Инновационный рейтинг регионов в радиоэлектронной промышленности: построение и верификация с использованием машинного обучения

Введение. Развитие радиоэлектронной промышленности является приоритетом технологического лидерства России, что требует современных инструментов для оценки инновационного потенциала регионов. Цель исследования – построение и верификация инновационного рейтинга регионов для радиоэлектронной промышленности, преодолевающего ограничения традиционных рейтингов за счет применения к большим данным (Big Data) методов машинного обучения. Материалы и методы. На основе данных Росстата за 2010–2022 гг. по 83 регионам была сформирована обучающая выборка. Классификационная модель, присваивающая регионам значение инновационного рейтинга (‘A’ – лидер, ‘B’ – средний уровень, ‘C’ – депрессивный) по трем целевым функциям с последующей агрегацией в интегральный показатель I-score, строилась с использованием ансамблевых методов машинного обучения (Fine Gaussian SVM, Bagged Trees, Random Forest). Главным этапом исследования стала апробация модели: ее верификация проводилась на независимых данных за 2023 год, не входивших в обучающую выборку. Результаты исследования. Верификация подтвердила практическую применимость модели: точность прогноза интегрального показателя I-score на новых данных составила 81,93 %. По результатам апробации построена актуальная карта инновационного рейтинга: регионами-лидерами (‘A’) в 2023 г. стали Московская область, города Москва и Санкт-Петербург, Республика Татарстан, Нижегородская и Свердловская области. Анализ расхождений между прогнозом и фактом выявил потенциал роста Новосибирской области и возможные риски для лидерских позиций Республики Башкортостан, Пермского края и Челябинской области. Обсуждение и заключение. Апробированная методика позволяет строить точные и устойчивые оценки инновационного развития регионов в отрасли радиоэлектронной промышленности. Результаты верификации демонстрируют не только прогнозную силу модели, но и ее ценность для выявления латентных тенденций. Полученные выводы имеют практическую значимость для органов государственной власти и крупных компаний при планировании региональной и отраслевой политики.