CC BY
2
вопросы инновационной экономики
>
Том 10 • Номер 4 • Октябрь-декабрь 2020 ISSN 2222-0372 Russian Journal of Innovation Economics
Первое
экономическое издательство
моделирование взаимосвязи макроэкономических факторов и спроса на инновации
Клещева О.А. 1
1 Казанский государственный архитектурно-строительный университет, Казань, Россия
Исследование российского опыта инновационной деятельности не теряет своей актуальности уже много лет. Несмотря на все усилия, инновационная активность российских предприятий ниже, чем зарубежных. Среди причин низкой инновационной активности можно выделить сложность прогнозирования спроса, а следовательно, и сбыта инновационной продукции. Инвестор, не уверенный в возврате своих средств, предпочитает другие направления инвестирования. Разработка методов оценки спроса на внедряемые инновации - это особо актуальная задача. В статье решается часть этой задачи, связанная с изучением взаимосвязи макроэкономической ситуации и спроса на инновации. На основе применения регрессии на главные компоненты построена модель, позволяющая дать оценку ожидаемого спроса на инновационные продукты.
КЛЮЧЕВЫЕ СЛОВА: прогнозирование спроса, моделирование спроса, спрос на инновационный товар, макроэкономические факторы.
введение
Изучение особенностей инновационного развития экономики России не теряет своей актуальности уже много лет. Несмотря на все усилия, общий уровень инновационной активности в России, то есть процент инновационных предприятий, ниже, чем зарубежных (рис. 1). Масштабы инновационной деятельности в России свидетельствуют о наличии резервов [5 с. 3725-3726; 7, с. 107] (Zagidullina, Zaynullina, Ыау1уШоуа, Sirazetdinova, 2017, р. 3725-3726; К1е$кскеуа, 2012, р. 107).
Инновационные проекты требуют, как правило, больших капиталовложений [1, с. 49; 2, с. 125; 12, с. 89-90] (Azhimov, Fayzullin, Azhimova, 2018, р. 49; Bakhareva, 2017, р. 125; Sayfullina, 2010, р. 89-90). Поэтому необходимо совершенствование методов оценки их эффективности.
АННОТАЦИЯ:
Modeling the impact of macroeconomic factors on the demand for innovation
Kleshcheva O.A. 1
1 Kazan State University of Architecture and Engineering, Russia
Инновации - это коммерчески успешные новые идеи. Инвестиции в инновационный проект сопряжены с большим риском [19, с. 89] (Shagiakhmetova, Serdarova, 2018, р. 89), в первую очередь по причине сложности прогнозирования спроса на новый продукт, а следовательно, и коммерческого успеха. Повышение достоверности прогноза спроса позволит точнее оценивать эффективность инновационных проектов и снизить риск. В этом случае можно ожидать роста инновационной активности.
В научной литературе исследования, связанные с оценкой спроса, ведутся в различных направлениях. В работе Васильевой Е.Ю. исследуются особенности оценки влияния рисков на спрос в инновационной деятельности [4, с. 215-217] (Vasileva, 2020, р. 215-217). Симонов А.Б., Рогачев А.Ф., Симонова И.Э. [13, с. 45-46] (Simonov, Rogachev, Simonova, 2020, р. 45-46) на основе моделей спроса и предложения анализируют влияние эластичности спроса и предложения на результативность инновационной деятельности. Хорев А.В., Семенова С.В., Кропотова И.В., Оскирко А.В. [17, с. 129132] (Khorev, Semenova, Kropotova, Oskirko, 2012, р. 129-132) исследуют возможность применения корреляционно-регрессионного анализа для прогнозирования влияния на спрос ценовых и неценовых, а также макроэкономических факторов. Тоткало Г.В. и Хрипунова А.С. [14, с. 77-78] (Totkalo, Khripunova, 2015, р. 77-78) провели анализ методов прогнозирования и программирования спроса. В работе Кузовкина А.И. [9, с. 29-30] (Kuzovkin, 2014, р. 29-30) изучается взаимосвязь спроса, цены на электроэнергию и темпа роста внутреннего валового продукта на основе построения регресси-
ABSTRACT:
The study of various aspects of innovative development of the Russian economy has not lost its relevance for many years. Despite all efforts, the innovation activity of Russian enterprises is lower than that of foreign ones. Among the reasons for low innovation activity the authors highlight the complexity of forecasting demand, and, consequently sales of innovative products. An investor who is not sure about the return of their funds prefers other investment directions. Developing methods for forecasting demand for innovative goods and services is a particularly urgent task. The article solves part of this problem related to the study of the relationship between the macroeconomic situation and the demand for innovations. A model for forecasting demand for innovative goods and services is based on the principal component regression. KEYWORDS: demand forecasting, demand modeling, demand for innovative goods, macroeconomic factors.
JEL Classification: 031, 032, 033, 011 Received: 01.10.2020 / Published: 24.12.2020
© Author(s) / Publication: PRIMEC Publishers For correspondence: Kleshcheva O.A. (olga_albertovna0bk.ru)
CITATION:
Klescheva O.A. (2020) Modelirovanie vzaimosvyazi makroekonomicheskikh faktorov i sprosa na innovatsii [Modeling the impact of macroeconomic factors on the demand for innovation]. Voprosy innovatsionnoy ekonomiki. 10. (4). - 1865-1878. doi: 10.18334/vinec.10.4.1 10993
80,0%
"2017 год ■ 2018 год
Рисунок 1. Совокупный уровень инновационной активности предприятий Источник: Индикаторы инновационной деятельности: 2020: статистический сборник [6, с. 300-301] (Gokhberg, Ditkovskiy, Evnevich et al., 2020, р. 300-301).
онной зависимости. Модель Басса в качестве основы для построения прогноза спроса на инновационный продукт предлагают применять Бурмистрова И.К., Кублин И.М., Сулян Г.С., Тинякова В.И. [3, с. 60] (Burmistrova, Kublin, Sulyan, Tinyakova, 2018, р. 60). Мазурова О.В. [10, с. 75-77] (Mazurova, 2018, р. 75-77) исследует, насколько меняется точность прогнозных оценок спроса для различных: товаров в зависимости от горизонта прогнозирования. Поспелова Л.Я., Шананин А.А. [11, с. 26-27] (Pospelova, Shananin, 2019, р. 26-27) адаптируют нейронные сети для прогнозирования спроса в розничной торговле.
Целью данного исследования является построение экономико-математической модели, описывающей зависимость спроса на инновации от различных факторов. Научная новизна заключается в разработке модели оценки спроса на инновации на ранних стадиях проектирования на основн прогнозирования доходов потенциальных потребителей с использованием регрессии на главные компоненты. Гипотеза состоит в повышении достоверности прогнозирования на основе построенной модели.
ОБ АВТОРЕ:_
Клещева Ольга Альбертовна, доцент, кандидат экономических наук, доцент кафедры экономики и предпринимательства в строительстве (o[ga_a[bertovna0bk.ru)
ЦИТИРОВАТЬ СТАТЬЮ:_
Клещева О.А. Моделирование взаимосвязи макроэкономических факторов и спроса на инновации // Вопросы инновационной экономики. - 2020. - Том 10. - № 4. - С. 1865-1878. doi: 10.18334/vinec.10.4.1 10993
Методика
Прогнозирование спроса является сложной и многоаспектной задачей, так как спрос подвержен влиянию множества внешних и внутренних факторов. На первых этапах разработки проекта часто бывает необходимо выбрать наиболее эффективные из нескольких альтернатив. В этом случае не всегда целесообразно организовывать опрос потенциальных покупателей. На начальных этапах разработки проекта возможна оценка спроса на основе анализа доходов населения. Прирост доходов необходимо рассматривать с учетом влияния инфляции [8, с. 948-949] (Kleshcheva, Sayfullina, 2019, р. 948-949).
В качестве метода построения модели зависимости прироста реальных доходов населения от факторов внешней макросреды была рассмотрена регрессия на главные компоненты [16, с. 246-249; 20, с. 82-88] (Pomerantsev, 2014, р. 246-249; Esbensen Kim, 2005, р. 82-88). В случае применения этого метода матрица факторов внешней среды вначале подвергается разложению с использованием метода главных компонент. Это позволяет уточнить только релевантную информацию. Затем строится регрессионная модель зависимости результирующего фактора от главных компонент. Применительно к рассматриваемой задаче вначале определяются главные компоненты, то есть основные направления изменений в экономике России, а затем рассчитывается зависимость от них прироста доходов населения.
Нахождение главных компонент предполагает построение модели [20, с. 152-153] (Esbensen Kim, 2005, р. 152-153):
X = T PT + E, (1)
где Х - матрица исходных данных; Т - матрица счетов; Р - матрица нагрузок; Е -матрица остатков.
Первоначально устанавливаются исходные значения ta = столбец матрицы Xa-1, обладающий максимальной остаточной суммой квадратов. Затем для первой главной компоненты рассчитывается:
pT = (tT t)-11T X, , (2)
r a Va a/ a a-1
Pa = Pa(PTPa)-0'5 , (3)
Л /V /V T Л —1
ta = Xa—lPa(Pa Pa) , (4)
% = tjta . (5)
Вклад первой главной компоненты вычитается:
Л Л T
Xa = Xa—1 — taPa . (6)
Регрессия у строится на векторы счетов t Для нахождения регрессионных коэффициентов b используется формула:
Ь = Р^
(7)
где Х-нагрузки Х-тагружл I3 = {рка,¿ = 1,2,...,М;а = 1Г2,...,А} являются нагрузками для рассматриваемых главных компонент, а У-нагрузки с| = (с(\,..., (а) определяются по формуле:
4 = (^1/та))Т ту (8)
результаты иобсоцеде ния
Для расчета регрессионной! модели нами были иенользованы данные по основным параметрам развития экономики России с 1999 по 2019 год (табл. 1).
В процессе расчетов на основе значений показателя остаточной дисперсии было определено, что для построения регрессионной модели необходимо использовать первую главную компоненту. Она опссыв ают 83% вариации и сходных дан ных.
Применение регрессии на главные компоненты предполагает расчет и анализ значений нагрузок и счетов по построенной модели. Нагрузки дают информацию онаправ-лении главных компонент. Чем больше абсолютное значение нагрузок по фактору, тем больше этот фактор влияет на направление главной компоненты. Анализируя величины нагрузок (рис. 2), можно оделать вывод об экономическо й интерпретации главной компонеоты.
Условные обозначения указаны в таблице 1.
0,50 0,40 0,30 0,20 0,10 0,00 -0,10 -0,20 -0,30 -0,40 -0,50
0,40 0,41
х2 х3 х4 х5 х6 х7 х8 х9 у
Рисунок 2. Величина нагрузок по первой главной компоненте1 Источник: рассчитано автором на основе данных Федеральндй службы государственной
статистики.
-0,39
1 Условные обозначения указаны в таблице 1.
Таблица 1
Параметры экономического развития России
Год 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019
Численность постоянного населения, млн чел. [15] [х,] Ю г-Г Г-Г МЭ со_ -о" см ю~ ю со_ 00_ со" см со" оэ см" -сг 00_ см" Г- см" о-см" о-см" со со_ со" -<г Г- со" -сг со_ -о" ю -о" 00_ -о" о- Г-
Индексы физического объема валового внутреннего продукта [в% к предыдущему году] [15] [х-,] о» -о" о о сэ о сэ со_ Г-Г сэ см Г-Г сэ -о" сэ см со" сэ со" сэ см ю~ сэ см см" о» сэ со_ сэ с-* со" сэ 00_ сэ с-* о" сэ Г-Г о» со_ о" сэ сэ со см" сэ со сэ
Ставка рефинансирования ЦБ РФ,% [18] [х,] со ю ю со со ю см со см со см сэ - см ю Г- Г-Г 00 ю см со" ю ю~ ю_ о" ю см со" о" о ю Г-Г со со Г-Т
Курс доллара [среднегодовой] [15] (х41 ю -о о" см о см о со" см сэ со 00 со ю о см ю Г-Г см 00 со" см со со_ -о" см ю см см сэ ю~ см ю_ о" со -о со_ о" со о со_ о см 00 сэ со ю 00_ со •о со" со ю о-о" -о со сэ Г-Г -о со со" ю с-* см" -о -о -о -о
Индексы потребительских цен по РФ,% [15] [х5] со 00 со со 00 о" см 00 со" -о сэ ю~ о о- со см о-о" о-сэ Г-00_ 00 см со" 00_ со" сэ 00 с-* со" сэ о" сэ Г- -о" сэ Г- -о" сэ ю со_ о-см" о-со ю" сэ ю_ см" сэ -о см -сГ сэ со" сэ
Уровень безработицы населения в возрасте 15-72 лет,% [15] [х,] -о сч со" -сг о со" о" сэ о о-Г-Г см со" 00_ Г-Г Г-Г Г-Г сэ -о" см о" со_ со" со_ Г-Г ю_ о" ю_ ю_ см ю_ см 00_ -о
Окончание табл. 1
го
о
1
10
12
13
н
15
16
17
18
19
20
21
22 23
Индексы промышленного производства РФ, в% к предыдущему году [15] [х,]
Инвестиции в основной капитал по РФ,млн руб. [15]
Ы
Динамика среднедушевых доходов населения по Российской Федерации, рублей в месяц [15] [х,]
Прирост реальных доходов населения по РФ,% , с. 949] (У)
Источник: Федеральная служба государственной статистики [15], сайт ЦБ РФ [18].
оо
Рисунок 3. Величина счетов по первой главной компоменте Источник: рассчитано автором на основе данных Федеральной службы государственной
статиотики.
Направление первой главной определяют следующие факторы: ставка рефинансирования (-0,352), индекс потребителоских цен (-0,37), уровено безработицы (-0, 39), инвестиции в основной капитал (И,40), динамиса среднедушевых доходов населения (0,41), прирост реальных доходов населения (-0,39). Эта главная компонента интерпретируется как фактор цикличности развития экономической системы.
Счетами в модели регрессии на главные компоненты называются проекции исходных экономоческих перимдов на главную компсненту. Анализ счетко даен возможность обобщить итоги экономическиоо развития за представленный промежуток времени. На рисунке 3 представлены значения счетов для первой главной компоненты построенной модели.
Изучение графика счетов позволяет сдел ать вывод о поступательном развитии экономики России. В соответствии с теорией экономических циклов присутствуют колебания. На смену пикам экономическогороста в 2002, 2005, 2009, 2015 годах приходят паденкя в 2003, 2010 и 7014 гндах.
По результатам применения регроссии на глаиные компоненты посакоена следующая регрессионная модель:
у=0,03*х1+0,2*х2+0,1*х3-0,07*х4+0,2*х5+0,6*х6+0,2*х7-0,0000002*х8-0,0001*х9 -
-60,573963. (9)
2 В скобках приведены значения нагрузок.
30,0
-10,0
-Прирост реальных доходов населения по РФ,%
.........Значения, рассчитанные с помощью уравнения регрессии
Рисунок 4. Исходные и выровненные с помощью модели значения Источник: рассчитано автор ом на основе данных Ф едеральной службы государственной
статисти ки.
Для оценки адекватности построенной модели был рассчитан коэффициент детерминации. Его значение составило 0,8: построенная модель объясняет 80% колебаний результирующего фактора, а следовательно, приемлема для анализа. На рисунке 4 представлена динамика исходных значений результирующего показателя и динамика значений, рассчитанных на основе модели (9).
Модель позволяет прогнозировать общие тенденции изменения прироста реальных доходов населения. Поэтому ее можно рекомендовать для оценки спроса на инновационный продукт на начальных этапах разработки проекта.
заключение
Решению актуальной проблемы оценки спроса на инновации посвящено множество исследований. В случае повышения достоверности прогноза можно ожидать роста инновационной активности, так как в этом случае риски по инновационному проекту снижаются.
Проблема оценки спроса на инновационные товары может быть решена на основе моделирования прироста реальных доходов населения. В качестве регрессионной модели применена модель регрессии на главные компоненты. По результатам моделирования выявлена главная компонента, влияющая на прирост реальных доходов населения. Это фактор цикличности экономической системы. Построенная модель является адекватной и может быть использована для прогнозирования. В результате спрос на инновационный продукт можно оценить на основе прогнозов по ставке рефинансирования, уровню инфляции, уровню безработицы, величине инвестиций.
ИСТОЧНИКИ:
1. Ажимов Т.З., Файзуллин И.Э., Ажимова Л.И. Инновационный подход к расчету экономической эффективности системы «Умный дом» // European Social Science Journal. - 2018. - № 12. - c. 46-51.
2. Бахарева О.В. Инновационно-технологическое управление ростом: технология информационного моделирования в регионе // Российское предпринимательство. -2017. - № 2. - c. 121-132. - doi: 10.18334/rp.18.2.37279.
3. Бурмистрова И.К., Кублин И.М., Сулян Г.С., Тинякова В.И. Проблемные аспекты моделирования риска при внедрении инноваций // Учет и статистика. - 2018. - № 2(50). - c. 54-63.
4. Васильева Е.Ю. Совершенствование методики оценки эффективности инвестиций в инновации в химической промышленности путем учета вероятности рисков проекта // Бизнес. Образование. Право. - 2020. - № 2(51). - c. 214-220. - doi: 10.25683/ V0LBI.2020.51.255.
5. Загидуллина Г.М., Зайнуллина Д.Р., Мавлютова А.Р., Сиразетдинова Э.Р. Реализация инновационных проектов как основа экономического развития // Российское предпринимательство. - 2017. - № 23. - c. 3725-3738. - doi: 10.18334/ rp.18.23.38612.
6. Гохберг Л.М., Дитковский К.А., Евневич Е.И. и др. Индикаторы инновационной деятельности: 2020. - М.: НИУ ВШЭ, 2020. - 336 c.
7. Клещева О.А. Государственное регулирование инновационного развития ИСК // Экономическое возрождение России. - 2012. - № 2(32). - c. 107-112.
8. Клещева О.А., Сайфуллина Ф.М. Прогнозирование спроса на инновационный продукт с учетом влияния макроэкономических факторов // Вопросы инновационной экономики. - 2019. - № 3. - c. 945-954.
9. Кузовкин А.И. О прогнозировании спроса на электроэнергию в зависимости от темпов роста ВВП и цен // Микроэкономика. - 2014. - № 1. - c. 27-30.
10. Мазурова О.В. Зависимость неопределенности динамики цен и спроса на энергоресурсы от горизонта прогнозирования // Проблемы прогнозирования. - 2018. -№ 2(167). - c. 72-78.
11. Поспелова Л.Я., Шананин А.А. Прогнозирование потребительского спроса с помощью композиции обобщенного непараметрического и нейросетевого методов // Международный научно-исследовательский журнал. - 2019. - № 1-2(79). - c. 2328. - doi: 10.23670/IRJ.2019.79.1.033.
12. Сайфуллина Ф.М. K вершинам инновационности в строительстве. Экономические и управленческие аспекты повышения инновационной активности строительных предприятий // Креативная экономика. - 2010. - № 10(46). - c. 87-91.
13. Симонов А.Б., Рогачев А.Ф., Симонова И.Э. Моделирование влияния рыночных факторов на динамику радикальных процессных инноваций // Друкеровский вестник. - 2020. - № 2(34). - c. 43-56. - doi: 10.17213/2312-6469-2020-2-43-56.
14. Тоткало Г.В., Хрипунова А.С. О некоторых подходах к прогнозированию спроса на рынке нефтепродуктов // Вестник Университета (Государственный университет управления). - 2015. - № 8. - с. 75-79.
15. Федеральная служба государственной статистики. [Электронный ресурс]. URL: http://www.gks.ru (дата обращения: 14.08.2020).
16. Померанцев А. Хемометрика в Excel. / Учебное пособие. - Томск: Изд-во Томского политехнического университета, 2014. - 434 с.
17. Хорев А.В., Семенова С.В., Кропотова И.В., Оскирко А.В. Применение корелляци-онно-регрессионного анализа при долгосрочном прогнозировании спроса на газохимическую продукцию // Научно-технический сборник Вести газовой науки. -2012. - № 2(10). - с. 127-132.
18. Центральный банк Российской Федерации. [Электронный ресурс]. URL: http:// www.cbr.ru (дата обращения: 14.08.2020).
19. Шагиахметова Э.И., Сердарова М.С. Количественный анализ рисков инвестиционных проектов (на примере организаций строительной отрасли) // Дискуссия. -2018. - № 88. - с. 85-92.
20. Эсбенсен Ким Анализ многомерных данных. / избр. главы.Монография. -Черниголовка: Изд-во ИПХВ РАН, 2005. - 157 с.
REFERENCES:
Azhimov T.Z., Fayzullin I.E., Azhimova L.I. (2018). Innovatsionnyy podkhod k raschetu ekonomicheskoy effektivnosti sistemy «Umnyy dom» [Innovative approa^ to the са1-сиЫюп of the eranomk е££юепсу of the system «smart home»]. European Social Science Journal. 2 (12). 46-51. (in Russian). Bakhareva O.V. (2017). Innovatsionno-tekhnologicheskoe upravlenie rostom: tekhnologiya informatsionnogo modelirovaniya v regione [Innovative and te^M^^al government of eranomk development: market of ramputer aided design in the region]. Russian Journal of Entrepreneurship. 18 (2). 121-132. (in Russian). doi: 10.18334/rp.18.2.37279. Burmistrova I.K., Kublin I.M., Sulyan G.C., Tinyakova V.I. (2018). Problemnye aspekty modelirovaniya riska pri vnedrenii innovatsiy [Problematk aspedts of risk modeling in innovation implementation]. Uchet i statistika. (2(50)). 54-63. (in Russian). Esbensen Kim (2005). Analiz mnogomernyh dannyh [Analysis of multidimensional
data] Chernigolovka: Izd-vo IPKhV RAN. (in Russian). Gokhberg L.M., Ditkovskiy K.A., Evnevkh E.I. i dr. (2020). Indikatory innovatsionnoy dey-
atelnosti: 2020 [Indkators of innovative ad^ity: 2020] M.: NIU VShE. (in Russian). Khorev A.V., Semenova S.V., Kropotova I.V., Oskirko A.V. (2012). Primenenie ko-rellyatsionno-regressionnogo analiza pri dolgosrochnom prognozirovanii sprosa na gazokhimicheskuyu produktsiyu [Applkation rarrelation and regression analysis for long-term demand for gas ^emkal produ^s]. Nauchno-tekhnicheskiy sbornik Vesti gazovoy nauki. (2(10)). 127-132. (in Russian).
Klescheva O.A. (2012). Gosudarstvennoe regulirovanie innovatsionnogo razvitiya ISK [State regulation of innovation development of investment-building complex]. The Economic Revival of Russia. (2(32)). 107-112. (in Russian).
Klescheva O.A., Sayfullina F.M. (2019). Prognozirovanie sprosa na innovatsionnyy produkt s uchetom vliyaniya makroekonomicheskikh faktorov [Forecasting the demand for an innovative product, taking into account the influence of macroeconom-ic factors]. Russian Journal of Innovation Economics. 9 (3). 945-954. (in Russian).
Kuzovkin A.I. (2014). O prognozirovanii sprosa na elektroenergiyu v zavisimosti ot tempov rosta VVP i tsen [On forecasting electricity demand as a function of GDP growth and prices]. Microeconomics. (1). 27-30. (in Russian).
Mazurova O.V. (2018). Zavisimost neopredelennosti dinamiki tsen i sprosa na energ-oresursy ot gorizonta prognozirovaniya [Relation of uncertainty in fluctuations of energy commodity demand and prices to forecasting timeframe]. Problems of forecasting. (2(167)). 72-78. (in Russian).
Pomerantsev A. (2014). Khemometrika v Excel [Chemometrics in Excel] Tomsk: Izd-vo Tomskogo politekhnicheskogo universiteta. (in Russian).
Pospelova L.Ya., Shananin A.A. (2019). Prognozirovanie potrebitelskogo sprosa s po-moshchyu kompozitsii obobshchennogo neparametricheskogo i neyrosetevogo metodov [Forecasting consumer demand using composition of generalized non-parametric and neural network methods]. International Research Journal. (1-2(79)). 23-28. (in Russian). doi: 10.23670/IRJ.2019.79.1.033.
Sayfullina F.M. (2010). K vershinam innovatsionnosti v stroitelstve. Ekonomicheskie i upravlencheskie aspekty povysheniya innovatsionnoy aktivnosti stroitelnyh predpri-yatiy [Economic and management aspects of efficiency rise of innovative activity at building enterprises]. Creative economy. (10(46)). 87-91. (in Russian).
Shagiakhmetova E.I., Serdarova M.S. (2018). Kolichestvennyy analiz riskov investitsion-nyh proektov (naprimere organizatsiy stroitelnoy otrasli) [Quantitative risk analysis of investment projects (on the example of organizations in the construction industry)]. Discussion. (88). 85-92. (in Russian).
Simonov A.B., Rogachev A.F., Simonova I.E. (2020). Modelirovanie vliyaniya rynoch-nyh faktorov na dinamiku radikalnyh protsessnyh innovatsiy [Modeling of market factors influence on the dynamics of radical process innovations]. Drukerovskij vest-nik. (2(34)). 43-56. (in Russian). doi: 10.17213/2312-6469-2020-2-43-56.
Totkalo G.V., Khripunova A.S. (2015). O nekotoryh podkhodakh k prognozirovaniyu sprosa na rynke nefteproduktov [Some approaches to oil products demand forecasting]. Vestnik Universiteta. (8). 75-79. (in Russian).
Vasileva E.Yu. (2020). Sovershenstvovanie metodiki otsenki effektivnosti investitsiy v innovatsii v khimicheskoy promyshlennosti putem ucheta veroyatnosti riskov proekta [Improvement of the methodology of investments effectiveness evaluation into innovations in the chemical industry by taking into account the probability of project risks]. Business. Education. Law. (2(51)). 214-220. (in Russian). doi: 10.25683/VOLBI.2020.51.255.
Zagidullina G.M., Zaynullina D.R., Mavlyutova A.R., Sirazetdinova E.R. (2017). Realizatsiya innovatsionnyh proektov kak osnova ekonomicheskogo razvitiya [Implementation of innovation projects as a basis for economic development]. Russian Journal of Entrepreneurship. 18 (23). 3725-3738. (in Russian). doi: 10.18334/ rp.18.23.38612.
