Эконофизическая модель распространения инноваций

Обложка

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Анализ и оценка эффективности инноваций требует развития инструментов моделирования процесса их распространения в отрасли. В данной работе представлена модель распространения инноваций, основанная на физических подходах и описывающая стадии ускоряющегося и замедляющегося роста. Для описания экспоненциального роста используется диффузионная модель, а для логарифмического — электротехническая модель. В работе представлено соответствие физических параметров их экономическим аналогам: размер компании, характеристика скорости обмена информации между фирмами, готовность компании к внедрению инновации, межфирменное влияние и прорывной уровень инновации. Полученная теоретическая модель протестирована на исторических данных внедрения инноваций в топливно-энергетическом комплексе с последующей корректировкой коэффициентов, зависящих от региона внедрения инновации. Разработанная модель применима для описания процесса распространения инноваций в любой отрасли страны, а также при инвестиционном и бизнес-планировании в компаниях и принятии решений об инвестировании в инновационные проекты. При применении данного инструмента в отраслях с низким уровнем инновационной активности прогнозируется повышение уровня высокотехнологического производства и доли организаций, осуществляющих технологичные инновации. На примере топливно-энергетической отрасли России прогнозируется повышение технологичности предприятий и снижение уровня импортозависимости.

Полный текст

Доступ закрыт

Об авторах

О. В. Жданеев

РАНХиГС при Президенте Российской Федерации

Автор, ответственный за переписку.
Email: Zhdaneev@rosenergo.gov.ru
Россия, Москва

И. Р. Овсянников

АО «Центр эксплуатационных услуг», ФГАОУ ВО МФТИ

Email: ovsyannikov.ir@phystech.edu
Россия, Москва

Список литературы

  1. Голышева Е. А., Жданеев О. В., Коренев В. В., Лядов А. С., Рубцов А. С. (2020). Нефтехимическая отрасль России: анализ текущего состояния и перспектив развития // Журнал прикладной химии. Т. 93. № 10. С. 1499–1507. doi: 10.31857/S0044461820100126 [Golysheva E. A., Zhdaneev O. V., Korenev V. V., Lyadov A. S., Rubtsov A. S. (2020). The petrochemical industry of Russia: Analysis of the current state and development prospects. Journal of Applied Chemistry, 93, 10, 1499–1507. doi: 10.31857/S0044461820100126 (in Russian).]
  2. Цветкова Н. А., Туккель И. Л. (2017). Модели распространения инноваций: от описания к управлению инновационными процессами // Инновации. № 11 (229). Режим доступа: https://cyberleninka.ru/article/n/modeli-rasprostraneniya-innovatsiy-ot-opisaniya-k-upravleniyu-innovatsionnymi-protsessami [Tsvetkova N. A., Tukkell I. L. (2017). Models of innovation diffusion: From description to management of innovation processes. Innovations, 11 (229). Available at: https://cyberleninka.ru/article/n/modeli-rasprostraneniya-innovatsiy-ot-opisaniya-k-upravleniyu-innovatsionnymi-protsessami (in Russian).]
  3. Цветкова Н. А. (2018). О взаимном влиянии инноваций // Инновации. № 3 (233). Режим доступа: https://cyberleninka.ru/article/n/o-vzaimnom-vliyanii-innovatsiy [Tsvetkova N. A. (2018).On the mutual influence of innovations. Innovations, 3 (233). Available at: https://cyberleninka.ru/article/n/o-vzaimnom-vliyanii-innovatsiy (in Russian).]
  4. Abrahamson E., Rosenkopf L. (1997). Social network effects on the extent of innovation diffusion: A computer simulation. Organizational Science, 8, 3, 289–309.
  5. Adiano C., Roth A. V. (1994). Beyond the house of quality: Dynamic QFD. Benchmarking for Quality Management & Technology, 1, 1, 25–37.
  6. Bass F. M. (1969). A new product growth for model consumer durables. Management Science, 15, 5, 215–227.
  7. Benhabib J., Perla J., Tonetti C. (2016). The growth dynamics of innovation, diffusion, and the technology frontier. [Report]. N.Y.: New York University. 1057 p.
  8. Delre S. A., Jager W., Janssen M. A. (2007). Diffusion dynamics in small-world networks with heterogeneous consumers. Computational and Mathematical Organization Theory, 13, 2, 185–202.
  9. Fuenfschilling L., Truffer B. (2014). The structuration of socio-technical regimes: Conceptual foundations from institutional theory. Research Policy, 43, 772–791. doi: 10.1016/j.respol.2013.10.010
  10. Galitskaya E., Zhdaneev O. (2022). Development of electrolysis technologies for hydrogen production: A case study of green steel manufacturing in the Russian Federation. Environmental Technology and Innovation, 27, 102517 (in English). doi: 10.1016/j.eti.2022.102517
  11. Lуpez-Pintado D. (2008). Diffusion in complex social networks. Games and Economic Behavior, 62, 2, 573–590.
  12. Mahajan V., Peterson R. (1985). Models for innovation diffusion. Quantitative Applications in the Social Sciences. Sage University Paper. Newbury Park: SAGE Publications, Inc.
  13. Mardani A., Jusoh A., Zavadskas E. K., Cavallaro E. K., Khalifah Z. (2015). Sustainable and renewable energy: An overview of the application of multiple criteria decision making techniques and approaches. Sustainability, 7, 10, 13947–13984.
  14. Meade N., Islam T. (2006). Modelling and forecasting the diffusion of innovation — a 25-year review. International Journal of Forecast, 22, 514–545.
  15. Moskalev A., Tsygankov N. (2021). Diffusion model of various modifications of an innovative product. E3S Web of Conferences. EDP Sciences, 320, 03004 (in English).
  16. Ovsyannikov I. R., Zhdaneev O. V. (2024). Forecast of innovative activity in key areas of energy transition technologies based on analysis of patent activity. International Journal of Hydrogen Energy, 87, 1261–1276. doi: 10.1016/j.ijhydene.2024.08.375 (in English).
  17. Pelegrin B., Fernandez P., Perez M. D.G. (2014). Profit maximization and reduction of the cannibalization effect in chain expansion. Annals of Operations Research, 1–19.
  18. Rogers E. M. (2009). Innovation diffusion: Social network models. In: Encyclopedia of complexity science and technology, 4554–4562.
  19. Tsvetkova N. A., Tukkel I. L. Ablyazov V. I. (2017). Simulation modeling the spread of innovations. 2017 XX IEEE International Conference on Soft Computing and Measurements (SCM). St. Petersburg, Russia, 675–677 (in English). doi: 10.1109/SCM.2017.7970686 Available at: https://ieeexplore.ieee.org/abstract/document/7970686
  20. Young H. P. (2009). Innovation diffusion in heterogeneous populations: Contagion, social influence, and social learning. American Economic Review, 99, 5, 1899–1924.
  21. Zhdaneev O. V., Frolov K. N. (2024). Technological and institutional priorities of the oil and gas complex of the Russian Federation in the term of the world energy transition. International Journal of Hydrogen Energy, 58, 1418–1428 (in English). doi: 10.1016/j.ijhydene.2024.01.285

© Российская академия наук, 2024

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».