Синергия инвестиционных проектов: когнитивный подход

Важной частью анализа экономического роста регионов является исследование распределения инвестиций в пределах отраслей и субъектов Российской Федерации. Качественное выстраивание новых цепочек дополнительной стоимости может создать импульсы роста за счет синергетических эффектов инвестиционных проектов. Целью исследования является анализ синергетических эффектов региональных инвестиционных проектов и импульсное моделирование их воздействий на экономическую систему России. Выявление таких эффектов требует реализации сложных математических моделей, которые не всегда могут выявить весь спектр инвестиционных взаимосвязей. Решением могут служить методы когнитивного моделирования – сочетания математических подходов с экспертными оценками. В рамках исследования был применен многомерный факторный статистический анализ для построения когнитивной схемы с последующим импульсным моделированием. В результате изучения инвестиционных проектов России было выявлено 4 основных фактора, построенные как наборы тесно взаимосвязанных отраслей. Этими факторами стали энергетика с химической промышленностью, добыча и переработка полезных ископаемых с машиностроением, качество жизнеобеспечения, металлообработка с деревообработкой. Также были оценены 4 основных сценария инвестиционных импульсов в выделенные факторы. Критерием оптимальности был выбран рост инвестиционных потоков в фактор “качество жизнеобеспечения”. Было выявлено, что развитие металло- и деревообработки обеспечивает максимальный положительный эффект. Проведенное исследование показывает важность изучения инвестиционной синергии и предлагает методологический подход к проведению расчетов.

1. Костюкович Н. В. Мультипликационный эффект в российской экономике // Вестник ТвГУ. Серия «Экономика и управление». 2016. № 1. С. 33–41

2. Единый план по достижению национальных целей развития Российской Федерации на период до 2024 года и на плановый период до 2030 года. Правительство РФ, 01.10.2021 г. – 308 с.

3. Pirson K. On lines and planes of closest fit to systems of pointsin space. Phil. Mag. (6), 2, 559–572, 1901.

4. Hotelling, H. (1933). Analysis of a complex of statistical variables into principal components. Journal of Educational Psychology, 24, 417–441, 498–520.

5. Axelrod R. The Structure of Decision: Cognitive Maps of Political Elites. Princeton // NJ: Princeton University Press, 1976. 404 p.

6. Гинис Л. А. Истоки современного когнитивного моделирования // Известия Южного федерального университета. Технические науки. 2005. Т. 50. №. 6. С. 119–128.

7. Морозова М. Е., Шмат В. В. Среднесрочное прогнозирование российской экономики с использованием когнитивной модели // Проблемы прогнозирования. 2017. № 3. С. 19–25.

8. Робертс Ф. С. Дискретные математические модели с приложениями к социальным, биологическим и экологическим задачам. – М. : Наука, – 1986.

9. Захарова Е. Н. О когнитивном моделировании устойчивого развития социально-экономических систем // Вестник Адыгейского государственного университета. Серия 1: Регионоведение: философия, история, социология, юриспруденция, политология, культурология. 2007. № 1. С. 184–190.

10. Белан А. К., Шмат В. В. Анализ влияния ресурсных и нересурсных факторов на рост экономики Томской области с применением когнитивного подхода // Вестник Новосибирского государственного университета. Серия: Социально-экономические науки. 2015. Т. 15, вып. 1. С. 78–93.