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

ЖУРНАЛЫ

  

АВТОРАМ

  

ПОДПИСКА

    
«Финансы и кредит»
 

Включен в перечень ВАК по специальностям

ЭКОНОМИЧЕСКИЕ НАУКИ:
5.2.1. Экономическая теория
5.2.3. Региональная и отраслевая экономика
5.2.4. Финансы
5.2.5. Мировая экономика
5.2.6. Менеджмент


ЭКОНОМИЧЕСКИЕ,
ФИЗИКО-МАТЕМАТИЧЕСКИЕ НАУКИ:
5.2.2. Математические, статистические и инструментальные методы в экономике

Реферирование и индексирование

РИНЦ
Referativny Zhurnal VINITI RAS
Worldcat
LCCN Permalink
Google Scholar

Электронные версии в PDF

Eastview
eLIBRARY.RU
Biblioclub

Нейросетевое моделирование инновационного развития радиоэлектронной промышленности регионов

Купить электронную версию статьи

т. 30, вып. 3, март 2024

Получена: 23.10.2023

Получена в доработанном виде: 06.11.2023

Одобрена: 20.11.2023

Доступна онлайн: 28.03.2024

Рубрика: Инвестиционная деятельность

Коды JEL: C32, C45, L63, O21, O32

Страницы: 531–556

https://doi.org/10.24891/fc.30.3.531

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.

Ключевые слова: нейронная сеть, прогнозирование, временной ряд, радиоэлектронная промышленность

Список литературы:

  1. 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
  2. Трофимов О.В., Ганин А.Н. Разработка акселерационной программы стартапов в радиоэлектронной промышленности // Креативная экономика. 2019. Т. 13. № 3. С. 553—558. URL: Link
  3. 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
  4. Клушанцев Д.В. Эволюция производственной специализации в радиоэлектронной промышленности Санкт-Петербурга // МИР (Модернизация. Инновации. Развитие). 2020. Т. 11. № 1. С. 59—71. URL: Link
  5. 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
  6. 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
  7. 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
  8. 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
  9. 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
  10. 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
  11. 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
  12. 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
  13. 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
  14. 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
  15. Bláha Z. Redefining Intelligence: The Fusion of AI and Mechatronics. Journal of Industrial Electronics and Applications, 2023, vol. 7, iss. 2.
  16. 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
  17. 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
  18. 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
  19. 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

Посмотреть другие статьи номера »

 

ISSN 2311-8709 (Online)
ISSN 2071-4688 (Print)

Свежий номер журнала

т. 30, вып. 3, март 2024

Другие номера журнала