Исследование самоорганизации знаний и технологической структуры регионов России с помощью самоорганизующейся нейронной карты Кохонена.

 В статье предложена новая модель оценки качества технологического развития. Предлагаемая в статье методика отличается внедрением принципиально нового индикатора оценки технологического развития на основе само-организации знаний. Данный коэффициент введён как аналог индикатора перетока знаний и их абсорбции. Однако в отличии от последнего фактически анализируется не переток не инвестиций, как это делается для переток знаний, а именно сами знания в виде патентов или иной квантизированной научной единицы, как например изобретения или статьи. Патенты отражают реальную структуру распределения технологий в данной точке мира, так как патенты являются результатом реакции на появление каких либо технологических задач и непосредственно абсорбции самих технологий. Внедрение самоорганизующихся нейронных карт показало сильные самоорганизующиеся структуры знаний и их абсорбции, распределённые по территории России, которые не выявлялись иными средствами анализа – пространственными модели разных типов. С другой стороны такой анализ выявил ключевые недостатки технологического развития , а именно полное отсутствия перетоков знаний в наиболее передовых технологиях и элементах производственных цепей, отвечающих за эти технологии – биотехнологии, иммерсионная литография для микроэлектроники. Индикатор самоорганизации знаний может быть применён при анализе проектов Мегасйенс и иных крупных проектов федерального и регионального уровня.

Исследована структура регионов России на базе 24 основных технологических направлений, которая отображена на нейронную модель. В связи с чем в статье предложены гипотеза о влиянии фактора самоорганизации на качественные процессы технологического развития. Предложена модель валидации этой гипотезы на базе самоорганизующейся нейронной карты Кохонена. Показана возможность применения самоорганизующихся карт для пространственного анализа взаимосвязей и разработан коэффициент самоорганизации знаний, как ключевая характеристика роста и интеграции технологии.

Ключевые слова: Самоорганизующиеся нейронные карты, технологическая самоорганизация, технологическое расстояние, U – матрица нейронной карты, вектора весов.

1. Bloom N., Schankerman M., Van Reenen J. Identifying technology spillovers and product market rivalry. Econometrica, 2013, vol. 81, no. 4, p. 1347–1393.

2. Аганбегян А. Г., Багриновский К. А., Гранберг А. Г. Система моделей народнохозяйственного планирования. М.: Мысль, 1972.

3. Аганбегян А. Г. Социально-экономическое развитие Российской Федерации – преодоление рецессии // Среднерусский вестник общественных наук. 2017. № 12 (5). С. 15–22.

4. Acs Z. J., Audretsch D. B. Patents as a measure of innovative activity. Kyklos, 1989, no. 42 (2), p. 171–180.

5. Гурков И. Б. Воздействие интегрированных структур управления на инновационное развитие российских предприятий: попытка эмпирического анализа // Российский журнал менеджмента. 2005. № 3 (4). С. 55–66.

6. Benner M., Waldfogel J. Close to you? Bias and precision in patent-based measures of technological proximity. Research Policy, 2008, no. 37 (9), p. 1556– 1567.

7. Jaffe A. B. Technological opportunity and spillovers of R&D: Evidence from firms’ patents, profits, and market value. American Economic Review, 1986, no. 76 (5), p. 984–1001.

8. Olsson O., Frey B. S. Entrepreneurship as recombinant growth. Small Business Economics, 2002, no. 19 (2), p. 69–80.

9. Rosenkopf L., Almeida P. Overcoming local search through alliances and mobility. Management Science, 2003, no. 49 (6), p. 751–766.

10. Griliches Z. Patent statistics as economic indicators: A survey. In: R&D and Pro. The Econometric Evidence. Chicago, University of Chicago Press, 1998, p. 287– 343.

11. Stellner F. Technological Distance Measures: Theoretical Foundation and Empirics. In: Druid Society Conference 2014, CBS. Copenhagen, 2014. URL: https://conference.druid.dk/acc_papers/oc0vy5o9iyk8sujx27an39yb0imx.pdf (accessed: 12.12.2018).

12. De Jong J., Hippel E. von. Transfers of user process innovations to process equipment producers: A study of Dutch high-tech firms. Research Policy, 2009, no. 38 (7), p. 1181–1191. DOI 10.12688/f1000research.9909.1

13. Волкова Т. И., Усольцев И. А. Изобретательская активность исследователей: межстрановые рейтинговые оценки // Экономика региона. 2017. Т. 13, вып. 1. С. 290–307.

14. Jaffe A. B., Trajtenberg M. International knowledge flows: Evidence from patent citations. Economics of Innovation and New Technology, 1999, no. 8 (1–2), p. 105–136.

15. Gilsing V., Nooteboom B., Vanhaverbeke W., Duysters G., Oord A. van den. Network embeddedness and the exploration of novel technologies: Technological distance, betweenness centrality and density. Research Policy, 2008, no. 37 (10), p. 1717–1731.

16. Wu Z., Pan S., Chen F., Long G., Zhang C., Yu P. S. A Comprehensive Survey on Graph Neural Networks. IEEE Trans. Neural Netw. Learn. Syst., 2021, Jan., no. 32 (1), p. 4–24. DOI 10.1109/TNNLS.2020.2978386

17. Scardoni G., Tosadori G., Pratap S., Spoto F., Laudanna C. Finding the shortest path with PesCa: a tool for network reconstruction. Version 2. F1000Res. 2015.4.484. In: eCollection. PubMed PMID: 27781081; PubMed Central PMCID: PMC5054806.

18. Gil D. P., Law J. N., Murali T. M. The PathLinker app: Connect the dots in protein interaction networks. F1000 Research, 2017, no. 6, p. 58.

19. Petersen K. J., Handfield R. B., Ragatz G. L. Supplier integration into new product development: Coordinating product, process and supply chain design. Journal of Operations Management, 2005, no. 23 (3–4), p. 371–388.

20. Breschi S., Lissoni F., Malerba F. Knowledge-relatedness in firm technological diversification. Research Policy, 2003, no. 32 (1), p. 69–87.

21. Nooteboom B., Haverbeke W. van, Duysters G., Gilsing V., Oord A. van den. Optimal cognitive distance and absorptive capacity. Research Policy, 2007, no. 36 (7), p. 1016–1034.

22. Bar T., Leiponen A. A measure of technological distance. Economics Letters, 2012, no. 116 (3), p. 457–459.

23. Nesta L., Saviotti P. Coherence of the Knowledge Base and the Firm’s Innovative Performance: Evidence from the US Pharmaceutical Industry. Journal of Industrial Economics, 2005, no. 53 (1), p. 123–142.

24. Teece D. J., Rumelt R., Dosi G., Winter S. Understanding corporate coherence: Theory and evidence. Journal of Economic Behavior & Organization, 1994, no. 23 (1), p. 1–30.

25. Carlsson G., Memoli F. Characterization, Stability and Convergence of Hierarchical Clustering Methods. Journal of Machine Learning Research, 2010, no. 11, p. 1425–1470.

26. Kohonen T. Essentials of the self-organizing map. Neural networks: The Official Journal of the International Neural Network Society, 2013, no. 37, p. 52–65.

27. Brereton R. Self organising maps for visualising and modeling. Chemistry Central journal, 2012, vol. 6, suppl. 2, S1. 2.

28. Massimo P., Antonio G., Marzia B. On the Use of Self-Organizing Map for Text Clustering in Engineering Change Process Analysis: A Case Study. Computational Intelligence and Neuroscience, 2016, Article ID 5139574, 11 p.

29. Reddy A. Technology and self-reliance. Science and Public Policy, 1977, vol. 4, iss. 3, p. 231–234.

30. Hung C., Lee W. A proactive technology selection model for new technology: The case of 3D IC TSV. Technological Forecasting and Social Change, 2016, vol. 103, p. 191–202. DOI 10.1111/joie.12103

31. Geels F. Technological transitions as evolutionary reconfiguration processes: a multi-level perspective and a case-study. Research Policy, 2002, vol. 31, iss. 8– 9, p. 1257–1274. DOI 10.1016/S0048-7333(02)00062-8

32. Lee C., Kwon O., Kim М., Kwon D. Early identification of emerging technologies: A machine learning approach using multiple patent indicators. Technological Forecasting and Social Change, 2018, vol. 127, p. 291–303.

33. Quéré M. Knowledge dynamics: biotechnology’s incursion into the pharmaceutical industry. Industry & Innovation, 2003, no. 19, p. 255–273.

34. Stefanovic P., Kurasova O. Visual analysis of self-organizing maps. Nonlinear Analysis: Modeling and Control, 2011, vol. 16, no. 4, p. 488–504.

35. Унтура Г. А. Человеческий капитал как базовый фактор в экономике знаний // Наука. Инновации. Образование. 2008. № 4. С. 193–208.