Разработка методов и инструментов поддержки принятия управленческих решений в организации по внедрению инновационного продукта на основе нейронных сетей тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Сомов Андрей Георгиевич

• Сомов Андрей Георгиевич
• кандидат наук
• 2023

Оглавление диссертации кандидат наук Сомов Андрей Георгиевич

ВВЕДЕНИЕ

1. ИССЛЕДОВАНИЯ ПРОБЛЕМАТИКИ ПРИ РАЗРАБОТКЕ МЕТОДОВ И ИНСТРУМЕНТОВ ПРИНЯТИЯ РЕШЕНИЙ В ЭКОНОМИЧЕСКИХ СИСТЕМАХ НА ОСНОВЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

1.1 Теоретические представления о сущности управленческих решений и их месте в управлении организацией. Взгляды классических и современных школ менеджмента на процесс принятия управленческих решений

1.2 Постановка задачи и основные особенности разработки методов и инструментов принятия решений в экономических системах

1.3 Характеристики и особенности внедряемого инновационного продукта (ИДК)

2. ОПИСАНИЕ МЕТОДИКИ И АЛГОРИТМОВ ПРИ ФОРМИРОВАНИИ ИНФОРМАЦИОННОЙ БАЗЫ И ПОСТРОЕНИИ ЭКОНОМИЧЕСКОЙ МОДЕЛИ ПРИ ПОМОЩИ НЕЙРОННЫХ СЕТЕЙ ПРЯМОГО РАСПРОСТРАНЕНИЯ В РАМКАХ ТЕОРИИ И МЕТОДОВ ПРИНЯТИЯ РЕШЕНИЙ В ЭКОНОМИЧЕСКИХ СИСТЕМАХ

2.1 Разработка алгоритма формирования и восполнения информационной базы для выбранных потенциальных мест внедрения инновационного продукта

2.2 Разработка экономической модели внедрения инновационного продукта, на основе сформированной информационной базы, с использованием методов нейронных сетей

2.3 Создание модели разбиения временных рядов для моделирования методом нейронных сетей

3. ПРЕДОСТАВЛЕНИЕ И ИСПОЛЬЗОВАНИЕ РЕЗУЛЬТАТОВ ИССЛЕДОВАНИЯ ДЛЯ ПОСТРОЕНИЯ МОДЕЛИ ПРОГНОЗИРОВАНИЯ ПОТРЕБНОСТИ ИННОВАЦИОННОГО ПРОДУКТА ВЕДУЩИМИ К ПОВЫШЕНИЮ ЭФФЕКТИВНОСТИ ПРЕДПРИЯТИЯ

3.1 Прогнозирование потребности внедрения инновационного продукта с использованием разработанной экономической модели, посредством технологии нейронных сетей

3.2 Прогнозирование и оценка экономических данных при помощи адаптивной системы нейро-нечеткого вывода ANFIS

3.3 Разработка модели включения субъективного фактора принятия решений учитывающая культурные и страновые особенности, позволяющая заранее адаптировать инновационный продукт, предложение практические рекомендации, обеспечивающие реализацию метода поддержки принятия управленческих

решений

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

134

Введение диссертации (часть автореферата) на тему «Разработка методов и инструментов поддержки принятия управленческих решений в организации по внедрению инновационного продукта на основе нейронных сетей»

ВВЕДЕНИЕ

Актуальность темы диссертационного исследования. В современном мире, на фоне становления цифровой экономики, нарастает динамика научно-технического развития и остро встает вопрос повышения эффективности экономической деятельности хозяйствующих субъектов. Одним из ответов на этот вызов является разработка комплекса методов и инструментов, реализованных и внедренных на практическом уровне, которые обеспечивают поддержку принятия эффективных управленческих решений. Данный комплекс методов и инструментов с необходимостью отвечает за анализ и мониторинг текущей экономической ситуации, постановку целей и задач деятельности хозяйствующего субъекта и их своевременную корректировку. Также он обеспечивает поиск альтернативных вариантов решения поставленной задачи и выбор наиболее оптимального решения, отвечает за реализацию и внедрение выбранного решения в жизнь, а также за мониторинг и проактивную адаптацию процесса реализации решения с течением времени.

В эпоху глобальной конкуренции и технологического лидерства вперед выходят новейшие инновационные разработки, основанные на методах искусственного интеллекта. Одним из методов искусственного интеллекта являются технология нейронных сетей, который в сфере поддержки принятия эффективных управленческих решений позволяет быстро обрабатывать и анализировать большие объемы информационных данных, также корректировать, формировать и восполнять информационные базы данных, при наличии неполных или частично отсутствующих экономических данных. Методы нейронных сетей обеспечивают построение экономической модели, включающей в себя большое количество взаимосвязанных экономических параметров, которая дает возможность выявлять неявные закономерности и тренды, скрытые в экономических данных, позволяет в короткое время скорректировать уже построенную экономическую модель согласно поступающим новым экономическим данным (т.е. реализовывать механизм постоянного дообучения модели). Что дает возможность разработать и поддерживать экономическую

модель по внедрению инновационного продукта и выполнять прогнозирование потребности внедрения инновационного продукта с использованием предварительно разработанной экономической модели. Это определяет актуальность представленного диссертационного исследования, посвященного поддержке принятия эффективных управленческих решений в деятельности хозяйствующего субъекта по внедрению инновационного продукта с использованием нейронных сетей.

Степень изученности и разработанности научной проблемы. На сегодняшний день в российской и мировой науке представлено большое количество научных исследований в области теоретического и методического анализа и разработки методов и инструментов поддержки принятия эффективных управленческих решений.

Существенный вклад в разработку, развитие и внедрение методики поддержки принятия управленческих решений внесли такие ведущие российские ученые-экономисты, как Анисимов В.Г., Глухов В.В., Дуболазов В.А., Ильинский А.А., Малышева Т.В., Силкина Г.Ю., Шинкевич А.И., Шинкевич М.В. и др.

Существенный вклад в теоретическую и научно-методическую базу инновационного развития экономики и экономических систем (в том числе по внедрению инновационного продукта) внесли такие российские ученые-экономисты, как Алексеева Н.С., Божко Л.М., Калинина О.В., Кобзев В.В., Коваленко Б.Б., Кудрявцева С.С., Кулибанова В.В., Лубнина А.А., Макаров В.М., Морозова М.А., Фадеев А.М., Харламова Т.Л., Цуканова О.А. и др.

К наиболее известным исследователям, рассматривающим вопросы моделей и методов искусственного интеллекта в экономике, можно отнести: Алейникова Н.А., Галимулина Ф.Ф., Крюкову А.А, Кузьмина Е.В. Матвеева М.Г. и др.

Проблемам, связанным с разработкой и реализацией методов принятия решений на основе нейронных сетей, посвящено достаточно публикаций, наиболее значимыми среди которых можно считать работы Барского А.Б., Круглова В.В., Ростовцева В. С., Ясницкого Л.Н., Bishop C., Murphy K.P. и др.

При этом имеющиеся публикации не демонстрирует всестороннего подхода по разработке универсальных моделей поведения на слабоформализуемых и неформализуемых этапах управления, также при отсутствии полных или корректных экономических данных. Кроме того, остается не до конца решенным вопрос проактивной адаптации уже имеющихся моделей управления в условиях современной тенденции ускорения процессов внедрения цифровой экономики, а также усиления глобальной нестабильности экономики.

Исходя из этого, современная наука и практика поддержки принятия управленческих решений нуждается в продолжении исследований в данной области, направленных на теоретическое осмысление и обоснование практических подходов к повышению эффективности и адаптивности созданных экономических моделей в интересах хозяйствующих субъектов, государства и общества в целом.

Целью диссертационного исследования является разработка комплекса теоретических положений, методов, инструментов и практических рекомендаций, обеспечивающих поддержку принятия эффективных управленческих решений в организации по внедрению инновационного продукта на основе метода нейронных сетей.

Исходя из цели диссертационного исследования, были сформулированы следующие задачи:

1. Представить уточненную трактовку понятия метода поддержки принятия управленческих решений в экономических системах при помощи искусственного интеллекта.

2. Разработать алгоритм формирования и восполнения информационной базы с использованием методики искусственного интеллекта и выполнить выбор основных потенциальных мест внедрения инновационного продукта.

3. Разработать экономическую модель по внедрению инновационного продукта с использованием технологии нейронных сетей, на основе сформированной и восполненный информационной базы и выбранных потенциальных мест внедрения инновационного продукта.

4. Провести разработку алгоритма и выполнить прогнозирование потребности внедрения инновационного продукта с использованием предварительно разработанной экономической модели, с учетом особенностей выбранных потенциальных мест внедрения и имеющихся экономических параметров модели.

5. Обосновать методический подход к учету культурных и страновых особенностей при внедрении инновационного продукта при наличии результатов прогнозирования для выбранных потенциальных мест внедрения продукта.

6. Предложить практические рекомендации, обеспечивающие поддержку принятия эффективных управленческих решений по внедрению инновационного продукта на основе использования метода нейронных сетей.

Объект исследования - организации, осуществляющие принятие управленческих решений по внедрению инновационного продукта на основе нейронных сетей.

Предметом исследования выступают управленческие процессы организации, обеспечивающие применение технологии нейронных сетей для поддержки принятия управленческих решений по внедрению инновационного продукта.

Теоретической основой исследования являются концептуальные положения в области теории принятии управленческих решений, относящиеся к цели и задачам диссертационного исследования, а также теоретические подходы, представленные в современной российской и зарубежной литературе по проблемам эффективных управленческих решений по внедрению инновационного продукта на основе искусственного интеллекта.

Методологическая основа исследования, сформированная на основе системного подхода, сравнительного и факторного анализа и использования логических, исторических и экономико-статистических методов, включает экономическую диагностику, сравнение, графическое отображение, группировки и обобщения, технологию нейронных сетей, эконометрические методы экономики.

Информационная база исследования основывается на информации, полученной из статистических изданий и баз данных (The World Bank, Atlas Media, UNCTAD и др.), научных публикаций российских и иностранных ученых, включая материалы международных и всероссийских конференций, отображающих актуальные тенденции и передовой опыт по исследуемой теме. Часть информация получена из экспертно-аналитических обзоров и материалов интернет-ресурсов (официальных сайтов), соответствующих объекту исследования.

Использованы дополнительно: материалы отечественных и зарубежных компаний в области инспекционно-досмотровых комплексов (ИДК), находящиеся в открытом доступе, отраслевая инструктивная документации, а также собственные расчеты соискателя, полученные в процессе исследования.

Научная новизна исследования заключается в развитии теоретических и методических положений в области принятия управленческих решений на основе алгоритмов и моделей, действующих на базе технологии нейронных сетей, и разработке инструментов и практических рекомендаций по эффективному использованию нейронных сетей при внедрении инновационного продукта.

Наиболее существенные результаты исследования, обладающие научной новизной и полученные лично соискателем, представлены в следующих положениях:

1. Представлена уточненная трактовка понятия метода поддержки принятия управленческих решений в экономических системах при использовании нейронных сетей, которая обобщает современные теоретические взгляды на содержание и роль метода поддержки принятия управленческих решений в процессе ускорения внедрения цифровой экономики и инновационного развития экономики и общества.

2. Разработан алгоритм формирования и восполнения информационной базы при помощи метода нейронных сетей, с использованием экономических баз данных и выбранных основных потенциальных мест внедрения инновационного продукта.

3. Разработана общая экономическая модель по внедрению инновационного продукта с использованием технологии нейронных сетей, на основе сформированной и восполненной информационной базы, и выбранных потенциальных мест внедрения инновационного продукта, как базис для дальнейшей разработки и применения алгоритма прогнозирования.

4. Проведена разработка алгоритма и выполнено прогнозирование на его основе потребности внедрения инновационного продукта с использованием предварительно разработанной общей экономической модели, с учетом особенностей выбранных потенциальных мест внедрения инновационного продукта и имеющихся экономических параметров модели.

5. Обоснован методический подход к учету культурных и страновых особенностей в процессе внедрении инновационного продукта, при наличии разработанного алгоритма и результатов его прогнозирования, что позволяет адаптировать инновационный продукт согласно культурным особенностям и построить стратегию его внедрения.

6. Предложены практические рекомендации, обеспечивающие реализацию метода поддержки принятия эффективных управленческих решений по внедрению инновационного продукта на основе использования нейронных сетей.

Теоретическая значимость исследования заключается в развитии теоретических положений специальности менеджмент, включая дополнения и уточнения терминологического и структурного характера, в области метода поддержки принятия управленческих решений при помощи нейронных сетей для внедрения инновационного продукта.

Практическая значимость диссертационного исследования состоит в возможности использования положений диссертации в процессе разработки алгоритмов по формированию и восполнению информационной базы, моделированию экономических систем, прогнозированию, учету социокультурных факторов при внедрении продукта. Результаты исследования после применения на практике позволят, в дальнейшем, провести сопоставления научного исследования

по данной тематике. Материалы исследования могут быть также использованы в учебном процессе подготовки и переподготовки специалистов в области менеджмента, маркетинга и логистики. Также результаты данного диссертационного исследования частично внедрены в практическую деятельность российских компаний АО «Скантроник» и Холдинг «Росэлектроника», крупнейших в России по производству и обслуживанию рассмотренного в работе инновационного продукта.

Область исследования. Диссертационное исследование и научные результаты соответствуют Паспорту научной специальности 5.2.6. Менеджмент, в части пунктов: п. 5. Разработка теории и методов принятия решений в экономических и социальных системах. Системы искусственного интеллекта для поддержки принятия управленческих решений; п. 19. Управление инновациями. Инновационные способности фирмы. Управление организационными и технологическими инновациями. Межорганизационные формы управления инновациями; п. 27. Управление данными в организации. Применение методов искусственного интеллекта и «больших данных» в менеджменте.

Высокая степень достоверности и обоснованности результатов исследования обусловлена их непротиворечивостью и соответствием базовым положениям экономической науки в области принятия управленческих решений. Основные выводы и положения диссертации получены в результате проведенного автором аргументированного анализа и обоснованного применения современного методического инструментария.

Результаты исследования апробированы в ходе научно-практических и учебно-методических конференций, включая конференции с международным участием, таких как:

1. II Международная научно-практическая конференция «Тенденции развития логистики и управления цепями поставок в условиях цифровой экономики», 2021 г.;

2. XXI-я Российская научная конференция «Инжиниринг предприятий и управление знаниями» (ИП&УЗ), 2018 г.;

3. Научно-практическая конференция с международным участием «Инновационные кластеры цифровой экономики: драйверы развития» (ИНПРОМ), 2018 г.;

4. Научно-практическая и учебная конференция «Фундаментальные и прикладные исследования в области управления, экономики и торговли», 2018 и 2017 гг.;

5. XLVII «Неделя науки СПбПУ». Современные проблемы экономики, управления и торговли (ИПМЭиТ), 2018 г.;

6. II Международная научно-практическая конференция «Эффективность организации и управления промышленными предприятиями: проблемы и пути решения», 2018 г.;

7. International Conference on Modern Trends in Manufacturing Technologies and Equipment (ICMTMTE), 2018 г. и др.

Также результаты исследования опубликованы в ведущих российских изданиях и в изданиях, индексируемых в международных базах данных.

Публикация результатов исследования представлена в 17 научных работах, общий объем которых составляет 10,5 п.л., в т.ч. авторских - 7,7 п.л.; из них 8 работ - в изданиях, входящих в перечень рекомендованных ВАК РФ, и 1 работа - в издании, индексируемое в международной базе Scopus.

Структура диссертации отражает цель и последовательность решения сформулированных научных задач исследования и состоит из введения, трех глав, заключения и списка литературных источников. Диссертация изложена на 150 страницах, содержит 19 таблиц и 62 рисунка; список литературных источников включает 160 наименований.

Введение посвящено обоснованию актуальности темы диссертационного исследования, анализу степени ее разработанности, определению цели, задач, объекта и предмета исследования, а также представлению научной новизны результатов проведенного исследования и обоснованию их теоретической и практической значимости.

В первой главе проанализированы теоретические представления о сущности метода поддержки принятия управленческих решений и его месте в управлении организацией. А также взгляды классических и современных школ менеджмента на процесс принятия управленческих решений. Выполнена постановка задач работы и уточнены основные особенности разработки методов и инструментов принятия решений в экономических системах с использованием нейронных сетей. Описаны характеристики и особенности внедряемого инновационного продукта.

Вторая глава посвящена разработке алгоритма формирования и восполнения информационной базы при помощи метода нейронных сетей, с использованием экономических баз данных и выбранных основных потенциальных мест внедрения инновационного продукта. Разработана общая экономическая модель внедрения инновационного продукта, на основе сформированной информационной базы, с использованием метода нейронных сетей.

В третьей главе проведено описание разработки алгоритма и выполнено прогнозирование с его помощью потребности внедрения инновационного продукта с использованием предварительно разработанной общей экономической модели, обоснован методический подход к учету культурных и страновых особенностей при внедрении инновационного продукта. Предложены практические рекомендации, обеспечивающие реализацию метода поддержки принятия эффективных управленческих решений по внедрению инновационного продукта на основе использования искусственного интеллекта.

В заключении изложены основные результаты, полученные в ходе исследования.

1. ИССЛЕДОВАНИЯ ПРОБЛЕМАТИКИ ПРИ РАЗРАБОТКЕ МЕТОДОВ И ИНСТРУМЕНТОВ ПРИНЯТИЯ РЕШЕНИЙ В ЭКОНОМИЧЕСКИХ СИСТЕМАХ НА ОСНОВЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

1.1 Теоретические представления о сущности управленческих решений и их месте в управлении организацией. Взгляды классических и современных школ менеджмента на процесс принятия управленческих решений

В современной экономике система принятия управленческих решений в организации состоит из слияния управленческих и информационных систем. Управленческая система несет в себе функцию постановки изначальных целей и задач развития организации, а информационная система берет на себя работу обработки и анализа все большего объема поступающей информации. При этом для современной экономики характерно все большее усложнение задачи принятия управленческих решений, в связи с нарастанием конкуренции среди организаций и скорости изменения экономических процессов. Также происходит усложнение финансовых, экономических, социальных, технических и организационных связей, как внутри самой организации так на уровне внешних связей. Данные процессы можно объяснить общим ускорением общественно политических процессов как в отдельных странах, так и глобально во всем мире. Отмечается и увеличение правовых вопросов в условиях роста цифровой экономики. Это все является показателями увеличения масштабов и разнообразия экономического, социального и культурного строительства по всему миру [74; 88].

Отметим, что данные глобальные процессы роста и развития происходят наряду с ограничениями на природные и трудовые ресурсы. То есть со стремительным развитием науки и техники повышается сложность решаемых задач, требований к качеству управленческих решений и к оперативности их принятия и реализации. Поэтому прогнозирование и учет последствий данных управленческих решений приобретает все большее значение. Можно сказать, что в данных условиях интеллектуальные возможности человека входят в противоречие с объемом информации, которую необходимо осмыслить и переработать в ходе принятия управленческого решения. В таких условиях, можно сказать возникает

довольно большой риск срыва управления. Чтобы избежать данной ситуации необходимо сначала ставить реальные цели и задачи перед организацией, которые содержат в себе механизм реализации данных решений. Данные решения также должны быть научно обоснованными или компетентными, а также отвечать требованиям оптимальности с точки зрения затратов ресурсов организации. Кроме выше описанных условий необходим комплексный учет всех факторов, влияющих изнутри и снаружи на организацию, при этом необходима своевременность принимаемых решений и их гибкость к изменениям внешней экономической ситуации.

Основная роль метода поддержки принятия управленческих решений — это обеспечить руководство организации инструментами для цели эффективного управления развитием организации в современных реалиях, т.е. обеспечить достижения целей и задач организации во все более конкурентной, зачатую внезапно меняющейся цифровой среде. Поэтому роль инструментов и методов способных быстро выявлять и реагировать на динамически нестабильную экономическую ситуацию, а также предлагающих неочевидные управленческие решения, исходя из непрерывно получаемой новой информации - чрезвычайно возрастает [105; 140].

Исследование теоретических аспектов использования искусственного интеллекта при решении экономических задач изложено в работах А.Б. Барского [70; 71] . Он основывает решение экономических задач используя парадигмы дедуктивного и индуктивного мышления (в том числе на базе логического языка ПРОЛОГ). Исходя из этого он рассматривает возможности автоматизации достоверных и правдоподобных рассуждений, работу с нечеткими рассуждениями и выводами, рассматривает факторное пространство событий на основе которого проводится построение «схемотехнического» представления системы принятия решений. При анализе использования нейронных сетей при моделировании экономической системы А.Б. Барский описывает преимущество однослойной логической нейронной сети при построении модели системы принятия решений,

формирования ее матрицы связей, требований к функции активации нейрона и возбуждения рецепторов.

Исследованию нечетких моделей, используемых при описании сложно или слабо формализуемых систем или протекающих процессов посвящены работы В.В. Круглова [101]. В своих работах он затрагивает вопросы построения, обучения и применения нечетких нейронных сетей, способы внесения нечеткости в различные модули классической нейронной сети. Рассматривает Круглов В.В. также построение нечетких моделей на основе графов, нечетких когнитивных карт для анализа сложных систем.

Историю развития и искусственного интеллекта и моделей представления знаний так как продукционная, фреймовая, сетевая, логическая, синоптическая модели в своих работах рассматривает Ясницкий Л.Н. [160]. Применение нейронных сетей в построении экспертных систем, интеллектуального анализа данных, диагностики экономического состояния предприятий, прогнозирование экономических и политических событий, выявления способности (склонности) человека к ведению бизнеса. Ясницкий Л.Н. также рассматривает методические вопросы различных типов нейронных сетей: оптимальное проектирование и обучение нейронных сетей, методы проектирования, методы обучения, сети каскадной корреляции Фальмана-Либьера, радиально-базисные сети, рекуррентные сети на базе персептрона, рекуррентная сети Хопфильда, самообучающиеся и гибридные сети, интеллектуальный нейрон Вальцера.

Работы Ростовцева В.С. по искусственным нейронным сетям рассматривают построение их и моделирование в программной среде MatLab. Также подробно изучены вопросы принципы построения однослойных и многослойных сетей, проблемы, возникающие при обучении нейронных сетей, основные классификации нейронных сетей, активационные функции, алгоритм обучения персептрона, алгоритм обратного распространения ошибки, нормализация входных и выходных параметров модели, сети с радиально-базисными функциями, основные типы рекуррентных нейронных сетей (Хопфильда, Хемминга), двунаправленная ассоциативная память, «Машина Больцмана», самоорганизующиеся нейронные

сети (Кохонена), нейронные сети встречного распространения, решение задач кластеризации с применением нейронных сетей, сети на основе теории адаптивного резонанса (ART-1, ART-2, ART-3), нейронечеткие системы (Мамдани-Заде и Такаги-Сугено-Канга) [ 116; 117; 118; 119].

В работах Bishop C рассматривает статическое обоснование для использования нейронных сетей в сфере распознавания образов. Для этого используется и тщательно проанализированы такие типы нейронных сетей как многослойный персептрон и сети с радиальными базисными функциями. Подробно проанализированы оценка плотности, функции ошибок, алгоритмы оптимизации параметров, предварительная подготовка и обработка начальных данных перед проведением моделирования нейронными сетями, байесовские методы [7; 9].

Работы Murphy K.P. посвящены всестороннему описанию машинного обучения в программной среде MatLab, использующее вероятностные модели и логические выводы в качестве объединяющего подхода. Проводится рассмотрение работы с большими объемами данных которые требуют автоматизированных методов анализа, анализ и обнаружение закономерностей в массиве данных, проведение прогнозирование будущего поведения системы. Применение фильтра Калмана при обучении Байесовских нейронных сетей, машинное обучение применительно к теории Графов [26; 27; 28].

Вопросы применения искусственного интеллекта в экономике затрагивают такие области знаний как взаимодействие цифровой экономики и искусственного интеллекта и факторы, влияющие на модернизацию ее отдельных областей, цифровизация государственного управления, применение искусственного интеллекта при прогнозировании поведения экономических систем, подходы внедрения искусственного интеллекта в проектный и стратегический менеджмент, анализ финансово-экономической деятельности хозяйствующих субъектов с применением искусственного интеллекта, инновационное развитие производственной инфраструктуры цифровой экономики, рассмотрение нейронных сетей как человеческого капитала и источника экономического роста, эволюция производственных отношений и появление новой концепции цифровой

Список литературы диссертационного исследования кандидат наук Сомов Андрей Георгиевич, 2023 год

СПИСОК ЛИТЕРАТУРЫ

1. Abraham: Adaptation of Fuzzy Inference System Using Neural Learning, StudFuzz 181. -2005. - pp.53-83.

2. Alexey I. Shinkevich, Svetlana S. Kudryavtseva, Marina V. Rajskaya, Lyudmila A. Gorbach, Gulnara R. Garipova, Naira V. Barsegyan Digitalization of the economy: determinants and development prospects // European Proceedings of Social and Behavioural Sciences. - 2021. - Vol.103 - pp.623-628.

3. All countries // All countries information [Electronic resource]. URL: http://www.allcountries.org (accessed: 19.09.2022).

4. An Interactive list of countries // An interactive list of countries including their populations, as well as land sizes and densities [Electronic resource]. URL: http://www.worldatlas.com (accessed: 12.08.2022).

5. AS&E // AS&E company, designing and manufacturing excellent inspection technologies [Electronic resource]. URL: https://www.rapiscan-ase.com (accessed: 13.08.2022).

6. Box, G. E. P., G. M. Jenkins, G. C. Reinsel Time Series Analysis: Forecasting and Control // Englewood Cliffs, NJ: Prentice Hall. - 1994. - 614 p.

7. C. Bishop Statistical Machine Learning // Microsoft Research. - 2006.

8. Canada Border Services Agency // Canada Border Services Agency [Electronic resource]. URL: https://www.cbsa-asfc.gc.ca (accessed: 12.09.2022).

9. C.M. Bishop Pattern recognition and machine learning // Springer 1, 740. -

2006.

10. Container Security Initiative Ports // Container Security Initiative [Electronic resource]. URL: https://www.cbp.gov/border-security/ports-entry/cargo-security/csi/csi-brief (accessed: 12.09.2022).

11. Cotecna // Cotecna Inspection Services [Electronic resource]. URL: https://www.cotecna.com/en/services/inspection (accessed: 15.10.2022).

12. Country Comparison Tool // Country Comparison Tool [Electronic resource]. URL: https://www.hofstede-insights.com/country-comparison-tool (accessed: 12.09.2022).

13. Country Ranks // Country Ranks [Electronic resource]. URL: http://www.photius.com/rankings/ (accessed: 12.10.2022).

14. Global Energy Observatory (GEO) // Site for global energy information [Electronic resource]. URL: https://globalenergyobservatory.org (accessed: 12.10.2022).

15. De Jesús, O., M.T. Hagan Backpropagation Algorithms for a Broad Class of Dynamic Networks // IEEE Transactions on Neural Networks. -2007. - Vol.18. No. 1. -- pp. 14 -27.

16. Drobyshev A.I. X-ray fluorescence determination of sulfur and other elements in customs control of oil and liquid oil products / Drobyshev, A.I., Glebova, S.M., Tikhonov, V.A. // Journal of Analytical Chemistry. - 2006.

17. Greene W. H. Econometric Analysis // Upper Saddle River, NJ: Prentice Hall. -1997. - 1231 p.

18. Hamilton J. D. Time Series Analysis // Princeton, NJ: Princeton University Press. - 1994 - 816 p.

19. Independent foundation Gapminder // Independent foundation Gapminder [Electronic resource]. URL: https://www.gapminder.org/tools/ (accessed: 12.10.2022).

20. IAEA (PRIS) // The Power Reactor Information System [Electronic resource]. URL: https://pris.iaea.org/PRIS/ (accessed: 12.10.2022).

21. IRD // Intelligent Transportation Systems (ITS) company [Electronic resource]. URL: https://irdinc.com/ (accessed: 15.10.2022).

22. J Winn, C Bishop, T Diethe Model-based machine learning // Microsoft Research. - 2015. - 317 p.

23. J.-S. R. Jang, ANFIS: adaptive-network-based fuzzy inference system // IEEE Trans. Syst. Man. Cybern. - vol. 23, no. 3. - 1993. - pp. 665-685.

24. Jane A. Bullock Transportation Safety and Security / Jane A. Bullock, George D. Haddow, Damon P. Coppola // Introduction to Homeland Security (Fourth Edition). - 2013. - pp. 243-281.

25. Jang, J.S.R., Sun, C.T. Neuro-Fuzzy Modeling and Control // Proceedings of the IEEE 83. - 1995. - pp. 378-406.

26. K.P. Murphy Machine Learning: A Probabilistic Perspective // Cambr., Mass., MIT Press. - 2012. - 1025 p.

27. Kevin P. Murphy Probabilistic Machine Learning: Advanced Topics // MIT Press. - 2023.

28. Kevin P. Murphy Probabilistic Machine Learning: An Introduction // MIT Press. - 2022. - 1175 p.

29. Marina V. Shinkevich, Tatyana V. Malysheva, Igor A. Raiskii, Alsu A. Lubnina, Farida F. Galimulina, Madina A. Agisheva , Cooperation of Science and Business in Order to Organize High-Tech Production in the Regions of the Russian Federation / AEBMR - Advances in Economics Business and Management Research. -2020. - V.131. - pp.162-167.

30. Min H. X-ray cargo inspection for enhancing the maritime safety and security: A case study of international container ports / H. Min, Y.-K. Lim, J.-W. Park // International Journal of Logistics Systems and Management. - 2013. - №2 16 (1). - pp. 98112.

31. Nation Master // Nation Master is a statistics database which offers a large directory of variables for comparison purposes [Electronic resource]. URL: http://www.nationmaster.com (accessed: 15.10.2022).

32. Okrepilov V.V., Getmanova G.V., Turovskaj M.S., Kovalenko B.B. Modern trends in artificial intelligence in the transport system // Transportation Research Procedia. 12. Сер. "12th International Conference on Transport Infrastructure: Territory Development and Sustainability, TITDS 2021". - 2022. - pp. 229-233.

33. Orphan, Victor J. Lessons Learned In Developing The VACIS™ Products // AIP Conference Proceedings. - 2011.- Vol. 1336, Issue 1. - pp. 683-685.

34. Professor Geert Hofstede Dimensions // Professor Geert Hofstede Dimensions of national culture [Electronic resource]. URL: http://geert-hofstede.com/countries.html (accessed: 25.10.2022).

35. Rapiscan Systems // Rapiscan Systems cargo and vehicle inspection products [Electronic resource]. URL: http://www.rapiscansystems.com/en/products/cvi (accessed: 25.10.2022).

36. Regentova, E.E. Document Advantages and challenges of radioscopio detection of nuclear materials in cargo containers with two megavoltage energy barriers // [E. E. Regentova et al.]. - Nuclear Technology. - 2011. - pp. 276-285.

37. SAIC Company // Cargo & vehicle inspection inspection products [Electronic resource]. URL: http://www.saic.com/ (accessed: 23.10.2022).

38. Scantech holdings // Scantech holdings, Large Scale Cargo Inspection Systems with material discrimination [Electronic resource]. URL: http://www.scantechholdings.com (accessed: 20.10.2020).

39. Shinkevich A.I., Ershova I.G., Galimulina F.F., Forecasting the Efficiency of Innovative Industrial Systems Based on Neural Networks // Mathematics. - 2023. -V.11. №.1. - p.164.

40. Shinkevich A.I., Yarlychenko A.A., Shaimieva E.Sh., Ivinskaya E.Yu. Methodology development for assessing innovation level spread in the state economic area // Academy of Strategic Management Journal. - 2021, V.20.№.3. - p.761.

41. Smiths Detection (Smiths Heimann GmbH) // Documentation delivered to Russia mobile IDK complexes "HCV-Mobile"( Technical description HCV-Mobile, DBW CMW Stations Manual, Driver Manual, Maintenance-level 1 and level 2, Operating manual, RIW Station Manual, CIW Station Manual, Safety Manual. Wiesbaden. - 2022.

42. Smiths Detection company // Smiths Detection company, cargo and vehicle inspection products [Electronic resource]. URL: https://www.smithsdetection.com/ (accessed: 20.10.2022).

43. Social Progress Index // Social Progress Index [Electronic resource]. URL: https://www.socialprogress.org/ (accessed: 20.10.2022).

44. Somov A., Dubolazov V. Interval approach of time series forecasting by neural networks for the decision support system // Business Technologies 2018, MATEC Web of Conferences 170, 01014. - 2018.

45. Statista // Statista is one of the world's largest statistics portals [Electronic resource]. URL: https://www.statista.com/ (accessed: 20.10.2022).

46. Sugeno, M. Industrial Applications of Fuzzy Control // 3rd Edn., Elsevier Science Pub. Co., North-Holland, ISBN-13. -1985. - p.269.

47. Swiss CA // The Federal Office for Customs and Border Security [Electronic resource]. URL: https://www.bazg.admin.ch/bazg/en/home.html (accessed: 25.10.2022).

48. The Big Mac index // The Big Mac index [Electronic resource]. URL: https://www.economist.com/content/big-mac-index (accessed: 20.05.2021).

49. The Experts in Portable Digital X-ray Systems // Vidisco [Electronic resource]. URL: https://vidisco.com/ (accessed: 25.10.2022).

50. The International Monetary Fund (IMF) // The International Monetary Fund (IMF) [Electronic resource]. URL: https://www.imf.org/en/Data (accessed: 27.10.2022).

51. The Observatory of Economic Complexity // Traditional estimates of economic complexity rely on trade data [Electronic resource]. URL: https://oec.world/en/data-availability (accessed: 26.10.2022).

52. The U.S. Department of Commerce's International Trade Administration manages // International Market Research [Electronic resource]. URL: https://www.trade.gov/international-market-research (accessed: 20.10.2022).

53. The World Customs Organization (WCO) // The World Customs Organization [Electronic resource]. URL: http://www.wcoomd.org/en.aspx (accessed: 16.10.2022).

54. The World Factbook // The World Factbook [Electronic resource]. URL: https://www.unesco.org/en/world-media-trends/world-factbook (accessed: 15.10.2022).

55. Trade statistics // Trade statistics for international business development [Electronic resource]. URL: http://www.trademap.org (accessed: 10.10.2022).

56. Trading Economics // Trading Economics [Electronic resource]. URL: http://www.tradingeconomics.com (accessed: 20.10.2022).

57. UNCTAD // UNCTAD Statistics [Electronic resource]. URL: https://unctad.org/statistics (accessed: 25.10.2022).

58. UNdata // A data access system to UN databases [Electronic resource]. URL: http://data.un.org (accessed: 25.10.2022).

59. UNECE // UNECE Statistical Database [Electronic resource]. URL: https://w3.unece.org/PXWeb/en (accessed: 22.10.2022).

60. William Johnstone R. Evaluating Transportation Security // Protecting Transportation. - 2015. - pp. 289-326.

61. World Bank Open Data // World Bank Open Data [Electronic resource]. URL: https://data.worldbank.org (accessed: 26.10.2022).

62. World Customs Journal // World Customs Journal [Electronic resource]. URL: http://www.worldcustomsjournal.org/ (accessed: 16.10.2022).

63. World Energy Council // World Energy Council [Electronic resource]. URL: https://www.worldenergy.org/ (accessed: 14.10.2022).

64. World Energy Outlook // The World Energy Outlook (WEO) [Electronic resource]. URL: https://www.iea.org/topics/world-energy-outlook (accessed: 24.10.2022).

65. World Port Source // World Port Source [Electronic resource]. URL: http://www.worldportsource.com/ports/region.php (accessed: 25.10.2022).

66. Алейникова Н.А., Матвеев М.Г. Решение многокритериальной задачи нечеткого параметрического выбора на трехдольном графе // Информатика: Проблемы, Методы, Технологии. Материалы XXI Международной научно-методической конференции. Воронеж. - 2021. - С. 1078-1085.

67. Афонин, П. Н. Теория и практика применения технических средств таможенного контроля: учеб. пособие для студентов вузов, обучающихся по специальности 080115 "Тамож. дело" // П. Н. Афонин, А. Н. Сигаев. — Санкт-Петербург, Троицкий мост. -2012. - 252 с.

68. Бабкин А.В., Алексеева Н.С. Тенденции развития цифровой экономики на основе исследования наукометрических баз данных // Экономика и управление. -2019. - № 6 (164). - С. 16-25.

69. Барсегян Н.В., Шинкевич А.И. Моделирование организационной структуры управления промышленным предприятием (на примере АО «КВАРТ») // Известия Самарского научного центра Российской академии наук. - 2020. - т.22, в.2. - С.91-99.

70. Барский А.Б. Искусственный интеллект и интеллектуальные системы управления: Москва. - 2022. - 185 с.

71. Барский А.Б. Искусственный интеллект и логические нейронные сети: учебное пособие, Санкт-Петербург. - 2019. - 360 с.

72. Божко Л.М. Использование метода Монте-Карло в имитационном моделировании экономических систем // Интеллектуальные технологии на транспорте. - 2023. - № 1 (33). - С. 38-42.

73. Божко Л.М. Методика оценки инновационного потенциала компании // Современная экономика: глобальные тренды и приоритеты устойчивого развития. Сборник научных трудов Национальной научно-практической конференции. Под общей редакцией Т.П. Сацук, Н.В. Дедюхиной. Санкт-Петербург. - 2022. - С. 172176.

74. Браерти Э., Эклс Р. // Бизнес маркетинг, Москва, Изд-во Гребенникова. - 2007. - 736 с.

75. Васильцов В.С., Виноградов С.И., Харламова Т.Л. Развитие рынка инноваций в хозяйственной системе России: Санкт-Петербург. - 2010. - 144 с.

76. Гаврилов Д.А. Нулевой цикл ERP-проекта. // Директор информационной службы. 2004. - № 6 - С. 50-53.

77. Гаврилов Д.А. Управление производством на базе стандарта MRP II: 2-е изд. - СПб.: Питер. 2005. - 416 с.

78. Гаврилов Д.А. Управление производством на базе стандарта MRP II: СПб.: Питер. - 2002. - 352 с.

79. Галимулина Ф.Ф., Цифровые инструменты управления промышленным предприятием в условиях укрепления технологического суверенитета // Вестник Белгородского университета кооперации, экономики и права. - 2022. - В.4(95). - С.65-72.

80. Галимулина Ф.Ф., Шинкевич А.И., Алимова Д.Р., Развитие концептуального подхода к моделированию проектных организационных структур в условиях цифровизации и перехода к циркулярной модели производства // Современные наукоемкие технологии. - 2022. - В.9. - С.53-57.

81. Глобализация экономики и развитие промышленности: теория и практика// Харламова Т.Л., Новиков А.О., Бабкина Н.И., Краснюк Л.В., Османова А.М., Кузнецова О.П., Юмаев Е.А., Булатов Р.В., Сактоев В.Е., Халтаева С.Р., Бухвальд Е.М., Оборина Е.Д., Руденко М.Н., Иголкина Л.М., Волкова Н.В., Лебедева Н.Ю., Широнина Е.М., Калмыкова С.В., Соколицын А.С., Радаев А.Е. и др., Санкт-Петербург. - 2013. - 386 с.

82. Глухов В.В., Коробко С.Б., Маринина Т.В. Экономика знаний Оценка интеллектуал. собственности. Оптимизац. модели. Стратег. Планирование: учеб. пособие для подгот. магистров по направлению "Менеджмент" СПб. - 2003. - 529 с.

83. Горев А.Э. Основы теории транспортных систем: учебное пособие. -СПб.: СПбГАСУ. - 2010. - 214 с.

84. Группа компаний Техно // Сертифицированное досмотровое оборудование [Электронный ресурс]. https://dosmotr.ru/ (дата обращения: 15.11.2022).

85. Дергачёв А.И., Дергачёв С.А., Божко Л.М., Куранова О.Н., Степанская О.А., Тарбаева Е.А. Использование информационных технологий для расчета основных экономических показателей: уч. пособие, Санкт- Петербург. - 2022. - 100 с.

86. Долонина Е.А., Шинкевич М.В., Специфика бизнес-процессов нефтехимических предприятий в условиях цифровизации экономики // Вестник Университета (Государственный университет управления). - 2021. - В.4. - С.65-73.

87. Дырдонова А.Н., Шинкевич А.И., Горбач Л.А. Развитие инновационных промышленных кластеров в условиях цифровизации экономики // Современная наука: актуальные проблемы теории и практики. Серия: Гуманитарные науки. - 2021. - В.1. - С.20-23.

88. Жариков В.В. Управление инновационными процессами: учебное пособие. - Тамбов: ТГТУ. - 2009. - 180 с.

89. Жуковская И.В., Шинкевич М.В., Фаррахова А.А., Моделирование стратегического поведения предприятий в условиях цифровизации экономики //

Вестник Белгородского университета кооперации, экономики и права. - 2020. -В.5(84). - С.37-49.

90. Ильинский А.А., Лаврик А.Ю., Иванова Д.А. Цифровая трансформация в нефтегазовой отрасли: барьеры и пути решения // Фундаментальные и прикладные исследования в области управления, экономики и торговли. Сборник трудов всероссийской научной и учебно-практической конференции. В 3-х частях. - 2020. - С. 67-73.

91. Инновации, конкуренция и предпринимательство: под ред. С.Г. Светунькова.- СПб.: Изд-во СПбГУЭФ. - 2008. - 96 с.

92. Калинина О.В., Марюхта А.П. Алгоритм использования матрицы Ансоффа как метод системного выбора необходимой стратегии развития компании // Инновационная наука. - 2015. - № 8-1 (8). - С. 18-23.

93. Калинина О.В., Фирова С.В. Планирование инновационной деятельности на основе управления стратегическими параметрами инвестирования // Научно-технические ведомости Санкт-Петербургского государственного политехнического университета. Экономические науки. - 2019. - Т. 2. № 5. - С. 130-141.

94. Киселева А. И. Эффективность применения технических средств при осуществлении таможенного контроля / А. И. Киселева, А. В. Колесникова, Т. С. Суворкина // Актуальные вопросы развития современного общества: сб. ст. 4-ой Международной научно-практической конференции: в 4-х томах. - Курск: ЗАО «Университетская книга». -2014. - С. 289-292.

95. Кобзев В.В., Бабкин А.В., Скоробогатов А.С. Цифровая трансформация промышленных предприятий в условиях новой реальности // n-Economy. - 2022. -Т.15. №5. - С. 7-27.

96. Коваленко Б.Б., Гусейнова И.В., Гусарова Т.И. Влияние цифровизации экономики на методологии управления проектами // Научный журнал НИУ ИТМО. Серия: Экономика и экологический менеджмент. - 2019. - № 2. - С. 135-144.

97. Коваленко Б.Б., Коваленко Е.Г. Цифровая трансформация бизнес-моделей - условие роста компаний энергетики // Управление бизнесом в цифровой

экономике. Сборник тезисов выступлений Пятой международной конференции. Санкт-Петербург. - 2022. - С. 107-113.

98. Компания Скантроник Системс // Компания Скантроник Системс [Электронный ресурс]. URL: http://scantronicsystems.com (дата обращения: 15.11.2022).

99. Концептуальные основы теории предпринимательских инноваций: под ред. проф. С.Г.Светунькова: СПб.: Изд-во СПбГУЭФ. - 2009. - 103 с.

100. Котлер Ф., Келлер К. Л. Маркетинг Менеджмент: 14-е издание Санкт-Петербург: Питер. - 2014. - 800 с.

101. Круглов В.В., Борисов В.В., Федулов А.С. Нечеткие модели и сети: монография Москва. - 2012. - 284 с.

102. Кудрявцева С.С., Матусевич И.Р., Халиулин Р.А., Технологии цифровизации систем менеджмента качества бизнес-процессов предприятия // Известия Самарского научного центра Российской академии наук. - 2022. - Т.24,

B.4 (108). - С.37-41.

103. Кудрявцева С.С., Шинкевич М.В., Клименко Т.И., Институт инноваций в развитии цифровой экономики: роль и особенности в России // Современная наука: актуальные проблемы теории и практики. Серия: экономика и право. - 2021 - В.5-2. - С.19-22.

104. Кудрявцева С.С., Шинкевич М.В., Мисбахова Ч.А., Технологическое развитие мировых инновационных систем в цифровой экономике // Вестник Белгородского университета кооперации, экономики и права. - 2021. - В.3(88). -

C. 113-122.

105. Ламбен Ж.Ж, Шулинг И. Менеджмент ориентированный на рынок, // Изд-во Питер. - 2014. - 720 c.

106. Леоненков А. В. Нечеткое моделирование в среде MATLAB и fuzzyTECH: СПб.: БХВ Петербург. - 2005. - 736 с.

107. Маркетинг взаимодействия: инновационные технологии. Компетентность. Экономическое измерение. Оценка эффективности // Аренков И.А., Багиев Г.Л., Домнин В.Н., Козейчук Д.А., Кулибанова В.В., Курочкина А.Ю.,

Маслова Т.Д., Мелентьева Н.И., Мефферт Х., Наумов В.Н., Окольнишникова И.Ю., Пузыня Н.Ю., Салихова Я.Ю., Сафронов И.А., Сердобольская И.О., Соловьева Ю.Н., Татаренко В.Н., Фирсанова О.В., Шмелева Ю.А., Шубаева В.Г. и др., Учебник / Санкт-Петербург; Челябинск. - 2012. - 713 с.

108. Матвеев М.Г., Алейникова Н.А. Математическое моделирование задачи сетевого планирования с помощью нечеткой математики // Вестник Воронежского государственного университета. Серия: Системный анализ и информационные технологии. - 2018. - № 3. - С. 155-162.

109. Матвеев М.Г., Свиридов А.С., Алейникова Н.А. Модели и методы искусственного интеллекта. Применение в экономике: учебное пособие, Москва. -2014. - 448 с.

110. Матвеев М.Г., Сирота Е.А., Приходько И.В., Кузнецов С.А. Моделирование динамики атмосферных процессов на основе анализа многомерных временных рядов// Воздушно-космические силы. Теория и практика. - 2017. - № 1 (1). - С. 99-111.

111. Методические указания. Гигиенические требования к размещению и эксплуатации ускорителей электронов с энергией до 100 МэВ // МУ 2.6.1.2117 - 06.

112. Методология развития экономики, промышленности и сферы услуг в условиях цифровизации // Алетдинова А.А., Амбарцумян А.Э., Бабкин А.В., Борисов А.А., Боровков А.В., Буляткина М.Г., Буянова М.Э., Василенок В.Л., Васюкова Л.К., Вертакова Ю.В., Войку И.П., Воронцова В.Л., Гамидуллаева Л.А., Горбачевская Е.Ю., Грибанов Ю.И., Донченко М.А., Егоров Н.Е., Журавлева Н.А., Ильинская Е.М., Ильинский В.В. и др., Санкт-Петербург. - 2018. - 756 с.

113. Огородников С. А. Инспекционно-досмотровый комплекс СТ-6035 / С. А. Огородников, С. В. Симочко, Ю. В. Малышенко // Таможенная политика России на дальнем востоке. - 2014. - № 1 (66). - С. 70-82.

114. Павлов И. В. О применении радиационного вида НК в таможенном контроле товаров и транспортных средств / И. В. Павлов, А. Н. Малыгин // В мире неразрушающего контроля. - 2010. - № 3 (49). - С. 44-47.

115. Реструктуризация экономики: теория и инструментарий // Азимов Ю.И., Александрова А.В., Бабкин А.В., Бадриева Л.Д., Борисов А.А., Гарифова Л.Ф., Горовой А.А., Григорьева Е.А., Губин В.А., Губин Г.В., Давидюк Е.П., Давидюк С.Ф., Дмитриев Г.И., Егоров Н.Е., Ефремов Э.И., Ильинская Е.М., Ильинский В.В., Исмагилов И.И., Кадочникова Е.И., Кириллова О.В. и др., Санкт -Петербург. - 2015. - 664 с.

116. Ростовцев В. С. Искусственные нейронные сети: учебник для вузов, 3-е изд. - 2023. - 216 с.

117. Ростовцев В.С. Искусственные нейронные сети: учебник, Киров. - 2014

- 210 с.

118. Ростовцев В.С., Метелёва И.С. Применение искусственных иммунных систем для оценки финансовых рисков // Общество. Наука. Инновации (НПК-2017). сборник статей. Всероссийская ежегодная научно-практическая конференция. Вятский государственный университет. - 2017. - С. 2014-2023.

119. Ростовцев В.С., Смолин А.В., Симонов А.Г., Котельников Е.В. Принципы реализации программы подбора параметров нейронной сети в среде Ма^аЫ/ В сборнике: Общество, наука, инновации (НПК - 2015). Всероссийская ежегодная научно-практическая конференция. - 2015. - С. 1168-1171.

120. Силкина Г.Ю. Теория принятия решений и управление рисками, Модели конфликтов, неопределенности, риска: учеб. Пособие, СПб. - 2003. - 70 с.

121. Силкина Г.Ю., Юрьев В.Н. Экономико-математическое моделирование в принятии инновационных решений // Известия Санкт-Петербургского государственного экономического университета. - 2014. - № 3 (87). - С. 43-53.

122. Скворцова И.В., Макаров В.М. Инновационно-образовательный кластер как эффективный механизм развития региональной инновационной системы // Научно-технические ведомости Санкт-Петербургского государственного политехнического университета. Экономические науки. - 2013.

- № 6-2 (185). - С. 173-178.

123. Современные аспекты маркетинга /В.А. Дуболазов, Д.А. Гаранин, О.А. Пономарева и др./ под ред. В. А. Дуболазова // СПб.: Изд-во Политехн. ун-та. -2014. - 439 с.

124. Сомов А. Г., Дуболазов В. А. Расчет эффективности вывода на зарубежный рынок продукта с высокой инновационной составляющей с использованием нейронных сетей // Бизнес. Образование. Право. - 2019. - №2 2 (47). - С. 27-32.

125. Сомов А.Г. Анализ влияния факторов занятости и числа патентов в области высоких технологий на экспорт продукции высоких технологий для некоторых стран // Экономика и предпринимательство. - 2021. - №2 2 (127). - С.695-699.

126. Сомов А.Г. Исследование зависимости индекса логистической эффективности различных стран от грузооборота морских контейнеров // Инновации и инвестиции. - 2021. - № 4. - С. 86-88.

127. Сомов А.Г. Пономарева О.А. Прогнозирование временных рядов экономических данных с использованием ARIMA процессов с целью вывода на рынок инновационных продуктов // Фундаментальные и прикладные исследования в области управления, экономики и торговли: сборник трудов научн. и учеб.-практ. конф., 2017. - Ч.1. - С. 340-350.

128. Сомов А.Г., Дуболазов В.А. Методика прогнозирования данных и последующего их моделирования при помощи адаптивной системы нейро-нечеткого вывода ANFIS и метода временных рядов АЯ1МА // Информационные технологии моделирования и управления. - 2019. - Т.115. - №1. - С. 59-67.

129. Сомов А.Г. Разработка методов и инструментов поддержки принятия управленческих решений на основе искусственного интеллекта // Инновации и инвестиции. - 2023. - № 4. - С.305-308.

130. Сомов А.Г., Дуболазов В.А. Анализ современных источников межстрановых экономических данных методом нейронных сетей // Неделя науки СПбПУ: материалы научной конф. с межд. участием, 2018. - С. 474-476.

131. Сомов А.Г., Дуболазов В.А. Исследование зарубежных рынков инновационных продуктов с использованием теории нечетких множеств и нейронных сетей // Научно-технические ведомости СПбГПУ. Экономические науки. - 2019. - Т. 12. - № 1. - С. 191-200.

132. Сомов А.Г., Дуболазов В.А. К алгоритму анализа инновационной активности ведущих стран мира // Эффективность организации и управления промышленными предприятиями: проблемы и пути решения: материалы II Межд. научно-практ. конф., 2018. - С.110-114.

133. Сомов А.Г., Дуболазов В.А. Модель разбиения временных рядов для прогнозирования методом нейронных сетей // Фундаментальные и прикладные исследования в области управления, экономики и торговли: сборник труд. научн. и учеб.-практ конф., 2018. - С. 111-116.

134. Сомов А.Г., Дуболазов В.А. Создание нелинейных аппроксимаций современных экономических моделей методом нейронных сетей // Инновационные кластеры цифровой экономики: драйверы развития: труды научно-практ. конф. с межд. участием, 2018. - С.481-487.

135. Сомов А.Г., Дуболазов В.А. Формирование информационной базы для размещения инновационных продуктов с использованием нейронных сетей // Тенденции развития логистики и управления цепями поставок в условиях цифровой экономики: сборник трудов II Межд. научно-практ. конф., 2021. - С. 8795.

136. Сомов А.Г., Дуболазов В.А., Оспанов Д.Т. Анализ и прогнозирование поведения агрегированного индекса логистической эффективности методом ARIMA // Экономика и предпринимательство. - 2019. - № 3 (104), С.1132-1136.

137. Сомов А.Г., Дуболазов В.А. Прогнозирование и оценка экономических данных при помощи адаптивной системы нейро-нечеткого вывода АКРК // Экономика и менеджмент систем управления: научно-практический журнал. -2017. - №4.4 (26). - С. 411-418.

138. Сомов А.Г., Дуболазов В.А., Юсьма Ю.А. Расчет полной таблицы культурных индексов Герта Хофстеде методом нейронных сетей // Инжиниринг

предприятий и управление знаниями (ИП&УЗ-2018): сборник научных трудов XXI росс. научной конф., 2018. - С45-50.

139. Степанова В.М., Исупов П.А., Морозова М.А. Современные тренды развития цифровой экономики // Глобальный научный потенциал. - 2020. - № 12 (117). - С. 318-323.

140. Стратегический менеджмент Дж.Пирс, Р. Робинсон и др.:12-издание, из-во Питер. - 2013. - 560 с.

141. Стратегическое управление инновационной деятельностью: анализ, планирование, моделирование, принятия решений, организация, оценка// Анисимов В.Г. Гапов М.Р., Родионова Е.С., Сауренко Т.Н., Силкина Г.Ю., Тебекин А.В., Санкт-Петербург. -2017. - 312 с.

142. Тюрина Д.А., Крюкова А.А. Цифровизация бизнеса в России // Индустриальная экономика. - 2023. - № 1. - С. 53-58.

143. Фадеев A.M. Современные инструменты повышения эффективности промышленной политики в нефтегазовом комплексе // Менеджмент и бизнес-администрирование. - 2008. - № 1. - С. 77-87.

144. Хайкин С. Нейронные сети: полный курс: М.: ИД «Вильямс». -2016. -1104 с.

145. Харламова Т.Л., Поняева И. Теоретические основы применения теории графов при реализации инновационного подхода к развитию предприятий // Социально-экономический и гуманитарный журнал. - 2022. - № 3 (25). - С. 92-109.

146. Харламова Т.Л. Проблемы инновационного развития российской экономики в условиях "новой нормальности" // Проблемы современной экономики. - 2016. - № 3 (59). - С. 27-30.

147. Харламов А.В., Харламова Т.Л., Поняева И. Государственное управление инновационным развитием с использованием возможностей импортозамещения // Известия Санкт-Петербургского государственного экономического университета. - 2022. - № 4 (136). - С. 69-75.

148. Хасаншин И.А., Кудряшов А.А., Кузьмин Е.В., Крюкова А.А. Цифровая экономика: Москва. - 2019. - 288 с.

149. Цифровая трансформация экономики и промышленности: проблемы и перспективы// Алетдинова А.А., Аренков И.А., Афанасьева Р.Р., Бабкин А.В., Байков Е.А., Бакаев М.А., Бабкин И.А., Беляцкая Т.Н., Буторина О.В., Буянова Т.И., Василенко Н.В., Васильев Ю.С., Глухов В.В., Дубровская Ю.В., Егоров Н.Е., Жарова Е.Н., Журавлева Н.А., Ильина И.Е., Ильинский В.В., Ильинская Е.М. и др., Санкт-Петербург. - 2017. - 807 с.

150. Цифровая трансформация экономики// Абрамов В.И., Акулова Н.Л., Анисов Е.В., Головин Н.В., Головин О.Л., Жерноклева Н.С., Иванов И.А., Матятина А.Н., Морозова М.А., Разепова Н.И., Сверчков Д.Ю., Фахрутдинов А.Р., Москва. - 2020. - 252 с.

151. Цифровизация экономических систем: теория и практика // Бабкин А.В., Акмаева Р.И., Александров Ю.Д., Александрова А.В., Алетдинова А.А., Балякин А.А., Борисов А.А., Булавин В.Ф., Булавина Т.Г., Васильева И.В., Васильева Т.Н., Гаджимурадов Т.А., Гамидуллаева Л.А., Гарифова Л.Ф., Герасимова Н.А., Голденова В.С., Горшкова Л.А., Григорьева Е.А., Дмитриев Н.Д., Дубицкая Е.А. и др., Санкт-Петербург. - 2020. - 658 с.

152. Цуканова О.А. Методология и инструментарий моделирования бизнес-процессов, практический курс: учеб. пособ. Санкт-Петербург. - 2017. - 56 с.

153. Чернов В.П. Математические модели и методы в экономике и менеджменте: учебное пособие, изд-во СПбГУЭФ. -2010. - 210 с.

154. Чэнь Чжицян. Способ и система проверки движущегося объекта путем радиационного формирования изображения // патент на изобретение от 2010 г., № 2396512.

155. Шинкевич А.И., Клименко Т.И. Моделирование влияния услуг инновационной инфраструктуры на развитие высокотехнологичной промышленности // Экономический вестник Республики Татарстан. - 2020. - В1. -С.27-30.

156. Шинкевич А.И., Кудрявцева С.С. Моделирование инновационного развития мезосистем в цифровой экономике // Менеджмент в России и за рубежом. - 2021. - В.4. - С.95-101.

157. Шуринова В.А., Крюкова А.А. Способы повышения эффективности деятельности производственной организации с помощью информационных технологий // Russian Economic Bulletin. - 2022. - Т. 5. № 2. - С. 290-294.

158. Экономика и промышленная политика: теория и инструментарий// Александрова А.В., Андросенко Н.В., Басарева В.Г., Бахмутская А.В., Борисов А.А., Вертакова Ю.В., Волкова А.А., Глухов В.В., Злывко О.В., Иванова Г.Н., Ильина И.Е., Кичигина Г.А., Кобзев В.В., Краснюк Л.В., Кремлёва Н.А., Кузьмина С.Н., Кудрявцева Т.Ю., Липатников В.С., Лоскутова М.А., Малюк В.И. и др., Санкт-Петербург. - 2014. - 622 с.

159. Экономическая стратегия фирмы //Градов А.П., Глухов В.В., Григорьев Ю.П., Диденко Н.И., Кузин Б.И., Медников М.Д., Некрасова Т.П., Юрьев В.Н., Branch B.S., Ray H., Федотов А.В., Богданова Т.А., Быкова А.А., Дмитриев В.В., Иванова Е.А., Ильин И.В., Кравченко К.В., Мильская Е.А., Соколицын А.С., Слабиков Г.В. и др. 4-е изд., Санкт-Петербург. - 2003. -959 с.

160. Ясницкий Л.Н. Интеллектуальные системы: учебник, Москва. - 2016. -

224 с.