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
Предмет. Моделирование мотивации топ-менеджеров управляющих структур регионов, чтобы привести в соответствие интересы населения, государства и топ-менеджеров государственных структур и инновационных предприятий. Цели. Создание модели мотивации топ-менеджмента управляющих структур регионов. Методология. Использована логистическая регрессия. Результаты. Представленная модель охватывает материальную и нематериальную мотивации топ-менеджмента управляющих структур регионов, управляющих структур инновационных предприятий и неформальных объединений инновационно-индустриальных кластеров в регионах страны. Обоснована важность диапазонов планируемых параметров модели, которые были получены для регионов-лидеров. При этом диапазоны составляются для каждой целевой функции, то есть нематериальной, материальной мотивации и стратегического потенциала. Это говорит о гибкости модели, основанной на логистической регрессии. Выводы. Результаты могут быть полезны государственным структурам для разработки рациональной системы материальной и нематериальной мотивации топ-менеджеров, а также управляющим структурам инновационно развивающихся предприятий регионов.
Durr A.K.W. A Text Analysis of Data-Science Career Opportunities and US iSchool Curriculum. Journal of Education for Library and Information Science, 2020, vol. 61, iss. 2, pp. 270–293. URL: Link
Lacagnina C., Doblas-Reyes F., Larnicol G. et al. Quality Management Framework for Climate Datasets. Data Science Journal, 2022, vol. 21, iss. 1, p. 10. URL: Link
Peng G., Lacagnina C., Downs R.R. et al. Global Community Guidelines for Documenting, Sharing, and Reusing Quality Information of Individual Digital Datasets. Data Science Journal, 2022, vol. 21, iss. 1, p. 8. URL: Link
Simmonds M.B., Riley W.J., Agarwal D.A. et al. Guidelines for Publicly Archiving Terrestrial Model Data to Enhance Usability, Intercomparison, and Synthesis. Data Science Journal, 2022, vol. 21, iss. 1, p. 3. URL: Link
Folgado M.G., Sanz V. Exploring the Political Pulse of a Country Using Data Science Tools. Journal of Computational Social Science, 2022, vol. 5, pp. 987–1000. URL: Link
Peng C.-Y.J., Lee K.L., Ingersoll G.M. An Introduction to Logistic Regression Analysis and Reporting. The Journal of Educational Research, 2002, vol. 96, iss. 1, pp. 3–14. URL: Link
Boateng E.Y., Abaye D.A. A Review of the Logistic Regression Model with Emphasis on Medical Research. Journal of Data Analysis and Information Processing, 2019, vol. 7, no. 4, pp. 190–207. URL: Link
Ramosacaj M., Hasani V., Dumi A. Application of Logistic Regression in the Study of Students’ Performance Level (Case Study of Vlora University). Journal of Educational and Social Research, 2015, vol. 5, no. 3, p. 239. URL: Link
Abdulqader Q. Applying the Binary Logistic Regression Analysis on the Medical Data. Science Journal of University of Zakho, 2017, vol. 5, iss. 4, p. 330. URL: Link
Liu L. Research on Logistic Regression Algorithm of Breast Cancer Diagnose Data by Machine Learning. 2018 International Conference on Robots & Intelligent System (ICRIS), Changsha, China, 2018, pp. 157–160. URL: Link
Neamah M.W. et al. Utilizing the Logistic Regression Model in Analyzing the Categorical Data of Economic Effects. Turkish Journal of Computer and Mathematics Education (TURCOMAT), 2021, vol. 12, no. 4, pp. 638–646. URL: Link
Oleskiv I., Mirzoieva D. Logistic Regression as Instrument for Analyzing Influence of Remittances on Economic Growth. SMEU, 2020, vol. 2, no. 2, pp. 127–132. URL: Link
Li X., Yan S., Lu J., Ding Y. Prediction and Analysis of Corporate Financial Risk Assessment Using Logistic Regression Algorithm in Multiple Uncertainty Environment. Journal of Environmental and Public Health, 2022, vol. 2022, article ID 2733923. URL: Link
Ali S.S., Mubeen M., Lal I., Hussain A. Prediction of Stock Performance by Using Logistic Regression Model: Evidence from Pakistan Stock Exchange (PSX). Asian Journal of Empirical Research, 2018, vol. 8, no. 7, pp. 247–258. URL: Link
Zizi Y., Oudgou M., El Moudden A. Determinants and Predictors of SMEs’ Financial Failure: A Logistic Regression Approach. Risks, 2020, vol. 8, iss. 4, pp. 1–21. URL: Link
Popadinets I., Andrusiv U., Galtsova O. et al. Management of Motivation of Managers’ Work at the Enterprises of Ukraine: Innovative Aspects. Management Systems in Production Engineering, 2021, vol. 29, iss. 2, pp. 120–131. 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
Zubair S.S., Khan M.A., Mukaram A.T. Public Service Motivation and Organizational Performance: Catalyzing Effects of Altruism, Perceived Social Impact and Political Support. PLoS One, 2021, vol. 16, iss. 12. URL: Link
Sun S. The Relationship Between Public Service Motivation and Affective Commitment in the Public Sector Change: A Moderated Mediation Model. Frontiers in Psychology, 2021, vol. 12. URL: Link
Grus J. Data Science from Scratch: First Principles with Python, 2nd ed. O'Reilly Media, Inc., 2019, 406 p.
