Модель управления человеческим капиталом в системах принятия решений Текст научной статьи по специальности «Экономика и бизнес»

(ВестнщФТУИШ/Proceedings of VSUET ISSN 2226-910X E-ISSN 2310-1202

DOI: http://doi.org/1Q.2Q914/2310-12Q2-2Q19-3-29Q-298_Оригинальная статья/Research article_

УДК 658.3.014.1_Open Access Available online at vestnik-vsuet.ru

Модель управления человеческим капиталом в системах _принятия решений_

Олег Д. Казаков 1 [email protected] qqqq-qqq1-9665-8138 _Наталья Ю. Азаренко 1 [email protected] 0000-0001-6644-418Х_

1 Брянский государственный инженерно-технологический университет, пр-т Ст.Димитрова, 3, г. Брянск, 241037, Россия Аннотация. Разработана системная модель управления человеческим капиталом, которая, по мнению авторов, может стать важным дополнением для построения эффективной системы поддержки принятия решений в области социально-экономического развития региона. Взаимодействие субъектов модели может происходить с целью реализации инновационных процессов в ИТ-организациях. Разработанная системная модель управления человеческим капиталом учитывает особенности управления человеческим капиталом в цифровой экономике и включает три подсистемы: «Структура человеческого капитала», «Инструменты развития человеческого капитала», «Организационно-экономические инструменты управления человеческим капиталом». В работе использовались данные, полученные в ходе анализа более 100 инновационных предприятий, занимающихся исследованиями в том числе и в сфере информационных технологий. В результате исследования были сформированы размеченные данные по уровню эффективности развития человеческого капитала на основе первичной обработки финансовой отчетности инновационных организаций. Для определения направлений повышения качества человеческого капитала представлен подход к оценке уровня эффективности его развития на основе модели машинного обучения. Представлены значения метрик качества следующих алгоритмов машинного обучения для решения поставленной задачи: линейная регрессия; Random Forest; метод ближайших соседей. Для классификации предприятий региона по уровню эффективности развития человеческого капитала на основе открытой финансовой информации был выбран алгоритм Random Forest. Были выделены и сформулированы 11 наиболее точных правил классификации в иерархической последовательной структуре. Это позволит более полно учесть все аспекты управления интеллектуальными ресурсами в цифровой экономике. Ключевые слова: человеческий капитал, развитие капитала, цифровая экономика, знания, машинное обучение, Random Forest

The Model of Human Capital Management _in Decision Support Systems_

Oleg D. Kazakov 1 [email protected] 0000-0001-9665-8138

_Natalya Y. Azarenko 1 [email protected] 0000-0001-6644-418X_

1 Bryansk State Engineering and Technology University, Stanke Dimitrova ave, 3 Bryansk, 241037, Russia_

Abstract. A system model of human capital management has been developed, which, according to the authors, can be an important addition to building an effective decision support system in the field of socio-economic development of the region. The interaction of the subjects of the model can occur in order to implement innovative processes in IT organizations. The developed system model of human capital management takes into account the peculiarities of human capital management in the digital economy and includes three subsystems: "The structure of human capital", "Tools for the development of human capital", "Organizational and economic tools for managing human capital". The work used data obtained in the analysis of more than 100 innovative enterprises engaged in research, including in the field of information technology. As a result of the study, marked-up data were generated on the level of development efficiency of human capital based on the initial processing of financial statements of innovative organizations. To determine the directions of improving the quality of human capital, an approach to assessing the level of efficiency of its development based on the machine learning model is presented. The values of the quality metrics of the following machine learning algorithms for solving the problem are presented: linear regression; Random Forest; nearest neighbors method. To classify the region's enterprises according to the level of development efficiency of human capital based on open financial information, the Random Forest algorithm was chosen. 11 most accurate classification rules in a hierarchical sequential structure were identified and formulated. This will allow for more complete consideration of all aspects of intellectual resources management in the digital economy. Keywords: human capital, capital development, digital economy, knowledge, machine learning, Random Forest

Введение

В последнее время на всех уровнях власти и управления обсуждается вопрос о переходе экономики регионов России к цифровой экономике. Требования нового времени - дефицит кадров в области мобильного интернета, облачных технологий, в области компьютерной производительности и больших данных, в области краудсорсинга и экономики совместного использования. Менеджер, владеющий цифровыми технологиями, должен обладать: 1) доступностью данных в режиме реального времени;

Для цитирования

Казаков О.Д., Азаренко Н.Ю. Модель управления человеческим капиталом в системах принятия решений // Вестник ВГУИТ. 2019. Т. 81. № 3. С. 290-298. doi:10.20914/2310-1202-2019-3-290-298

2) способностью к прогнозированию и принятию стратегических решений; 3) постоянным саморазвитием и возможностью обучаться с любого устройства в любом месте; 4) навыками виртуального сотрудничества; 5) навыками виртуального командообразования [10]. Т. Демарко и Т. Листер - инноваторы в управлении проектами - одними из первых обратили внимание на то, как создавать продуктивную команду, как эффективно реализовывать в том числе Digital-проекты через эффективное управление человеческими ресурсами [3].

For citation

Kazakov O.D., Azarenko N.Yu. The Model of Human Capital Management in Decision Support Systems. Vestnik VGUIT [Proceedings of VSUET]. 2019. vol. 81. no. 3. pp. 290-298. (in Russian). doi:10.20914/2310-1202-2019-3-290-298_

© 2Q19, Казаков О.Д. и др. / Kazakov O.D. et al.

This is an open access article distributed under the terms of the Creative Commons Attribution 4.0 International License

В условиях цифровой экономики меняется роль человека в производстве вследствие чего возникает необходимость дальнейшей автоматизации производства и управления человеческим капиталом, разработки моделей управления человеческим капиталом в условиях цифровой трансформации экономики. Факторами развития человеческого капитала в цифровой экономике становятся уровень образованности, цифровая грамотность и общая инновационная культура [11].

Л.Н. Борщева предложила механизм управления человеческим капиталом инновационной организации, который включает элементы организационного, психологического, физиологического воздействия на человеческий капитал сотрудников, следствием которого является повышение профессиональной, интеллектуальной отдачи [1]. Инновации выступают в роли локомотива регионального социально-экономического развития, обеспечивая его эффективность и рост производительности труда. В информационном обществе инновации прочно заняли место основного генератора экономического роста любой страны [7, 8]

В цифровой экономике интеллектуальные, творческие способности, креативность персонала ученые и практики рассматривают как основные конкурентные преимущества организации. Модернизация традиционных производственных отраслей и отраслей услуг, организации торгово-закупочных процедур, смежных финансовых и логистических операций, изменение структуры потребления на фоне сквозного проникновения информационных технологий и цифровизации экономических процессов создает основу для формирования новых рынков и условий функционирования рынка, а также новых подходов к аналитике, прогнозированию и принятию управленческих решений [2, 9].

Машинное обучение применимо для решения задач городского хозяйства, а также в процессе принятия управленческих решений по управлению социально-экономическим развитием территории, в частности при прогнозировании ключевых показателей социально-экономического развития [5]. Авторы считают возможным построить модель машинного обучения для классификации инновационных организаций по уровню эффективности развития человеческого капитала.

Г.Н. Колесников разработал экономико-математическую модель анализа оптимизационной модели формирования инвестиционной программы фирмы в области человеческого

капитала на чувствительность к изменению приоритетов развития различных направлений инвестирования человеческого капитала сотрудников фирмы методом сводных рандомизированных показателей [6]. Однако отсутствует обоснованная модель взаимодействия рынков интеллектуальной собственности, человеческого капитала и государственных инвестиций, разработка которой позволила бы определить те необходимые институциональные изменения, которые требуются для успешной цифровой трансформации экономики.

Разработаны теоретические положения мониторинга человеческого капитала аграрной сферы, определена система показателей мониторинга человеческого капитала региона [4], однако данная система не позволяет провести оценку качества и эффективности использования человеческого капитала АПК регионов в целом. Поэтому решение задачи разработки модели системы управления человеческим капиталом в различных отраслях национальной и региональной экономики в условиях цифровизации экономики остается актуальным.

Материалы и методы

Для исследования использовались данные национального рейтинга российских высокотехнологичных и быстроразвивающихся компаний «Техуспех»-2017. Экспертный совет составляют профессионалы, имеющие успешный опыт в развитии бизнеса конкретной отрасли.

Экспертами оцениваются не только финансовые показатели деятельности инновационных организаций, но и технологический уровень выпускаемой продукции, а также ее инновацион-ность. В ходе исследования были проанализированы более 100 инновационных предприятий, занимающихся исследованиями в том числе и в 1Т-сфере. Полученная совокупная выборка включала 2828 значений показателей.

Разработана модель развития человеческого капитала в цифровой экономике (рисунок 1). Данная модель построена с использованием системного подхода к управлению человеческим капиталом, представлена подсистемами «Структура человеческого капитала», «Инструменты развития человеческого капитала», «Организационно-экономические инструменты управления человеческим капиталом», наглядно раскрывает существующие между этими элементами связи и отношения, отличается от имеющихся учетом факторов, под воздействием которых изменяется показатель уровня эффективности развития человеческого капитала.

е- Государство

Факторы внутренней среды

Факторы внешней среды

Управление человеческим капиталом

к>

ЧО к»

Профессионализм

Уровень образования

Интеллект

Креативность

Самообучение

Проф.обучение

Сетевая грамотность

JZL

Цели и задачи управления

В нугриорганнза цио н-нын механизм

Функции управления

Структура управления

Ресурсы управления

Техгологнн управления

Метолы управления

Инструменты развития человеческого капитала

Ор ганизационно-экономические инструменты управления

- форм!грова1П1с заказа IГТ - оргашпашш на подготовку калров;

• государственная поддержка вуюв. реализующих заказ на подготовку ИТ-специалистов;

- гарантии государства /гос. компании по трудоустройству лучших выпускников вузов;

- созда!ше условий для профессионал ьного н карьерного роста лучших и перспективных работников;

- обеспечение 1ГТ-оргашпашш кваи|ф|щироваиными работниками через механп зм взанмолепствия ву}ов и прелприяши:

- совместные научные исследования вузов и инновационны х компании

- бюджетное фннанс ироваш!е;

- гюддержка образовательных кредитов

- налотовые льготы;

- разработка дорожной карты реализации программы «цифровая >н>номика РФ»

.- создание и раз в i гше инфраструктуры поддержки инновационной деятельности I ГТ -предприятий;

- развитие институтов цифровой мапюмнк и

( »лектронное г осу д apere о. сетевое общество, соцналь иые сети)

Инновационные процессы в ИТ- организациях

Уровень эффективности развтия человеческого канта ла

Измерение

Развитие человеческого капитала ИТ-о ргаиизаций

>

Повышение инновационной активности в ИТ- организациях

Обратная связь

11змерение

e-government

Factors of the internal environment

Factors of the external

Human capital management

Professionalism

Education level

Intellect

Creativity

Self-study

Professional training

Network literacy

Goals and objectives of the

/ \

In-house

mechanism

\ /

Control function

Management structure

Management resources

Management technologies

Management methods

Tools for human capital development

Organizational and economic management tools

- order formation of IT organizations for training'

- state support of universities that implement an order for the training of IT professionals;

- guarantees of the state / state companies for the employment of the best graduates of universities;

- creation of conditions for professional and career growth of the best ana promising employees;

- provision of IT organizations with qualified employees through the mechanism of interaction between universities and enterprises;

- budget financing;

- support of educational loans;

- tax benefits;

- development of a road map for the implementation "Digital Economy of the Russian Federation" program

.- creation and development of infrastructure to support innovative activities of IT enterprises;

- development of institutions of the digital economy (e-government, network society, social networks)

Innovative processes in IT organizations

"XT

TJT

The level of efficiency of human capital development with innovative characteristics

1

Measnreme

Increase of innovative activity in IT organizations

1 r Feedback

Мея siireme

Develonment of human canital of innovative TT organizations

f

£ p

© л

Г-k &

»->

à S

я

Ni

C> >«*

<â О !—,

Ос

58

£ vo

Ос

I

Рисунок 1. Модель управления человеческим капиталом организаций в цифровой экономике Figure 1. A model of human capital management in the digital economy

Î

Структурные характеристики, которые принимает человеческий капитал в условиях цифровизации экономики, складываются из уровня образования, профессионализма, уровня интеллекта, непрерывного обучения и самообучения, способности быть креативным, владения сетевой грамотностью.

Взаимодействие субъектов модели может происходить с целью реализации различных проектов в организации в ИТ-сфере, для чего могут быть созданы новые организационные структуры. Взаимодействие чаще всего будет происходить в виртуальном режиме, нежели в реальном.

В управлении человеческим капиталом организаций определены следующие принципы: синергии, проектного управления, инновационного управления, креативного управления, обратной связи, воспроизводственной сбалансированности, интегрированности с системой образования и промышленным сектором экономики, гибкости и адаптивности управления, оперативности, экономичности.

Статистические данные были получены на основе первичной обработки финансовой отчетности инновационных организаций, находящейся в открытом доступе на интернет-портале статистической информации Мультистат и в системе профессионального анализа компаний

«Спарк - Интерфакс», а также данные с портала «За честный бизнес». Полученная совокупная выборка включала 2828 значений показателей.

Экспертом были сформированы размеченные данные. Определен первый, второй, третий класс Y-уровня оценки эффективности развития человеческого капитала. К первому классу относим человеческий капитал с высокой социальной составляющей (высокая производительность труда, высокие управленческие расходы), но невысокой стоимостью нематериальных активов. Ко второму классу будем относить человеческий капитал с высокой инновационной составляющей (количество РИД, стоимость нематериальных активов). К третьему классу относим человеческий капитал со средним уровнем развития социальной составляющей, но как с высоким, так и низким уровнем развития инновационной составляющей.

Далее построена модель машинного обучения для классификации организаций по Y-уровню оценки эффективности развития человеческого капитала с инновационными характеристиками на основе данных по Х1 - выручка, Х2 - нематериальные активы, Х4 - чистая прибыль, Х5 - готовая продукция, Х6 - управленческие расходы, Х7 - количество работников, занимающихся инновациями, Х8 -регистрация ЭВМ и баз данных (таблицы 1, 2).

Таблица 1. Table 1.

Набор данных для построения модели машинного обучения Data set for working out the machine learning model

Х1 Х2 Х4 Х5 Х6 Х7 Х8 Y

0 1629.860 1.197 132.487 1591.172 0.000 140.0 22.0 1.0 0

1 1704.604 4.105 58.109 1652.918 0.000 140.0 22.0 1.0 1

2 1633.277 3.860 62.412 1585.678 0.000 169.0 22.0 1.0 2

3 1810.765 3.565 16.073 1764.501 0.000 165.0 22.0 1.0 3

4 2985.891 3.249 8.749 2886.079 0.000 178.0 22.0 1.0 4

5 4332.804 2.916 3.704 4152.103 0.000 184.0 22.0 1.0 5

6 38.621 0.008 0.867 37.710 0.000 9.0 1.0 2.0 6

7 88.554 10.065 23.772 66.453 0.000 10.0 1.0 2.0 7

8 296.472 11.480 -3.473 291.046 0.000 10.0 1.0 2.0 8

9 318.537 38.652 5.652 318.955 0.000 10.0 1.0 2.0 9

10 257.524 49.057 5.141 172.244 85.180 11.0 1.0 1.0 10

11 672.283 12.683 8.705 603.465 43.861 44.0 16.0 1.0 11

12 542.027 11.092 2.829 509.499 0.000 43.0 16.0 2.0 12

13 458.024 15.169 11.507 419.167 0.000 43.0 16.0 2.0 13

14 584.670 10.984 25.299 506.952 0.000 44.0 16.0 2.0 14

15 1478.982 9.337 127.904 1337.488 0.000 44.0 16.0 2.0 15

16 2576.371 11.633 339.286 2194.700 0.000 45.0 16.0 2.0 16

17 266.521 3.437 4.178 166.739 95.569 67.0 8.0 1.0 17

18 497.057 8.886 12.658 341.931 104.966 78.0 8.0 1.0 18

19 519.558 58.074 62.238 296.429 126.178 80.0 8.0 1.0 19

20 460.598 80.547 34.061 278.274 95.359 81.0 8.0 1.0 20

21 980.880 40.341 258.572 602.194 0.000 91.0 8.0 1.0 21

22 343.673 0.068 13.645 262.870 53.300 25.0 1.0 2.0 22

Продолжение табл. 1 | Continuation of table 1

X1 X2 X4 X5 X6 X7 X8 Y

23 393.Q78 Q.Q63 8Q.726 296.683 93.473 26.Q 1.Q 2.Q 23

24 345.QQ3 Q.Q57 75.454 242.319 125.492 26.Q 1.Q 2.Q 24

25 343.699 Q.Q52 71.28Q 237.928 124.232 26.Q 1.Q 2.Q 25

26 47Q.164 2Q.427 97.643 382.645 51.144 27.Q 1.Q 2.Q 26

27 778.4QQ 23.236 169.125 345.QQ1 111.QQQ 27.Q 1.Q 2.Q 27

28 562.346 Q.147 49.34Q 76.558 37.43Q 13.Q 5.Q 1.Q 28

29 1274.558 31.163 434.266 27Q.71Q 55.37Q 14.Q 5.Q 1.Q 29

375 28Q.4Q7 Q.QQQ 1.868 227252.QQQ 51.22Q 219.Q 1.Q 3.Q 375

376 2399.7QQ Q.QQQ 7.255 2311823.QQQ 78.578 22Q.Q 1.Q 3.Q 376

377 1448.683 Q.QQQ 5.92Q 1316781.QQQ 86.9Q1 222.Q 1.Q 3.Q 377

378 3168.181 4.726 298.627 229648Q.QQQ 282.475 65.Q 1.Q 2.Q 378

379 3721.964 4.237 183.61Q 286632Q.QQQ 344.975 68.Q 1.Q 2.Q 379

38Q 4971.513 3.748 447.495 3731514.QQQ 445.2Q2 75.Q 1.Q 2.Q 38Q

381 687Q.465 3.7Q4 1Q84.643 48Q763Q.QQQ 5Q4.7Q3 89.QQ 1.Q 2.Q 381

382 8199.478 2.687 1Q3Q.186 57151Q1.QQQ 955.783 9Q.Q 1.Q 2.Q 382

Всего 4Q4 записи.

Таблица 2.

Детерминанты для построения модели машинного обучения

Table 2.

Determinants for working out the machine learning model

XI Выручка, млн р. Revenue, mln RUB

X2 Нематериальные активы, млн р. Intangible assets, mln RUB.

X4 Чистая прибыль, млн р. Net profit, mln RUB.

X5 Готовая продукция, млн р. End products, mln RUB.

X6 Управленческие расходы, млн р. Management costs, mln RUB.

X7 Количество работников, занимающихся инновациями, чел. The number of employees engaged in innovation, pers.

X8 Регистрация ЭВМ и баз данных, шт. Registration of computers and databases, PCs.

Y Уровень оценки эффективности развития человеческого капитала The valuation level of efficiency of human capital development with innovative characteristics

Посмотрим, не связаны ли между собой какие-либо атрибуты. Сделать это можно, рассчитав коэффициенты корреляции для всех столбцов (таблица 3).

Таблица 3.

Расчет коэффициентов корреляции

Table 3.

Calculation of correlation coefficients

X1 X2 X4 X5 X6 X7 X8 Y

X1 1.QQQQQQ Q.396QQ6 Q.Q35698 Q.379485 Q.611336 Q.2225Q2 Q.481412 -Q.177429

X2 Q.396QQ6 1.QQQQQQ Q.2379Q7 -Q.Q8435Q Q.161158 Q.1Q1219 Q.293144 -Q.2Q1466

X4 Q.Q35698 Q.2379Q7 1.QQQQQQ -Q.Q139Q8 -Q.QQQ166 Q.Q51692 Q.175323 -Q.Q471Q2

X5 Q.379485 -Q.Q8435Q -Q.Q139Q8 1.QQQQQQ Q.158Q27 Q.18Q687 -Q.Q45112 -Q.Q18455

X6 Q.611336 Q.161158 -Q.QQQ166 Q.158Q27 1.QQQQQQ Q.1346Q7 Q.6Q1574 -Q.2Q2991

X7 Q.2225Q2 Q.1Q1219 Q.Q51692 Q.18Q687 Q.1346Q7 1.QQQQQQ Q.259347 Q.111472

X8 Q.481412 Q.293144 Q.175323 -Q.Q45112 Q.6Q1574 Q.259347 1.QQQQQQ -Q.291861

Y -Q.177429 -Q.2Q1466 -Q.Q471Q2 -Q.Q18455 -Q.2Q2991 Q.111472 -Q.291861 1.QQQQQQ

Видим, что атрибуты не коррелируют между собой.

Для построения модели будем использовать следующие методы: линейной регрессии; Random Forest (Случайный лес); метод ближайших соседей.

Оценку будем производить с помощью коэффициента детерминации (R-квадрат). Данный коэффициент определяется следующим образом:

2 V (УХ ) 8 2

Я2 = 1-= 1--8 ,

Ну) 8

где V (у|х) = 82 - условная дисперсия зависимой величины у по фактору х.

Коэффициент принимает значение на промежутке [0,1], и чем он ближе к 1, тем сильнее зависимость.

Наиболее очевидной мерой качества будет доля правильных ответов (accuracy):

= (1)

Параметры и метрики качества обучения Линейная регрессия

Параметры и метрики качества обучения

Случайный лес

DecisionTreeClassifier(class_weight = None, criterion = 'gini', max_depth = 5, max_features = None, max_leaf_nodes = None, min_impu-rity_decrease = 0.0, min_impu-rity_split = None, min_samples_leaf = 1, min_samples_split = 2, min_weight_fraction_leaf = 0.0, presort = False, random_state = 17, splitter = 'best') accuracy = 0.945679012345679 R-квадрат = 0.7515908659624264

Метод ближайших соседей

КNеighbоrsСlаssifiеr(algorithm = 'auto', leaf_size = 30, metric = 'min-kowski', metric_params = None, n_jobs = 1, n_neighbors = 10, p = 2, weights = 'uniform') accuracy = 0.5246913580246914 R-квадрат = 0.42376592604046257

LinearRegression(copy_X = True, fit_intercept = True, n_jobs = 1, normalize = False) R-квадрат = 0.02376592604046257 accuracy = 0.3246913580246914

Можно сделать вывод, что лучше других с задачей справился метод RandomForest (случайный лес).

Определим вес каждого фактора в итоговой модели:

In [1238] : model.feature_impor-tances_

Out [1238]: array ([0.06317437, 0.10236738, 0.03653996, 0.10318012, 0.22310093, 0.120697, 0.35094024])

В нашем случае видно, что больше всего на уровень оценки эффективности развития человеческого капитала влияют:

Х6 - Управленческие расходы, млн. руб. Х8 - Регистрация ЭВМ и баз данных, шт.

Результаты и обсуждение

Получена обученная модель по алгоритму случайного леса (рисунок 2).

Рисунок 2. Обученная модель по алгоритму случайного леса Figure 2. The taught model by random forest algorithm

Составим свод правил по данной модели.

Х[0] - Выручка, млн. руб. Х[1] - Нематериальные активы, млн. руб. Х[2] - Чистая прибыль, млн. руб. Х[3] - Готовая продукция, млн. руб. Х[4] - Управленческие расходы, млн. руб. Х[5] - Количество работников, занимающихся инновациями

Х[6] - Регистрация ЭВМ и баз данных, шт.

Правило № 1. К организациям с уровнем эффективности развития человеческого капитала с инновационными характеристиками 2-го уровня относятся организации со следующим набором характеристик:

Х[6] - Регистрация ЭВМ и баз данных, шт. - меньше или равно 1,5 Х[3] - Готовая продукция, млн. руб. -меньше или равно значению 592,904; Х[1] - Нематериальные активы, млн. руб. - меньше или равно 4,081; Х[2] - Чистая прибыль, млн. руб. меньше или равно значению 121,118.

Правило № 2. К организациям с уровнем эффективности развития человеческого капитала с инновационными характеристиками 1-го уровня относятся организации со следующим набором характеристик:

Х[6] - Регистрация ЭВМ и баз данных, шт. - меньше или равно 1,5 Х[1] - Нематериальные активы, млн. руб. - больше или равно 4,081; Х[4] - Управленческие расходы, млн. руб. - больше или равно 3,307 и меньше или равно 98,09. Правило № 3. К организациям с уровнем эффективности развития человеческого капитала с инновационными характеристиками 2 уровня относятся организации со следующим набором характеристик: Х[6] - Регистрация ЭВМ и баз данных, шт. - меньше или равно 1,5 Х[3] - Готовая продукция, млн. руб. -меньше или равно значению 592,904; Х[1] - Нематериальные активы, млн. руб. - больше или равно 4,081; Х[4] - Управленческие расходы, млн. руб. - меньше или равно 3,307.

Правило № 4. К организациям с уровнем эффективности развития человеческого капитала с инновационными характеристиками 2-го уровня относятся организации со следующим набором характеристик:

Х[6] - Регистрация ЭВМ и баз данных, шт. - меньше или равно 1,5 Х[3] - Готовая продукция, млн. руб. -больше или равно значению 592,904; Х[1] - Нематериальные активы, млн. руб. - меньше или равно 4,394; Х[5] - Количество работников, занимающихся инновациями - меньше или равно 121,5

Правило № 5. К организациям с уровнем эффетивности развития человеческого капитала с инновационными характеристиками 3-го уровня относятся организации со следующим набором характеристик:

Х[6] - Регистрация ЭВМ и баз данных, шт. - меньше или равно 1,5 Х[3] - Готовая продукция, млн. руб. -больше или равно значению 592,904; Х[1] - Нематериальные активы, млн. руб. - меньше или равно 4,394; Х[5] - Количество работников, занимающихся инновациями - больше или равно 121,5

Правило № 6. К организациям с уровнем эффективности развития человеческого капитала с инновационными характеристиками 2-го уровня относятся организации со следующим набором характеристик:

Х[6] - Регистрация ЭВМ и баз данных, шт. - меньше или равно 1,5 Х[3] - Готовая продукция, млн. руб. -больше или равно значению 592,904; Х[1] - Нематериальные активы, млн. руб. - больше или равно 4,394.

Правило № 7. К организациям с уровнем эффективности развития человеческого капитала с инновационными характеристиками

2-го уровня относятся организации со следующим набором характеристик:

Х[6] - Регистрация ЭВМ и баз данных, шт. - больше или равно 1,5 Х[5] - Количество работников, занимающихся инновациями - меньше или равно 89 Х[2] - Чистая прибыль, млн. руб. больше или равно значению - 226,649. Х[4] - Управленческие расходы, млн. руб. - меньше или равно 1,716.

Правило № 8. К организациям с уровнем эффективности развития человеческого капитала с инновационными характеристиками

3-го уровня относятся организации со следующим набором характеристик:

Х[6] - Регистрация ЭВМ и баз данных, шт. - меньше или равно 17, больше или равно 1,5

Х[5] - Количество работников, занимающихся инновациями - больше или равно 89

Правило № 9. К организациям с уровнем эффективности развития человеческого капитала с инновационными характеристиками 1-го уровня относятся организации со следующим набором характеристик:

Х[6] - Регистрация ЭВМ и баз данных, шт. - больше или равно 1,5, меньше или равно 12

Х[4] - Управленческие расходы, млн. руб. - больше или равно 6,56.

X[1] - Нематериальные активы, млн. руб. - меньше или равно 0,001. Х[0] - Выручка, млн. руб. - больше или равно 466, 319

Правило № 10. К организациям с уровнем эффективности развития человеческого капитала с инновационными характеристиками 2-го уровня относятся организации со следующим набором характеристик:

X[6] - Регистрация ЭВМ и баз данных, шт. - больше или равно 1,5 X[4] - Управленческие расходы, млн. руб. - больше или равно 6,56. X[1] - Нематериальные активы, млн. руб. - больше или равно 0,001. X[2] - Чистая прибыль, млн. руб. больше или равно значению - 172,542. X[3] - Готовая продукция, млн. руб. -меньше или равно значению 147,035

Правило № 11. К организациям с уровнем эффективности развития человеческого капитала с инновационными характеристиками 2-го уровня относятся организации со следующим набором характеристик:

X[6] - Регистрация ЭВМ и баз данных, шт. - больше или равно 1,5 X[4] - Управленческие расходы, млн. руб. - больше или равно 6,56. X[2] - Чистая прибыль, млн. руб. меньше или равно значению - 172,542. X[1] - Нематериальные активы, млн. руб. - больше или равно 0,001.

Заключение

Проведенное исследование показало, что принятие решений по управлению человеческим капиталом в регионе невозможно без высокого качества человеческого капитала и высокого уровня знаний.

Авторами определены показатели, с помощью которых можно оценивать эффективность развития человеческого капитала, в частности экспертно-аналитическим путем. На уровень эффективности человеческого капитала влияют управленческие расходы и регистрация ЭВМ и баз данных.

Для того чтобы было возможно классифицировать предприятия региона по уровню эффективности развития человеческого капитала, с помощью алгоритма Random Forest на основе открытой финансовой информации была построена модель машинного обучения и определены правила классификации.

Благодарности

Исследование выполнено при финансовой поддержке РФФИ, договор № 18-41-320003\19, проект «Математическое моделирование социально-экономического развития региона в системах поддержки принятия решений с использованием адаптивных методов машинного обучения и имитационного моделирования в условиях неопределенности».

Литература

1. Борщёва Н.Л. Механизм управления человеческим капиталом сотрудников инновационной организации // Инновационная наука. 2016. № 1-1. С. 33-37. URL: https://cyberleninka.ru/article/n/mehanizm-upravleniya-chelovecheskim-kapitalom-sotrudnikov-innovatsionnoy-organizatsii

2. Wetherbe J.C., Turban E., Leidner D.E., McLean E.R. Information technology for management: Transforming organizations in the digital economy. New York: Wiley, 2007.

3. Demarco T., Lister T. The Human Factor: Successful Projects and Teams: trans. M. Zislis, 2 nd ed. Moscow: Symbol. 249 p.

4. Горбунова О.С. Влияние потенциала формирования человеческого капитала на экономическое состояние сельского хозяйства // Бизнес. Образование. Право. 2018. № 4 (45). С. 226-231.

5. Kazakov O.D., Novikov S.P., Kulagina N.A., Shlapakova S.N. Development of the Concept of Management of Economic Systems Processes through Construction and Calling of Machine Learning Models // 2018 IEEE International Conference "Quality Management, Transport and Information Security, Information Technologies". 2018. doi: 10.1109/ITMQIS.2018.8524985

6. Колесников Г.И., Хованов Н.В., Юдаева М.С. Применение метода квантификации нечисловых оценок вероятности для выбора оптимального портфеля ценных бумаг // Вестник СПбГУ. Экономика. 2007. № 3. С. 58-68. URL: https://cyberleninka.ru/article/n/primenenie-metoda-kvantifikatsii-nechislovyh-otsenok-veroyatnosti-dlya-vybora-optimalnogo-portfelya-tsennyh-bumag

7. Кулагина Н.А., Михеенко О.В. Инновационная трансформация социально-экономической системы России как условие обеспечения ее экономической безопасности // Проблемы теории и практики управления. 2018. № 6. С. 8-16

8. Михеенко О.В. К вопросу формирования инновационной инфраструктуры // Вестник Брянского государственного университета. 2015. № 3. 317-319.

9. Novikov S.P. Kazakov O.D; Kulagina N.A., Azarenko N.Yu. Blockchain and Smart Contracts in a Decentralized Health Infrastructure // 2018 IEEE International Conference "Quality Management, Transport and Information Security, Information Technologies". 2018. doi: 10.1109/ITMQIS.2018.8524970

10. Салихов Б.В., Летунов Д.А. Интеллектуальный капитал как фактор современного производства (морально-экономическая онтология): монография. Москва: МГОУ, 2009. 129 с.

11. Mokir J. Dary Athens. Historical origins of economics. Moscow: Gaidar Institute, 2012. 406 p.

References

1 Borshcheva N.L. The mechanism of human capital management of employees of an innovative organization. Innovation Science. 2016. no. 1-1. pp. 33-37. Available at: https://cyberleninka.ru/article/n/mehanizm-upravleniya-chelovecheskim-kapitalom-sotrudnikov-innovatsionnoy-organizatsii (in Russian).

2 Wetherbe J.C., Turban E., Leidner D.E., McLean E.R. Information technology for management: Transforming organizations in the digital economy. New York, Wiley, 2007.

3 Demarco T., Lister T. The Human Factor: Successful Projects and Teams: trans. M. Zislis, 2 nd ed. Moscow, Symbol. 249 p.

4 Gorbunova O.S. The effect of cooperation on the formation of human capital on the economic condition of agriculture. Business. Education. Right. 2018. no. 4 (45). pp. 226-231. (in Russian).

5 Kazakov O.D., Novikov S.P., Kulagina N.A., Shlapakova S.N. Development of the Concept of Management of Economic Systems Processes through Construction and Calling of Machine Learning Models. 2018 IEEE International Conference "Quality Management, Transport and Information Security, Information Technologies". 2018. doi: 10.1109/ITMQIS.2018.8524985

6 Kolesnikov G.I., Khovanov N.V., Yudaeva M.S. Application of the method of quantification of non-numeric probability estimates to select the optimal portfolio of securities. Vestnik SPbGU. Economics. 2007. no. 3. pp. 58-68. Available at: https://cyberleninka.ru/article/n/primenenie-metoda-kvantifikatsii-nechislovyh-otsenok-veroyatnosti-dlya-vybora-optimalnogo-portfelya-tsennyh-bumag (in Russian).

7 Kulagina N.A., Mikheenko O.V. In-novative transformation of the socio-economic system of Russia as a condition of ensuring its economic security. Problems of theory and practice of management. 2018. no. 6. pp. 8-16. (in Russian).

8 Miheenko O.V. To the question of formation of innovative infrastructure. Bulletin of Bryansk state University. 2015. no. 3. pp. 317-319. (in Russian).

9 Novikov S.P. Kazakov O.D; Kulagina N.A., Azarenko N.Yu. Blockchain and Smart Contracts in a Decentralized Health Infrastructure. 2018 IEEE International Conference "Quality Management, Transport and Information Security, Information Technologies". 2018. doi: 10.1109/ITMQIS.2018.8524970

10 Salikhov B.V., Letunov D.A. Intellectual capital as a factor of modern production (moral and economic ontology): monograph. Moscow, MGOU, 2009. 129 p. (in Russian).

11 Mokir J. Dary Athens. Historical origins of economics. Moscow, Gaidar Institute, 2012. 406 p.

Сведения об авторах

Олег Д. Казаков к.э.н., доцент, кафедра информационных технологий, Брянский государственный инженерно-технологический университет, пр-т Ст. Димитрова, 3, г. Брянск, 241037, Россия, кос!838(й)1гш1.ги

https://orcid.org/0000-0001-9665-8138 Наталья Ю. Азаренко к.э.н., доцент, кафедра государственного управления и финансов, Брянский государственный инженерно-технологический университет , пр-т Ст. Димитрова, 3 г. Брянск, 241037, Россия, заЬуапаШтаД.га 11Ир8://огас1. о^/0000-0001 -6644-418Х

Вклад авторов

Авторы в равной степени принимали участие в написании рукописи и несут ответственность за плагиат

Конфликт интересов

Авторы заявляют об отсутствии конфликта интересов.

Information about authors

Oleg D. Kazakov Cand. Sci. (Econ.), associate professor, information technology department, Bryansk State Engineering and Technology University, Stanke Dimitrova ave, 3 Bryansk, 241037, Russia, kod838iS>mail.ra

https://orcid.org/0000-0001-9665-8138 Natalya Y. Azarenko Cand. Sci. (Econ.), associate professor, public administration and finance department, Bryansk State Engineering and Technology University, Bryansk, Russia, Stanke Dimitrova ave, 3 Bryansk, 241037, Russia, [email protected] https://orcid.org/0000-0001-6644-418X

Contribution

Authors are equally involved in the writing of the manuscript and are responsible for plagiarism

Conflict of interest

The authors declare no conflict of interest.

Поступила 21/07/2019_После редакции 06/08/2019_Принята в печать 17/08/2019

Received 21/07/2019_Accepted in revised 06/08/2019_Accepted 17/08/2019