В статье предложен алгоритм интеллектуального анализа региональных данных об инвестиционном риске, который предполагает проведение компонентного, кластерного и нейросетевого анализа для первичного формирования кластеров, а также построение трех вариантов деревьев решений для окончательного формирования кластеров регионов. Выявлены малочисленные кластеры регионов, характеризующиеся высоким уровнем экономического, социального и экологического риска. Анализ выявленных кластеров регионов позволяет сформулировать их характерные особенности, а также сформировать правила оценки инвестиционного риска.
Предпросмотр статьи
Идентификаторы и классификаторы
Решением проблем анализа инвестиционной привлекательности регионов и предприятий занимаются многие исследователи. Одной из задач анализа инвестиционной привлекательности является задача формирования инвестиционного рейтинга регионов, которая играет важную роль в стимулировании развития не только регионов, но и страны в целом. Формирование адекватной оценки инвестиционного рейтинга является важным фактором, который позволяет провести сравнение регионов по многим показателям, что необходимо для выявления проблемных областей в управлении государством или регионами и определения направлений их развития. Знание инвестиционного рейтинга позволяет, с одной стороны, мотивировать регионы к конкуренции за улучшение своих показателей, а с другой стороны, обеспечить информационную поддержку органам власти при определении приоритетов для развития регионов. В целом оценка инвестиционного рейтинга регионов имеет важное значение как с позиций государственных органов власти при принятии решений по распределению бюджетных ресурсов, так и с позиций частных инвесторов при принятии решений о размещении капитала [1–4].
Список литературы
1. Регионы России. Социально-экономические показатели: Статистический сборник. М.: Росстат, 2023. Regions of Russia.Socio-economic indicators. Statistical collection. Moscow: Rosstat, 2023. (In Russian).
2. Агеева Е. В., Баранов А. О. Прогноз развития инвестиционного комплекса России в 2022-2023 гг. // ЭКО. 2022. № 5. С. 111-130. EDN: YTJHKA Ageeva E. V., Baranov A. O. “Forecast for the development of the investment complex of Russia in 2022-2023” // IVF. 2022. No. 5. pp. 111-130. (In Russian).
3. Зубаревич Н. В. Регионы России в новых экономических условиях // Журнал Новой экономической ассоциации. 2022. № 3 (55). С. 226-234. EDN: EVVYVQ Zubarevich N. V. “Regions of Russia in new economic conditions” // Journal of the New Economic Association. 2022. No. 3 (55), pp. 226-234. (In Russian). EDN: EVVYVQ
4. Кузнецов В. И., Владимиров Н. А., Сычева М. А. О дифференциации регионов Российской Федерации по уровню инвестиционной привлекательности // Статистика и экономика. 2019. № 16. С.25-33. DOI: 10.21686/2500-3925-2019-2-25-33 EDN: MQTTOP Kuznetsov V. I., Vladimirov N. A., Sycheva M. A. “On the differentiation of regions of the Russian Federationaccording to the level of investment attractiveness” // Statistics and Economics. 2019. No. 16, pp. 25-33. (In Russian). EDN: MQTTOP
5. Методика составления рейтинга инвестиционной привлекательности регионов России компании “РАЭКС-Аналитика”. [Электронный ресурс] URL: https://raex-rr.com. Methodology for Compiling a Rating of Investment Attractiveness of Russian Regions by RAEX-Analytics. [Electronic resource] URL: https://raex-rr.com/ (In Russian).
6. Национальное рейтинговое агентство. [Электронный ресурс]. URL: https://www.ra-national.ru. National Rating Agency.[Electronic resource]. URL: https://www.ra-national.ru/ (In Russian).
7. Национальный инвестиционный рейтинг. [Электронный ресурс]. URL: https://asi.ru/government_officials/rating. National Investment Rating. [Electronic resource]. URL: https://asi.ru/government_officials/rating/ (In Russian).
8. Кузнецова С. В., Смирнова О. А. Анализ подходов к оценке инвестиционной привлекательности региона // Современные наукоемкие технологии. Региональное приложение. 2016. № 1. С.44-51. EDN: VZYQXF Kuznetsova S. V., Smirnova O. A. “Analysis ofapproaches to assessing the investment attractiveness of a region” // Modern Science-Intensive Technologies. Regional Application. 2016. No. 1, pp. 44-51. (In Russian).
9. Масленникова Е. В. Инвестиционная привлекательность региона: методики оценки и рейтинги инвестиционной привлекательности // Общество, экономика, управление. 2017. № 2. С. 37-40. EDN: YQPNFX Maslennikova E. V. “Investment attractiveness of the region: assessment methods and ratings of investment attractiveness” // Society, Economics, Management. 2017. No. 2,pp. 37-40. (In Russian). EDN: YQPNFX
10. Хомякова А. А., Мизгирев Л. С., Шергин В. В. Использование методов интеллектуального анализа данных в процессах управления инвестиционной привлекательностью региона // Известия высших учебных заведений. Серия: Экономика, финансы и управление производством. 2020. № 2. С.14-23. EDN: VPNKTP Khomyakova A. A., Mizgirev L. S., Shergin V. V. “Using methodsof intellectual data analysis in the processes of managing the investment attractiveness of the region” // News of Higher Educational Institutions. Series: Economics, Finance, and Production Management. 2020. No. 2, pp. 14-23. (In Russian). EDN: VPNKTP
11. Огородников П. И., Матвеева О. Б., Гусева Е. П. Компонентный анализ инвестиционной привлекательности сельскохозяйственных районов Центральной зоны Оренбургской области, их ранжирование и классификация // НАУКОВЕДЕНИЕ.2017. Т. 9. № 6 [Электронный ресурс]. URL: https://naukovedenie.ru/PDF/167EVN617.pdf. Ogorodnikov P. I., Matveeva O. B., Guseva E. P. “Component analysis of the investment attractiveness of agricultural areas of the Central zone of the Orenburg region, their ranking and classification” // SCIENCE. 2017. Vol. 9, No. 6 [Electronic resource]. URL: https://naukovedenie.ru/PDF/167EVN617.pdf (In Russian).
12. Казанская А. А., Мишура Л. Г. Использование машинного обучения в инвестиционной деятельности // Научный журнал НИУ ИТМО. Серия Экономика и экологический менеджмент. 2020. № 2. С. 23-34. EDN: MUJXYZ Kazanskaya A. A., Mishura L. G. “Using machine learning in investment activities” // Scientific Journal of NRU ITMO. Series “Economics and Environmental Management”. 2020. No. 2, pp. 23-34. (In Russian). EDN: MUJXYZ
13. Мусацков В. Ю., Афанасьева Г. А. Искусственные нейронные сети в экономике и в экологии // Проблемы региональной экологии. 2023. № 4. С. 51-55. EDN: UBHRZK Musatskov V. Yu., Afanasyeva G. A. “Artificial neural networks in economics and ecology” // Problems of Regional Ecology. 2023. No. 4, pp. 51-55. (In Russian). EDN: UBHRZK
14. Бушуева Л. И., Кузнецов В. И., Попова Ю. Ф. Применение метода главных компонент для анализа ключевых показателей развития конкуренции на рынках товаров и услуг Северо-Западного федерального округа Российской Федерации // Корпоративное управление и инновационное развитие экономики Севера: Вестник Научноисследовательского центра корпоративного права, управления и венчурного инвестирования Сыктывкарского государственного университета. 2023. Т. 3. № 2. С. 124-134. EDN: LNCGLZ Bushueva L. I., Kuznetsov V. I., Popova Yu. F. “Application of the principal component’s method forthe analysis of key indicators of competition development in the markets of goods and services of the North-Western Federal District of the Russian Federation” // Corporate Governance and Innovative Development of the Economy of the North: Bulletinof the Research Center for Corporate Law, Management and Venture Investment of Syktyvkar State University. 2023. Vol. 3, No. 2, pp. 124-134. (In Russian).
15. Козак Е. Применение нейронных сетей в экономике // Экономика: вчера, сегодня, завтра. 2021. Т. 11. № 5А. С. 113-119. DOI: 10.34670/AR.2021.43.81.014 EDN: ATCNTG Kozak E. “Application of neural networks in economics” // Economics: Yesterday, Today, Tomorrow. 2021. Vol. 11, No. 5A, pp. 113-119. (In Russian). EDN: ATCNTG
16. Трифонов Ю. В., Сочков А. Л., Соловьев А. Е. Оценка экономического потенциала регионов РФ на основе методологии нейросетевого кластерного анализа // Вестник Нижегородского университета им. Н. И. Лобачевского. Серия Социальные науки. 2021. № 3(63). С. 38-47. EDN: SIQALB Trifonov Yu. V., Sochkov A. L., Solovyov A. E. “Assessment of the economic potential of regions of the Russian Federation based on the methodology of neural network cluster analysis” // Bulletin of the Nizhny Novgorod University. Series: Social sciences. 2021. No. 3(63), pp. 38-47. (In Russian).
17. Серова Е. Г., Лукинский В. С. Методы и инструменты интеллектуального анализа данных в цифровой логистике и управлении цепями поставок // Логистика и управление цепями поставок. 2018. № 4(87). С. 73-80. EDN: XZOUHB Serova E. G., Lukinsky V. S. “Methods and tools for data mining in digital logistics and supply chain management” // Logistics and Supply Chain Management. 2018. No. 4(87), pp. 73-80. (In Russian). EDN: XZOUHB
18. Василенко М. А., Кузина Е. Л., Тагильцева Ю. А., Прокопова А. М. Нейронные сети в решении экологических проблем развития транспортных услуг // Инновации и инвестиции. 2023. № 4. С. 281-284. EDN: GABZUC Vasilenko M. A., Kuzina E. L., Tagiltseva Yu. A., Prokopova A. M. “Neural networks in solving environmental problems in the development of transport services” // Innovations and Investments. 2023. No. 4, pp. 281-284. (In Russian). EDN: GABZUC
19. Димов Э. М., Ильясов Б. Г., Макарова Е. А., Закиева Е. Ш., Ефтонова Т. А., Гиздатуллина Э. С. Методология системного динамического моделирования и управления функционированием многоотраслевого производственного комплекса в рамках воспроизводственного процесса макроуровня // Инфокоммуникационные технологии. 2018. Т. 16. № 1. С. 81-96. DOI: 10.18469/ikt.2018.16.1.09 EDN: XTHBKH Dimov E. M., Ilyasov B. G., Makarova E. A., Zakieva E. Sh., Eftonova T. A., Gizdatullina E. S. “Methodology of system dynamic modeling and management of the functioning of a diversified production complex within the framework of the macrolevel reproduction process” // Infocommunication Technologies. 2018. Vol. 16, No. 1, pp. 81-96. (In Russian). EDN: XTHBKH
20. Ильясов Б. Г., Димов Э. М., Макарова Е. А., Ефтонова Т. А. Нейросетевой анализ динамически неравновесных ситуаций взаимодействия секторов экономики с использованием имитационной модели // Инфокоммуникационные технологии 2016. Т. 14. № 3. С. 285-300. EDN: YIRJHJ Ilyasov B. G., Dimov E. M., Makarova E. A., Eftonova T. A. “Neural network analysis of dynamically nonequilibrium situations of interaction between economic sectors using a simulation model” // Infocommunication Technologies Vol. 14, No. 3, pp. 285-300. (In Russian).
21. Ильясов Б. Г., Макарова Е. А., Закиева Е. Ш., Бойцов А. Н. Алгоритм анализа данных об инвестиционных процессах в регионах РФ с использованием метода главных компонент // Современные наукоемкие технологии. 2023. № 6. С. 27-34. EDN: CGOWJK Ilyasov B. G., Makarova E. A., Zakieva E. Sh., Boytsov A. N. “Algorithm for analyzing data on investment processes in the regions of the Russian Federation using the principal component method” // Modern Science-Intensive Technologies. 2023.No. 6, pp. 27-34. (In Russian). EDN: CGOWJK
22. Закиева Е. Ш. Методология поддержки принятия решений при управлении социетальной системой на основе динамического моделирования и интеллектуальных технологий // Системная инженерия и информационные технологии. 2023. Т. 5. № 3 (12). С. 69-92. EDN: UWIPDO Zakieva E. Sh. “Methodology for decision support in managing a societal systembased on dynamic modeling and intelligent technologies” // System Engineering and Information Technologies. 2023. Vol. 5, No. 3 (12), pp. 69-92. (In Russian). EDN: UWIPDO
23. Ильясов Б. Г., Макарова Е. А., Закиева Е. Ш., Гиздатуллина Э. С. Оценка данных о доходах населения в региональном разрезе методом главных компонент // Экономика региона. 2019. Т. 15. Вып. 2. С. 601-617. EDN: FELIMW Ilyasov B. G., Makarova E. A., Zakieva E. Sh., Gizdatullina E. S. “Assessment of data on population income in a regional context using the principal componentmethod” // Economics of the Region. 2019. Vol. 15, issue 2, pp. 601-617. (In Russian). EDN: FELIMW
24. Юсупов М. М., Макарова Е. А., Камаева Р. Р. Анализ дифференциации потребительских расходов домохозяйств на основе агент-ориентированного моделирования //Системная инженерия и информационные технологии. 2023. Т. 5. № 6(15). С. 57-66. EDN: PVCZYZ Yusupov M. M., Makarova E. A., Kamaeva R. R. “Analysis of differentiation of household consumer expenditures based on agent-based modeling” // System Engineering and Information Technologies. 2023. Vol. 5, No. 6(15), pp. 57-66. (In Ruussian). EDN: PVCZYZ
25. Шурыгин А. С., Макарова Е. А. Система агент-ориентированного моделирования функционирования кластеров предприятий с учётом налогообложения // Системная инженерия и информационные технологии. 2023. Т. 5. № 6(15). С. 24-31. EDN: TNDUPQ Shurygin A. S., Makarova E. A. “System of agent-based modeling of the functioning of clusters of enterprises taking into account taxation” // System Engineering and Information Technologies. 2023. Vol. 5, No. 6(15), pp. 24 31. (In Ruussian). EDN: TNDUPQ
26. Дегтярева И. В., Макарова Е. А., Павлова А. Н. Интеллектуальные алгоритмы анализа ситуаций и принятия решений при взаимодействии секторов экономики в неопределенных рыночных условиях на основе нейронных сетей Кохонена // Управление экономикой: методы, модели, технологии: Матлы XVI Межд. науч. конф. Уфа: РИК УГАТУ, 2016. С. 457-466. EDN: XEWLVD Degtyareva I. V., Makarova E. A., Pavlova A. N. “Intelligent algorithms for analyzing situations and making decisions in the interaction of economic sectors in uncertain market conditions based on Kohonen neural networks” // Economic Management: Methods, Models, Technologies: Proc. of the XVI Int. scientific conf. Ufa, 2016, pp. 457-466. (In Russian).
Выпуск
Другие статьи выпуска
В статье представлена структура управляемого взаимодействия моделей секторов домохозяйств и государственных учреждений в составе макроэкономической системы. Проведены экспериментальные исследования процессов управляемого взаимодействия секторов домохозяйств и государственных учреждений в условиях возмущений и принятия решений при управлении государственными расходами. Показано, что рост социальных трансфертов и выделение дотаций на бюджетное выравнивание позволяют увеличить потребительский спрос и обеспечить последующий рост экономики.
В статье рассматриваются виды деструктивного манипулятивного воздействия социальных сетей на общество. В частности, рассматриваются технологии поиска потенциального электората на выборах в США 2020 г., где с помощью таргетинга и ретаргетинга формировалось мнение о том или ином кандидате. Также рассматривались деструктивные влияния суицидальных групп в социальных сетях. Приводится статистика оценки ВЦИОМ использования по времени социальных сетей - большинство россиян ежедневно проводят время в социальных сетях и сервисах связи, особенно активно ими пользуется молодежь. Работа в социальных сетях может повлиять на центр удовольствия мозга, что приводит к зависимости от них из-за предоставления контента небольшими порциями в нужном тоне. В статье описывается, что социальные сети часто используются манипуляторами для провоцирования общественных протестов, вооруженных конфликтов, силового захвата власти. При этом информационная безопасность личности определяется защитой ее психики и сознания от опасных информационных воздействий, таких как манипуляция, дезинформация, доведение до самоубийства, участия в противоправных действиях. Указывается негативное влияние в виде распространения дезинформации, такой, как в частности была в отношении антипрививочного движения во время эпидемии COVID-19. Делается вывод, что необходимо провести юридическое регулирование по отношению к технологиям Deepfake по примеру опыта других государств. Затрагивается вопрос о юридическом регулировании информационных новостных групп в социальных сетях как средства массовой информации, так и в целом правового регулирования социальных сетей. Делается вывод, что необходимо провести юридическое регулирование по отношению к технологиям deepfake по примеру опыта других государств.
Перемещение предметов перебросом — это перспективный способ робототехнической транспортировки деталей в гибких производственных системах. В данном обзоре рассматриваются задачи, связанные с реализацией этого подхода. В кратком введении в современные системы транспортировки обсуждаются недостатки традиционного конвейерного подхода. Дается обзор исследований по транспортировке путем броска и захвата (Transport-by-Throwing, TbT). Обсуждается важный аспект перемещения перебросом, связанный с прогнозированием траектории летящего тела. Рассматриваются соответствующие задачи и подходы к их решению.
Качество информационных систем во многом определяется компоновкой (подбором компонентов с заданными характеристиками) их вычислительной инфраструктуры, которая, с одной стороны, улучшает производственные и управленческие процессы, а, с другой – изменяет уязвимость предприятия за счет появления новых угроз. Эти угрозы определяются включением в структуру организации новых более сложных компонентов (технических и организационных), нарушение нормального функционирования которых может привести к нарушению или неправильному функционированию предприятия. Вследствие этого представляется возможной и актуальной задача подбора компонентов вычислительной инфраструктуры предприятия на основе интеллектуального анализа возможных характеристик этих компонентов, представленных в запросах потребителей и базах данных поставщиков. В данной работе предложен метод формирования и использования базы общих данных (БОД) для выбора компонентов с желаемыми характеристиками, который за счет введенных взаимно однозначных соответствий между значениями желаемых характеристик компонентов, указанных в запросе потребителя, и фактическими значениями характеристик компонентов, имеющихся у поставщиков и информация о которых находится в БОД, позволяет осуществить поиск и последующий выбор требуемых компонентов, а также наиболее подходящих поставщиков этих компонентов. В дальнейшем совокупность предложенных критериев и методов позволит автоматизировать и тем самым ускорить процесс поиска информации о необходимых для компоновки вычислительной инфраструктуры компонентах. Предложенный метод формирования базы общих данных основан на построении взаимно однозначных соответствий между значениями желаемых характеристик компонентов, указанных в запросе потребителя, и фактическими значениями характеристик компонентов, имеющихся у поставщиков, и информация о которых находится в БОД. Использование этих соответствий в виде специальных отношений позволяет осуществить поиск и последующий выбор требуемых компонентов, а также наиболее подходящих поставщиков компонентов.
В статье рассмотрено воздействие пролонгированного использования электронного дисплея на цветоощущение пользователя, при этом в качестве метрики, сигнализирующей изменения в центральных механизмах зрения, использовалась латентность волн N75, P100 и N145 с различных электродов после зрительной стимуляции. Выполнена предобработка исходных данных с целью приведения структур, содержащих интересующие метрики и факторы к форме, позволяющей применять к ним выбранные математические инструменты анализа в используемой программной среде – R-Studio. По результатам проведенных тестов, построенным дисперсионной и DiD-моделям сделаны выводы о статистически значимых сдвигах в показателях латентности зрительных потенциалов, даны рекомендации по работе с электронными устройствами.
Рассматривается нестационарная задача об электрохимической обработке вращающимся пластинчатым электрод-инструментом конечной толщины. Построена математическая модель, позволяющая модифицировать процесс формообразования за счет исполнения маневра поворота электрод-инструмента. Проведен вычислительный эксперимент. Оценка погрешности и уточнение численных результатов осуществлены методом численной фильтрации. С помощью полученных численных значений объяснено явление образования волнообразной формы боковой части обрабатываемой поверхности и сделан ряд других выводов. Найдены ограничения на значения параметров, в рамках которых данный маневр будет являться безопасным, т. е. не будет инициировать короткое замыкание.
Представлены результаты исследования процесса управления строем автономных беспилотных летательных аппаратов (БПЛА) самолетного типа с целью повышения эффективности управления формированием и поддержанием строя за счет разработки методов и алгоритмов децентрализованного управления, учитывающих нелинейный характер структуры систем «автопилот – аппарат». Для достижения данной цели поставлены и решены следующие задачи: 1. Анализ возможных подходов к решению задачи группового управления и выбор среди них тех, на основе которых возможна разработка децентрализованного группового управления БПЛА. 2. Синтез автопилота одиночного автономного БПЛА, отвечающего требованиям алгоритма группового управления. 3. Разработка методов и алгоритмов группового управления БПЛА с учетом особенностей динамики реальных систем «автопилот – БПЛА». 4. Модификация полученных методов и алгоритмов с целью обеспечения адаптивного управления в случае неопределенной или меняющейся динамики системы «автопилот - БПЛА». 5. Разработка математической модели в среде MATLAB/Simulink, позволяющей провести моделирование управления группами БПЛА и выполнение вычислительных экспериментов с целью оценки эффективности разработанных алгоритмов. Методологическую основу работы составили методы линейной алгебры, теории группового управления, метод функций Ляпунова, методы теории нечеткой логики, теории нелинейного управления, теории адаптивного управления, компьютерного моделирования.
Издательство
- Издательство
- ФГБОУ ВО УФИМСКИЙ УНИВЕРСИТЕТ НАУКИ И ТЕХНОЛОГИЙ УФИМСКИЙ УНИВЕРСИТЕТ УФИМСКИЙ УНИВЕРСИТЕТ НАУКИ И ТЕХНОЛОГИЙ УУНИТ
- Регион
- Россия, Уфа
- Почтовый адрес
- 450076, Приволжский федеральный округ, Республика Башкортостан, г. Уфа, ул. Заки Валиди, дом 32
- Юр. адрес
- 450076, Респ Башкортостан, г Уфа, Кировский р-н, ул Заки Валиди, д 32
- ФИО
- Захаров Вадим Петрович (РЕКТОР)
- E-mail адрес
- rector@uust.ru
- Контактный телефон
- +7 (347) 2299677
- Сайт
- https://uust.ru/