Модель прогнозування витрат на інноваційну діяльність у промисловому секторі України

Скорочена інформація про документ
dc.contributor.authorВолосюк Марина Валеріївна
dc.contributor.authorПрокопович Леонід Борисович
dc.contributor.authorVolosiuk M. V.
dc.contributor.authorProkopovich L. B.
dc.date.accessioned2024-10-09T09:44:13Z
dc.date.available2024-10-09T09:44:13Z
dc.date.issued2023-05
dc.descriptionВолосюк, М. В. Модель прогнозування витрат на інноваційну діяльність у промисловому секторі України = Cost Forecasting Model for Innovation Activities in the Industrial Sector of Ukraine / М. В. Волосюк, Л. Б. Прокопович // Бізнес Інформ. – 2023. – № 5. – С. 73–79.
dc.description.abstractУ статті розглянуто проблему підвищення достовірності оцінки величини витрат на інноваційну діяльність у промисловому секторі України. Використовуючи як первинні дані інформацію попереднього дослідження, проаналізовано залежність витрат інноваційної діяльності від групи факторів, внаслідок чого було вирішено побудувати багатофакторні регресійні моделі. Для побудови даної групи моделей було використано метод найменших квадратів. У процесі перевірки отриманих багатофакторних моделей виявилося, що кожна модель має внутрішні параметри, в яких величина p-значень перевищує граничне значення, а значить, отримані величини внутрішніх параметрів моделі ні є суттєвими. Тому всі багатофакторні моделі, побудовані за допомогою методу найменших квадратів, були усунені від подальшого дослідження. На наступному етапі дослідження побудовано однофакторні регресійні моделі за допомогою методу найменших квадратів, де як фактор було використано кількість освоєного виробництва нових видів продукції (технологічних процесів). Після відсіювання несуттєвих моделей ті, що залишилися, були порівняні стосовно їх якісних характеристик. Проте в усіх однофакторних моделях виявилося, що розраховані величини середньої помилки апроксимації перевищили 10 %. Тому, знову ж таки, всі моделі були усунені від подальшого дослідження. У зв’язку з неможливістю отримання моделі за допомогою методу найменших квадратів в процесі моделювання було вирішено використати методи машинного навчання з учителем. Серед методів машинного навчання вирішено звернути увагу на методи: k-ближніх сусідів, дерева регресії, нейронної мережі. Беручи до уваги те, що на ці моделі мультиколінеарність між факторами не впливає негативно, як дані для моделей були використані початкові дані без додаткових перетворень. За результатами дослідження виявилася, що серед моделей за методами машинного навчання найліпшими виявилися модель бінарного регресійного дерева рішень (при величині гіперпараметра max_depth = 3) та нейронної мережі. При порівнянні вказаних моделей виявилося, що модель на основі дерева рішень має меншу величину середньої помилки апроксимації, а значить, дану модель можна рекомендувати до використання при прийнятті управлінських рішень щодо прогнозування витрат на інноваційну діяльність підприємств промисловості в майбутньому.
dc.description.abstract1The article considers the problem of increasing the reliability of estimation of the cost of innovation activity in the industrial sector of Ukraine. Using as primary data the information of the previous study, the dependence of the costs of innovation activity on a group of factors is analyzed, as a result of which it was decided to build several multi-factor regression models. In order to build this group of models, the least squares method was used. In the course of checking the obtained multivariate models, it was found that each model has internal parameters in which the value of p-values exceeds the limit value, which means that the obtained values of the internal parameters of the model are not significant. Therefore, all multivariate models constructed using the least squares method were eliminated from further research. At the next stage of the research, one-factor regression models were constructed using the least squares method, where the amount of mastered production of new types of products (technological processes) was used as a factor. After sorting out the non-essential models, the remaining ones were compared with respect to their quality characteristics. However, in all univariate models, it was found that the calculated values of the average approximation error exceeded 10 %. Therefore, yet again, all models have been eliminated from further research. Due to the impossibility of obtaining a model using the least squares method in the simulation process, it was decided to use machine learning methods with a teacher. Among the methods of machine learning, it was decided to pay attention to the following methods: k-near neighbors, regression trees, and neural network method. Taking into account that these models are not adversely affected by the multi-collinearity between factors, both the data for the models were used raw data without additional transformations. According to the results of the research, it was found that among the models using machine learning methods, the best models were the binary regression decision tree (with a hyperparameter value of max_depth = 3) and the neural network model. When comparing these models, it was found that the model based on the decision tree has a smaller value of the average approximation error, which means that this model can be recommended for use in making management decisions on forecasting the costs of innovation activity of industrial enterprises in the future.
dc.identifier.govdocDOI: https://doi.org/10.32983/2222-4459-2023-5-73-79
dc.identifier.issn2222-4459 (Print)
dc.identifier.issn2311-116X (Online)
dc.identifier.urihttps://eir.nuos.edu.ua/handle/123456789/8914
dc.language.isouk
dc.relation.ispartofseriesУДК; 330.4:519.8
dc.subjectінноваційно-технологічний розвиток
dc.subjectінноваційна діяльність
dc.subjectпромисловий сектор
dc.subjectвитрати
dc.subjectрегресійні моделі
dc.subjectk-ближніх сусідів
dc.subjectдерево рішень
dc.subjectнейронна мережа
dc.subjectinnovation and technological development
dc.subjectinnovation activity
dc.subjectindustrial sector
dc.subjectcosts
dc.subjectregression models
dc.subjectk-near neighbors
dc.subjectdecision tree
dc.subjectneural Network
dc.titleМодель прогнозування витрат на інноваційну діяльність у промисловому секторі України
dc.title.alternativeCost Forecasting Model for Innovation Activities in the Industrial Sector of Ukraine
dc.typeArticle

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Volosiuk 21.pdf
Розмір:
1.15 MB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
4.38 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Статті (О та ЕА)