bgscience@idbg.ru
+7 495 648 62 41 127015, Москва, ул. Новодмитровская, д. 5А, стр. 7
Меню

Switch to English:to English

Использование методов машинного обучения для оценки инвестиционной деятельности различных регионов России


Кричевский М.Л., Мартынова Ю.А.
(подробнее об авторах)

Кричевский Михаил Лейзерович – профессор кафедры менеджмента наукоемких производств, доктор технических наук, профессор (Санкт-Петербургский государственный университет аэрокосмического приборостроения )

Мартынова Юлия Анатольевна – доцент кафедры менеджмента наукоемких производств, кандидат экономических наук, доцент (Санкт-Петербургский государственный университет аэрокосмического приборостроения )

Опубликовано в журнале:
Вопросы инновационной экономики
– Том 9, Номер 4 (Октябрь-Декабрь 2019)

JEL classification: D81, С45, С65

Ключевые слова: инвестиционная активность, кластерный анализ, машинное обучение, методы классификации, определение класса регионов


Цитировать статью:
Кричевский М.Л., Мартынова Ю.А. Использование методов машинного обучения для оценки инвестиционной деятельности различных регионов России // Вопросы инновационной экономики. — 2019. — Том 9. — № 4. — с. 1557-1572. — doi: 10.18334/vinec.9.4.41432


Другие статьи по этой тематике :
Сарычева Т.В. (2017) Методология статистической оценки эффективности занятости по видам экономической деятельности в регионах РФ
Александров Г.А., Скворцова Г.Г., Вякина И.В. (2017) Повышение качества методов оценки инвестиционного климата региона
Семина Л.А. (2010) К вопросу оценки инвестиционной политики региона

(+ еще похожие статьи)



Поделиться этой страницей:

Аннотация:

Приведены результаты применения методов машинного обучения, пригодных для оценивания инвестиционной деятельности различных регионов России. Базой данных, использованной в работе, являлся отчет Росстата за 2018 г., в котором содержатся сведения об инвестиционной активности всех российских регионов. Решение задачи доведено до получения информации о классе, к которому относится тот или иной регион. Примененные в работе алгоритмы машинного обучения были взяты из программного продукта MatLab 2018b. В результате проведенного исследования для решения поставленной задачи выбраны лучшие методы по точности классификации, с помощью которых можно судить о деятельности регионов России в области инвестиций. Показано использование полученных результатов для формирования оценки принадлежности нового наблюдения к конкретной категории.







Источники:
Кричевский М.Л., Мартынова Ю.А. Оценка инвестиционной деятельности регионов России // Устойчивое развитие регионов России: от стратегии к тактике: Сборник материалов I Всероссийской научно-практической конференции. – Новосибирск: Издательство ЦРНС. Новосибирск, 2017. – С. 65-71.
2. Мильская Е.А., Бычкова А.В. Анализ и оценка потенциала инновационно-инвестиционной деятельности экономических субъектов (на примере Северо-Западного федерального округа) // Научно-технические ведомости Санкт-Петербургского государственного политехнического университета. Экономические науки. – 2017. – № 2. – doi: 10.18721/JE.10204 .
Инвестиционная деятельность в России: условия, факторы, тенденции. - М.: Федеральная служба государственной статистики, 2018.
Alpaydin E. Introduction to machine learning. Massachusetts Institute of Technology. , 2010. – 579 с.
Daumé H. A Course in Machine Learning. , 2012. – 189 с.
Shalev-Shwartz S., Ben-David S. Understanding Machine Learning: From Theory to Algorithms. - New York, Cambridge University Press, 2014. – 449 с.
7. Chandrinos S.K., Sakkas G., Lagaros N.D. AIRMS: A risk management tool using machine learning // Expert Systems with Applications. – 2018. – № 9. – С. 34-48.
8. Stanula P., Ziegenbein А., Metternich J. Мachine learning algorithms in production: A guideline for efficient data source selection // Procedia CIRP. – 2018. – № 78. – С. 261-266.
9. Portugal I., Alencar P., Cowan D. The use of machine learning algorithms in recommender systems: A systematic review // Expert Systems with Applications. – 2018. – № 5. – С. 205-227.
Kaufman L., Rousseeuw P.J. Finding Groups in Data: An Introduction to Cluster Analysis. - New York. Wiley&Sons, 2005. – 336 с.
Everitt B.S., Landau S., Leese M. et al. Cluster Analysis. - New York. Wiley&Sons, 2011. – 346 с.
12. Tavernier J., Simm J., Meerbergen K. et al. Fast semi-supervised discriminant analysis for binary classification of large data sets // Pattern Recognition. – 2019. – № 7. – С. 86-99.
13. Gao W., Alsarraf J., Moayedi H. et al. Comprehensive preference learning and feature validity for designing energy-efficient residential buildings using machine learning paradigms // Applied Soft Computing. – 2019. – № 11. – С. art.105748.
14. Ezghazi S., Zahi A., Zekoua K. A new nearest neighbor classification method based on fuzzy set theory and aggregation operators // Expert Systems with Applications. – 2017. – № 1. – С. 58-74.
15. ZhangX., Li Y., ZhangX KRNN: k Rare-class, Nearest Neighbour classification // Pattern Recognition. – 2017. – № 62. – С. 33-44. – doi: 10.1016/j.patcog.2016.08.023.
Вапник В. Н., Червоненкис А. Я. Еория распознавания образов. - М.: Наука, 1974. – 416 с.
Vapnik V.N. Statistical Learning Theory. - NY: J.Wiley, 1998. – 740 с.
18. Azad М., Moshkov М. Multi-stage optimization of decision and inhibitory trees for decision tables with many-valued decisions // European Journal of Operational Research. – 2017. – № 3. – С. 910-921. – doi: 10.1016/j.ejor.2017.06.026.
19. Kim K., Hong J. A hybrid decision tree algorithm for mixed numeric and categorical data in regression analysis // Pattern Recognition Letters. – 2017. – № 98. – С. 39-45. – doi: 10.1016/j.patrec.2017.08.011.