ПРОГНОЗУВАННЯ ГЛОБАЛЬНОГО ІННОВАЦІЙНОГО ІНДЕКСУ НА ОСНОВІ НЕЙРОННИХ МЕРЕЖ

Р.В. Товстик; С.М. Іванов

doi:10.26661/2414-0287-2025-1-65-04

Р.В. Товстик Запорізький національний університет https://orcid.org/0000-0001-5523-2675
С.М. Іванов Запорізький національний університет https://orcid.org/0000-0003-1086-0701

DOI: https://doi.org/10.26661/2414-0287-2025-1-65-04

Ключові слова: Глобальний інноваційний індекс, нейронні мережі, прогнозування, машинне навчання, інноваційна політика, штучний інтелект

Анотація

Дана стаття присвячена дослідженню можливостей застосування нейронних мереж для прогнозування Глобального інноваційного індексу (ГІІ). У проводиться розгляд сучасних підходів до аналізу та прогнозування ГІІ, виявляються їхні обмеження та пропонується новий метод на основі глибоких нейронних мереж. Досліджуються наукові праці з прогнозування інноваційної діяльності та прогнозування ГІІ із застосуванням для цього математичних методів машинного навчання та їх можливих сфер застосування у цифровій економіці. Проаналізовано структуру ГІІ та виявлено ключові фактори, що впливають на його динаміку. Розроблено архітектуру нейронної мережі, оптимізовану для прогнозування ГІІ з урахуванням його специфіки. Проводиться навчання моделі на історичних даних ГІІ та оцінюється її точність на тестовій вибірці. Порівнюється ефективність розробленої моделі з традиційними методами прогнозування ГІІ. Встановлюються позитивні аспекти запропонованого підходу, який забезпечує більш точні прогнози порівняно з традиційними методами. Досліджуються можливості інтерпретації результатів нейронної мережі для виявлення ключових факторів, що впливають на прогноз. Обговорюються практичні аспекти застосування розробленої моделі для підтримки прийняття рішень у сфері інноваційної політики. Визначаються напрями подальших досліджень, зокрема, щодо інтерпретації результатів нейронної мережі та її адаптації до змін у методології розрахунку ГІІ. Розроблена модель демонструє високу точність, але вона не повинна розглядатися як заміна експертного аналізу та традиційних методів оцінки інноваційного потенціалу, вона має служити додатковим інструментом, що доповнює існуючі підходи та сприяє прийняттю більш обґрунтованих рішень.

Посилання

1. Zhukovsky D.M. & Lozovska L.I. (2023). Analiz vykorystannya metodiv mashynnoho navchannya v analitytsi pokaznykiv internet resursiv [Analysis of the use of machine learning methods in the analysis of indicators of Internet resources]. Stalyy rozvytok ekonomiky – Sustainable development of the economy, 2, 65-69 [in Ukrainian].
2. Goncharov Yu.V. & Dykha M.V. & Voronina V.L. & Milka A.I. (2023). Prohnozuvannya innovatsiynosti ekonomichnoho rozvytku Ukrayiny u hlobalʹnomu vymiri [Forecasting the innovativeness of the economic development of Ukraine in the global dimension]. Naukovyy visnyk natsionalʹnoho hirnychoho universytetu – Scientific Bulletin of the National Mining University, 1, 174-181 [in Ukrainian].
3. Robert J. Watts & Alan L. Porter (1997). Innovation forecasting. Technological Forecasting and Social Change, Vol. 56, Issue 1. pp. 25-47. [in English].
4. El Hatimi, R., Choukhan, C. F., Moussaid, A., & Esghir, M. (2024). Predicting Global Education Quality: A Comprehensive Machine Learning Approach Using World Bank Data. International Journal of Engineering Pedagogy, 14(4). [in English].
5. Ahmadilivani, M. H., Taheri, M., Raik, J., Daneshtalab, M., & Jenihhin, M. (2024). A systematic literature review on hardware reliability assessment methods for deep neural networks. ACM Computing Surveys, 56(6), 1-39. [in English].
6. Soumitra Dutta & Bruno Lanvin & Lorena Rivera León & Sacha Wunsch-Vincent (Eds.). (2023). The Global Innovation Index 2023: Innovation in the face of uncertainty. Geneva: World Intellectual Property Organization. [in English].
7. Gosch, L., Geisler, S., Sturm, D., Charpentier, B., Zügner, D., & Günnemann, S. (2024). Adversarial training for graph neural networks: Pitfalls, solutions, and new directions. Advances in Neural Information Processing Systems, 36. [in English].
8. Zhu, R., Zhong, G. Y., & Li, J. C. (2024). Forecasting price in a new hybrid neural network model with machine learning. Expert Systems with Applications, 249, 123697. [in English].
9. King, M., Kim, B. J., & Yune, C. Y. (2024). Prediction model of undisturbed ground temperature using artificial neural network (ANN) and multiple regressions approach. Geothermics, 119, 102945. [in English].
10. Setiawan, A., Utami, E., & Ariatmanto, D. (2024). Cattle Weight Estimation Using Linear Regression and Random Forest Regressor. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), 8(1), 72-79. [in English].
11. Lundberg, SM & Lee, SI (2017). A unified approach to interpreting model predictions. The thirty-first Conference on Neural Information Processing Systems (Vol.30), CA: Curran Associates, Inc. [in English].