radiation Research and Applied Sciences, 2022, vol. 15, iss. 1, pp. 111–121. URL: Link
Gautam M., Ben-Idris M. Optimal Sizing of Movable Energy Resources for Enhanced Resilience in Distribution Systems: A Techno-Economic Analysis. Electronics, 2023, vol. 12, iss. 20, 4256. URL: Link
Tawfik S.A., Isayev O., Stampfl C. et al. Efficient Prediction of Structural and Electronic Properties of Hybrid 2D Materials Using DFT and Machine Learning. Advanced Theory and Simulations, 2019, vol. 2, iss. 1, 1800128. URL: Link
Hyeonmin Kim, Young Yoon. An Ensemble of Text Convolutional Neural Networks and Multi-Head Attention Layers for Classifying Threats in Network Packets. Electronics, 2023, vol. 12, iss. 20, 4253. URL: Link
Haoyang Shi, Xing Zhang, Peixuan Wu et al. ComEdge: Cloud-Native Platform for Integrated Computing and Communication in Satellite–Terrestrial Network. Electronics, 2023, vol. 12, iss. 20, 4252. URL: Link
Bláha Z. Redefining Intelligence: The Fusion of AI and Mechatronics. Journal of Industrial Electronics and Applications, 2023, vol. 7, iss. 2.
Yue Hou Maria. Integrating Industrial Informatics and Computational Intelligence for Smart Manufacturing. Journal of Industrial Electronics and Applications, 2023, vol. 7, iss. 1. URL: Link
Feng H.-Z., Yu H.-Y., Wang W.-Y. et al. Recognition of Mortar Pumpability via Computer Vision and Deep Learning. Journal of Electronic Science and Technology, 2023, vol. 21, iss. 3, 100215. URL: Link
Zhan J.-Y., Yu A.-T., Jiang W. et al. FPGA-Based Acceleration for Binary Neural Networks in Edge Computing. Journal of Electronic Science and Technology, 2023, vol. 21, iss. 2, 100204. URL: Link
Wu B., Hao Zh.-L., Chen J.H. et al. Total Transmission from Deep Learning Designs. Journal of Electronic Science and Technology, 2022, vol. 20, iss. 1, 100146. URL: Link
