Вестник Нижегородского университета им. Н.И. Лобачевского. Серия: Социальные науки

16+

Название статьи

КЛАСТЕРНЫЙ МЕТОД ФОРМИРОВАНИЯ ЭФФЕКТИВНЫХ УПРАВЛЕНЧЕСКИХ СТРАТЕГИЙ РАЗВИТИЯ ОЛИМПИЙСКИХ ВИДОВ СПОРТА С ИСПОЛЬЗОВАНИЕМ ИНСТРУМЕНТОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Тип статьи	научная статья	Коды УДК	330.354: 796.034+004.032.267
Страницы	17-23	Ключевые слова	эффективные управленческие стратегии, человеческий капитал, физическая культура и спорт, олимпийские виды спорта, регионы РФ, большие вызовы, искусственный интеллект, нейросетевое моделирование, кластерный анализ, информационные технологии

Авторы

Летягина Е.Н.Перова В.И.

Место работы

Летягина Е.Н. Нижегородский государственный университет им. Н.И. Лобачевского
Перова В.И. Нижегородский государственный университет им. Н.И. Лобачевского

Аннотация

Проведено исследование современного состояния летних олимпийских видов спорта в Российской Федерации в фокусе формирования эффективных управленческих стратегий, нацеленных на обеспечение качества человеческого капитала и сохранение здоровья населения в условиях больших внешних вызовов. Фундаментом эффективных управленческих стратегий развития олимпийских видов спорта являются следующие стратегические направления сферы физической культуры и спорта: развитие и модернизация объектов спорта; увеличение доли населения, систематически занимающегося физической культурой и массовым спортом; развитие спортивного резерва и спорта высших достижений; возрастание эффективности кадровой политики в сфере физической культуры и спорта. Актуальность исследования обусловлена весомостью человеческого капитала, относящегося к одному из ключевых внутренних индикаторов экономического потенциала России. Базу для выполнения исследования составили статистические данные, представленные на сайте Министерства спорта Российской Федерации. Авторами предложен креативный и эффективный метод кластерного анализа многомерных статистических данных на основе нейронных сетей - одного из существенных разделов искусственного интеллекта, с использованием информационных технологий. Результатом нейросетевого моделирования стала бифуркация объектов - летних олимпийских видов спорта РФ - по четырем кластерным образованиям, которые заметно разнятся по количеству объектов и по рассматриваемым показателям их развития. Приведена динамика результатов участия спортсменов России в летних Олимпийских играх, которая показала, что количество медалей, приходящихся на одного участника, является наибольшим (21.13%) на Олимпийских играх 2021 г. Авторы констатируют, что в условиях больших вызовов траектория развития летних олимпийских видов спорта в Российской Федерации отвечает, как показали результаты Олимпиады в Японии в 2021 г., наивысшим требованиям подготовки спортсменов. Практическая значимость результатов работы выражается: а) в установлении состояния развития летних олимпийских видов спорта в России в современных условиях больших вызовов внешней конъюнктуры; б) в использовании их при выработке стратегических направлений в области развития физической культуры и спорта с целью поступательного совершенствования и накопления человеческого капитала, являющегося одной из стержневых основ инновационного развития национальной, в том числе экономической, безопасности Российской Федерации.

Загрузить статью

Библиографический список

1 . Letiagina E.N., Perova V.I., Gutko A.V., Orlova E.A. Research of youth sports in the Russian Federation as a factor of human capital formation using neural networks // Human, technologies and quality of education. 78th International Scientific Conference of University of Latvia. 2020. P. 179-
2 . Кузнецов Ю.А. Человеческий капитал, производительность труда и экономический рост // Экономический анализ: теория и практика. 2012. № 43 (298). С. 2-14.
3 . Сухарев М.В. Человеческий капитал в общей системе знаний // Креативная экономика. Т. 11. № 9. С. 915-930.
4 . Lonska J., Mietule I. The impact of human capital development on the economic and social development of a country: Empirical study // 10th International Scientific Practical Conference «Environment. Technology. Resources». Rezekne; Latvia. 2015. Vol. 2. P. 174-180.
5 . Liu K. Research of investment in human capital in a sports club // International Journal of Simulation: Systems, Science and Technology. 2015. 16. № 5A. P. 19.1-19.5.
6 . Visvizi A., Daniela L. Technology-enhanced learning and the pursuit of sustainability // Sustainability. 2019. Vol. 11. № 15.
7 . Ионцев В.А. и др. Введение в демографию: Учебное пособие / Под ред. В.А. Ионцева, А.А. Саг-радова. М.: МГУ, ТЭИС. 2003. 636 с.
8 . Программа развития ООН. URL: https://www. undp.org/
9 . Abelkalns I., Golubeva A., Klempere-Sipjagina A. Studies of sport and health education teachers in the University of Latvia in the opinion of graduates // Society, Integration, Education. 2014. Vol. 3. P. 357-
10 . Beutler I. Sport serving development and peace: Achieving the goals of the United Nations through sport. // Sport in Society. 2008. Vol. 11. № 4. P. 359-369.
11 . Trushina E.A., Sergeev A.A. The development of sports industry in Russia // Interactive Science. 2016. № 10. P. 165-167.
12 . Савельева И.П., Данилова И.В., Карпушки-на А.В., Килина И.П. Физическая активность, здоровье и экологичная среда в системе устойчивого развития регионов // Человек. Спорт. Медицина. Т. 21. № S1. С. 141-152.
13 . Послание Президента Российской Федерации Федеральному Собранию 15 января 2020 г. URL: http://www.kremlin.ru/events/president/news/62582.
14 . Послание Президента Российской Федерации Федеральному Собранию 21 апреля 2021 г. URL: http://www.kremlin.ru/events/president/news/65418.
15 . Викулов С.Ф., Хрусталёв Е.Ю. Экономические основы военной безопасности России // Национальные интересы: приоритеты и безопасность. 2014. № 7. С. 2-9.
16 . Макарьев И.В. Физическая подготовка в системе правоохранительных органов // Физическая культура. Спорт. Туризм. Двигательная рекреация. 2017. Т. 2. № 2. С. 50-53.
17 . Садков С.А., Ахмеров И.Ф. Роль физической культуры, спорта, медицины и правоохранительных органов в профилактике асоциальных проявлений, наркомании и преступности среди молодежи // Актуальные проблемы физической культуры, спорта и туризма: Материалы X Международной научно-практической конференции (Уфа, 24-26 марта 2016 г). Уфа: Уфимский государственный авиационный технический университет, 2016. С. 619-622.
18 . Samitz G., Egger M., and Zwahlen M. Domains of physical activity and all-cause mortality: systematic review and doseresponse meta-analysis of cohort studies // International Journal of Epidemiology. 2011. Vol. 40. № 5. P. 1382-1400.
19 . Warburton D.E.R., Charlesworth S., Ivey A. et al. A systematic review of the evidence for Canada's physical activity guidelines for adults // International Journal of Behavioral Nutrition and Physical Activity. 2010. Vol. 7. Article 39.
20 . Горбунов С.А., Дубровский А.В. Роль физической культуры в совершенствовании умственной готовности к обучению и профессиональной деятельности // Теория и практика физической культуры. 2002. № 12. С. 13-15.
21 . Министерство спорта Российской Федерации. URL: http://www.minsport.gov.ru.
22 . Kohonen Т. Self-organized formation of topologically correct feature maps // Biological Cybernetics. 1982. Vol. 43. № 1. P. 59-69.
23 . Kohonen T. The self-organizing map // Proceedings of the Institute of Electrical and Electronics Engineers. 1990. Vol. 78. № 9. P. 1464-1480.
24 . Хайкин С. Нейронные сети: полный курс. М.: Вильямс, 2006. 1104 с.
25 . Lifang P., Lingling L. A service innovation evaluation framework for tourism e-commerce in China based on BP neural network // Electronic Markets. 2014. 24. Iss. 1. P. 37-46.
26 . Letiagina E., Perova V., Orlova E. Neural network analysis of the development of physical education and sports in Russia as an economic factor of country security // Proceedings of the 4th International Conference on Innovations in Sports, Tourism and Instructional Science (ICISTIS 2019). Atlantis Press, № 11. P. 174-179.
27 . Балабанов А.С., Стронгина Н.Р. Анализ данных в экономических приложениях: Учебное пособие. Нижний Новгород: Изд-во ННГУ, 2004. 135 с.
28 . Дубров А.М., Мхитарян В.С., Трошин Л.И. Многомерные статистические методы. М.: Финансы и статистика, 2000. 352 с.
29 . Davies D.L., Bouldin D.W. A cluster separation measure // IEEE Transactions on Pattern Analysis and Machine Intelligence. Vol. PAMI-1. Iss. 2. P. 224-227.
30 . 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. № 6. С. 994-1017.
31 . Фролов В.Г., Павлова А.А. Системные эффекты реализации инновационно-инвестиционно сбалансированной промышленной политики в условиях цифровой экономики // Экономические отношения. Т. 9. № 4. С. 2919-2936.
32 . Болдыревский П.Б., Кистанова Л.А. Оценка эффективности инновационной деятельности промышленных предприятий // Актуальные вопросы науки. 2014. № 12. С. 65-69.
33 . 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.
34 . 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.