МИНИСТЕРСТВО НАУКИ И ВЫСШЕГО ОБРАЗОВАНИЯ РОССИЙСКОЙ

ФЕДЕРАЦИИ
Федеральное государственное автономное образовательное
учреждение высшего образования
«Национальный исследовательский Нижегородский государственный
университет им. Н.И. Лобачевского»

Институт экономики и предпринимательства

Кафедра математического моделирования экономических процессов

ОТЧЕТ ПО ПРЕДДИПЛОМНОЙ ПРАКТИКЕ

Инновационное развитие экономики регионов Российской

Федерации в контексте конкурентоустойчивости страны

Исполнитель:
студент 4 курса Акулинин Г.С.

Научный руководитель:
Доцент кафедры ММЭП,
к.ф.-м.н., доцент Перова В.И.

Нижний Новгород, 2021

 Аннотация

Данная работа посвящена изучению динамики инновационного

развития экономик регионов Российской Федерации в контексте
конкурентоустойчивости страны. В работе есть краткий обзор литературы,
которая была использована при составлении. Также изложены теоретические
основы теории нейронных сетей. В практической главе были использованы
самоорганизующиеся карты Кохонена в пакете Deductor Studio Academic.
Была проведена кластеризация 85 регионов с помощью самоорганизующихся
карт Кохонена за 2019 год по следующим показателям:

 X1 – Внутренние затраты на научные исследования и разработки

(млн. руб.)
 X2 – Затраты на технологические инновации (млн. руб.)
 X3 – Удельный вес организаций, осуществлявших
технологические инновации, в общем числе обследованных
организаций, по субъектам Российской Федерации (%)
 X4 – Разработанные передовые производственные технологии
(ед.)
 X5 – Численность персонала, занятого научными исследованиями
и разработками (чел.)
 X6 – Подано патентных заявок на изобретения (ед.)
 X7 – Объем инновационных товаров, работ, услуг (млн. руб)
 X8 – Используемые передовые производственные технологии
(ед.)

В преддипломной практике регионы Российской Федерации были

распределены по пяти кластерам. Получены состав и характеристики
каждого кластера. Сделаны экономические выводы по проведенным
исследованиям.
Объем работы – 23 страницы (без учета приложений), 9 рис., 1 табл. и 1
приложение. Список литературы содержит 13 наименования.

2
 Содержание

Аннотация................................................................................................................2
Содержание..............................................................................................................3
Введение...................................................................................................................4
Глава 1. Обзор литературы.....................................................................................5
Глава 2. Нейронные сети. Их возможности и практическое применение.........7
2.1. Нейронные сети.............................................................................................7
2.2. Структура искусственного нейрона............................................................9
2.3. Топология и виды нейронных сетей..........................................................10
2.4. Способы обучения нейронных сетей........................................................11
Глава 3. Анализ результатов работы нейронной сети по моделированию
динамики инновационного развития регионов России.....................................13
Заключение............................................................................................................22
Список литературы...............................................................................................23
Приложение №1.....................................................................................................24

3
 Введение

Процесс развития общества постоянен. Он начался многие века назад и

продолжается до сих пор. Положительные последствия этого нельзя не
заметить. Каждое новшество или технология появились как раз потому, что
развивается общество в целом, а также развиваются отдельные его аспекты.
Но при этом, технологические новинки еще сильнее ускоряют прогресс, а
вместе с ним и темпы экономического роста.
В настоящее время Россия является крупным участником
международных отношений, а значит для повышения
конкурентоустойчивости страны и укрепления позиций жизненно
необходимо следить за развитием инноваций внутри государства, а если
конкретно – внутри регионов. Принятие мер повышающих инновационную
активность организаций ведет за собой возможность открытия новых
технологий или усовершенствования старых. Все это повышает не только
общую эффективность экономики отдельно взятых регионов, но всего
государства в целом. И важно своевременно проводить анализ
инновационного развития регионов, чтобы находить наименее эффективные
и принимать меры для повышения инновационной активности внутри них.

4
 Глава 1. Обзор литературы

Анализ социальных, инновационных и экономических показателей –

достаточно популярное направление в области исследований. Инновационное
развитие региональной экономики и экономики страны в целом определяет
уровень конкурентоустойчисвости Российской Федерации в условиях
глобальных вызовов. На это в большей степени влияют инновации, то есть,
по тому на сколько хорошо и быстро развивается тот или иной регион можно
определить общую направленность развития страны, а также можно сделать
вывод о том, можно ли его социально-экономическую политику развития
назвать инновационной.
Так, в статье, написанной Кузнецовым Ю.А., Перовой В.И., Эйвазовой
Э.Н [1], рассматриваются особенности развития регионов Российской
Федерации с целью определения динамики активности данных регионов. Это
позволяет выделить наиболее развитые регионы, у которых соответственно
будет высокий уровень инновационной активности. А общий анализ
результатов позволяет сделать вывод о способах поднятия уровня
конкурентоустойчивости экономики Российской Федерации в мировом
масштабе с долговременными перспективами, важнейшим из которых
является установка приоритета на инновационный путь развития экономики
государства.
Также в работе Перовой В.И. и Зайцевой К. В. «Исследование
динамики инновационной деятельности регионов России с применением
нейросетевого моделирования.» [7] выделяются замедляющие факторы
инновационного развития регионов РФ, которые оказывают большее влияние.
Также авторы после проведенного анализа, делают вывод о том, что
увеличение инновационной активности можно поспособствовать, если будут
приняты меры по актуализации НИОКР, а также увеличению
заинтересованности в использовании результатов научных исследований.
Но определить то, на сколько инновационна политика развития того
или иного региона можно по величине инвестиций в различные виды
деятельности, на которые влияет политика не только федеральных властей,
но и региональных законодательных органов, которые могут воздействовать
на это. Такое влияние рассматривается в статье «Нейросетевой анализ
динамики инвестиций в основной капитал регионов Российской Федерации»,
которая была написана Кузнецовым Ю.А., Перовой В.И., Ласточкиной Е. И.
[11]. В которой авторы приводят возможные меры со стороны властей для
увеличения инвестиций в область новых технологий, что в свою очередь
повлечет инновационное развитие регионов России.
Подробный анализ трудов, посвященных оценке влияния инноваций на
конкурентоспособность национальных экономик, приводят Ерошкин А.М. и
Плисецкий Д.Е. [9]. Авторы выявляют прямую закономерность между
международной конкурентоустойчивостью страны и ее уровнем
5
инновационной активности. Также были проведены расчеты, которые
устанавливают наличие близкой связи между инновационной активностью и
состоянием развития экономики страны. В дополнение ко всему указывается
важность широты спектра форм и источников инвестирования в инновации, в
котором ключевая роль отдается государству, которое может стимулировать
поток частных инвестиций в научные исследования и разработки, а также
может увеличивать собственные объемы инвестирования, поскольку это
важно для конкурентоустойчивости страны на международном уровне.
Анализ инновационной активности регионов РФ приводится в статье
Перовой В.И. и Гончаровой Д.Г. «Нейросетевой анализ динамики
инновационной активности регионов российской федерации» [8]. Авторы
данной статьи выявили то, что большая часть регионов страны
характеризуется низкой инновационной деятельностью, что связано с тем,
что приоритетными направления развития данных регионов являются
сырьевые отрасли. И это негативно влияет на проведение научных
исследований и разработок, так как большая часть инвестиций направлена на
поддержание стабильного состояния сырьевого сектора экономики, а на
инновации приходится малая часть финансирования. Также это связано с тем,
что почти вся инновационная деятельность происходит в столицах
Российской Федерации.
О методах оценки инновационного развития стран и регионов
сообщают в свой статье Шмидт Ю.Д. и Лободина О. Н. [10], которые
анализируют и сравнивают различные методики оценки развития регионов.
Итогами эксперимента, проведенного авторами, является то, что разные
методы расчета, предложенные Институтом статистических исследований и
экономики знаний Национального исследовательского университета
«Высшая школа экономики», а также созданные Ассоциацией
инновационных регионов России в 2012 – 2015 гг. являются вполне
применимыми к оценке инновационного развития. Также использование
нескольких методов оценивания позволяет повысить объективность оценки и
увеличивает вероятность принятия рациональных управляющих решений.

6
 Глава 2. Нейронные сети. Их возможности и практическое
применение

2.1. Нейронные сети

Определение нейронным сетям можно дать с различных позиций. Либо

с практической точки зрения, либо как разделу научных исследований. Таким
образом, может быть получено несколько различных понятий.
С практической стороны нейронные сети – это вычислительная
система, которая состоит из простейших компонентов, обрабатывающих
поступающую информацию и хранящих знания, полученные
экспериментальными путями для дальнейшей обработки.
Также нейронные сети – это один из разделов в разработке системы
искусственного интеллекта. В котором основная идея состоит в максимально
приближенном моделировании процессов, происходящих в нервных системах
живых организмов, чаще всего примером является человеческий мозг.
Из того что нейронные сети моделируют процессы, происходящие в
реальных биологических системах, вытекает их главная особенность, а
именно – способность самостоятельно обучаться и использовать прошлый
опыт для уменьшения вероятности появления неправильного ответа.
Нейронные сети имеют широкий спектр практического применения.
Начиная с каких-то базовых теоретических исследований и заканчивая
применением нейронных сетей в высоких технологиях. Однако нейронные
сети не всегда могут сразу предоставить точное и верное решение. В данных
случаях нейронные сети участвуют лишь в части работы, а остальные
действия задачи исполняются более способными системами.
В таких случаях применение нейронных сетей даёт такие полезные
свойства систем.
1. Нелинейность. Поскольку искусственные нейроны могут быть
как линейными, так и нелинейными, то нейронные сети, которые
состоят из нелинейных нейронов, соединенных между собой,
будут являться нелинейными.
2. Адаптивность. Нейронные сети в силу своей специфики могут
адаптировать синаптические веса к изменяющимся параметрам
окружающей среды. Это позволяет нейронные сети, обученные
для работы в одной ситуации, использовать в условиях с
небольшими колебаниями параметров, но после переобучения
сети. Даже существуют нейронные сети, синаптические веса
которых могут изменяться в реальном времени. Однако это не
всегда является плюсом, так как в условиях часто изменяющихся
условиях возможна неадекватная реакция на посторонние
эффекты и снижение производительности системы. Чтобы этого

7
 избежать система должна иметь довольно стабильные основные
параметры.
3. Отказоустойчивость. Нейронные сети в электронике, имеют
большой потенциал отказоустойчивости. Из этого следует, что в
неблагоприятных условиях производительность искусственных
нейронных сетей падает незначительно. В случае если какой-то
нейрон оказывается поврежденным, то передача информации
затрудняется, однако информация хранится довольно
распределено, поэтому только глобальные повреждения
структуры искусственной нейронной сети могут повлечь
существенное уменьшение работоспособности сети.
4. Масштабируемость. Нейронные сети имеют параллельную
структуру, а это в свою очередь имеет потенциал к увеличению
скорости решения задач и дает возможность масштабируемости
нейронных сетей в рамках технологии very-large-scale-integrated
(VLSI).
5. Отображение входной информации в выходную. Существует
несколько парадигм обучения нейронных сетей и довольно
популярным является обучение с учителем. В таком обучении
происходит установка и коррекция синаптических весов на
основе так называемых учебных примеров, которые содержат
информацию о входном сигнале и желаемом отклике на этот
сигнал. Через нейронную сеть пропускается случайно выбранный
пример и сеть проводит модернизацию синаптических весов для
получения результата, максимально приближенного к желаемому.
Данная процедура (обучение нейронной сети) проводится до
такой степени соответствия синаптических весов, чтобы их
изменения после очередного примера были минимальными. Так,
нейронная сеть, обучаемая с учителем, формирует соответствия
вход-выход для той задачи, решение которой требуется.
6. Очевидность ответа. Если поднимается вопрос о решении задачи
классификации образов, то существует возможность
использования нейронной сети. В таком случае искусственная
нейронная сеть будет использоваться для сбора информации для
определения принадлежности к конкретному классу, а также для
увеличения уровня достоверности итогового решения. К тому
данная информация может быть использована для повышения
продуктивности нейронной сети, путем исключения
сомнительных и неточных решений.
7. Контекстная информация. Существование нейронной сети
связано с контекстной информацией. Это является следствием
того, что каждый нейрон в сети может быть склонен к влиянию
остальных нейронов сети. А знания представляются в структуре
искусственной нейронной сети с помощью состояния активации.

8
 8. Единообразие анализа и проектирования. Так как одно решение
искусственной нейронной сети может быть использовано в
нескольких предметных областях, то можно утверждать, что
нейронные сети являются универсальным механизмом обработки
любой информации. Данное свойство можно определить
несколькими способами. Во-первых, в любой нейронной сети
составными частями в той или иной форме являются нейроны.
Во-вторых, общность сетей позволяет использовать одинаковые
алгоритмы обучения и теории для разных нейросетевых решений.
9. Аналогия с нейробиологией. Строение искусственных нейронных
сетей по своей сути определяется по аналогии с живыми
системами, в частности используется человеческий мозг. При
этом нейробиологи часто для моделирования физических явлений
обращаются к инструментарию искусственных нейронных сетей.

2.2. Структура искусственного нейрона

Нейронные сети состоят из простейших компонентов, которые

называются нейронами и имитируют свойства биологических нейронов, а
также для большей достоверности имеет и схожую структуру строения.
Структура строения искусственного нейрона представлена на рис. 2.1.

Рис. 2.1. Структура искусственного нейрона [4]

9
 Сам нейрон состоит из трех основных составляющих. Это набор связей
или синапсов, сумматор и функция активации.
Каждая связь (или синапс) имеет свой личный синаптический вес или
коэффициент ( wi ), который влияет на компоненты входного сигнала ( X i ).
Величина этого коэффициента может принимать как положительное, так и
отрицательное значение. Следствием этого являются наименования
синаптических связей. Положительные являются «возбуждающими», а
отрицательные «тормозящими» соответственно.
Все входные сигналы, подверженные влиянию своего синаптического
веса, необходимо сложить, этим занимается сумматор ( Σ ).
В конце над результатом суммирования ( S ) производится
преобразование функцией активации ( f ). Данный элемент искусственного
нейрона также можно назвать передаточной функцией или функцией сжатия.
Функция активации работает с выходным сигналом нейрона, ограничивая его
амплитуду.
В свою очередь нейроны разделяются на 3 типа:
 Входные нейроны. Именно на эти нейроны искусственной
нейронной сети подается входной сигнал, который содержит в
себе образ внешней среды. В таких нейронах обычно не
производятся вычислительные действия.
 Выходные нейроны. Выход нейросети представляется именно
этими нейронами, а точнее выходными значениями этих
нейронов.
 Промежуточные нейроны. Данный вид нейронов составляет
основу всей искусственной нейронной сети. Именно в них
производятся вычислительные процедуры.

2.3. Топология и виды нейронных сетей

В настоящее время существует множество уникальных видов

архитектур искусственных нейронных сетей. Эффективность многих из
которых была доказана практически и математически.
Среди всех архитектур принято выделять три основных класса:
 Однослойные сети прямого распространения
 Многослойные сети прямого распространения
 Рекуррентные сети
Однако, если конкретизировать, то можно выделить наиболее
популярные и наиболее используемые на практике архитектуры нейронных
сетей:
 Многослойный персептрон
 Сети Кохонена
 RBP-сети
 Рекуррентные нейронные сети
10
 С точки зрения топологии искусственные нейронные сети
подразделяют на 3 вида.
1. Полносвязные сети
2. Многослойные (Слоистые) сети
3. Слабосвязные сети
Полносвязные нейронные сети характеризуются тем, что каждый
нейрон внутри этой сети дает свой выходной сигнал всем остальным
нейронам, а также самому себе.
Многослойные нейронные сети являются самыми часто
используемыми в практических целях. В таких сетях, что логично
предположить из названия, может быть несколько слоев, но ко всему прочему
количество нейронов в каждом слое также может быть произвольным.
Типичным представителем многослойных нейронных сетей можно назвать
многослойный персептрон.
В свою очередь многослойные нейронные сети подразделяются на
несколько типов.
1. Монотонные нейронные сети
В сетях данного типа довольно важно чтобы была монотонная
зависимость выходного сигнала от входных.
Каждый слой, кроме выходного состоит из двух частей: возбуждающей
и тормозящей. Эти части связан между собой связью, которая также является
либо тормозящей, либо возбуждающей.
2. Нейронные сети без обратных связей
В данных сетях входной сигнал передается всегда в одном направлении
к выходу, проходя от нейронов входного слоя к выходным нейронам через
скрытые слои.
3. Нейронные сети с обратными связями
В данном типе сетей сигнал может передаваться на предыдущие слои.
А также используются динамические нейроны. Поведение таких нейронов
определяется разностными или дифференциальными уравнениями. Обычно
это уравнения первого порядка. Данный класс нейронных сетей также
называется рекуррентными нейронными сетями. Примерами таких сетей
могут служить сети Элмана и Жордана.

2.4. Способы обучения нейронных сетей

Обучение нейронных сетей также можно назвать их тренировкой.

Обучение происходит следующим образом: на вход нейронной сети
поставляют различные примеры, нейросеть обрабатывает эти примеры
изменяя синаптические веса нейронов в сети. Затем, после изменения
внутреннего строения нейронная сеть отвечает на возбуждение другим
образом. Такая последовательность действий называется алгоритмом
обучения. Но такого алгоритма, который подходил бы ко всем нейронным

11
сетям и мог бы называться универсальным не существует. Есть только
алгоритмы, которые ориентированы на конкретные типы нейронных сетей и
задачи, которые необходимо решить.
В тренировке нейронной сети есть три парадигмы:
 Обучение с учителем
 Самообучение (без учителя)
 Смешанное
Обучение с учителем предполагает наличие совокупности
тренировочных данных, или наблюдателя из вне, который будет определять
значение выхода нейронной сети.
Тренировочные данные разделяют на две разные части, одна из них
служит для обучения, а вторая для тестирования искусственной нейронной
сети.
При загрузке в нейронную сеть обучающих данных синаптические веса
изменяются и стабилизируются. Это продолжается до тех пор, пока после
предоставления очередной порции данных изменение синаптических весов
не станет не существенным. На этом этапе обучение или тренировка
нейронной сети заканчивается.
Помимо обучения с учителем существует обучение и без него. Данная
модель является наиболее приближенной к биологическим системам, потому
что нет никакого внешнего вмешательства в процесс обучения. Так же, как и
при обучении с учителем процесс состоит в корректировке синаптических
весов.
Нейронная сеть самоогранизуется изменяя взаимосвязи между
нейронами и их количество. При таком обучении часто используется одна из
основных моделей обучения и это конкурентное обучение, также выбирается
определенный метод обучения (метод нейронного газа и др.).
При конкурентном обучении нейрон с наибольшим суммарным
входным сигналом становится приоритетным и переходит в активное
состояние. Такой нейрон называется нейроном – победителем, а сам принцип
действия можно назвать «Победитель получает всё».
Обучение без учителя довольно широко распространено и может быть
использовано в разных сферах деятельности, от сжатия информации, до
анализа инвестиций и распознавания образов. А также данное обучение
является довольно эффективным при кластеризации данных и последующем
их визуальном представлении.
Существует 5 основных моделей обучения нейронных сетей:
 Обучение на основе коррекции ошибок
 Обучение с использованием памяти
 Обучение Хебба
 Конкурентное обучение
 Метод Больцмана

12
 Глава 3. Анализ результатов работы нейронной сети по
моделированию динамики инновационного развития регионов
России

Анализ инновационного развития экономик регионов России был

проведен на данных восьми показателей, полученных с сайта Федеральной
службы государственной статистики [12], за 2019 год:
 X1 – Внутренние затраты на научные исследования и разработки
(млн. руб.)
 X2 – Затраты на технологические инновации (млн. руб.)
 X3 – Удельный вес организаций, осуществлявших
технологические инновации, в общем числе обследованных
организаций, по субъектам Российской Федерации (%)
 X4 – Разработанные передовые производственные технологии
(ед.)
 X5 – Численность персонала, занятого научными
исследованиями и разработками (чел.)
 X6 – Подано патентных заявок на изобретения (ед.)
 X7 – Объем инновационных товаров, работ, услуг (млн. руб.)
 X8 – Используемые передовые производственные технологии
(ед.)
Данные, полученные с сайта Федеральной службы государственной
статистики, представлены в Приложении 1.
С помощью программы Deductor Studio Academic, а именно с помощью
обработки самоорганизующимися картами Кохонена, нужно будет
реализовать разделение на фиксированное количество кластеров всех
регионов Российской Федерации, в данном случае количество кластеров
будет равно 5.
Для дальнейшего анализа данных необходимо вызвать Мастер
обработки (Рис. 3.1.), в котором выбрать самоорганизующуюся карту
Кохонена и нажать кнопку Далее. (Рис. 3.2.)

Рис. 3.1. Кнопка вызова Мастера обработки

13
 Рис. 3.2. Окно Мастера обработки

В появившемся окне нужно настроить назначения столбцов, столбец с

наименованиями регионов РФ должен иметь назначение Информационное, а
остальные столбцы, содержащие данные по показателям с назначением
Входное. Для перехода к следующему шагу настройки обработки нужно
нажать кнопку Далее. (Рис. 3.3.)

Рис. 3.3. Окно настройки назначений столбцов

14
 Следующее окно служит для настройки Обучающего и Тестового
множеств данных, в данном окне ничего менять не нужно, просто перейдем к
следующему шагу нажатием кнопки Далее.
Теперь нужно настроить параметры карты Кохонена, а именно
установить размеры карты максимально приближенные к количеству строк в
таблице с данными, но не меньше, а также учесть, чтобы не было перекрытий
на полученной в итоге карте Кохонена. В данном случае количество строк
равно количеству регионов РФ, а именно 85. Самым ближайшим значением
из настроек будет 88. После установки нажмем кнопку Далее для
дальнейшего перехода. (Рис. 3.4.)

Рис. 3.4. Окно настройки параметров карты Кохонена

Откроется окно, в котором настраиваются параметры остановки

обучения, обычно эти параметры не меняются и остаются стандартными
после чего переходят к шагу настройки параметров обучения карты Кохонена
с помощью кнопки Далее.
На шаге настройки параметров обучения карты Кохонена нужно
изменить способ начальной инициализации карты случайными значениями.
Также в данном случае количество кластеров будет фиксировано,
установлено вручную и будет равно 5. После настройки параметров надо
перейти к дальнейшему окну, нажав кнопку Далее. (Рис. 3.5.)

15
 Рис. 3.5. Окно настройки параметров обучения карты Кохонена

В следующем окне нужно запустить процесс построения карты

Кохонена кнопкой Пуск. После окончания процесса можно перейти к
следующему шагу при помощи кнопки Далее. (Рис. 3.6.)

Рис. 3.6. Конец процесса построения карты Кохонена

16
 Откроется окно с выбором способов отображения данных. В текущей
ситуации будет достаточно выбрать: связи кластеров, карта Кохонена,
профили кластеров и статистику. После завершения выбора нужно нажать
кнопку Далее для перехода к следующему шагу. (Рис. 3.7.)

Рис. 3.7. Окно определения способов отображения обработанных данных

Следующее окно предложит изменить параметры отображения карты

Кохонена, но можно этого не делать и просто нажать на кнопку Далее.
Затем можно поменять имя полученного результата и изменить метку,
но это делать не обязательно, поэтому следующим нажатием кнопки Готово
завершается обработка данных и настройка карты Кохонена. В итоге
получаем данные готовые для анализа.
В результате разбиения на 5 кластеров была получена такая
самоорганизующаяся карта Кохонена (Рис. 3.8.):

17
 Рис. 3.8. Карта разделения на кластеры для 2019 года

Получившиеся кластеры не перекрывают друг друга, а также сильно

различаются по размерам. Кластер 4 занимает почти половину всей карты и
является самым многочисленным, состоящим из 47 регионов, кластером.
Состав кластеров:
 Кластер 0
o Московская область
o г. Москва
o г. Санкт-Петербург
 Кластер 1
o Республика Татарстан
o Пермский край
o Нижегородская область
o Свердловская область
 Кластер 2
o Владимирская область
o Краснодарский край
o Республика Башкортостан
o Удмуртская Республика
o Самарская область
o Саратовская область
o Челябинская область
o Красноярский край
18
 Кластер 3
o Белгородская область
o Воронежская область
o Ивановская область
o Калужская область
o Липецкая область
o Орловская область
o Рязанская область
o Тверская область
o Тульская область
o Ярославская область
o Вологодская область
o Новгородская область
o Ростовская область
o г. Севастополь
o Республика Марий Эл
o Республика Мордовия
o Чувашская Республика
o Кировская область
o Пензенская область
o Ульяновская область
o Тюменская область
o Томская область
o Магаданская область
 Кластер 4
o Брянская область
o Костромская область
o Курская область
o Смоленская область
o Тамбовская область
o Республика Карелия
o Республика Коми
o Ненецкий автономный округ
o Архангельская область
o Калинингpадская область
o Ленинградская область
o Мурманская область
o Псковская область
o Республика Адыгея
o Республика Калмыкия
o Республика Крым

19
 o Астраханская область
o Волгоградская область
o Республика Дагестан
o Республика Ингушетия
o Кабардино-Балкарская Республика
o Карачаево-Черкесская Республика
o Республика Северная Осетия – Алания
o Чеченская Республика
o Ставропольский край
o Оренбургская область
o Курганская область
o Ханты-Мансийский автономный округ – Югра
o Ямало-Ненецкий автономный округ
o Республика Алтай
o Республика Тыва
o Республика Хакасия
o Алтайский край
o Иркутская область
o Кемеровская область
o Новосибирская область
o Омская область
o Республика Бурятия
o Республика Саха (Якутия)
o Забайкальский край
o Камчатский край
o Приморский край
o Хабаровский край
o Амурская область
o Сахалинская область
o Еврейская автономная область
o Чукотский автономный округ

Чтобы дать ответ на вопрос какой кластер какому уровню

инновационного развития соответствует надо проанализировать данные
средних значений по всем кластерам и провести сравнение со средними
значениями по всей стране.
Данные по средним значениям показателей за 2019 год по всем
кластерам отражены в табл. 3.1.

Таблица 3.1
Статистика средних значений показателей инновационного
развития регионов России по кластерам за период с 2010 по 2019 гг.
20
 Номер Средние значения
кластер X1 (млн. X2 (млн. X3 X7 (млн.
X4 (ед.) X5 (чел.) X6 (ед.) X8 (ед.)
а руб.) руб.) (%) руб)
221717,3 257769,6 35,4 172,66 122774,6 3930,66 445821,5 13346,66
0
3 7 3 6 3
38168 81329,67 24,0 47,25 21500,5 486,75 310166,8 10933,75
1
5 8
12248,47 28564,74 19,1 36,12 7461,5 331,5 96808,16 7237,62
2
5
5189,81 11905,2 25,8 12,73 3697,95 142,65 40232,24 2495,6
3
5
2116,07 7514,21 12,9 4,29 1770,89 76,91 12456,22 1352,55
4
2
Среднее
по 18,3 8027,094 57216,25
стране 13348,6 22989,8 2 17,541 1 273,965 7 3089,94

По данным из табл. 3.1 видно, что у кластеров 0 и 1, все значения

больше средних по стране. Так как все показатели являются прямыми то, чем
значение больше, тем лучше. Очевидно, что лидирующим кластером
является кластер 0. Данный кластер признается лидирующим, а это значит,
что в регионах, попавших в данный кластер, осуществляется активная
разработка инноваций и эти регионы наиболее развиты. Следом за ним
находится кластер 1. На третье место попадает кластер 2, поскольку у него
средние значения находятся примерно на одном уровне со средними по всем
данным.
Отстающими являются кластеры 3 и 4. При этом худшим из них
признается кластер 4, потому что ни одно среднее значение показателей даже
не приблизилось к значению средних по всем регионам.
Экономические выводы:
Таким образом, наиболее развитыми регионами страны являются те
регионы, которые попали в кластеры 0 и 1. А именно: г. Москва, г. Санкт-
Петербург и Московская область из кластера 0, и Республика Татарстан,
Пермский край, Нижегородская область, Свердловская область из кластера 1.
В данных регионах активно проводятся исследования и разработки.
При этом в инновационной деятельности принимает участие значительное
количество исследователей. А сами исследования и разработки
обеспечиваются значительными финансовыми активами.
Отстающими являются кластеры 3 и 4. А это значит, что регионы,
попавшие в них, развиваются с низкой скоростью.
Таким образом, большая часть всех научных исследований проводится
на территории центральной России. Для того чтобы повысить
заинтересованность организаций в проведении НИОКР необходимо
предпринимать меры по стимулированию инновационной активности в
отдаленных регионах, например давать субсидии или льготное
налогообложение для таких целей.

21
Заключение

В современном мире особенно актуальны и востребованы инновации,

которые могут увеличить эффективность работы государства, а значит и его
состояние на международном уровне. Выявить развитые и отстающие в этом
плане регионы России можно с помощью самоорганизующихся карт
Кохонена, которые есть в аналитическом пакете Deductor Studio Academic.
В ходе работы удалось разделить регионы на кластеры, и с их помощью
выявить регионы, которые слабо развиты в области инновационных научных
исследований и разработок, также были найдены наиболее активные регионы
России, в которых и происходит большая часть всех научных исследований.
Это позволит предпринять меры по поддержке отстающих регионов, а
следовательно, может увеличить число научно-исследовательских, а также
опытно-конструкторских работ. Что в свою очередь откроет новые
возможности для государства и его граждан.

22
Список литературы
1. Кузнецов Ю.А., Перова В.И., Эйвазова Э.Н. (2014). Нейросетевое
моделирование динамики инновационного развития регионов Российской
Федерации // Региональная экономика: теория и практика. Т. 12. Вып. 4. С.
18– 28.
2. Перова В.И. Нейронные сети. Часть 2. Нижний Новгород: Издательство
Нижегородского госуниверситета. 2012. 111 с.
3. Перова В.И. Нейронные сети. Часть 2. Нейронные сети, обучаемые без
учителя: Учебное пособие. Нижний Новгород: Нижегородский
госуниверситет,2012.–135с.
4. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и
практика 2-е издание. — Москва: Горячая линия-Телеком, 2002. — 382 с.
5. Осовский С. Нейронные сети для обработки информации: Издательство:
Финансы и статистика, 2004. – 344 с.
6. Хайкин С. Нейронные сети: полный курс, 2-е издание: Пер. с англ. -
Издательский дом Вильямс, 2016. – 1104 с.
7. Перова В.И., Зайцева К. В. Исследование динамики инновационной
деятельности регионов России с применением нейросетевого
моделирования // Экономический анализ: теория и практика, 2017, т. 16,
вып. 5, стр. 887–901
8. Перова В.И., Гончарова Д.Г. Нейросетевой анализ динамики
инновационной активности регионов российской федерации //Финансовая
аналитика: проблемы и решения, т. 8, вып. 29, август 2015, С. 56-68
9. Ерошкин А.М., Плисецкий Д.Е. Роль инноваций в стимулировании роста
и повышении конкурентоспособности национальных экономик
//Экономический анализ: теория и практика. 2012. № 27. С. 20–30
10.Шмидт Ю.Д., Лободина О. Н., Грищенко В.В., Нинбо Ц. Об оценке уровня
инновационного развития регионов России // Региональная экономика:
теория и практика. Т. 15. Вып. 2. С. 342– 354.
11.Кузнецов Ю.А., Перова В.И., Ласточкина Е. И. Нейросетевой анализ
динамики инвестиций в основной капитал регионов Российской
Федерации // Региональная экономика: теория и практика, 2017, т. 15, вып.
7, стр. 1327–1343
12.Федеральная служба государственной статистики. URL: https://www.gks.ru
(дата обращения: 28.10.2020).
13.Сайт разработчиков Deductor URL: https://www.basegroup.ru (дата
обращения: 27.10.2020).

23
 Приложение №1
Исходные данные за 2019 год
X1 X2 X3 X4 X7
X5 X6 X8
Регион РФ (млн. (млн. (ед. (млн.
руб.) руб.)
(%) )
(чел.) (ед.)
руб)
(ед.)
Белгородская
2631,6 30653 26,7 43 1563 157 150728 2536
область
Брянская область 666,1 2200,84 17,9 17 577 49 16261 2064
Владимирская
5496,6 14058,5 23 9 5048 178 34001,3 7640
область
Воронежская
9656,5 22435 23,5 19 10919 424 57946,9 2795
область
Ивановская область 865,6 195,257 21,5 17 637 99 7938,1 1161
Калужская область 7390,7 5128,46 24,6 18 7738 169 17575,5 4639
Костромская область 125,8 748,3 8,6 0 101 61 5376,43 1560
Курская область 2893,3 3448,96 12,6 0 2451 238 26754,2 1454
Липецкая область 922,1 30970,7 23,8 0 581 65 56295 2921
Московская область 121838 132824 27,5 128 82599 3314 299890 18419
Орловская область 759,1 961,99 22,5 0 806 72 6528,89 1574
Рязанская область 2048,3 4575,84 31,5 13 2507 131 28477,8 1923
Смоленская область 1492,8 3803,15 17,9 27 888 36 15222,4 1863
Тамбовская область 972,7 8225,48 18,1 0 905 80 15999,7 2060
Тверская область 4894,8 4742,57 21,9 8 3647 133 24306,6 4170
Тульская область 8281 56822 22,5 0 4455 121 67069,2 4539
Ярославская область 7162 6531,4 24,6 9 6138 155 29493,3 3132
г. Москва 398462 515946 45,1 233 210497 5298 565806 11649
Республика Карелия 1211,8 4524,89 11 0 1178 43 5719,47 707
Республика Коми 1953,8 8833,77 13,4 0 1447 44 15680,1 1156
Ненецкий
31,5 39,8023 5,3 0 21 0 15,1912 103
автономный округ
Архангельская
1435,9 2535,08 13 0 971 79 13074,4 1065
область
Вологодская область 702,5 1762,92 23,1 12 586 70 23338,4 3167
Калинингpадская
1561,8 5943,63 11,1 0 1120 69 1195,22 930
область
Ленинградская
8614,5 35512,8 15,7 23 7146 67 29055,7 2762
область
Мурманская область 2769,7 1504,47 19 0 2029 27 26705,1 1375
Новгородская
1831,1 1366,51 21,8 31 1538 56 2507,24 2134
область
Псковская область 204,4 284,167 14,6 6 158 53 2639,48 1994
г. Санкт-Петербург 144852 124539 33,7 157 75228 3180 471768 9972
Республика Адыгея 206,7 28,1697 14,5 0 276 12 7264,11 443
Республика
90,7 18,3566 6,1 0 149 23 152,081 134
Калмыкия
Республика Крым 1412,5 764,059 14,2 0 2045 58 194,479 108
Краснодарский край 5772,4 28211,2 10,3 52 6752 487 94788,7 7375
24
Астраханская
809,9 2673,36 14,3 12 830 69 1329,71 669
область
Волгоградская
3727,9 10654,1 15,5 0 3582 277 29336,5 2519
область
15960,
Ростовская область 36551,8 32 17 11974 538 62676,2 3872
6
г. Севастополь 1182,4 554,718 33,3 5 1105 38 888,752 540
Республика Дагестан 1040 313,945 4 15 1442 86 514,816 572
Республика
108 1,8855 20 0 176 1 40,6087 38
Ингушетия
Кабардино-
Балкарская 867 235,82 10,9 0 1101 60 296,684 283
Республика
Карачаево-
Черкесская 515,3 49,4046 10,1 0 623 5 199,159 176
Республика
Республика
Северная Осетия – 414,5 19,9505 4,8 0 563 79 148,825 176
Алания
Чеченская
350,1 12,9412 1,5 0 349 23 26,6019 210
Республика
Ставропольский
1996,2 4555,26 10,6 13 2491 152 42998,8 1981
край
Республика 10299,
28961,8 20,8 13 7555 562 152873 8614
Башкортостан 9
Республика Марий
242,2 822,276 22,7 0 191 85 16364,5 971
Эл
Республика
970,1 8295,56 34,8 0 807 47 63526 2595
Мордовия
Республика 17997,
107098 26,5 54 13212 760 582676 8304
Татарстан 4
Удмуртская
2258,2 5156,06 19,2 0 2036 135 74298,4 6642
Республика
Чувашская
2019,6 9212,5 33,6 12 1445 117 24761,5 3527
Республика
18105,
Пермский край 28086,1 19 45 10058 322 223398 13690
9
Кировская область 3283,5 6425,31 21,9 0 1493 87 29363,7 2835
Нижегородская
88551 155191 26,6 21 41726 352 266444 8639
область
Оренбургская
965,5 13977,1 9,3 0 878 74 41663,7 1265
область
Пензенская область 4364,8 5177,11 24,4 5 5686 142 21014,5 2002
19474,
Самарская область 51893,8 23,6 29 9769 431 164855 8037
6
Саратовская область 6209,6 8083,25 16,4 13 5360 206 13457,7 7734
11510,
Ульяновская область 8916,34 24,5 11 4929 147 41842,4 2081
6
Курганская область 352,1 1141,85 20,4 1 637 48 6935,97 1584
Свердловская 28017, 34943,7 24,1 69 21006 513 168149 13102

25
область 7
Ханты-Мансийский
автономный округ – 3411 31319,3 9,5 29 1462 48 43164,2 2602
Югра
Ямало-Ненецкий
340 7408,05 13,2 15 129 34 14305,2 5178
автономный округ
15119,
13861,3 25,6 32 6086 132 171589 1929
Тюменская область 8
21373,
22292,1 25,3 135 15600 242 96945,4 7584
Челябинская область 1
Республика Алтай 89,8 113,864 9,7 0 89 1 197,587 224
Республика Тыва 310,3 2302 8,8 0 387 0 61,527 69
Республика Хакасия 104,8 171,73 12,6 0 107 18 540,42 643
Алтайский край 2029,2 7056,06 17,1 0 2432 169 13167,2 2598
27103,
Красноярский край 69861,2 14,6 38 7572 411 143246 4275
4
Иркутская область 6087,1 40265,7 15,2 0 4002 155 14362,8 3001
Кемеровская область 1656,8 10158,1 10,3 0 1177 170 17431,1 3963
Новосибирская 25793,
9163,01 17,7 20 21690 503 24521,5 3563
область 4
Омская область 5962,5 18201,1 19,7 10 4445 219 15543 3194
16786,
Томская область 17339,3 27,8 41 9676 288 19491,2 1922
7
Республика Бурятия 880,7 6063,74 17 0 1048 37 2433,15 538
Республика Саха
2974,9 4800,74 14,6 0 2114 7162,82 892
(Якутия) 55
Забайкальский край 402,2 944,03 10,4 0 443 25 342,565 1347
Камчатский край 1408,2 1074,46 15,7 7 907 9 2132,07 720
Приморский край 7281,7 3220,47 19,4 0 5673 164 49766,5 1285
Хабаровский край 2182,7 28532,8 18 0 1751 92 62799 3006
Амурская область 677,3 2507,78 13,8 0 527 55 2560,5 638
Магаданская область 780,2 517,843 26 0 546 8 1618,66 434
Сахалинская область 1072,5 66821,6 10 7 715 9 8924,87 618
Еврейская
573,958 10,8 0 39 338,003 98
автономная область 0 0
Чукотский
417,823 9,4 0 0 888,289 142
автономный округ 0 0

26