Статьи

Согласно исследованию академика А. Г. Аганбегяна одним из ключевых факторов организации роста экономики, благосостояния и трансформации социально-экономической системы России является формирование новой транспортно-логистической инфраструктуры с двухсторонними автострадами, скоростными железными дорогами, региональной сетью аэропортов и крупными логистическими центрами в ключевых транспортных узлах. Учитывая длинный цикл окупаемости таких проектов, который составляет до 20-25 лет, и объем инвестиций, которые потребуются на реализацию данной инициативы (по оценкам до 3 трлн рублей ежегодно), то внутренних инвестиционных ресурсов компаний поставщиков и операторов транспортно-логистической инфраструктуры для реализации этой инициативы будет не достаточно. В связи с тем, что логистика проходит путь от 1PL, 2PL и 3PL к 4PL и 5PL, к транспортно-логистической инфраструктуре предъявляются высокие требования по обеспечению мультимодальности не только на уровне физической инфраструктуры, но и к программно-аппаратным решениям. Это способствует росту межотраслевых научно-исследовательских групп и интероперабельных научно-технических решений. Основой транспортно-логистической инфраструктуры России является железнодорожная отрасль. Ее основная задача с точки зрения операционной деятельности состоит в поддержании бесперебойности функционирования и обеспечении безопасности пассажиро- и грузопотоков Российской Федерации. В условиях санкционных ограничений задача по формированию опережающего научно-технического задела и его масштабирования в железнодорожной отрасли возросла. Обеспечение технологического суверенитета связано со сквозными производственными технологиями, к которым относят алгоритмы искусственного интеллекта, цифровые двойники и другие технологи, которые предъявляют требования к интероперабельности данных. Данная статья посвящена выявлению потенциала повышения эффективности коммерциализации инноваций и трансфера технологий компаний железнодорожной отрасли. Мы предложили авторские рекомендаций по повышению экономической мотивации для преодоления барьеров коммерциализации и трансфера технологий компаний железнодорожной отрасли России. Использовали теорию стратегии и методологию стратегирования академика В. Л. Квинта

Применение методов искусственного интеллекта и методов машинного обучения для построения инвестиционных маршрутов, направленных на поиск балансовых моделей между частными и государственными источниками финансирования, имеют высокую актуальность в связи с текущими задачами импортозамещения и обеспечения технологического суверенитета в Российской Федерации. Системы поддержки принятия решений, моделирующие сценарии развития бизнеса на основе размеченных данных, могут выступать инструментом снижения рисков проектов импортозамещения и проектов обеспечения технологического суверенитета, а также венчурных и иных высокотехнологичных проектов за счет раннего интегрированного планирования на ранней стадии развития проекта и ранней балансировки возможностей разработчика и инвестора для балансирования различных источников финансирования как частных, так и мер государственной поддержки, на разных стадиях развития проекта. Одним из направлений данного исследования является разработка (способа) машинного обучения и искусственного интеллекта на основе сверхточной нейросети, позволяющей автоматизировать задачу навигации технологических проектов по инструментам инвестиционного финансирования, и построения непрерывного мультиагентного инвестиционного маршрута, что позволит снизить риски технологических проектов в части своевременного получения инвестиций как частных, так и мер государственной поддержки, за счет применения алгоритма как помощника соединения стадии развития проекта, типа проекта, с типом источника финансирования. Целью данного исследования являлись стратегирование разработки, внедрения и масштабирования применения методов искусственного интеллекта и сценарного мультиагентного моделирования для решения экономических координационных задач привлечения частно-государственного финансирования через инструмент персональных инвестиционных маршрутов и интегрированных инвестиционных маршрутов. В ходе исследования обоснована актуальность стратегирования разработки, внедрения и масштабирования интегрированных инвестиционных маршрутов, определены принципы построения персональных и интегрированных инвестиционных маршрутов, разработан чек-лист проверки персонального и интегрированного инвестиционного маршрута, разработана методика построения персонального и интегрированного инвестиционного маршрута с применением алгоритмов искусственного интеллекта. На основе персональных и интегрированных инвестиционных маршрутов привлечения финансирования с применением алгоритмов искусственного интеллекта обоснована возможность стратегирования экономических потенциалов развития территории, в части привлечения дополнительных источников финансирования через мультиагентное моделирование финансово-хозяйственного взаимодействия отдельных инвестпроектов и интегрированных инвестпроектов, а также оценка влияния реализации инвестиционного проекта или проектов на длинные мультипликативные экономические эффекты и усиление отраслевой и межотраслевой кооперации, что, в свою очередь, содействует инвестиционной привлекательности территории. В исследовании использовали теорию стратегии и методологии стратегирования академика В. Л. Квинта.