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

16+

Название статьи

АНАЛИЗ ДИНАМИКИ ЭКОНОМИЧЕСКОЙ ДЕЯТЕЛЬНОСТИ КРУПНЕЙШИХ КОМПАНИЙ РОССИИ НА ОСНОВЕ МЕТОДОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Тип статьи	научная статья	Коды УДК	330.354: 004.032.26
Страницы	22-31	Ключевые слова	крупнейшие компании Российской Федерации, экономическая деятельность, искусственный интеллект, нейронные сети, самоорганизующиеся карты Кохонена, кластерный анализ

Авторы

Перова В.И.Капусткина А.В.

Место работы

Перова В.И. Нижегородский государственный университет им. Н.И. Лобачевского
Капусткина А.В. Российская академия народного хозяйства и государственной службы при Президенте Российской Федерации

Аннотация

Целью данного исследования является анализ динамики развития экономической деятельности крупнейших компаний Российской Федерации, определяющих экономическое развитие страны, за период 2015-2020 гг. В качестве объектов для анализа выбраны 129 крупнейших компаний России, которые представляют 30 видов экономической деятельности. Исследование многомерной задачи экономической деятельности компаний, принадлежащей к сложноформализуемым задачам и гармонирующей с современными требованиями поступательного развития экономики Российской Федерации, реализовано с помощью креативного и эффективного метода - кластерного анализа на основе нейронных сетей, относящихся к одной из ключевых частей искусственного интеллекта. Базу для проведения исследования составил официальный ежегодный экспертный рейтинг экономического развития 400 компаний РФ. Результатом нейросетевого моделирования экономической деятельности крупнейших компаний посредством самоорганизующихся карт Кохонена - нейронных сетей, относящихся к парадигме обучения без учителя, и информационных технологий является разделение компаний на пять групп (кластеров). Получены характеристики кластерных образований. Кластеризация крупнейших компаний России показывает несоразмерность их развития. Приведена структура кластеров по видам экономической деятельности. Показано влияние больших вызовов внешних обстоятельств на экономическое развитие некоторых компаний Российской Федерации. Предложенный в работе подход с применением методов искусственного интеллекта является эффективным методологическим подходом исследования многомерных данных, который свободен от модельных ограничений. Практическая значимость результатов работы выражается: а) в констатировании динамики развития экономической деятельности крупнейших компаний России в современных условиях больших вызовов внешней конъюнктуры; б) в использовании их при выработке стратегических инновационно-управленческих методов, формирующих вектор направленности развития экономической деятельности крупнейших компаний Российской Федерации на эффективное решение современных задач, которые стоят перед страной.

Загрузить статью

Библиографический список

1 . Макаров В.Л., Айвазян С.А., Афанасьев М.Ю. и др. Моделирование развития экономики региона и эффективность пространства инноваций // Форсайт. Т. 10. № 3. С. 76-90.
2 . Кузнецов Ю.А. Оптимальное управление экономическими системами. Нижний Новгород: Изд-во Нижегородского госуниверситета, 449 с.
3 . Клейнер Г.Б., Рыбачук М.А. Системная сбалансированность экономики России: региональный разрез // Экономика региона. 2019. Т.15. № 2. С. 309-323.
4 . Кузнецов Ю.А., Перова В.И., Эйвазова Э.Н. Нейросетевое моделирование динамики инновационного развития регионов Российской Федерации // Региональная экономика: теория и практика. Т. 12. № 4. С. 18-28.
5 . Малкина М.Ю. Вклад регионов и отраслей в финансовую нестабильность российской экономики // Terra Economicus. 2018. Vol. 16. No. 3. P. 118-130. URL: https://doi.org/_10.23683/2073-_6606-2018-16-3-118-130.
6 . Малкина М.Ю. Оценка устойчивости развития региональных экономик на основе расстояний Махаланобиса // Terra 2020. Vol. 18. № 3. P. 140-159. URL: https://doi.org/_10.18522/2073-6606-2020-18-3-140-159.
7 . Болдыревский П.Б., Кистанова Л.А. Оценка эффективности инновационной деятельности промышленных предприятий // Актуальные вопросы науки. № 12. С. 65-69.
8 . Фролов В.Г. Инновационно-инвестиционно сбалансированная промышленная политика в условиях цифровой трансформации: Монография. М.: Первое экономическое издательство, 240 с.
9 . Frolov G. The complex of interrelations and mechanisms of innovation and investment balance of industrial policy in the context of the digital economy // Revista GEINTEC-Gestao Inovacao E Tecnologias. 2021. Vol. 11. № 3. P. 2186-2201.
10 . Симачев Ю.В., Кузык М.Г. и др. Россия на пути к новой технологической промышленной поли- тике: среди манящих перспектив и фатальных лову- шек // Форсайт. Т. 8. № 4. С. 6-23.
11 . Tan J., Lo K., Qiu F. et al. Regional Economic Resilience: Resistance and Recoverability of Resource-Based Cities during Economic Crises in Northeast China // Sustainability. 2017. Vol. 9. P. 2136. URL: https://doi.org/10.3390/su9122136.
12 . Briguglio L., Cordina G. et al. Economic vulnerability and resilience: Concepts and measurements // Oxford Development 2009. Vol. 37. № 3. P. 229-247. URL: https://doi.org/10.1080/13600810903089893.
13 . Летягина Е.Н. Управление цифровой трансформацией отраслей, комплексов, предприятий: Монография. Н. Новгород: Изд-во Нижегородского гос-университета им. Н.И. Лобачевского, 240 с.
14 . Колганов А.И. Структура российской экономики: потенциал адаптации цифровых технологий // Ломоносовские чтения-2018. Секция экономических наук. Цифровая экономика: человек, технологии, институты: Сборник статей. М.: Экономический фа- культет МГУ им. М. В. Ломоносова, С. 150-157.
15 . Головнин М.Ю. Влияние пандемии COVID-19 на мировую финансовую систему // Научные труды Вольного экономического общества России. Т. 230. № 4. С. 252-258.
16 . Караваева И.В., Иванов Е.А., Лев М.Ю. Паспортизация и оценка показателей состояния экономической безопасности России // Экономика, предринимательство и право. 2020. Т. 10. № 8. С. 2179- URL: https://doi.org/10.18334/epp.10.8.110705.
17 . Баканов М.И., Мельник М.В., Шеремет А.Д. Теория экономического анализа / Под ред. М.И. Баканова. М.: Финансы и статистика, 536 с.
18 . Ендовицкий Д.А., Любушин Н.П., Бабичева Н.Э. Финансовый анализ. М.: КНОРУС, 300 с.
19 . Любушин Н.П., Бабичева Н.Э. Экономика организации. М.: КНОРУС, 2016. 328 с.
20 . Хайкин С. Нейронные сети: полный курс. М.: Вильямс, 1104 с.
21 . Di Tollo G., Tanev S. et al. Determining the Re- lationship Between Co-creation and Innovation by Neural Networks // Complexity in Economics: Cutting Edge Research / Faggini, A. Parziale (eds.). Springer, 2014. P. 49-62. URL: http://link.springer.com/chapter/10.1007/978-3-319-05185-7_3.
22 . Hinton G.E., Salakhutdinov R.R. Reducing the dimensionality of data with neural networks // Science. Vol. 313 (5786). P. 504-507. URL: https://doi.org/10.1126/science.1127647.
23 . Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы / Пер. с польск. И.Д. Рудинского. М.: Горячая линия - Телеком, 2008. 452 с.
24 . Дебок Г., Кохонен Т. Анализ финансовых данных с помощью самоорганизующихся карт. М.: Альпина, 317 с.
25 . Летягина Е.Н., Перова В.И. Нейросетевое моделирование региональных инновационных экосистем // Journal of New 2021. Т. 22. № 1. С. 71-89. URL: https://doi.org/10.29141/2658-5081- 2021-22-1-4.
26 . Carboni O.A., Russu P. Assessing regional well- being in Italy: An application of Malmquist-DEA and self-organizing map neural clustering // Social Indicators 2015. Vol. 122. No. 3. P. 677-700. URL: https://doi.org/10.1007/s11205-014-0722-7.
27 . Hajeka , Henriquesb R. et al. Visualising components of regional innovation systems using selforganizing maps - Evidence from European regions // Technological Forecasting and Social Change. 2014.№ 84. P. 197-214. URL: http://www.sciencedirect.com/science/article/pii/S0040162513001650.
28 . Kohonen Т. Self-Organized Formation of Topo- logically Correct Feature Maps // Biological Cybernetics. Vol. 43. № 1. P. 59-69. URL: https://doi.org/10.1007/BF00337288.
29 . Kohonen T. The self-organizing map // Proceed- ings of the Institute of Electrical and Electronics Engi- 1990. Vol. 78. No. 9. P. 1464-1480.
30 . Letiagina E., Perova V., Orlova E. Neural net- work analysis of the development of physical education and sports in Russia as an economic factor of country security // Proc. 4th Int. Conf. on Innovations in Sports, Tourism and Instructional Science (ICISTIS 2019). At- lantis Press, 2019. 11. P. 174-179. URL: https://doi.org/10.2991/icistis-19.2019.37.
31 . Sinha S., Singh T.N. et al. Epoch determination for neural network by self-organized map (SOM) // Computational Geosciences. 2010. Vol. 14. № 1. P. 199- URL: https://doi.org/10.1007/s10596-009-9143-0.
32 . Martinetz T.M., Berkovich S.G. et al. «Neural- Gas» Network for Vector Quantization and Its Applica- tion to Time-Series Prediction // IEEE Transactions on Neural 1993. Vol. 4. № 4. P. 558-569.
33 . Van der Maaten L.J.P., Hinton G.E. Visualizing Data Using t-SNE // Journal of Machine Learning Re- 2008. Vol. 9. P. 2579-2605.
34 . McInnes L., Healy J., Melville J. UMAP: Uniform Manifold Approximation and Projection for Di- mension Reduction // ArXiv e-prints 1802.03426. URL: https://doi.org/10.48550/arXiv.1802.03426.
35 . Дубров А.М., Мхитарян В.С., Трошин Л.И. Многомерные статистические методы. М.: Финансы и статистика, 352 с.
36 . Балабанов А.С., Стронгина Н.Р. Анализ данных в экономических приложениях. Нижний Новгород: Изд-во ННГУ, 2004. 135 с.
37 . Алескеров Ф.Т., Гохберг Л.М. и др. Анализ данных науки, образования и инновационной деятельности с использованием методов анализа паттернов: Препринт WP7/2012/07 / Нац. исслед. ун-т «Высшая школа экономики». М.: Изд. дом Высшей школы экономики, 2012. 68 с.
38 . Aleskerov F.T., Gokhberg L.M. et al. A Method of Static and Dynamic Pattern Analysis of Innovative Development of Russian Regions in the Long Run // In: Springer Proceedings in Mathematics and Statistics. Volume 104 Models, Algorithms and Technologies for Network Analysis. Dordrecht, L., Cham, Heidelberg, NY: Springer, 2014. Ch. 1. P. 1-8. URL: https://doi.org/10.1007/978-3-319-09758-9_1.
39 . Davies D.L., Bouldin D.W. A cluster separation measure // IEEE Transactions on Pattern Analysis and Machine Intelligence PAMI-1. 1979. No. 2. P. 224-227. URL: https://doi.org/10.1109/TPAMI.1979.4766909. https://expert.ru/ratings/e400-2015/; https://expert.ru/ratings/e400-2016/; https://expert.ru/ratings/e400-2017/; https://expert.ru/ratings/e400-2018/; https://expert.ru/ratings/e400-2019/; https://expert.ru/expert/2021/43/spetsdoklad/41/.
40 . Киселева О.Н. Формирование сбалансированной стратегии инновационного развития предприятий России на основе организационно-управленческих инноваций // Инновации и инвестиции. 2017. № 12. С. 279-283.