NEURAL NETWORK APPROACH TO ASSESSMENT OF THE EFFICIENCY OF FUNDING SYSTEMS OF SCIENTIFIC RESEARCH

NEURAL NETWORK APPROACH TO ASSESSMENT OF THE EFFICIENCY OF Funding SYSTEMS of SCIENTIFIC RESEARCH

Boris Savelyev

graduate student, National Research Technological University "MISiS",

Russia, Moscow

Sergey Pronichkin

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

Russia, Moscow

НЕЙРОСЕТЕВОЙ ПОДХОД К ОЦЕНКЕ ЭФФЕКТИВНОСТИ СИСТЕМ ПОДДЕРЖКИ НАУЧНЫХ ИССЛЕДОВАНИЙ

Савельев Борис Игоревич

аспирант, Национальный исследовательский технологический университет «МИСиС»,

РФ, г. Москва

Проничкин Сергей Васильевич

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

РФ, г. Москва

Результаты научных исследований по актуальным государственным проблемам составляют важную часть инструментария политики «мягкой силы» государства и формирования его международного имиджа. Разработка и корректировка системы приоритетов, выражающих в концентрированном виде позицию научного сообщества и потребности структур управления различного уровня в научной проработке вариантов решений, позволит продемонстрировать внятную стратегию национальной системы поддержки фундаментальных исследований и привнести чёткую логику в поддержку приоритетных проектов.

Выделены ключевые факторы эффективности систем поддержки научных исследований, и проведено их разбиение на три основные категории: организационная инфраструктура, управление политикой и управление научными знаниями. Эти три аспекта определены применительно к развитию управления созданием научной продукции, то есть от организационного аспекта, касающегося культурных, структурных и человеческих ресурсов систем поддержки научных исследований, до управленческого аспекта с развертыванием стратегий и политикой финансирования научных исследований, а также фундаментальной поддержки науки с точки зрения управления знаниями. В качестве входных параметров нейросетевой модели выделены три внутренних фактора (детерминанта), связанных с организацией поддержки научных исследований. Организационная инфраструктура включает в себя управленческие вопросы, связанные с общими ценностями и принципами системы поддержки научных исследований. Организационная культура и ценностные ориентиры, а также структурное измерение и компетентность человеческих ресурсов являются важными элементами этого внутреннего фактора. Прорывные научные результаты происходят от идей, которые культивируются организационной культурой систем поддержки научных исследований и надлежащей структурной иерархией [1, 2]. Соответствующая установка культуры и ценностей выгодна для создания возможностей выполнения инициативных исследований, благоприятная организационная структура может облегчить внутренний поток информации, который является ключевым источником эффективной работы национальных систем поддержки научных исследований. В организации роль человеческих ресурсов неоспорима, поскольку они являются критически важным элементом для стимулирования развития и основным источником идей [3].

Управление научной политикой подчеркивает стратегические процессы разработки, внедрения и использования различных инструментов поддержки научных исследований [4, 5]. Этот аспект фокусируется на стратегии и поддерживающих механизмах для отдельных научных групп. Стратегия, координация и интеграция - это основные управленческие подходы, направленные на актуализацию различных инструментов поддержки научных исследований. Стратегия больше не является инструментом планирования для объективного распределения ресурсов и постановки целей, а является средством направления энергии на достижение целей и создание новых конкурентных преимуществ. Некоторые поддерживающие механизмы, такие как вознаграждение и признание, а также эффективное распределение ресурсов, имеют решающее значение для содействия и влияния на развитие систем поддержки научных исследований. Постоянное совершенствование и оценка эффективности также являются ключевыми факторами актуализации политики систем поддержки научных исследований [6].

Управление знаниями рассматривается как управление циклом создания научных знаний в рамках инициативных проектов [7, 8]. Другими словами, этот управленческий аспект описывает, как поток знаний или информации (от создания, распространения и накопления) влияет на достижение целей национальных систем поддержки научных исследований. Использование научных знаний включает процессы и практики, связанные с созданием, приобретением, совместным использованием и применением знаний. Управление знаниями состоит из управления созданием, распространением и использованием полученных научных результатов. Непрерывный поток информации и надежная база знаний могут помочь создать базу для эффективного развития различных инструментов поддержки научных исследований.

Ключевая особенность и ограничение в реализации аналитических функций систем поддержки научных исследований - это то, что используются исключительно показатели публикационной активности в качестве критерия эффективности [9, 10]. С целью учета отмеченных особенностей разработано математическое и программное обеспечение для системного анализа эффективности поддержки научных исследований. Проведено формирование базы данных для проведения анализа факторов, воздействующих на эффективность. Выполнено распределение факторов по нескольким нейронным структурам, в зависимости от функциональной, процессной или объектной составляющей анализа. Для анализа входных и выходных индикаторов эффективности национальной системы поддержки научных исследований была выбрана обобщённо-регрессионная нейронная сеть.

Наиболее актуальные научно-технические проблемы образуют первый слой нейронной сети. Для научной проработки путей решения научно-технических проблем выделены четыре основные функциональные блока междисциплинарных исследований, образующие слои нейронной сети, которые охватывают научные направления и области использования научных результатов.

Проведено исследование нейронной сети с обратным распространением ошибки, проведена оценка параметров проектирования, таких как количество скрытых слоев, передаточные функции, количество скрытых нейронов, количество выходных нейронов, а также скорость обучения и импульс. Обобщённо-регрессионная нейронная сеть не требует априорной спецификации уравнения регрессии и по сравнению с другими методами нелинейной регрессии не требуется выбирать границы независимых переменных, начальные значения и критерии сходимости. По сравнению с обобщённо-регрессионной нейронной сетью другие нейронные сети имеют больше свободных параметров, которые необходимо оптимизировать. Напротив, в обобщённо-регрессионной нейронной сети только один параметр сглаживания должен быть оптимизирован. В зависимости от потребностей лица, принимающего решения, критический фактор можно рассматривать как основной результат, а другие факторы, способствующие этому результату, - как входные данные на языке регрессионного моделирования.

В качестве метода обучения было выбрано локальное обучение. Такое решение было принято по следующим причинам: локальное обучение осуществляется быстрее, потому что не весь набор данных используется, следовательно уменьшается вычислительная сложность; необходимо определить только один вектор сглаживания, осуществляется оптимизация одного свободного параметра. После завершения обучения нейросетевой модели стало возможным прогнозировать эффективность национальной системы поддержки научных исследований для комбинаций различных значений входных данных из разных стран, что позволяет выработать конкретные управленческие решения для нивелирования дисфункций национальной системы поддержки научных исследований.

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

Список литературы:

1. Faria A., Oliveira M., Borini F. Pubic funding for innovation: The importance of individual resources of the entrepreneur and the relational resources of the firm. Technology in Society. 2019. Vol. 59. PP. 159-167.
2. Chan K., Lau T. Assessing technology incubator programs in the science park: the good, the bad and the ugly. Technovation. 2005. Vol. 25. PP. 1215-1228.
3. Marvel M., Wolfe M., Kuratko D. Escaping the knowledge corridor: How founder human capital and founder coachability impacts product innovation in new ventures. Journal of Business Venturing. 2020. Vol. 35. PP. 60-72.
4. Plank J., Doblinger C. The firm-level innovation impact of public R&D funding: Evidence from the German renewable energy sector. Energy Policy. 2017. Vol. 113. PP. 430-438.
5. Wonglimpiyarat J. Challenges and dynamics of FinTech crowd funding: An innovation system approach. The Journal of High Technology Management Research. 2018. Vol. 29. PP. 98-108.
6. Wang Y., Li J., Furman J. Firm performance and state innovation funding: Evidence from China’s Innofund program. Research Policy. 2017. Vol. 46. PP. 1142-1161.
7. Meski O., Belkadi F., Furet B. Towards a knowledge-based framework for digital chain monitoring within the industry 4.0 paradigm. Procedia CIRP. 2019. Vol. 84. PP. 118-123.
8. Knaggard A., Slunge D., Sahlin U. Researchers’ approaches to stakeholders: Interaction or transfer of knowledge? Environmental Science & Policy. 2019. Vol. 97. PP. 25-35.
9. Abuhay T., Kovalchuk S., Lees M. Analysis of publication activity of computational science society in 2001-2017 using topic modelling and graph theory. Journal of Computational Science. 2018. Vol. 26. PP. 193-204.
10. Saarela M., Karkkainen T. Can we automate expert-based journal rankings? Analysis of the Finnish publication indicator. Journal of Informetrics. 2020. Vol. 14. PP. 101-114.