Вестник Нижегородского университета им. Н.И. Лобачевского. Серия: Социальные науки

16+

Название статьи

ПРОГНОЗНАЯ АНАЛИТИКА ДЛЯ ДОСТИЖЕНИЯ ТЕХНОЛОГИЧЕСКОГО ЛИДЕРСТВА: МАШИННОЕ ОБУЧЕНИЕ В ПЛАНИРОВАНИИ ИННОВАЦИОННОЙ ДЕЯТЕЛЬНОСТИ И ПЕРЕДОВЫХ ПРОИЗВОДСТВЕННЫХ ТЕХНОЛОГИЙ

Тип статьи	научная статья	Коды УДК	338.2
Страницы	111-124	Ключевые слова

Авторы

Шинкевич А.И.Щербакова Е.С.

Место работы

Шинкевич А.И. д.э.н., д.т.н., проф.; профессор кафедры логистики и управления, заведующий кафедрой логистики и управления Казанского национального исследовательского технологического университета
Щербакова Е.С. аспирант кафедры логистики и управления Казанского национального исследовательского технологического университета

Аннотация

Цель заключается в разработке метода долгосрочного прогнозирования передовых производственных технологий на основе машинного обучения в рамках концепции диффузии инноваций Э.М. Роджерса и валидации универсального алгоритма, предназначенного для оптимизации выбора метода. Ключевой задачей является преодоление методологической неопределенности, обусловленной спецификой инновационного процесса, включая природу данных, длину ретроспективного ряда, горизонт прогнозирования и факторную нестабильность внешней среды. Методы исследования основаны на сравнительном анализе широкого спектра прогностических подходов: от классических экспертных оценок (метод «Дельфи», сценарное планирование) и статистических моделей (логистическая и полиномиальная регрессия, ARIMA) до современных алгоритмов машинного обучения (XGBoost, LSTM, Random Forest) и гибридных методик, интегрирующих их преимущества. Основные результаты эмпирического тестирования на данных по Российской Федерации и Республике Татарстан (2010–2023 гг.) демонстрируют статистически значимое превосходство гибридных подходов. Разработанная авторами программа AI-InnoForecast обеспечивает максимальную адекватность моделей с коэффициентом детерминации R? = 0.9476 для национальной экономики на стадии зарождения технологий и с R? = 0.7187 для региона на стадии активного роста. Доказано, что разработанная программа обеспечивает гибкость и вариативность прогноза, а предложенный алгоритм позволяет формализовать процесс методологического выбора, минимизируя субъективность и максимизируя точность планирования. Ключевым условием практической эффективности является не столько выбор отдельной модели, сколько интеграция полученных прогнозов в контур стратегического планирования для обеспечения технологического суверенитета и лидерства.

Загрузить статью

Библиографический список

1 . Ленчук Е.Б. Стратегическое планирование как инструмент обеспечения технологического суверенитета // Научные труды Вольного экономического общества России. 2024. № 4. С. 441–451. URL: https: //cyberleninka.ru/article/n/strategicheskoe-planirovaniek-ak-instrument-obespecheniya-tehnologicheskogo-suvereniteta (дата обращения: 30.08.2025).
2 . Шинкевич А.И., Барсегян Н.В. Роль национальной технологической инициативы в развитии научной и инновационной деятельности // Управление устойчивым развитием. 2018. № 1 (14). С. 16–23.
3 . Файков Д.Ю., Байдаров Д.Ю. На пути к технологическому суверенитету: теоретические подходы, практика, предложения // ЭВР. 2023. № 1 (75). С. 67–82. URL: https://cyberleninka.ru/article/n/na-puti-k-tehnologicheskomu-suverenitetu-teoreticheskie -podho-dy-praktika-predlozheniya (дата обращения: 30.08.2025).
4 . Барановский С., Пузыревская А. Теория моделирования диффузии инноваций // Наука и инновации. 2018. № 188. URL: https://cyberleninka.ru/article/n/teoriya-modelirovaniya-diffuzii-innovatsiy (дата обращения: 08.09.2025).
5 . Rogers E.M. Diffusion of innovations. NY: The Free Press of Glencoe, 1995. 453 р. URL: https://ted-dykw2.wordpress.com/wp-content/uploads/2012/07/eve-rett-m-rogers-diffusion-of-innovations.pdf
6 . Стратегия научно-технологического развития РФ: Указ Президента РФ от 28.02.2024 № 145. URL: http://publication.pravo.gov.ru/document/0001202402280003 (дата обращения: 04.09.2025).
7 . Прогноз научно-технологического развития Российской Федерации на период до 2030 года. URL: http://static.government.ru/media/files/41d4b737638b91da2184.pdf
8 . Фатхулин Т.Д., Зозуля И.С. Исследование методов прогнозирования показателей бизнес-процессов // REDS: Телекоммуникационные устройства и системы. 2025. Т. 15, № 2. С. 12–17.
9 . Белоусов Д.Р., Фролов И.Э. Долгосрочный научно-технологический прогноз: методологии построения, контуры технологического будущего, сценарии развития // Форсайт. 2008. № 3. URL: https://cyberleninka.ru/article/n/dolgosrochnyy-nauchno-tehnologicheskiy-prognoz-metodologii-postroeniya-kontury-tehnologicheskogo-buduschego-stsenarii-razvitiya (дата обращения: 29.08.2025).
10 . Соколов А.В., Чулок А.А. Долгосрочный прогноз научно-технологического развития России на период до 2030 года: основные особенности и первые результаты // Форсайт. 2012. № 1. URL: https://cyber-leninka.ru/article/n/dolgosrochnyy-prognoz-nauchno-teh-=nologicheskogo-razvitiya-rossii-na-period-do-2030-goda-klyuchevye-osobennosti-i-pervye-rezultaty (дата обращения: 30.08.2025).
11 . Деарт Ю.В. Оценка точности долгосрочных прогнозов // T-Comm. 2013. № 7. URL: https://cyber-leninka.ru/article/n/otsenka-tochnosti-dolgosrochnyh-prognozov (дата обращения: 03.09.2025).
12 . Полазнов А.И., Корнилов Д.А. Классификация и применение нейронных сетей для прогнозирования финансовых показателей // Вестник Нижегородского университета им. Н.И. Лобачевского. Серия: Социальные науки. 2024. № 1(73). URL: https://cyber-leninka.ru/article/n/klassifikatsiya-i-primenenie-ney-ronnyh-setey-dlya-prognozirovaniya-finansovyh-pokazateley (дата обращения: 07.09.2025).
13 . Аминов Х.И., Кардаш А.В. О применении алгоритмов машинного обучения для прогнозирования индекса качества жизни населения // Экономика и управление. 2025. Т. 31, № 3. С. 348–358. URL: http://doi.org/10.35854/1998-1627-2025-3-348-358.
14 . Указ Президента РФ от 07.05.2024 № 309 «О национальных целях развития Российской Федерации на период до 2030 года и на перспективу до 2036 года» URL: http://publication.pravo.gov.ru/docu-ment/ 0001202405070015 (дата обращения: 03.09.2025).
15 . Концепция технологического развития на период до 2030 года: Распоряжение Правительства РФ от 20.05.2023 № 1315-р. URL: http://government.ru/docs/48570(дата обращения: 03.09.2025).
16 . Стратегия низкоуглеродного развития России до 2060 года: Распоряжение Правительства РФ от 29.10.2021 № 3052-р. URL: http://government.ru/news/43708(дата обращения: 03.09.2025).
17 . Индикаторы инновационной деятельности: 2024: Статистический сборник / В.В. Власова, Л.М. Гохберг, Г.А. Грачева и др.; Нац. исслед. ун-т «Высшая школа экономики». М.: ИСИЭЗ ВШЭ, 2024. 260 с.
18 . Щербакова Е.С. Устойчивое развитие региона как благоприятная среда для реализации инновационных проектов на мезоуровне // Проблемы и перспективы устойчивого развития промышленности в XXI веке: от теории к практике: Материалы Международной студенческой конференции, Санкт-Петербург, 17 апреля 2025 года. СПб.: Санкт-Петербургский государственный лесотехнический университет имени С.М. Кирова, 2025. С. 309–313.
19 . Официальные данные Федеральной службы государственной статистики [Электронный ресурс]. URL: https://rosstat.gov.ru/(дата обращения: 01.08.2025).
20 . Деменченок О.Г. Влияние интервала наблюдения на точность интервального прогнозирования на основе тренда // Международный научно-исследовательский журнал. 2025. № 4 (154). DOI: 10.60797/IRJ.2025. 154.22.
21 . Щербакова Е.С., Шинкевич А.И. Автоматизация расчета эффективности объема затрат на НИОКР и инновационную деятельность при прогнозировании количества передовых производственных технологий на основе машинного обучения AI-InnoForecast. Свидетельство о государственной регистрации программы для ЭВМ № 2025683462 от 03.09.2025. Роспатент.
22 . Шинкевич А.И., Кудрявцева С.С., Шинкевич М.В. Тенденции бизнес-решений в развитии интеллектуального производства // Вестник университета. 2020. № 8. С. 41–47.