Летягина Е.Н.кандидат экономических наук, доцент, заведующая кафедрой управления в спорте, Национальный исследовательский Нижегородский государственный университет им. Н.И. Лобачевского (ННГУ), Нижний Новгород, Российская Федерация len@fks.unn.ru https://orcid.org/0000-0002-6539-6988 SPIN-код: 7221-4868
Перова В.И.кандидат физико-математических наук, доцент кафедры математического моделирования экономических процессов, Национальный исследовательский Нижегородский государственный университет им. Н.И. Лобачевского (ННГУ), Нижний Новгород, Российская Федерация perova_vi@mail.ru https://orcid.org/0000-0002-1992-5076 SPIN-код: 3871-2450
Предмет. Проведение исследования развития региональной экономики Российской Федерации с позиций производственной, инновационной, инвестиционной и научно-исследовательской деятельности в регионах Российской Федерации в ракурсе технологического суверенитета и экономической безопасности страны. Цели. Решение многофакторной задачи, описывающей состояние экономики регионов России, путем нового перспективного метода – кластерного анализа на основе нейросетевого моделирования. Объектами исследования являлись 85 регионов Российской Федерации, аттестуемых 12 показателями, выбранными с сайта Росстата в соответствии с авторским представлением. Выполнение анализа динамики состояния основных фондов за 2017–2021 гг., аттестующих уровень развития и обновления материально-технической базы отраслей в масштабе федеральных округов Российской Федерации. Методология. В качестве метода исследования многомерных статистических данных использован кластерный анализ на основании нейронных сетей, представляющих собой важный раздел искусственного интеллекта. Результаты. Обращение к инструментарию искусственных нейронных сетей позволило осуществить кластеризацию гетерогенных данных, в результате которой регионы России разместились по шести кластерным образованиям. При этом наблюдается независимость разделения регионов на кластеры – кластерного решения – от их пребывания в составе федеральных округов Российской Федерации. Проведена оценка влияния каждого исследуемого показателя на формирование кластеров. Показано, что имеется значительное неравенство числа регионов Российской Федерации в кластерах. Установлен различный уровень развития региональной экономики по совокупности рассматриваемых показателей в масштабе кластеров. Выводы. Результаты работы могут оказать помощь при выработке и применении стратегий, нацеленных на повышение сбалансированности развития региональной экономики в фокусе технологического суверенитета в обстановке новых угроз и вызовов экономической безопасности.
Ключевые слова: экономическая безопасность, региональная экономика России, искусственный интеллект, кластерный анализ, нейронные сети
Список литературы:
Сенчагов В.К. Экономическая безопасность как основа обеспечения национальной безопасности России // Вопросы экономики. 2001. № 8. С. 64–79.
Сенчагов В.К., Иванов Е.А. Структура механизма современного мониторинга экономической безопасности России. М.: Институт экономики РАН, 2016. 71 с.
Арбузов С.Г., Головнин М.Ю. Стабилизация валютного рынка России в контексте экономической безопасности на современном этапе // Экономическое возрождение России. 2016. № 2. С. 104–110. URL: Link
Татаркин А.И., Куклин А.А. Изменение парадигмы исследований экономической безопасности региона // Экономика региона. 2012. № 2. С. 25–39. URL: Link
Городецкий А.Е. Экономическая безопасность России: новая стратегия в новых реалиях // Проблемы теории и практики управления. 2018. № 1. С. 8–23.
Караваева И.В., Иванов Е.А., Лев М.Ю. Паспортизация и оценка показателей состояния экономической безопасности России // Экономика, предпринимательство и право. 2020. Т. 10. № 8. С. 2179–2198. URL: Link
Гребенкина С.А., Славянов А.С., Хрусталёв Е.Ю. Экономическая безопасность субъектов РФ: системный подход // Региональная экономика: теория и практика. 2019. Т. 17. Вып. 10. С. 1909–1922. URL: Link
Митяков С.Н., Лапаев Д.Н., Катаева Л.Ю., Рамазанов С.А. Устойчивое развитие и угрозы экономической безопасности // Экономика и предпринимательство. 2019. № 10. С. 111–114.
Любушин Н.П., Бабичева Н.Э., Королев Д.С. Экономический анализ возможностей технологического развития России (на примере нанотехнологий) // Экономический анализ: теория и практика. 2012. № 9. С. 2–11. URL: Link
Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере: монография. Новосибирск: Наука, 1996. 276 с.
Любушин Н.П., Летягина Е.Н., Перова В.И., Котов Р.М. Методы искусственного интеллекта в исследовании экономического потенциала регионов России в условиях больших вызовов // Экономический анализ: теория и практика. 2022. Т. 21. Вып. 6. С. 994–1017. URL: Link
Осовский С. Нейронные сети для обработки информации. М.: Финансы и статистика, 2002. 344 с.
Хрусталёв Е.Ю., Шрамко О.Г. Использование метода нейронных сетей для прогнозирования эффективности инвестиционных вложений // Экономический анализ: теория и практика. 2017. Т. 16. Вып. 8. С. 1438–1454. URL: Link
Kohonen Т. The Self-Organizing Map. Proceedings of the IEEE, 1990, vol. 78, iss. 9, pp. 1464–1480. URL: Link
Kohonen T. Self-Organized Formation of Topologically Correct Feature Maps. Biological Cybernetics, 1982, vol. 43, pp. 59–69. URL: Link
Любушин Н.П., Летягина Е.Н., Перова В.И. Исследование инновационного развития региональной экономики как императива устойчивого социально-экономического роста России с применением нейросетевого моделирования // Экономический анализ: теория и практика. 2021. Т. 20. Вып. 8. С. 1394–1414. URL: Link
Летягина Е.Н., Перова В.И. Нейросетевое моделирование региональных инновационных экосистем // Journal of New Economy. 2021. Т. 22. № 1. С. 71–89. URL: Link
Sinha S., Singh T.N., Singh V.K., Verma A.K. Epoch Determination for Neural Network by Self-Organized Map (SOM). Computational Geosciences, 2010, vol. 14, iss. 1, pp. 199–206. URL: Link
Carboni O.A., Russu P. Assessing regional wellbeing in Italy: An application of Malmquist–DEA and self-organizing map neural clustering. Social Indicators Research, 2015, vol. 122, no. 3, pp. 677–700. URL: Link
Davies D.L., Bouldin D.W. A Cluster Separation Measure. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1979, vol. PAMI-1, no. 2, pp. 224–227. URL: Link
