С. Н. Яшин, Л. П. Зенькова, Е. В. Кошелев, А. А. Иванов. Инновационный рейтинг регионов в радиоэлектронной промышленности: построение и верификация с использованием машинного обучения

https://doi.org/10.15507/2413-1407.129.033.202504.678-696
EDN: https://elibrary.ru/ixslne
УДК / UDC 001.895:338.24

Аннотация

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.

Ключевые слова: радиоэлектронная промышленность, инновационный рейтинг регионов, машинное обучение, классификация, ансамблевые методы, верификация модели, Big Data, региональная экономика, электронная промышленность России

Конфликт интересов. Авторы заявляют об отсутствии конфликта интересов.

Финансирование. Исследование выполнено за счет гранта Российского научного фонда (проект № 24-28-00464).

Для цитирования: Яшин С.Н., Зенькова Л.П., Кошелев Е.В., Иванов А.А. Инновационный рейтинг регионов в радиоэлектронной промышленности: построение и верификация с использованием машинного обучения. Регионология. 2025;33(4):678–696. https://doi.org/10.15507/2413-1407.129.033.202504.678-696

Список литературы

1. Жихарева А.К. Инновационные рейтинги российских регионов: методологические особенности их формирования и практика применения. Вестник Института экономики Российской академии наук. 2020;(2):121–136. https://doi.org/10.24411/2073-6487-2020-10020

2. Щепина И.Н., Маслова М.И. Оценка уровня инновационного развития регионов с учетом потенциала цифровизации. Современная экономика: проблемы и решения. 2022;(12):8–23. https://doi.org/10.17308/meps.2021.12/2727

3. Долгих Е.А., Паршинцева Л.С. Оценка инновационного развития регионов России. Финансы и управление. 2024;(3):37–56. https://doi.org/10.25136/2409-7802.2024.3.71213

4. Глезман Л.В., Исаев С.Ю., Федосеева С.С. Рейтингование как метод оценки инновационного и научно-технологического развития регионов России. Вопросы инновационной экономики. 2023;13(2):927–940. https://doi.org/10.18334/vinec.13.2.117950

5. Нетребин Ю.Ю., Улякина Н.А., Вершинин И.В., Бурдакова А.Е. Научно-технический и инновационный потенциал региона: сравнение современных подходов к оценке. Экономика и управление: проблемы, решения. 2020;1(10):107–116. https://doi.org/10.36871/ek.up.p.r.2020.10.01.013

6. Yakovenko N.V., Semenova L.V., Nikolskaya E.Y. at al. Innovative Development of Russian Regions: Assessment and Dynamics in the Context of Sustainable Development. Sustainability. 2024;16(3):1271. https://doi.org/10.3390/su16031271

7. Szopik-Depczyńska K., Cheba K., Bąk I., Kędzierska-Szczepaniak A., Szczepaniak K., Ioppolo G. Innovation Level and Local Development of EU Regions. A New Assessment Approach. Land Use Policy. 2020;(99):104837. https://doi.org/10.1016/j.landusepol.2020.104837

8. Hertrich T.J., Brenner T. Classification of Regions According to the Dominant Innovation Barriers: The Characteristics and Stability of Region Types in Germany. Regional Science Policy and Practice. 2023;15(9):2182–2224. https://doi.org/10.1111/rsp3.12711

9. Tran V.T., Vu T.T.H., Nguyen P.L. Factors Affecting the Development of the Supporting Industry for the Electronics Industry in Vietnam. Journal of Positive School Psychology. 2022;6(11):2394–2408. https://journalppw.com/index.php/jpsp/article/view/14449

10. Alnuaimi A., Albaldawi T. An Overview of Machine Learning Classification Techniques. BIO Web of Conferences. 2024;(97):00133. https://doi.org/10.1051/bioconf/20249700133

11. Sarker I.H. Machine Learning: Algorithms, Real-World Applications and Research Directions. SN Computer Science. 2021;(2):160. https://doi.org/10.1007/s42979-021-00592-x

12. Ghasemkhani B., Balbal K.F., Birant D. A New Predictive Method for Classification Tasks in Machine Learning: Multi-Class Multi-Label Logistic Model Tree (MMLMT). Mathematics. 2024;12(18):2825–2851. https://doi.org/10.3390/math12182825

13. Tan H. Machine Learning Algorithm for Classification. Journal of Physics: Conference Series. 2021;1994(1):12–16. https://doi.org/10.1088/1742-6596/1994/1/012016

14. Lin S.-L. Application of Machine Learning to a Medium Gaussian Support Vector Machine in the Diagnosis of Motor Bearing Faults. Electronics. 2021;10(18):2266. https://doi.org/10.3390/electronics10182266

15. Genuer R., Poggi J.-M., Tuleau-Malot Ch., Villa-Vialanei N. Random Forests for Big Data. Big Data Research. 2017;(9):28–46. https://doi.org/10.1016/j.bdr.2017.07.003

16. Plaia A., Buscemi S., Fürnkranz J., Mencía E.L. Comparing Boosting and Bagging for Decision Trees of Rankings. Journal of Classification. 2022;(39):78–99. https://doi.org/10.1007/s00357-021-09397-2

17. Ibarguren I., Pérez J.M., Muguerza J., Arbelaitz O., Yera A. PCTBagging: From Inner Ensembles to Ensembles. A Trade-Off between Discriminating Capacity and Interpretability. Information Sciences. 2022;(583):219–238. https://doi.org/10.1016/j.ins.2021.11.010

18. Lee S., Bikash KC, Choeh J.Y. Comparing Performance of Ensemble Methods in Predicting Movie Box Office Revenue. Heliyon. 2020;6(6):e04260. https://doi.org/10.1016/j.heliyon.2020.e04260

19. Jafarzadeh H., Mahdianpari M., Gill E., Mohammadimanesh F., Homayouni S. Bagging and Boosting Ensemble Classifiers for Classification of Multispectral, Hyperspectral and PolSAR Data: A Compa­rative Evaluation. Remote Sensing. 2021;13(21):4405. https://doi.org/10.3390/rs13214405

20. Ngo G., Beard R., Chandra R. Evolutionary Bagging for Ensemble Learning. Neurocomputing. 2022;(510):1–14.

Об авторах:

Яшин Сергей Николаевич, доктор экономических наук, профессор, заведующий кафедрой менеджмента и государственного управления Нижегородского государственного университета им. Н.И. Лобачевского (603022, Российская Федерация, г. Нижний Новгород, пр-кт Гагарина, д. 23), Нижегородского государственного технического университета им. Р.Е. Алексеева (603155, Российская Федерация, г. Нижний Новгород, ул. Минина, д. 24), ORCID: https://orcid.org/0000-0002-7182-2808, Researcher ID: O-1752-2014, Scopus ID: 57191255169, SPIN-код: 4191-7293, jashinsn@yandex.ru

Зенькова Лариса Петровна, доктор экономических наук, профессор кафедры экономики и управления Белорусского государственного экономического университета (220070, Республика Беларусь, г. Минск, Партизанский пр-кт, д. 26), ORCID: https://orcid.org/0000-0002-1959-430X, Scopus ID: 57804766500, keu@bseu.by

Кошелев Егор Викторович, кандидат экономических наук, доцент, доцент кафедры менеджмента и государственного управления Нижегородского государственного университета им. Н.И. Лобачевского (603022, Российская Федерация, г. Нижний Новгород, пр-кт Гагарина, д. 23), Нижегородского государственного технического университета им. Р.Е. Алексеева (603155, Российская Федерация, г. Нижний Новгород, ул. Минина, д. 24), ORCID: https://orcid.org/0000-0001-5290-7913, Researcher ID: N-8586-2014, Scopus ID: 57192163661, SPIN-код: 8429-5702, ekoshelev@yandex.ru

Иванов Алексей Андреевич, кандидат экономических наук, доцент, доцент кафедры менеджмента и государственного управления Нижегородского государственного университета им. Н.И. Лобачевского (603022, Российская Федерация, г. Нижний Новгород, пр-кт Гагарина, д. 23), Нижегородского государственного технического университета им. Р.Е. Алексеева (603155, Российская Федерация, г. Нижний Новгород, ул. Минина, д. 24), ORCID: https://orcid.org/0000-0003-4299-4042, Researcher ID: F-1106-2014, Scopus ID: 57207917762, SPIN-код: 1055-4483, alexey.iff@yandex.ru

Вклад авторов:

С. Н. Яшин – формулирование замысла/идеи исследования, целей и задач; получение финан­сирования; контроль, лидерство и  наставничество в  процессе планирования и проведения исследования.

Л. П. Зенькова – формулирование замысла/идеи исследования, целей и задач; получение финан­сирования; контроль, лидерство и  наставничество в  процессе планирования и проведения исследования.

Е. В. Кошелев – создание и подготовка рукописи: визуализация результатов исследования и полученных данных.

А. А. Иванов – создание и подготовка рукописи: визуализация результатов исследования и полученных данных.

Доступность данных и материалов. Наборы данных, использованные и/или проанализированные в ходе текущего исследования, можно получить у авторов по обоснованному запросу.

Все авторы прочитали и одобрили окончательный вариант рукописи.

Поступила 07.04.2025; одобрена после рецензирования 08.10.2025; принята к публикации 15.10.2025.