Разработка системы мониторинга и анализа инвестиционной привлекательности субъекта РФ на основе Big Data
Ключевые слова:
Big Data, инвестиционная привлекательность, субъект РФ, интеллектуальный анализ данных, машинное обучение, распределенная обработка данных, Hadoop, SparkАннотация
В настоящем исследовании рассматривается проблема разработки системы мониторинга и анализа инвестиционной привлекательности субъекта Российской Федерации на основе технологий Big Data. Актуальность данной темы обусловлена необходимостью привлечения инвестиций в экономику регионов и повышения их конкурентоспособности в условиях глобализации и цифровизации. Цель исследования заключается в создании эффективной системы мониторинга и анализа инвестиционной привлекательности субъекта РФ, способной обрабатывать и анализировать огромные массивы структурированных и неструктурированных данных из различных источников, таких как государственные информационные системы, социальные сети, новостные порталы, данные геолокации и др. В работе применяются методы интеллектуального анализа данных (data mining), машинного обучения, статистического анализа, а также технологии распределенной обработки данных (Hadoop, Spark). Предложена архитектура системы, включающая модули сбора, предобработки, хранения, анализа данных и визуализации результатов. Разработана методика оценки инвестиционной привлекательности региона на основе комплексного анализа более 150 показателей, характеризующих экономический потенциал, инфраструктуру, человеческий капитал, инновационную активность и инвестиционный климат субъекта РФ. С помощью методов машинного обучения (Random Forest, Gradient Boosting) построены прогнозные модели, позволяющие оценивать инвестиционную привлекательность региона на краткосрочную и долгосрочную перспективу. Апробация разработанной системы проведена на примере Новосибирской области. Результаты анализа показали, что Новосибирская область входит в топ-15 регионов РФ по уровню инвестиционной привлекательности, однако имеет ряд проблемных зон, в частности, недостаточно развитую транспортно-логистическую инфраструктуру и дефицит высококвалифицированных кадров в сфере IT. На основе полученных результатов даны рекомендации по повышению инвестиционной привлекательности региона. Разработанная система мониторинга и анализа на основе технологий Big Data может быть масштабирована и адаптирована для других субъектов РФ, что будет способствовать повышению эффективности управленческих решений в сфере инвестиционной политики и экономического развития регионов.
Библиографические ссылки
Квинт В.Л. Поиск и исследование философских проблем теории управления и его инструментария (с акцентом на стратегический менеджмент). М.: Наука, 2019. 311 с.
Марченкова Л.М. Анализ методических подходов к оценке инвестиционного климата региона // Финансовая аналитика: проблемы и решения. 2017. Т. 10. № 12. С. 1394-1413.
Парфенова Е.Н. Повышение инвестиционной привлекательности российских регионов: проблемы и направления // Гуманитарные, социально-экономические и общественные науки. 2019. № 2. С. 315-319.
Сухарев О.С. Экономический рост, институты и технологии. М.: Финансы и статистика, 2018. 458 с.
Федотова М.А., Лосева О.В., Иванова Л.Ф. Инвестиционная привлекательность регионов и отраслей российской экономики. М.: КноРус, 2018. 320 с.
Chen C. Big data based intelligent evaluation of regional innovation capacity from the perspective of innovation value chain // Technological forecasting and social change. 2020. Vol. 161. рр. 120-258.
Jia N., Huang K. G., Man Zhang C. Public governance, corporate governance, and firm innovation: An examination of state-owned enterprises // Academy of Management Journal. 2019. Vol. 62. № 1. рр. 220-247.
Lu Y., Shen R., Peng P., Wen Z. The impact of investor sentiment on stock prices based on big data analysis // China Finance Review International. 2019. Vol. 42. № 6. рр. 739-758.
Peng H. Big data analysis of regional innovation efficiency using a dynamic network slacks-based measure approach //Socio-Economic Planning Sciences. 2021. № 2. рр. 41-101.
Santos L.L.D. Industry 4.0 and digital economy: Analysis of scientific publications in the Web of Science and Scopus databases // Research, society and development. 2020. Vol. 9. № 8. рр. 493-985.
Song J., Zhang H., Dong W. A review of emerging trends in global PPP research: Analysis and visualization //Scientometrics. 2016. Vol. 107. №. 3. рр. 1111-1147.
Wei Y. Multistage dynamic comprehensive evaluation of regional innovative capacity based on hesitant fuzzy information and improved TODIM method //Technological and economic development of economy. 2020. Vol. 26. № 3. рр. 669-693.
Wonglimpiyarat J. Government policies towards Israel's high-tech powerhouse // Technovation. 2016. Vol. 52. рр. 18-27.
Wu J., Wang H., Zhu B., Song M. Analysis on regional innovation efficiency in China using a dynamic two-stage slacks-based measure model // Sustainability. 2021. Vol. 13. № 2. рр. 783.
Zhao R., Ren L., Yang X., Wang H. Spatial-temporal dynamic analysis of regional innovation capability in China based on ESDA-GWR // Scientific reports. 2021. Vol. 11. № 1. рр. 1-14.