+7 (925) 966 4690
ИД «Финансы и кредит»

ЖУРНАЛЫ

  

АВТОРАМ

  

ПОДПИСКА

    
«Экономический анализ: теория и практика»
 

Включен в перечень ВАК по специальностям

ЭКОНОМИЧЕСКИЕ НАУКИ:
5.2.1. Экономическая теория
5.2.3. Региональная и отраслевая экономика

Реферирование и индексирование

РИНЦ
Referativny Zhurnal VINITI RAS
Worldcat
Google Scholar

Электронные версии в PDF

Eastview
eLIBRARY.RU
Biblioclub

Анализ показателей развития и распространения высокотехнологичной продукции (на примере робототехники и мобильных устройств)

Купить электронную версию статьи

т. 21, вып. 10, октябрь 2022

Получена: 07.07.2022

Получена в доработанном виде: 10.08.2022

Одобрена: 20.08.2022

Доступна онлайн: 27.10.2022

Рубрика: МАТЕМАТИЧЕСКИЕ МЕТОДЫ И МОДЕЛИ

Коды JEL: C53, O14, O31, O33

Страницы: 1951–1978

https://doi.org/10.24891/ea.21.10.1951

Варшавский А.Е. доктор экономических наук, кандидат технических наук, профессор, руководитель лаборатории моделирования экономической стабильности, Центральный экономико-математический институт РАН (ЦЭМИ РАН), Москва, Российская Федерация 
varshav@cemi.rssi.ru

https://orcid.org/0000-0001-8229-3692
SPIN-код: 7987-6250

Комкина Т.А. кандидат экономических наук, ведущий научный сотрудник лаборатории моделирования экономической стабильности, Центральный экономико-математический институт РАН (ЦЭМИ РАН), Москва, Российская Федерация 
tania_kom@mail.ru

https://orcid.org/0000-0002-9328-0712
SPIN-код: 6564-8955

Кочеткова Е.В. кандидат экономических наук, научный сотрудник лаборатории моделирования экономической стабильности, Центральный экономико-математический институт РАН (ЦЭМИ РАН), Москва, Российская Федерация 
k.v.kochetkova@gmail.com

https://orcid.org/0000-0001-9058-2128
SPIN-код: 4099-8436

Дубинина М.Г. научный сотрудник лаборатории моделирования экономической стабильности, Центральный экономико-математический институт РАН (ЦЭМИ РАН), Москва, Российская Федерация 
mgdub@yandex.ru

https://orcid.org/0000-0002-4578-668X
SPIN-код: 7084-9662

Дубинина В.В. младший научный сотрудник лаборатории моделирования экономической стабильности, Центральный экономико-математический институт РАН (ЦЭМИ РАН), Москва, Российская Федерация 
Viktoria@li.ru

https://orcid.org/0000-0002-2785-1599
SPIN-код: 3049-0083

Кузнецова М.С. младший научный сотрудник лаборатории моделирования экономической стабильности, Центральный экономико-математический институт РАН (ЦЭМИ РАН), Москва, Российская Федерация 
mary.cuznetsow2012@yandex.ru

https://orcid.org/0000-0003-0982-608X
SPIN-код: 9670-7187

Предмет. Методология анализа развития и распространения высокотехнологичной продукции.
Цели. Разработка методов и моделей анализа и прогнозирования развития высокотехнологичной продукции на примере робототехники и мобильных устройств.
Методология. Предложены методы анализа динамики технических показателей, разработаны модели зависимости цены от абсолютных и относительных технических показателей по поколениям. Для отдельных видов высокотехнологичной продукции построены модели цены для различных стадий жизненного цикла (начальный этап, этапы роста, зрелости и насыщения), предложены модели для выявления влияния социально-экономических факторов и оценки возможных рисков применения высокотехнологичной продукции.
Результаты. Разработана методология и предложен инструментарий для анализа и прогнозирования показателей развития и распространения высокотехнологичной продукции на примере робототехники и мобильных устройств. Разработаны модификации логистических моделей, позволяющие осуществить прогноз динамики технико-экономических показателей на краткосрочную перспективу. Построены эконометрические модели с учетом социально-экономических факторов и рисков, влияющих на скорость распространения и масштабы применения высокотехнологичной продукции, на примере промышленной и сервисной робототехники, мобильных устройств. Предложены комплексные показатели технической сложности рассматриваемой высокотехнологичной продукции, построены модели динамики этих показателей с выделением поколений развития. Выявлена положительная корреляция цены и комплексного показателя технической сложности рассмотренных видов высокотехнологичной продукции.
Выводы. Разработанная методология может быть применена для анализа динамики технических показателей и зависимости цены высокотехнологичной продукции от абсолютных и относительных технических показателей по поколениям, что подтверждается в работе на примере анализа развития промышленных роботов Fanuc грузоподъемностью свыше 100 кг и смартфонов Apple. Показано, что на основе разработанных моделей и методов может быть выполнено прогнозирование динамики технико-экономических показателей, распространения на рынке и проведена оценка возможных рисков использования.

Ключевые слова: технико-экономические показатели, поколения, моделирование, патентный анализ, высокотехнологичная продукция

Список литературы:

  1. Анчишкин А.И. Комплексное прогнозирование развития науки и техники. М.: Центральный экономико-математический институт АН СССР, 1980. 176 с.
  2. Варшавский А.Е. Научно-технический прогресс в моделях экономического развития: методы анализа и оценки. М.: Финансы и статистика, 1984. 208 с.
  3. Варшавский Л.Е. Анализ и прогнозирование показателей распространения новых технологий на основе физико-химических моделей // Анализ и моделирование экономических и социальных процессов. Ижевск: Институт компьютерных исследований, 2021. С. 93–107. URL: Link
  4. Глазьев С.Ю. О создании систем стратегического планирования и управления научно-техническим развитием // Инновации. 2020. № 2. С. 14–23. URL: Link
  5. Комков Н.И. Закономерности научно-технологического развития и их использование при прогнозировании // МИР (Модернизация. Инновации. Развитие). 2010. Т. 1. № 3. С. 72–91. URL: Link
  6. Львов Д.С. Эффективное управление техническим развитием. М.: Экономика, 1990. 255 с.
  7. Белоусов Д.Р., Фролов И.Э. Методологические и предметные особенности прогнозирования научно-технологического развития в современных условиях // Проблемы прогнозирования. 2008. № 3. С. 88–105. URL: Link
  8. Авдонин Б.Н., Хрусталев Е.Ю. Методология организационно-экономического развития наукоемких производств. М.: Наука, 2010. 366 с.
  9. Мелещенко Ю.С. Техника и закономерности ее развития. Л.: Лениздат, 1970. 248 с.
  10. Барташев Л.В. Конструктор и экономика. М.: Экономика, 1977. 223 с.
  11. Ayres R., Benjamin W. The Economic Growth Engine: How Energy and Work Drive Material Prosperity. Cheltenham, UK, Edward Elgar, 2009.
  12. Martino J.P. A review of selected recent advances in technological forecasting. Technological Forecasting and Social Change, 2003, vol. 70, iss. 8, pp. 719–733. URL: Link00375-X
  13. Coccia M. The theory of technological parasitism for the measurement of the evolution of technology and technological forecasting. Technological Forecasting and Social Change, 2019, vol. 141, pp. 289–304. URL: Link
  14. Calleja-Sanz G., Olivella-Nadal J., Solé-Parellada F. Technology Forecasting: Recent Trends and New Methods. In: Machado C., Davim J.P. (eds) Research Methodology in Management and Industrial Engineering. Springer International Publishing, Cham, Switzerland, 2020, pp. 45–69.
  15. Changbae Mun, Sejun Yoon, Nagarajan Raghavan et al. Function score-based technological trend analysis. Technovation, 2021, vol. 101, no. 102199. URL: Link
  16. Magsamen-Conrad K., Dillon J.M. Mobile technology adoption across the lifespan: A mixed methods investigation to clarify adoption stages, and the influence of diffusion attributes. Computers in Human Behavior, 2020, vol. 112, no. 106456. URL: Link
  17. Mesak H.I., Wanjugu S., Blackstock R. An examination of the diffusion of prepaid mobile telephony in selected emerging markets and developing economies. Information & Management, 2020, vol. 57, iss. 7. URL: Link
  18. Suenaga H., Madden G. Understanding the equilibrium dynamics of European broadband diffusion. Applied Economics, 2018, vol. 50, iss. 60, pp. 6553–6568. URL: Link
  19. Lafond F., Bailey A.G. et al. How well do experience curves predict technological progress? A method for making distributional forecasts. Technological Forecasting and Social Change, 2018, vol. 128, pp. 104–117. URL: Link
  20. Adamuthe A.C., Thampi G.T. Technology forecasting: A case study of computational technologies. Technological Forecasting and Social Change, 2019, vol. 143, pp. 181–189. URL: Link
  21. Xiaodong Yuan, Yuchen Cai. Forecasting the development trend of low emission vehicle technologies: Based on patent data. Technological Forecasting and Social Change, 2021, vol. 166, no. 120651. URL: Link
  22. Kumar R.R., Guha Pr., Chakraborty A. Comparative assessment and selection of electric vehicle diffusion models: A global outlook. Energy, 2022, vol. 238, part C, no. 121932. URL: Link
  23. Shuying Li, Garces E., Daim T. Technology forecasting by analogy-based on social network analysis: The case of autonomous vehicles. Technological Forecasting and Social Change, 2019, vol. 148, no. 119731. URL: Link
  24. Zhen-Yu She, Rui Cao, Bai-Chen Xie et al. An analysis of the wind power development factors by Generalized Bass Model: a case study of China’s eight bases. Journal of Cleaner Production, 2019, vol. 231, pp. 1503–1514. URL: Link
  25. Meade N., Towhidul Islam. Forecasting in telecommunications and ICT – A review. International Journal of Forecasting, 2015, vol. 31, iss. 4, pp. 1105–1126. URL: Link
  26. Yu Cheng, Lucheng Huang, Ronnie Ramlogan, Xin Li. Forecasting of potential impacts of disruptive technology in promising technological areas: Elaborating the SIRS epidemic model in RFID technology. Technological Forecasting and Social Change, 2017, vol. 117, pp. 170–183. URL: Link
  27. Hyeongjin Ahn, Eunil Park. Determinants of consumer acceptance of mobile healthcare devices: An application of the concepts of technology acceptance and coolness. Telematics and Informatics, 2022, vol. 70, no. 101810. URL: Link
  28. Najafi-Ghobadi S., Bagherinejad J., Taleizadeh A.A. Modeling the diffusion of generation products in the presence of heterogeneous strategic customers for determining optimal marketing-mix strategies. Computers and Industrial Engineering, 2021, vol. 160, no. 107606. URL: Link
  29. Dohnal M., Doubravsky K. Equationless and equation-based trend models of prohibitively complex technological and related forecasts. Technological Forecasting and Social Change, 2016, vol. 111, pp. 297–304. URL: Link
  30. Shelia V., Hansen J. et al. A multi-scale and multi-model gridded framework for forecasting crop production, risk analysis, and climate change impact studies. Environmental Modelling and Software, 2019, vol. 115, pp. 144–154. URL: Link
  31. Changyong Lee. A review of data analytics in technological forecasting. Technological Forecasting and Social Change, 2021, vol. 166, no.120646. URL: Link
  32. Galin R.R., Meshcheryakov R.V. Human-Robot Interaction Efficiency and Human-Robot Collaboration. In: Kravets A. (eds) Robotics: Industry 4.0 Issues & New Intelligent Control Paradigms. Studies in Systems, Decision and Control, 2020, vol. 272. Springer, Cham. URL: Link
  33. Ramesh P.S., Muruga Lal Jeyan. Mini Unmanned Aerial Systems (UAV) – A Review of the Parameters for Classification of a Mini UAV. International Journal of Aviation, Aeronautics, and Aerospace, 2020, vol. 7, iss. 3. URL: Link
  34. Дубинина В.В. Анализ технико-экономических показателей промышленных роботов большой грузоподъемности // Концепции. 2021. № 1. С. 37–43. URL: Link
  35. Варшавский А.Е., Кузнецова М.С. Анализ показателей инновационного развития смартфонов (на примере смартфонов iPhone компании Apple) // Национальные интересы: приоритеты и безопасность. 2021. Т. 17. Вып. 9. С. 1625–1649. URL: Link

Посмотреть другие статьи номера »

 

ISSN 2311-8725 (Online)
ISSN 2073-039X (Print)

Свежий номер журнала

т. 23, вып. 3, март 2024

Другие номера журнала