Анализ трендов научно-исследовательского развития промышленности на основе методов математического моделирования
Автор: Шинкевич А.И., Лубнина А.А., Бронская В.В.
Журнал: Известия Самарского научного центра Российской академии наук @izvestiya-ssc
Рубрика: Машиностроение и машиноведение
Статья в выпуске: 4 т.24, 2022 года.
Бесплатный доступ
Современные глобальные тренды обуславливают революционный переход развития промышленности на новые высокотехнологичные производства с инновационной инфраструктурой, управление которыми осуществляется искусственным интеллектом в рамках создания киберфизических систем. Все эти сложные преобразования невозможны без мощной научно-исследовательской составляющей, которая является фундаментом для осуществления быстрого и качественного перехода на инновационный пусть развития, способной обеспечить конкурентоспособность отечественной промышленности на мировом уровне. Важнейшими компонентами научно-исследовательского развития являются - разработка, внедрение и использование новейших производственных разработок, численность персонала, занятого научными исследованиями опытно-конструкторскими разработками, а также государственная поддержка в виде финансирования и реализации различных стимулирующих грантовых программ. Целью статьи является прогнозирование трендов научно-исследовательского развития промышленности. Для решения поставленной цели в работе решены следующие задачи: приведен обзор российской и иностранной литературы в области применения методов математического моделирования для выявления трендов развития промышленности; определение круга показателей, характеризующих уровень научно-исследовательского развития; построены линии трендов для прогнозирования показателей на будущий период; рассмотрены возможности применения методов нейросетевого моделирования с использованием современных информационных ресурсов. Для решения поставленных задач в статье использованы следующие методы: методы описательной статистики, корреляционно-регрессионный анализ, полиномиальная линия тренда, обучение нейросетей на базе программного пакета Wolfram Mathematica. Обоснование возможностей применения современных методов математического моделирования для оценки тенденций научно-исследовательского развития может стать перспективным инструментом для совершенствования государственного регулирования промышленности страны.
Научно-исследовательское развитие, промышленность, корреляционно-регрессионный анализ, прогнозирование, нейросетевое моделирование, wolfram mathematica
Короткий адрес: https://sciup.org/148325305
IDR: 148325305 | DOI: 10.37313/1990-5378-2022-24-4-68-74
Список литературы Анализ трендов научно-исследовательского развития промышленности на основе методов математического моделирования
- Akhmetova I.G., Balzamova E.Y., Bronskaya V.V., Balzamov D., Kharitonova O.S. Reliability assurance of the thermal energy sources using the neural network modelling. E3S Web of Conferences. 2020. 216. 01036.
- Akhmetova I.G., Makoveev V., Mazilov E. Activation of innovative activity in the manufacturing industry: Regional aspect. E3S Web of Conferences. 2020. 220. 01038.
- Chen B., Wan J., Shu L., Li P., Mukherjee M., Yin B. Smart factory of Industry 4.0: key technologies, application case, and challenges. IEEE Access. 2017. 6. 6506–6519.
- Dyrdonova A.N. Methodological approach to evaluation of clustering potential and effi ciency improvement management for development of the regional industry clusters // International Journal of Economics and Financial Issues. 2016. 6(S1). 243-248.
- Georgakopoulos D., Jayaraman P., Fazia M., Villari M., Ranjan R. Internet of things and edge cloud computing roadmap for manufacturing. IEEE Cloud Comput. 2016. 3(4). 66–73.
- Shkarupeta E., Savon D., Safronov A., Avlasenko L., Kruzhkova G. Digital Ecosystem Development Based on Open Innovation Model // Russian Conference on Digital Economy and Knowledge Management. 2020. 601-605.
- Theorin A., Bengtsson K., Provost J., Lieder M., Johnsson C., Lundholm T., Lennartson B. An event-driven manufacturing information system architecture for Industry 4.0 // International Journal of Production Research. 2017. 55(5). 1297–1311.
- Voronina V.V., Mikheev A.V., Yarushkina N.G., Svyatov K.V. Machine Learning Theory and Practice. Ulyanovsk. UlGTU Publ. 2017. 290.
- Zhang G.P. Neural networks for classifi cation: A survey // IEEE Trans. Syst. Man Cybern. Part C Appl. Rev. 2000. 30. 451–462.
- Мисбахова, Ч.А. Состояние и перспективы развития инновационной деятельности в Республике Татарстан / Ч.А. Мисбахова, А.И. Шинкевич, Ф.Ф. Галимулина // Инновационная деятельность. - 2015. - № 3 (34). - С. 44-51.
- Росстат [Электронный ресурс] – URL: http://www.gks.ru (дата обращения: 19.05.2021).
- Шинкевич, М.В. Роль предпринимательских инициатив в совершенствовании организации производства предприятий нефтехимического комплекса / М.В. Шинкевич, Н.В. Барсегян // Вестник Белгородского университета кооперации, экономики и права. 2019. №2. С.358-369.
