Методические и практические рекомендации по повышению качества прогнозов инновационного развития науки, технологий и техники
Аннотация
Формируемые долгосрочные прогнозы инновационного развития науки, технологий и техники широко используются для определения приоритетных направлений научно-технологического (инновационного) развития. В условиях нестабильной экономической ситуации важно обеспечить качество прогнозов, так как они определяют приоритеты и первоочередные направления финансирования проектов научно-технологического (инновационного) развития. Поэтому проблема повышения качественных характеристик долгосрочных прогнозов развития науки, технологий и техники является актуальной. Авторами поставлена цель определения комплекса мероприятий по повышению. качества формируемых прогнозов с учетом современных условий развития экономики, характеризующейся нестабильностью и санкционным ограничениями. Для этого применяется системный и комплексный подход к разработке предложений по инновационному развитию. Комплексность заключается во всестороннем анализе факторов влияния на результаты прогноза, а предложения сформированы на основе системного учета составляющих показателей качества прогнозов и взаимных связей. В работе представлены предложения по повышению точности, полезности, информативности, полноты и достоверности прогнозов инновационного развития. Показаны сходства и отличия предложений от существующих, а также раскрыты направления применения разработанных рекомендаций участниками формируемых долгосрочных прогнозов инновационного развития науки, технологий и техники.
Новизна статьи заключается в том, что авторами на основе применения системного и комплексного подходов определены основные методические и практические предложения по повышению качественных характеристик долгосрочных прогнозов инновационного развития науки, технологий и техники. Это будет способствовать повышению качественных характеристик научно-технологических прогнозов и эффективному расходованию бюджетных средств на финансирование новых (инновационных) проектов, формируемых на основе результатов прогнозирования.
Литература
Rabochaya kniga po prognozirovaniyu / Otv. red. I.V. Bestuzhev-Lada. M.: Mysl', 2005. URL: http://www.f-mx.ru/sociologiya_i_obshhestvoznanie/evolyuciya_socialnogo_prognozirovaniya.html?ysclid=lq987t5pn1856978260 . Data obrashcheniya 17.12.2023.
Afanas'ev A.L., Kuslin S.S. Metod otsenki kachestva nauchno-tekhnologicheskikh prognozov // V sb. VII Vserossiiskaya nauchno-prakticheskaya konferentsiya molodykh uchenykh i spetsialistov organizatsii – assotsiirovannykh chlenov Rossiiskoi akademii raketnykh i artilleriiskikh nauk. Molodezh'. Nauka. Innovatsii v oboronno-promyshlennom komplekse, M.:FGBU RARAN, FGUP «VNII «TsentR» - 2023 – S. 142 -149 .
Komkov N.I. Zakonomernosti nauchno-tekhnologicheskogo razvitiya i ikh ispol'zovanie pri prognozirovanii //Mir. 2010. – tom 1. № 3(3) -. S. 72-91.
Komkov N.I. Problemy upravleniya razvitiem krupnomasshtabnykh sotsial'no-ehkonomicheskikh sistem: analiz, opyt, metodologicheskie osnovy i perspektivy. – M.: Izd. dom «NaukA», 2020 – 152 s.
Sergei Golubev, Andrey Efremov, Anna Gorokhova, Vladimir Gayduk, Ekaterina Kravets. Development of the scientific and technological forecasting methodology based on using TIPS instruments//Economic Annals-KHKHI: Volume 187, Issue 1-2, Pag-es: 223-231, February 28, 2021. DOI: 10.21003 / ea.V187-22
Scott Keller and Colin Price, Beyond Performance: How Great Organizations Build Ultimate Competitive Advantage, first edition, Hoboken, NJ: John Wiley & Sons, 2011.
iFORA: trekhmernyi vzglyad na rastushchie oblasti nauki i tekhnologii// Natsional'nyi issledovatel'skii universitet «Vysshaya shkola ehkonomikI». URL: https://issek.hse.ru/news/254274661.html. Data obrashcheniya 05.10.2023 g.
Golubev S.S., Chebotarev S.S., Chibinev A.M., Yusupov R.M. Metodologiya nauchno-tekhnologicheskogo prognozirovaniya Rossiiskoi Federatsii v sovremennykh usloviyakh. M.: Kreativnaya ehkonomika, 2018.- 145 s.
Burenok V.M, Durnev R.A., Kryukov K.YU. Metodicheskii podkhod k zagorizontnomu prognozirovaniyu razvitiya sistem vooruzheniya // Vooruzhenie i ehkonomika. – 2018.– № 2 (44).
Belykh T. I. Ispol'zovanie sposoba realizatsii iskusstvennogo intellekta v prognozirovanii / T.I. Belykh, A. V. Burdukovskaya // Izvestiya Baikal'skogo gosudarstvennogo universiteta. — 2018. — T. 28, № 3. — S. 500–507. — DOI: 10.17150/2500- 2759.2018.28(3).500-507.
Yazid Tikhamarinea Doudja Souag-Gamane, Ali Najah, Ahmedb Ozgur, Kisic AhmedEl-Shafied. Improving artificial intelligence models accuracy for monthly streamflow forecasting using grey Wolf optimization (GWO) algorithm // Journal of Hydrology. Volume 582, March 2020, 124435
Golubev S.S., Gubin A.M., Ivanus A.I., Tsivileva A.E., Shcherbakov A.G. Kontseptual'nye podkhody k sverkhdolgosrochnomu nauchno-tekhnologicheskomu prognozirovaniyu na osnove iskusstvennoi generatsii novykh znanii // Innovatsii i investitsii, 2023. - №8. – S. 236-239.
Pronin A.YU., Lyaskovskii V.L. K voprosu formirovaniya ehkspertnykh grupp i otsenki kompetentnosti spetsialistov, privlekaemykh dlya nauchno-tekhnicheskikh ehkspertiz. // Nauchnyi vestnik oboronno-promyshlennogo kompleksa Rossii. – 2023. - № 3. – S. 76-82.
Golubev S.S., Chebotarev S.S. Informatsionnye tekhnologii kak klyuchevoi mekhanizm ustoichivogo razvitiya oboronnykh promyshlennykh predpriyatii v sovremennykh usloviyakh // Ehkonomicheskie strategii. 2018. T. 20. № 3 (153). S. 68-81.
Gregory N.Stock, Jacob Chia-AnTsai, James J.Jiang, GaryKlein. Coping with uncertainty: Knowledge sharing in new product development projects. // International Journal of Project Management. Volume 39, Issue 1, January 2021, Pages 59-70
Dovguchits S.I., Mushkov A.YU. Edinoe informatsionnoe postranstvo oboronno-promyshlennogo kompleksa. Rezul'taty rabot po ego formirovaniyu. //Nauchnyi vestnik oboronno-promyshlennogo kompleksa Rosii. – 2018. - № 2. – S. 5-9.
Galushkin A. I. Neironnye seti: osnovy teorii / A. I. Galushkin. — M. : Goryachaya liniya-Telekom, 2010. — 496 s.
Huaizhi Wanga, Yangyang Liua, Bin Zhou. Taxonomy research of artificial intelligence for deterministic solar power forecasting // Energy Conversion and Management. Volume 214, 15 June 2020, 112909.
Nisrine Zougagha, Abdelkabir Charkaouib, Abdelwahed Echchatbic. Artificial intelligence hybrid models for improving forecasting accuracy // Procedia Computer Science. Volume 184, 2021, Pages 817-822.
Danilo Dessìab, Francesco Osborned, DiegoReforgiato, Recuperoa Davide Buscaldie, EnricoMottad. Generating knowledge graphs by employing Natural Language Processing and Machine Learning techniques within the scholarly domain // Future Generation Computer Systems. Volume 116, March 2021, Pages 253-264.Статья поступила в редакцию 11.11.2019 г.
Copyright (c) 2024 Научные проблемы водного транспорта
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
