Scientific journal

Fundamental research

ISSN 1812-7339

"Перечень" ВАК

ИФ РИНЦ = 1,674

Сегодня становятся актуальными вопросы инновационного развития регионов РФ в области промышленного производства. Это обусловлено усилением темпов инновационного развития техники и технологий, усилением процессов взаимодействия промышленных предприятий, предприятий-поставщиков ресурсов, потребителей выпускаемой на рынок рыночной продукции и, следовательно, процессов кластерообразования в регионах РФ [1, 2, 3, 5, 6]. На уровень инновативности производства влияет развитие науки и формирование экономики, ориентированной на развитие фундаментальных и прикладных исследований, опытно-конструкторских работ [4, 8].

С целью развития инновационных технологий и отечественного производства разрабатываются и реализуются государственные программы, направленные на формирование лидирующих позиций России на мировом рынке в энергетическом секторе, добыче и переработке сырья, в области высоких технологий, что заложит фундамент для интеграции в евразийское пространство [9].

Все это требует разработки современных технологий выявления закономерностей, прогнозирования, разработки и принятия оптимальных управленческих решений в области промышленного производства [5, 6, 7]. Данные технологии должны формироваться с учетом уровня инновационного развития отечественной промышленности. С целью выявления уровня инновационного развития производства в экономических субъектах проведем анализ с применением нейронных сетей Кохонена [10, 12, 13].

Материалы и методы исследования

Для анализа инновационного развития регионов Российской Федерации использован показатель – число разработанных передовых производственных технологий, новых для России (ЧРППТ), измеряемый в единицах за период 2010–2014 гг. для всех видов производств. Новыми для России считаются технологии, не имеющие отечественных аналогов [11].

В расчетах использованы статистические данные по 72 субъектам РФ, взятые из Единой межведомственной информационно-статистической системы (ЕМИСС) по всем видам производств [11]. Поскольку данные из ЕМИСС имеют пропуски, для их заполнения использован парциальный анализ.

Для решения задачи группировки регионов и выделения закономерностей использованы карты Кохонена, в основе которых лежит нейронная сеть с обучением без учителя, позволяющая решать задачи кластеризации, снижения размерности пространства признаков и визуализации многомерных данных [10].

Алгоритм реализации карт Кохонена основан на кластеризации многомерных векторов, задающих пространство признаков, характеризующих исследуемые объекты. Все узлы нейронной сети упорядочены в форме некоторой организованной структуры, в большинстве случаев в форме двумерной сети [10]. В ходе обучения нейронной сети модифицируются не только нейроны-победители, но и в меньшей степени остальные нейроны, что позволяет размещать рядом схожие векторы пространства признаков на создаваемой самоорганизующейся карте. Что позволяет повысить качество и наглядность отображения пространства признаков, задающих исследуемые объекты [10].

Для анализа результатов кластерообразования использованы проекция Саммона, матрица расстояний и матрица плотности попадания регионов в кластеры.

Для каждого выделенного кластера построен его профиль, по профилю определены среднее значение исследуемого показателя, темп роста исследуемого показателя за 2010–2014 гг. Колеблемость исследуемого признака в кластерах оценивалась по изменению цветовой палитры, задающей его изменение в кластере. Чем выше колеблемость, тем сильнее изменяется цвет в границах кластера.

Расчеты проводились в демоверсии программы Deductor Studio 5.3 [1].

Результаты исследования и их обсуждение

С применением карт Кохонена выполнена кластеризация 72 регионов РФ по значениям показателя «Число разработанных передовых производственных технологий, новых для России, ед.» за период 2010–2014 гг. Выделено 6 кластеров. На рис. 1 показаны связи между кластерами. Наиболее сильные связи между кластерами 0 и 1, связи средней силы между кластерами 0, 2 и 3, наиболее слабые связи между кластерами 0,5 и 4 (рис. 1).

На рис. 2 приведены построенная карта Кохонена, проекция Саммона, матрица расстояний и матрица плотности попадания регионов в кластеры. Кластеры выделены различными цветами (рис. 2).

Характеристики кластеров приведены в таблице. Профили кластеров приведены на рис. 3.

На основании выполненных расчетов могут быть сделаны следующие выводы.

1. Кластеризация выполнена корректно, о чем свидетельствует проекция Саммона (рис. 2).

2. В нулевой кластер вошли города федерального значения Москва и Санкт-Петербург. Для данного кластера характерны высокие показатели выпуска инновационной продукции, состояние инновационной стабилизации с тенденцией к незначительному росту. Колеблемость исследуемого показателя невысокая.

3. В первый кластер вошли Московская область, Нижегородская область, Челябинская область, Свердловская область. Для данного кластера характерны ниже среднего, средние и выше среднего показатели выпуска инновационной продукции, состояние стабилизации, тенденция к незначительному росту. Колеблемость исследуемого признака высокая.

Рис. 1. Связи между кластерами

Рис. 2. Карта Кохонена и проекция Саммона

4. Во втором кластере расположены Архангельская область, Архангельская область без автономного округа, Новгородская область, Ростовская область, Удмуртская республика, Пермский край, Саратовская область, Ямало-Ненецкий автономный округ, Иркутская область, Новосибирская область, Сахалинская область. Характерны низкие и ниже среднего значения исследуемого показателя. Отмечается тенденция роста. Колеблемость невысокая.

Характеристики кластеров

Рис. 3. Профили кластеров

5. В третий кластер вошли Воронежская область, Калужская область, Ярославская область, Республика Татарстан, Пензенская область, Самарская область, Ульяновская область, Тюменская область, Красноярский край. Для данного кластера характерны средние значения исследуемого признака, отмечается тенденция к росту.

6. В четвертый кластер вошли Белгородская область, Брянская область, Владимирская область, Ивановская область, Костромская область, Курская область, Орловская область, Смоленская область, Республика Карелия, Республика Коми, Ленинградская область, Астраханская область, Республика Тыва, Забайкальский край, Республика Дагестан, Карачаево-Черкесская республика, Чеченская республика, Курганская область, Тюменская область (без округов), Омская область, Томская область, Камчатский край, Хабаровский край. Для кластера характерны низкие значения исследуемого показателя, отмечается тенденция к незначительному росту. Колеблемость исследуемого признака незначительная.

7. В пятый кластер вошли Липецкая область, Рязанская область, Тверская область, Тульская область, Ненецкий автономный округ, Вологодская область, Калининградская область, Псковская область, Краснодарский край, Волгоградская область, Кабардино-Балкарская республика, Республика Башкортостан, Республика Мордовия, Чувашская республика, Оренбургская область, Ханты-Мансийский автономный округ – Югра, Республика Бурятия, Алтайский край, Кемеровская область, Республика Саха (Якутия), Приморский край, Магаданская область, Чукотский автономный округ. Для данного кластера характерны низкие значения исследуемого показателя, тенденция к росту практически отсутствует. Колеблемость исследуемого признака незначительная.

Заключение

На основании проведенных расчетов могут быть разработаны мероприятия по инновационному развитию производства в регионах РФ. Особое внимание следует обратить на кластеры 0, 1 и 3 как обладающие потенциалом для развития. Также необходимо обеспечить устойчивую тенденцию роста инновативности производства и снизить ее колеблемость, что отрицательно сказывается на потенциале развития экономических субъектов РФ.

Рецензенты:

Ковалев А.И., д.э.н., профессор кафедры экономики, менеджмента и маркетинга, ФГБОУ ВПО «Финансовый университет при Правительстве Российской Федерации», г. Омск;

Хаирова С.М., д.э.н., профессор, зав. кафедрой «Управление качеством и сервис», ФГБОУ ВПО «Сибирская государственная автомобильно-дорожная академия», г. Омск.