CC BY
155
Внедрение новшеств всегда имело большое значение в развитии производства. В современной экономике роль инноваций значительно возрастает. Они все более становятся основополагающими факторами экономического роста. Опыт развитых стран свидетельствует о том, что коренные преобразования в области производительных сил в эпоху НТР, быстрая сменяемость новых комбинаций факторов производства, широкое внедрение нововведений стали нормой современной экономической жизни.
Выпуск качественной продукции способствует увеличению объема реализации и рентабельности капитала, росту престижа предприятия. Потребление продукции улучшенного качества и большей потребительской стоимости уменьшает удельные издержки пользователей и обеспечивает более полное удовлетворение потребностей.
Главная цель разработки системы качества заключается в создании организационных условий, гарантирующих инновационность и стабильность качества изготовленной продукции. Список использованной литературы:
1. Аканаева, Т. А. Теория и практика инновационного менеджмента: отечественный и зарубежный опыт [Текст] / Т. А. Аканаева, Г. М. Кожабатчина // Экономика.: Караганда.— 2013. —№5 Вып. 1(132) — С. 25-32.
2. Грибов, В. Д. Экономика организации (предприятия) [Текст]: учебное пособие/ В. Д. Грибов, В. П. Грузинов, В. А. Кузьменко 2-е изд.,стер. - М.: КНОРУС, 2009. - 416 с.
3. Малхасьян, Л. С. Количественная оценка конкурентоспособности продукции [Текст]/ Л. С. Малхасьян // Российское предпринимательство. — 2011. — № 11 Вып. 2 (196). — С. 184-188.
© И.В. Артюхова, А.А. Огородник, 2015
УДК 336
Л.З. Байгузина к.э.н., доцент кафедры «Финансы и налогообложение» Института экономики финансов и бизнеса Башкирский Государственный Университет г. Уфа, Российская Федерация Э.А.Саляхова аспирант Казанский государственный энергетический университет Р.А. Мухутдинов, д.т.н., профессор Казанский технологический университет г.Казань, Российская Федерация
НЕЙРОСЕТЕВАЯ МОДЕЛЬ В ПРОБЛЕМЕ ОЦЕНКИ ИННОВАЦИОННОЙ ПРИВЛЕКАТЕЛЬНОСТИ ПРОМЫШЛЕННЫХ КОМПЛЕКСОВ
Различные финансовые институты и их функционирование предполагает использование различных финансовых инструментов. Основным фактором, определяющим финансовый рынок, является конкурирование финансовых инструментов за ограниченные финансовые ресурсы региона [1].
Управление инновационной активностью организаций генерирующих энергию - процесс сложный и многоаспектный. При этом важно определиться с моделью прогнозирования эксплуатационных параметров инновационной активности для стратегического управления. Инновационная деятельность - вид деятельности, связанный с трансформацией идей (обычно результатов научных исследований и разработок либо иных научно - технических достижений) в технологически новые или усовершенствованные продукты или услуги, внедренные на рынке, в новые или усовершенствованные технологические процессы или способы производства (передачи) услуг, использованные в практической деятельности.
На сегодняшний день в управлении инновационной активностью актуальность приобретает разработка нейросетевой модели. Работы в области информационно-измерительной техники и измерительных
МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «ИННОВАЦИОННАЯ НАУКА» №6/2015 ISSN 2410-6070
технологий позволили в последние годы создать новый раздел теории и практики измерений — виртуальные и интеллектуальные измерительные приборы и системы. Перед наукой и практикой в области измерений стоят сложные задачи по развитию теории виртуальных и интеллектуальных систем, методов прогнозирования и исключения погрешностей в реальном времени при быстротекущем эксперименте, систем автоматизированного проектирования приборов и систем, по развитию общей теории измерений и теории погрешностей [3].
Нами разработана методика на основе интеллектуальной нейросетевой системы (ИНС) моделирования и управления эксплуатационными параметрами генерирующих компаний с использованием программной среды разработки NeuroPro [2].
Известно, что результат прогнозирования выходных параметров с использованием компьютерной модели, основанной на ИНС, зависит от большого количества параметров. Поэтому по экспериментальным данным (16 опытов, [78]) создавалась база знаний (см. табл.3.1,3.2) в среде MS Access, которая делилась на обучающую (14 примеров) и тестирующую (2 примера) выборки. Значения экспериментальных данных вводились без предварительного отсева экспериментов.
Входными данными для обучения являлись:
Х 1 - организации генерирующие энергию
(допущение: КГК -1, ТГК 5 - 2, ТГК 6 - 3, ТГК 9 - 4);
Х 2 - внешние факторы, выраженные через года (2010 - 1, 2011 - 2, 2012 - 3, 2014 - 4);
Х 3 - стоимости основных фондов;
Х 4 - оборотный капитал;
Х 5 - собственные оборотные средства;
Х 6 - маневренность собственного капитала
(допущение: значение увеличено в 100 раз);
Х 7 - коэффициент автономии
(допущение: значение увеличено в 100 раз). Выходными данными для обучения являлись: (эти параметры зависят от входных данных)
У1 - суммарная прибыль;
У 2 - чистая прибыль;
Таблица 1.
Выборка экспериментальных данных по влиянию различных входных параметров на инновационную
активность генерирующих компаний
№ п/п Х1 Х2 Х3 Х4 Х5 Х6 Х7 У1 У2
1 1 1 13119857 14696816 12928732 53 92 3013177 7386616
2 1 2 174589 11789218 10442650 44 92 2977356 958868
3 1 3 56624 13319705 10919440 46 87 1970163 235509
4 1 4 198908 17639110 13161984 48 81 2232220 3054609
5 2 1 10391076 23854182 5417861 22 57 1145338 794380
6 2 2 10346812 15859666 -3955138 -16 56 1319750 183045
- - - - - - - - - -
10 3 3 27080743 16694931 -3295675 -11 59 277505 752418
11 3 4 28044218 29296433 1176595 3 57 332588 650694
- - - - - - - - - -
16 4 3 1283763 27327352 -23091761 -64 42 389164 857742
Затем эта база данных помещалась в программу ЫешоРго, где создавалась ИНС, т.е. определялись входные и выходные данные (рис. 1), ее структура. После чего происходило обучение (рис. 2) и тестирование обученной нейронной сети (рис.3), а затем проверка на адекватность (рис. 4). В программной среде разработки ИНС применялся процесс обучения "с учителем".
После чего производилось обучение заданной ИНС по заложенному алгоритму, тестирование обученной сети.
В процессе работы производился выбор оптимальной структуры ИНС (определялось оптимальное количество скрытых слоев - 2 и количество нейронов в слоях - 7; 30; 30; 2) и метода оптимизации (для нашей модели - сопряженные градиенты).
В соответствии с количеством входных и выходных параметров, количество нейронов в первом слое -7, в последнем - 2 (рис. 1).
Рисунок 1 - Окно создания ИНС
Общее число шагов обучения методом сопряженные градиенты составило 638 шагов для выборки из 16 экспериментов. После тестирования (проверка на адекватность) сеть показала максимальную относительную ошибку 12%, что подтверждает возможность данной нейросетевой модели с наименьшей погрешностью прогнозировать выходные параметры (рис. 3).
Рисунок 2 - Окно обучения ИНС
I ? I Тестирование NetworklS
Ms VI Прогноз сети Ошибка V2 Прогноз сети Ошибка
1 3013177 3012988 1 88,75 7386616 7376959 9657
2 19701БЗ 1988254 -1 8090,5 235509 233959,3 1 549,734
3 2232220 2214903 1 731 6,75 3054609 3042309 1 2300
4 1145338 1132078 1 32Б0,38 79438G 783222,6 111 57,44
5 1319750 1 3271 41 -7391,1 25 183045 1 9491 9,7 -1 1 874,73
6 974087 984580,3 -1 0493,25 298164 291 61 2 6551,969
7 233913 239746,1 -5833,1 09 1247199 1235804 1 1 395,1 3
8 277505 252053,9 25451,06 752418 739869,9 1 2548,06
9 332588 358178 -25589,97 650694 663720,4 -1 3026,44
1 О 267ББ0Б 2657989 1 761 7,5 474529 483561,Б -9032,625
1 1 389164 402153 -1 2988,97 857742 8481 91,3 9550,688
1 £ 334389 309986 24402,97 153397 1 49985,4 341 1,641
1 3 1045381 1068031 -22Б49,63 -5682297 -5673965 -8332
1 4 548074 522650,8 25423,25 127582 114656 1 2925,95
Правильно: 1 4 (1 OO^S) Правильно: 1 4 (1 00^й)
Неправильно: 0 (0^) Неправильно: 0 (0^)
В се го: 1 4 В се го: 1 4
Ср. ошибка: 1 61 92,Б6 Ср. о шибка: 9522,386
Макс.ошибка: 25589,97 Макс.ошибка: 1 3026,44
Рисунок 3 - Окно тестирования обученной нейронной сети
23
Cü Тестирование Networld8 I ~ || (D ]|j
№ Y1 Прогноз сети Ошибка Y2 Прогноз сети Ошибка
1 1285024 126Э51Э 15504.88 83532 93361,88 -9829,883
г 2977356 2976845 510,75 958868 954998,1 3869,938
Правильно: 2 (1 00%) Правильно: 2 (100%)
Неправильно: 0 (0%) Неправильно: 0 (0%)
Всего: 2 Всего: 2
Ср.ошибка: 8007,813 Ср.ошибка: 6849,91
Макс.ошибка: 15504.88 Макс.ошибка: 9829,883
Рисунок 4 - Окно тестирования нейронной сети на примерах, не участвующих в обучении
Таким образом, современное развитие вычислительной техники и программных средств открывает новые возможности для прогнозирования различных явлений, включая экономические процессы.
Построение математической модели процесса прогнозирования инновационной активности существующими методами (интерполяции или аппроксимации) вызывает сложность, т.к. выходная характеристика: суммарная прибыль и чистая прибыль зависит более чем от двух входных характеристик: стоимость основных фондов, оборотный капитал, собственные оборотные средства, маневренность собственного капитала, коэффициент автономии. Кроме того, при увеличении размерности задачи сложность ее решения такими методами резко возрастает и, что немаловажно, делает невозможной единую программную реализацию для случаев произвольной размерности. Возможным решением в таком случае может быть построение некоторой достаточно гибкой математической конструкции, функционирование которой зависит от некоторого количества параметров. Искусственные нейронные сети - один из примеров такого математического аппарата.
В настоящее время ИНС находят широкое применение в различных областях науки и техники: управляют разливкой стали; идентифицируют радарные цели самолетов; распознают аномальную работу авиа- и танковых двигателей; идентифицируют объекты по излучаемым акустическим шумам; выбирают маршрут автономным роботам (работающим в космосе, Антарктиде) и т.д. С их помощью можно решать задачи предсказания временных рядов, финансовых рисков, аппроксимации функций, цифровой обработки и сжатия сигналов [2].
Искусственные нейронные сети являются математическим аналогом биологических нейронов мозга. Они являются универсальными вычислительными средствами для аппроксимирования функций.
Преимуществами ИНС являются:
- обучение любым функциям, важен только объем предоставленных данных и выбор правильной нейронной модели;
- использование нелинейных функций в ИНС позволяет реализовать задачи с существенными нелинейностями, а поскольку ИНС являются самообучаемыми системами, то это открывает дополнительные возможности осуществлять управление подобными системами;
- высокая производительность вычислений из-за большой степени параллельности ИНС;
- функционирование даже при повреждении отдельных элементов сети из-за архитектуры параллельной обработки [3].
Таким образом, актуальным становится изучение возможности использования ИНС для прогнозирования инновационной активности организаций генерирующих энергию в различных условиях на основании ранее или вновь полученных экспериментальных данных.
В данном разделе рассматривается возможность перспективного использования универсальных вычислительных возможностей программных средств на основе нейросетей для аппроксимирования функций, полученных по экспериментальным данным.
В программной среде разработки спроектирована оптимальная структура ИНС (рис. 5) и определен метод оптимизации, что обеспечивает 100% правильно решенных примеров при 638 циклах обучения с максимальной ошибкой не более 12% (для У 1 - 3%, У 2 - 12%). Обоснована возможность прогнозирования
24
МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «ИННОВАЦИОННАЯ НАУКА» №6/2015 ISSN 2410-6070
выходных параметров на основании вводимых в ИНС данных: суммарная прибыль и чистая прибыль зависит более чем от двух входных характеристик: стоимость основных фондов, оборотный капитал, собственные оборотные средства, маневренность собственного капитала, коэффициент автономии.
d Без имени СНЗСЖЗСЖ]
Нейронные сети: Описание сети:
Ne'tao rkl Число входных полей: 7 Новая сеть
Ii4l 1 III ll'H ■■ Число входов сети: 7
Число выходных полей: Число выходов свти: го го Копия сети
L-лои 1 Слой 2 /нейронов 30 нейронов 30 нейронов 2 нейронов Удалить сеть
Слой 4 Параметры
Файл данных: F:\TecT\06учвние_«4.с1Ы
Открыть файл данных
Рисунок 5 - Окно разработанной нейронной сети
Достоинством данной программы является возможность вычисления показателей значимости входных сигналов (данных), которая отображается в виде гистограммы (в относительных единицах), где наиболее значимому входу соответствует наиболее длинный столбец гистограммы (рис. 6).
Г] IMmrklß-значимость шдов шл
Сигнал Значимость
XI 1
Х2 0,5090303
ХЗ 0,341431
XI 0,31 3738?
Х5 0,1 522353
Х6 3,1 434352
X/ 1,2971181
Рисунок 6 - Окно значимости входов нейронной сети
С применением разработанной модели были проведены следующие исследования:
- определен уровень значимости входных параметров по влиянию на выходные параметры;
- проведен анализ полученных результатов.
В ходе определения значимости влияния входных параметров на выходные было выявлено, что генерирующая компания по влиянию на выходные параметры (суммарная и чистая прибыль) имеет максимальное значение, что согласуется (или не согласуется) с литературными данными: внешние факторы, стоимость основных фондов, оборотный капитал, собственные оборотные средства, маневренность собственного капитала, коэффициент автономии.
Таким образом, возможен нейросетевой подход к моделированию эксплуатационных параметров, в частности прогнозирования инновационной активности организаций генерирующих энергию на основе созданной ИНС в среде разработки ЫешоРго, позволяющей проектировать интеллектуальные программные модули, обучать их и тестировать.
Данный подход в управлении инновационной активностью можно использовать в организациях малого и среднего бизнеса, где требуются первоочередные инвестиционные вложения, поскольку их реализация обеспечивает в перспективе резкий рост финансово - экономической устойчивости компаний.
На сегодняшний день, российский малый и средний бизнес может способствовать улучшению социально-экономической ситуации, а в стабильных условиях дать возможность для эффективного роста экономики. В условиях санкций для развития малого и среднего бизнеса государству необходимо выработать эффективные стратегии и осуществить их внедрение. Они должны быть направлены на интеграцию малого и среднего бизнеса, улучшение их взаимодействия с крупным компаниями, снижение административного давления,
МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «ИННОВАЦИОННАЯ НАУКА» №6/2015 ISSN 2410-6070
децентрализацию функций по развитию бизнеса. Малые и средние компании более гибкие по сравнению с крупными корпорациями. Они могут производить и поставлять широкий спектр товаров и услуг, создавать новые рынки, более оперативно вносить изменения в ценовую политику, ассортимент продукции, менять поставщиков, систему сбыта, впитывать высвободившиеся трудовые ресурсы, выступать в качестве субподрядчика и поставщика крупных предприятий, снижать трансакционные издержки взаимодействия субъектов на рынке, гибко реагировать на изменения внешних условий, меняющихся запросов и потребностей клиентских групп, обеспечивать информационную открытость и близость к потребителю.
В заседании Государственного совета от 07.04.15, на котором рассматривался комплекс мер по развитию малого и среднего предпринимательства Президент РФ Владимир Путин отметил: «Развитие малого и среднего предпринимательства - не только одно из ключевых условий обновления страны, обновления экономики, повышения её устойчивости, но и в целом нашего успешного движения вперёд, реализация того огромного творческого, созидательного предпринимательского потенциала, который, безусловно, есть у нашего народа. Малые и средние компании в силу их мобильности и гибкости могут быстро занимать востребованные рыночные ниши, формировать новые точки экономического роста, способствовать эффективному повышению экономики, её эффективности, решению проблем занятости».
Крупные корпорации, транснациональные компании зачастую пользуются поддержкой правительств, формируют для себя индивидуальную институциональную среду с целью получения конкурентных преимуществ на мировых рынках. Такие компании, в основном придерживаясь общеэкономических правил, отклоняются от них по согласованию с государством, если тому не препятствуют наднациональные организации и институты. Компании малого и среднего бизнеса могут выполнять функции субподрядов и поставщиков, которые в силах повысить эффективность работы крупных предприятий. Появление новых заказов прямой путь для выживания и развития малым и средним организациям в условиях кризиса.
В Послании глава государства поручил правительству определить обязательный годовой объем закупок госкомпаний у малого и среднего бизнеса. По его словам, речь идет о десятках и сотнях миллиардов рублей, которые должны стать источником развития для отечественного предпринимательства. Постановление Правительства РФ от 11 декабря 2014 года № 1352 "Об особенностях участия субъектов малого и среднего предпринимательства в закупках товаров, работ, услуг отдельными видами юридических лиц" вступит в силу с 1 июля 2015 года.
На сегодняшний день инновационная активность малого бизнеса в России заключаются в активном внедрении и адаптации иностранных технологий. Компании не обладают достаточной прибылью для инвестирования в НИОКР, инновационные бюджеты почти нулевые из-за скромных возможностей по привлечению кредитных средств. В западных странах приоритетом в сфере инноваций обладает именно малый бизнес, в то время так корпорации внедряют их научные разработки в производство — такое разделение труда обеспечивает повышение общей эффективности экономики. Управление инновационной активностью это комплекс мероприятий по разработке, внедрению, освоению, производству, диффузии и коммерциализации новшеств. Нейросетевой подход в управлении инновационной активностью дает возможность из общего сегмента энергетических организаций определить инвестиционно привлекательные компании, с целью дальнейшего сотрудничества с ними и достижения инновационной активности по генерации электроэнергии. Программу NeuroPro также можно внедрить и использовать и в других отраслях и сферах развития долгосрочных и перспективных экономических отношений, сотрудничества между корпорациями и компаниями малого и среднего бизнеса.
Список использованной литературы:
1. Байгузина Л.З. Формирование финансового потенциала региона с точки зрения синергизма // Молодой ученый. - 2015. - 8(88). - С.458-463
2. Мухутдинов А.Р. Интеллектуальные средства измерения: Учеб. пособие. Казань: Казан. гос. энерг. ун-т, 2004.
3. Мухутдинов А.Р., Окулин М.В., Вахидова З.Р. Основы прикладного программирования в DELPHI с презентациями и приложениями методических рекомендаций к лабораторному практическому и выполнению курсовых работ. Казань: Казан. гос. энерг. ун-т, 2010. С.546
4. Саляхова Э.А. Роль инноваций в повышении энергоэффективности организаций по генерации электрической энергии: Материалы Международной научно-практической конференции «Проблемы
