DATA ENVELOPMENT MULTI-CRITERIAL ANALYSIS OF NATIONAL INNOVATION SYSTEM ACTORS

Рубрика конференции: Секция 20. Экономические науки. Специальность 08.00.00
DOI статьи: 10.32743/SpainConf.2021.7.9.296636
Библиографическое описание
Rozaliev V.L., Pronichkin S.V. DATA ENVELOPMENT MULTI-CRITERIAL ANALYSIS OF NATIONAL INNOVATION SYSTEM ACTORS// Proceedings of the IX International Multidisciplinary Conference «Prospects and Key Tendencies of Science in Contemporary World». Bubok Publishing S.L., Madrid, Spain. 2021. DOI:10.32743/SpainConf.2021.7.9.296636

dATA eNVELOPMENT MULTI-CRITERIAL ANALYSIS OF NATIONAL INNOVATION SYSTEM ACTORS

Vladimir Rozaliev

cand. tech. sci., associate professor, Volgograd State Technical University,

Russia, Volgograd

Sergey Pronichkin

cand. tech. sci., senior researcher, Federal Research Center “Computer Science and Control” of Russian Academy of Sciences,

Russia, Moscow

 

МНОГОКРИТЕРИАЛЬНЫЙ АНАЛИЗ СРЕДЫ ФУНКЦИОНИРОВАНИЯ УЧАСТНИКОВ НАЦИОНАЛЬНОЙ ИННОВАЦИОННОЙ СИСТЕМЫ

Розалиев Владимир Леонидович

канд. техн. наук, доц., Волгоградский государственный технический университет,

РФ, г. Волгоград

Проничкин Сергей Васильевич

канд. техн. наук, ст. науч. сотр, Федеральный исследовательский центр «Информатика и управление» Российской академии наук,

РФ, г. Москва

 

Национальные инновационные системы состоят из множества взаимосвязанных элементов. Чтобы добиться рационального для текущей стадии развития страны сочетания функций национальной инновационной системы, необходимо наличие определенного баланса между внутренними эффектами и экстерналиями. Показатели научно-технического развития национальных инновационных систем имеют тенденцию быть нелинейными и динамичными с несколькими входами и выходами. Для оценки стратегий участников национальных инновационных систем применяется два математических метода. Один из подходов – стохастический граничный анализ [1], в котором используется параметрическая техника для оценки различных производственных и стоимостных показателей деятельности участников национальных инновационных систем. Однако применительно к производству научного знания применение стохастического анализа границ, представляет собой сложную задачу, поскольку деятельность участников национальной инновационной системы имеет множество входов и выходов [2], которые имеют нелинейные отношения [3]. Кроме того, параметрический подход требует заранее определенной производственной функции эффективности деятельности участников национальной инновационной системы. Другой метод – анализ среды функционирования, который применяет непараметрический подход для анализа границы эффективности деятельности участников национальной инновационной системы [4], такой подход не требует задания конкретной производственной функции. Кроме того, модели многокритериального анализа среды функционирования участников национальной инновационной системы могут одновременно обрабатывать несколько входов и выходов, выраженных в разных единицах измерения. Существующие модели анализа среды функционирования участников национальной инновационной системы опираются на отдельные периоды времени и рассматривают каждый период как независимый от других, без учета переходящих эффектов между двумя последовательными периодами времени [5]. В работах [6, 7] предложена модель динамического измерения потенциала участников национальной инновационной системы, которая позволяет измерять производительность за определенный период времени на основе глобальной оптимизации в течение всего периода времени по многим критериям. Преимущество таких моделей состоит в том, что они используют совокупный интеллектуальный результат в качестве переходящего эффекта функционирования участников национальной инновационной системы, поскольку такому эффекту трудно приписать денежную стоимость.

Модели динамического измерения потенциала участников национальной инновационной системы имеют определенные преимущества перед математическими моделями анализа среды функционирования и стохастического анализа границ, поскольку они включают в себя эффекты переноса научных знаний по стадиям технологического развития национальной инновационной системы. В то же время, интеллектуальный капитал влияет на показатели устойчивости функционирования участников национальной инновационной системы. В литературе есть пробел относительно того, как интегрировать эффекты переходящего остатка в виде результатов фундаментальных исследований, а также влияние колебаний научно-технического развития в показатели устойчивости экономического роста на национальном уровне.

В классических моделях анализа среды функционирования объекты исследования рассматривают как черные ящики, когда внутренняя структура многопризнаковых объектов игнорируется. Целевая функция учитывает ряд ресурсов и результатов в целом, что не позволяет точно определить источник неэффективности функционирования участников национальной инновационной системы, выделить подмножество объектов, которые могут вызывать неточности. Получение научных результатов акторами национальных систем поддержки, подразумевает затраты определенных ресурсов. Традиционная модель анализа среды функционирования предполагает, что производство научной продукции независимо во времени. Однако научные знания также являются основным источником будущих экономических результатов, поскольку современные технологии, опирающиеся на результаты фундаментальных исследований, позволяют снизить негативные экстерналии [8, 9]. Накопленные научные знания позволяют увеличить будущие экономические выходы и уменьшить будущие негативные экстерналии, в результате чего происходит улучшение показателей устойчивости экономики в целом. Текущий запас знаний акторов национальных систем поддержки научных исследований создает возможности для дальнейших инвестиций в его развитие в рамках научно-технических систем.

Существующие экономико-математические модели анализа среды функционирования научно-технических систем имеют ряд неточностей. В случае моделей BCC (Banker, Charnes, Cooper) с переменным эффектом масштаба, в прямой модели определяется мера эффективности, Allen и Thanassoulis используют анкор-объекты для выявления неточностей в моделях анализа среды функционирования и улучшения эффективности Парето-эффективного множества объектов [10]. Они предложили алгоритм для их нахождения. Однако их алгоритм может создавать избыточные объекты, которые, по сути, не являются анкор-объектами. Более того, из их работ никак не следует, как можно воспользоваться полученными объектами для улучшения адаптивности моделей анализа среды функционирования сложных научно-технических систем в рамках методологии анализа среды функционирования. Mostafaee и Soleimani предложили свой алгоритм для обнаружения анкорных объектов [11]. Однако их алгоритм может выявлять объекты, которые являются ординарными эффективными объектами в моделях анализа среды функционирования сложных научно-технических систем. Ординарные объекты не подходят для модификации возможностей улучшения эффективного фронта научно-технического потенциала национальных систем поддержки научных исследований. Guo и Zhang предложили новый метод, основанный эмпирическом подходе выявления внешних объектов, которые имеют странные свойства [12]. Используются двухэтапные модели многокритериального анализа среды функционирования, где эффективность функционирования участников национальной инновационной системы анализируется на двух стадиях. Первая стадия рассматривает промежуточные результаты участников национальной инновационной системы, которые используются как входы на втором этапе анализа. Такой подход имеет несколько ограничений. Первое, он применим только если верно предположение о постоянстве результативности за счёт эффекта масштаба. Кроме того, такие двухэтапные модели позволяют моделировать только закрытые многоступенчатые процессы, то есть, процессы, где результаты одного этапа полностью используются в качестве входов на следующем этапе процесса без учета дополнительных входных параметров между этапами. Если, например, ввести дополнительные входы между двумя этапами, тогда получаемая двухэтапная модель становится нелинейной. В работе [13] предложен подход, который позволяет немного улучшить ситуацию за счет последовательного анализа двухэтапного продукционного процесса, где начальные входы могут быть свободно распределены на следующем этапе. Однако такой подход приводит к параметрической модели, имеющей другие методические дефекты. В частности, такой подход не позволяет использовать дополнительные прямые входные параметры на втором этапе модели или использовать в модели общие промежуточные результаты национальной инновационной системы. В работах [14, 15] предложена двухэтапная модель многокритериального анализа среды функционирования, где дополнительные входные параметры распределены на второй стадии, а часть полученных результатов на первой стадии используются в качестве входов на второй стадии. Однако для анализа такой двухуровневой структуры построена параметрическая модель, которая не позволяет сделать так, чтобы общие входные параметры или окончательные результаты системы были получены непосредственно на первой стадии. Для нивелирования указанных недостатков разработаны адаптивные модели многокритериального анализа среды функционирования участников национальной инновационной системы, в которых: промежуточные научные результаты на предыдущем этапе функционирования системы только частично потребляются на следующем этапе; часть входных параметров системы может быть свободно распределена; дополнительные входные параметры непосредственно потребляются на следующем этапе функционирования системы.

В отличие от существующих подходов, предлагаемый подход использует специальные коэффициенты, вычисленные на основе нейросетевой модели для получения обобщенных оценок эффективности национальных систем поддержки научных исследований. Предлагаемая модель состоит из нескольких итераций позволяет исследовать структуру стратегий акторов национальных систем поддержки научных исследований и связанных процессов и, следовательно, идентифицировать нерациональное использование ресурсов.

 

Исследование выполнено за счет гранта Российского научного фонда (проект № 18-78-10047).

 

Список литературы:

  1. Dellnitz A., Kleine A. Multiple input-output frontier analysis – From generalized deterministic to stochastic frontiers. Computers & Industrial Engineering. 2019. Vol. 135. PP. 28-38.
  2. Desmarchelier B., Djellal F., Gallouj F. Mapping social innovation networks: Knowledge intensive social services as systems builders. Technological Forecasting and Social Change. 2020. Vol. 157. PP. 45-52.
  3. Collier T., Johnson A., Ruggiero J. Technical efficiency estimation with multiple inputs and multiple outputs using regression analysis. European Journal of Operational Research. 2011. Vol. 208. PP. 153-160.
  4. Charnes A., Cooper W., Seiford L., Stutz J. A multiplicative model for efficiency analysis. Socio-Economic Planning Sciences. 1982. Vol. 16. PP. 223-224.
  5. Golany B., Hackman S., Passy U. An efficiency measurement framework for multi-stage production systems. Annals of Operations Research. 2006. Vol. 145. PP. 51-68.
  6. Cook W., Zhu J., Bi G., Yang F. Network DEA: Additive efficiency decomposition. European Journal of Operational Research. 2010. Vol. 207. PP. 1122-1129.
  7. Wanke P., Tsionas M., Antunes J. Dynamic network DEA and SFA models for accounting and financial indicators with an analysis of super-efficiency in stochastic frontiers: An efficiency comparison in OECD banking. International Review of Economics & Finance. 2020. Vol. 69. PP. 456-468.
  8. Hedborg S., Eriksson P., Gustavsson T. Organisational routines in multi-project contexts: Coordinating in an urban development project ecology. International Journal of Project Management. 2020. Vol. 38. PP. 394-404.
  9. Hottenrott H., Lopes-Bento C. R&D partnerships and innovation performance: Can there be too much of a good thing? Journal of Product Innovation Management. 2016. Vol. 33. PP. 773-794,
  10. Thanassoulis E., Kortelainen M., Rachel A. Improving envelopment in Data Envelopment Analysis under variable returns to scale. European Journal of Operational Research. 2012. Vol. 218. PP. 175-185.
  11. Mostafaee A., Soleimani M. Identifying the anchor points in DEA using sensitivity analysis in linear programming. European Journal of Operational Research. 2014. Vol. 237. PP. 383-388
  12. Guo C., Zhang J. Two-stage additive network DEA: Duality, frontier projection and divisional efficiency. Expert Systems with Applications. 2020. Vol. 157. PP. 135-146.
  13. Tsaples G., Papathanasiou J. Multi-level DEA for the construction of multi-dimensional indices. MethodsX. 2020. Vol. 7. PP. 213-221.
  14. Wang Q., Wu Z., Chen X. Decomposition weights and overall efficiency in a two-stage DEA model with shared resources. Computers & Industrial Engineering. 2019. Vol. 136. PP. 135-148.
  15. Lim S., Zhu J. Primal-dual correspondence and frontier projections in two-stage network DEA models. Omega. 2018. Vol. 83. PP. 236-248.