Технологический менеджмент

Нейросети работают на принципах обучения и самообучения на основе экспертного опыта. Кроме того, позволяют рассчитать значимость входных параметров, это важно для построения прогнозных сценариев. Можно выделить ряд преимуществ использования нейронных сетей:

•возможно построение удовлетворительной модели на нейронных сетях даже в условиях неполноты или зашумления данных;

•искусственные нейронные сети легко работают в распределенныхсистемахсбольшой параллелизацией в силусвоей природы;

•поскольку искусственные нейронные сети подстраивают свои весовые коэффициенты, основываясь на исходных данных, это

помогает сделать выбор значимых характеристик менее субъективным.

Нейронная сеть Т. Кохонена (Те́уво Ка́леви Ко́хонен – выдающийся финский учёный в области искусственных нейронных сетей и машинного обучения) выполняет обобщение входной информации. Обучение сети Кохонена происходит методом последовательных приближений. На входы подаются предварительно нормализованные данные, но сеть при этом подстраивается не под эталонное значение выхода, а под закономерности во входных данных. Начинается обучение с выбранного случайным образом выходного расположения центров – задания случайных значений матрице связей. В дальнейшем происходит процесс самоорганизации, состоящий в модификации весов при предъявлении на вход векторов обучающей выборки.

Таким образом, обучение заключается не в минимизации ошибки, а в подстройке весов (внутренних параметров нейронной сети) для наибольшего совпадения с входными данными. Наиболее обобщенный результат моделирования можно представить в виде двумерной и трехмерной карты распределениястран поуровню ТЭР.

Для каждой страны, занимающей свое положение по уровню ТЭР в обученной нейросети, по траектории ТЭР рассчитывается следующие нейросетевые параметры:

1) фактическое расстояние – количество лет, прошедшего с того момента, когда эталонный уровень параметра ТЭР соответствовал уровню рассматриваемой страны в году наблюдения t;

141

Риc. 9. Технико-экономический портрет стран (2012 г.)

Рис. 10. Технико-экономический портрет стран (2012 г.)

142

2)перспективное расстояние – количество лет, которое потребуется данной стране, начиная с года t, для достижения эталонного уровня технического развития в году наблюдения t;

3)условное расстояние – количество лет, необходимого стране

для выхода на эталонную траекторию.

По обученной нейросети рассчитывается также значимость каждого входного параметра в год наблюдения t. Сокращение множества параметров и входных сигналов нейросети увеличивает быстродействие нейросети, удешевляет и упрощает сбор данных за счет отбрасывания наименее значимых переменных, облегчает процесс явной вербальной интерпретации результатов обработки данных.

Необходимо отметить, что полученная нейро-нечеткая модель является гибко настраиваемой. На начальном этапе она включает комплекс выделенных экспертами количественных и качественных индикаторов. На следующих этапах модель может быть модифицирована другими признаками в зависимости от социальноэкономических и политических целевых факторов. Автоматизированная система включает в себя 2 уровня, связанных между собой анализом и прогнозом.

6.1.4. Критерии выбора эффективных научно-технологических направлений

Отдельным предметом исследования является вопрос разработки индикаторов для оценки экспертами технологических альтернатив, а также критериев выбора. На данный момент можно сделать вывод о том, что содержание критериев выбора непосредственно зависит от сути принятых стратегических приоритетов государственного управления. На различных уровнях государственного управления можно выделить разное «первенство» стратегических национальных приоритетов, т.е. более главными могут быть задачи «поддержки фундаментальной науки» или «повышения качества жизни населения», «достижения высоких темпов экономического роста», «развития образования, культуры», «обеспечения обороны и безопасности страны». Ранжирование приоритетов, как представляется, следует делегировать законодательной власти.

143

Концепция, которую можно условно назвать «концепцией приоритета продукта», отражена в проекте «Методологии формирования, корректировки и реализации Приоритетных направлений развития науки, технологий и техники Российской Федерации и отбора Перечня критических технологий Российской Федерации» и реализована практически при выборе приоритетных направлений и критических технологий компании 2006 г. В рамках данной «концепции приоритета продукта» шкалу целей и стратегических приоритетов возглавляет «обеспечение прогрессивных структурных преобразований в области материального производства» и «достижение экономического роста». Цель данного подхода – формирование новых рынков новых продуктов. При этом рассматриваются только те продукты, которые за счет высокой конкурентоспособности на внутреннем и внешнем рынках и значительных объемов производства смогут внести наибольший вклад в рост ВВП. Производится отбор конкурентных разработок.

«Концепция приоритета продукта» не исключает опасности выбора тупиковых (хотя и на конкурентной стадии) направлений в виде тех технологических и технических решений, которые могут быть представлены в составе лоббируемых инновационных продуктов (услуг). Тупиковые проекты могут отвлекать существенные государственные ресурсы и препятствовать научно-техническому развитию. Вопросы обеспечения оборонной и технологической безопасности страны концепция рассматривает только с точки зрения преодоления возможных ограничений импорта высокотехнологичных продуктов или предотвращения масштабных катастроф техногенного характера. Критичность в контексте преодоления опасной ситуации, проблемы, игнорирование которой чревато тяжелыми последствиями, не рассматривается. Данный подход, как показано выше, использует заранее заложенную модель потребностей экономики. Большинство критических технологий по данной концепции должны позволить в сравнительно короткие сроки и при относительно невысоких дополнительных инвестициях обеспечить выпуск инновационных продуктов с большим потенциальным рынком, способствуя тем самым решению задачи удвоения ВВП и одновременно повышая качество экономического

144

роста за счет повышения доли наукоемкой продукции. В данном отношении возникает вопрос, не произойдет ли при этом подмена рынка и конкуренции государством, принимающим на себя роль «толкача» разработок и прототипов продукции на конкурентной стадии. Кроме того, предлагаемый продукт не может не быть ориентированным на вполне определенное, узкое отраслевое применение. Своего рода «закольцованность» предложенной процедуры не дает возможности выявить новые прорывные или зарождающиеся технологические направления.

Эффект выявления закономерности в нейросетевой модели дает комплексный характер разнородных параметров, не являющихся достаточными по отдельности. Обученная интеллектуальная модель сама рассчитает весовые коэффициенты и выявит диагностические решающие правила «Если, то», по которым те или иные показатели несут весовую нагрузку в решение задачи. В результате задача прогнозирования сводится к прогнозированию многомерного временного ряда, каждый элемент которого будет являться одним из связанных параметров системы. Было показано, что для решения таких задач наиболее перспективными с точки зрения эффективности прогноза являются модели векторной авторегрессии (VAR) и нейронные сети. По оценкам экспертов ЕС, «когнитивные» науки (или нейронауки) и «умные» системы (междисциплинарные исследования по широкому кругу проблем, связанных с умственной деятельностью) являются основным вызовом и направлением развития фундаментальной науки в XXI в.

Выводы:

1. По оценкам экспертов ЕС, «когнитивные» науки (или нейронауки) и «умные» системы (междисциплинарные исследования по широкому кругу проблем, связанных с умственной деятельностью) являются основным вызовом и направлением развития фундаментальной науки в XXI в. Они позволяют эффективно решать сложные задачи обработки информации, когда классы, подлежащие разделению, имеют произвольную форму и пересекаются между собой, отличаются высокой точностью и эффективностью в условиях неопределенности, низким временем обучения, надежностью против шума.

145

2. Результаты моделирования показывают, что в ближайшие 10летие Россия может достичь технологического лидерства в некоторых областях развития технологий, в которых она добилась видимых успехов (нанотехнологиях, атомной промышленности, космосе, информационно-коммуникационных технологиях, фармацевтике). Осуществляются институциональные и структурные преобразования в высокотехнологичном машиностроении, приняты меры по увеличению его финансирования по линии государственного заказа и федеральных целевых программ, а также в рамках государственно-частного партнерства.

3.Главной целью новой экономической политики должно стать создание условий, при которых роль «локомотива» экономического развития постепенно перейдет от сырьевых и перерабатывающих отраслей к инновационному сектору экономики. Основной задачей современного инновационного развития России является разработка и реализация самостоятельной государственной инновационной политики, в основе которой лежат не слепое следование советам зарубежных экспертов и копирование зарубежного опыта, а инновационные разработки в интересах отечественной экономики, опирающиеся на конкурентные преимущества России.

6.2.Прогнозирование становления передовых инноваций

ипрорывных технологий на примере

рынка светотехники

Прогнозирование – одна из функций экономики. Имея представление о тенденциях и законах общества, возможно построение вероятной модели мирового экономического развития. Для повышения качества и точности прогноза необходимо проводить комплексный математический анализ количественных и качественных показателей, с использованием когнитивных интеллектуальных методов. Опыт макроэкономических исследований говорит не только о возможности, но и о плодотворности использования международных (межгосударственных) сопоставлений для получения и качественных, и довольно точных количественных выводов, в том числе прогнозного характера.

146

Понимание закономерностей смены технологических укладов позволяет создать модель текущих макроэкономических процессов. Основные экономические и научно-технические показатели предоставляют возможность судить о сложившихся и формирующихся технологических укладах в разных странах.

Необходимо отметить, что в России недостаточно развита культура анализа возможных направлений развития на долгосрочную перспективу. Подавляющее большинство российских предприятий не заглядывает дальше, чем на 1–2 года. Да и в целом крайне малое число россиян пытается системно выстроить свой жизненный путь хотя бы на 5–10 лет, исключение составляет, пожалуй, только тот период, когда они осуществляют выбор вуза и места работы. Именно по этой причине в настоящее время исследования, затрагивающие вопросы повышения качества результатов долгосрочного прогноза важнейших направлений научно-технологического развития государства и анализ факторов, определяющих перспективы модернизации российской экономики, являютсяактуальными.

В рамках одного технологического уклада осуществляется замкнутый производственный цикл, включающий добычу и получение первичных ресурсов, все стадии их переработки и выпуск набора конечных продуктов, удовлетворяющих соответствующий тип общественного потребления. В период, когда очередной технологический уклад достигает фазы спада, инвестиции в ранее привлекательные сферы становятся убыточными. Последовательное замещение укладов осуществляется путем создания опережающих научнотехнических, конструкторских, технологических и инвестиционных заделов, являющихся важнейшим стратегическим ресурсом государственной экономики. Интерес вызывает выявление и введение таких индикаторов, которые по неявным и опосредованным признакам содействуют исследователям в обнаружении трендов и «слабых сигналов» нарастающих технологических прорывов.

Для рассмотрения экспертами был предложен такой критерий, как «технологический всплеск», фиксируемый через показатели «валовая стоимость скопления технологий» по направлению (отрасли) и динамика патентования в основных зарубежных патентных организациях и бюро: чем больше скопление (количество)

147

технологий в направлении Х, тем выше вероятность формирования отрасли (или технологии) шестого технологического уклада. Экспертами было указано, что при этом важно рассматривать поток объектов интеллектуальной собственности (ОИС) по определенным технологиям в динамике. При использовании модели «технологического (патентного) всплеска» в сопоставлении с историческими данными по внедрению технологий, можно выявить все тенденции зарождения и появления различныхТУ.

Была поставлена задача выявления дополнительных признаков шестого технологического уклада, для чего в исследовании был взят за основу «технологический всплеск» в основных зарубежных патентных организациях и бюро, разработана программа (Свидетельство о государственной регистрации программы для ЭВМ № 2012615745 «Программа нейросетевой кластеризации стран по уровню технико-экономического развития»). Проработана гипотеза: чем больше скопление (количество) технологий в направлении X, тем выше вероятность формирования отрасли (или технологии) нового технологического уклада.

На первом этапе на основе экспертных данных форсайт-опроса было построено нейро-нечеткое дерево решений (рис. 11), определяющее список наиболее перспективных технологий и научнотехнологических направлений, способных сформировать шестой технологический уклад.

Рис. 11. Нейро-нечеткое дерево решений

148

В процессе исследования и выявления «технологических всплесков» были рассмотрены основные участники рынка светотехники, а также проведен исторический анализ объектов интеллектуальной собственности, в названии которых встречаются следующие слова и словосочетания: лампы накаливания (англ. incandescent lamp), лампы люминисцентные (англ. fluorescent lamp), светотехника (англ. light engineering), светодиоды (англ. light-emitting diodes / LED), органические светодиоды (англ. OLED). Выбор ключевых слов был сформирован по результатам предварительного аналитического обзора мирового рынка светотехники в научной литературе.

На Рис. 12 видно, что весь период изобретения ламп накаливания можно поделить на два жизненных цикла. В период с 1895 г. по 1946 г. в базах данных патентных организаций преобладают керосиновые, масляные и газовые лампы накаливания, а в период с 1947 по 2012 г. – электрические, галогеновые и энергосберегающие. Жизненный цикл технологий производства керосиновых, масляных и газовых ламп накаливания составил 53 года. Жизненный цикл технологий производства электрических, галогеновых, люминесцентных и энергосберегающих ламп на данный момент составляет более 66 лет и находится в фазе спада.

149

Причина отказа от ламп накаливания – их крайне низкая эффективность. Только 5 % потребляемой электроэнергии тратится на освещение, остальные 95% уходят на выработку тепла. Переход на энергосберегающие источники света позволит значительно сэкономить электроресурсы.

Лампы люминисцентные

Рис. 13. Количество патентов изобретений, в названиях которых встречается словосочетание «лампа люминесцентная» в период с 1938 по 2012 гг.

На рис. 13 видно, что жизненный цикл технологий производства люминесцентных ламп составляет 76 лет и находится в фазе спада. Компактные люминесцентные лампы появились в конце 1980-х годов. Они значительно превосходят лампы накаливания, как по световой отдаче, так и по сроку службы. Если средний срок службы лампы накаливания – 1 000 часов, то у КЛЛ этот показатель достигает 15 000 часов. Однако есть у люминесцентных ламп и свои недостатки. Они не сразу выходят на полную яркость и не предназначены для частого включения-выключения. Кроме этого, данные лампы содержать ртуть. По мнению экспертов, сейчас вкладывать деньги в производство светодиодных ламп – более перспективно, нежели в КЛЛ.

На рис. 14 и 15 видно, что на настоящее время жизненный цикл технологий производства светодиодов составляет 43 года, а технологий производства органических светодиодов составляет – 16 лет. Обе отрасли находятся в фазе подъема.

150