Математическое определение эффективности трансфера технологий

Координация и регулирование процессов трансфера технологий в инновационном кластере со стороны ведущей организации (ядра), проводимые с учетом характера взаимодействия между участниками, являющимися сторонами трансфера, способны существенно повысить эффективность трансфера технологий и таким образом способствовать полной реализации преимуществ кластера как формы взаимодействия организаций. В работе на основе анализа концепции сетевой центральности в сочетании с теорией нечетких множеств и аппаратом математической статистики разработана методика определения оптимального способа регулирования ведущей организацией инновационного кластера — процессов трансфера технологий, осуществляемых в рамках взаимодействия участников кластера в ходе совместного осуществления деятельности, направленной на создание и внедрение инноваций. Предложен новый подход к определению оптимального способа регулирования процессов трансфера технологий в инновационном кластере, основанный на установлении оптимальной степени участия ядра инновационного кластера в процессах трансфера технологий. Особенностью предлагаемого подхода является выделение способов регулирования, отражающих характер и степень регулирования процессов трансфера технологий в инновационном кластере со стороны ядра, и определение степени их влияния на эффективность трансфера технологий. Разработанная методика выбора оптимального способа регулирования процессов трансфера технологий в инновационном кластере позволит снизить временные затраты, связанные с созданием новых знаний, и ускорить выход на рынок инновационных продуктов.

Ключевые слова

инновационный кластер, трансфер технологий, сценарий регулирования процессов трансфера технологий, теория нечетких множеств, функция принадлежности, регрессионный анализ.

Получено

02.09.2020

Дата публикации

04.09.2020

Кол-во символов

27526

Цитировать

ГОСТ	Чаплыгин В. Г. , Мороз В. Н. Математическое определение эффективности трансфера технологий // Экономика и математические методы – 2020. – Tом 56. – Номер 3 C. 136-144 [Электронный ресурс]. URL: https://emm.jes.su/S042473880010522-3-1 (дата обращения: 29.04.2024). DOI: 10.31857/S042473880010522-3
MLA	Chaplygin, Vladimir, Moroz, Vadim "Mathematical determination of technology transfer efficiency." Ekonomika i matematicheskie metody 56.3 (2020):136-144. DOI: 10.31857/S042473880010522-3
APA	Chaplygin V., Moroz V. (2020). Mathematical determination of technology transfer efficiency. Ekonomika i matematicheskie metody 56(3), pp.136-144 DOI: 10.31857/S042473880010522-3

100 руб.

При оформлении подписки на статью или выпуск пользователь получает возможность скачать PDF, оценить публикацию и связаться с автором. Для оформления подписки требуется авторизация.

Оператором распространения коммерческих препринтов является ООО «Интеграция: ОН»

Всего подписок: 0, всего просмотров: 655

Оценка читателей: голосов 0

1. Афанасьев В.Н., Юзбашев М.Л., Гуляева Т.И. (2005). Эконометрика. М.: Финансы и статистика.

2. Башина О.Э., Спирин А.А. (ред.) (2007). Общая теория статистики. Статистическая методология в изучении коммерческой деятельности. М.: Финансы и статистика.

3. Гладилин А.В., Герасимов А.Н., Громов Е.И. (2006). Эконометрика. М.: КНОРУС.

4. Егорова М.В. (2007). Особенности функционирования инновационного кластера в регионе // Российское предпринимательство. № 1. С. 19–23.

5. Качалов Р.М. (ред.). (2017). Концептуальное моделирование процессов управления экономическим риском на основе нечеткой логики. М.: ЦЭМИ РАН.

6. Копылов А.В., Санжапов Б.Х., Игольникова О.С. (2013). Управление инновационным потенциалом предприятия на основе нечетко-множественного подхода. Волгоград: ВолгГТУ.

7. Максимов Ю., Митяков С., Митякова О. (2006). Инновационное развитие экономической системы: оценка эффективности трансфера технологий // Инновации. № 7 (94). С. 84–86.

8. Пахомова Е.А., Лычагина Т.А., Голубева М.С. (2015). Анализ финансового состояния производственного предприятия инструментарием теории нечетких множеств // Национальные интересы: приоритеты и безопасность. № 35. С. 15–25.

9. Пегат А. (2009). Нечеткое моделирование и управление. М.: БИНОМ. Лаборатория знаний.

10. Рубанов В.Г., Титов В.С., Бобырь М.В. (2014). Адаптивные системы принятия нечетко-логических решений. Белгород: Издательство БГТУ.

11. Рутковская Д., Пилиньский М., Рутковский Л. (2006). Нейронные сети, генетические алгоритмы и нечеткие системы. М.: Горячая линия — Телеком.

12. Соловьева Ю.В. (2016). Механизм трансфера технологий в инновационной экономике. М.:РУДН.

13. Фаттахов Р.В., Тульчинский Г.Л., Дончевский Г.Н., Нещадин А.А., Маврин Е.В., Низамутдинов М.М., Шагиахметов М.Р., Колбасов А.С., Фаттахов М.Р., Строев П.В. (2013). Инновационные кластеры — точки роста XXI века: теоретические подходы, методологические и методические основы их формирования и развития. М.: Финансовый университет.

14. Чаплыгин В.Г. (2004). Устойчивость и равновесие, кооперация и координация в глобальном пространстве: Дж. Нэш versus Г. Штакельберг // Известия Томского политехнического университета. № 2 (307). С. 173–176.

15. Чаплыгин В.Г., Дельцова Т.А. (2018). Корреляционно-регрессионный анализ взаимосвязи признаков криптовалюты биткоин // Вестник Балтийского федерального университета им. И. Канта. Серия: гуманитарные и общественные науки. № 2. С. 70–79.

16. Юдина М.Н. (2016). Узлы в социальных сетях: меры центральности и роль в сетевых процессах // Омский научный вестник. № 4 (148). С. 161–165.

17. Chengliang L., Mingming G., Dezhong D. (2018). Spatial pattern and influential mechanism of interurban technology transfer network in China. Acta Geographica Sinica, 73, 8, 1462–1477.

18. Chen Ch.-J., Hsiao Y.-Ch., Chu M.-A. (2014). Transfer mechanisms and knowledge transfer: The cooperative competency perspective. Journal of Business Research, 67, 2531–2541.

19. Engel J.S. (2015). Global clusters of innovation: Lessons from Silicon Valley. California Management Review, 57, 2, 36–65.

20. Huggins R., Prokop D., Thompson P. (2019). Universities and open innovation: The determinants of network centrality. The Journal of Technology Transfer. March. DOI: 10.1007/s10961-019-09720-5

21. Manimala M.J., Tomas K.R. (2013). Learning needs of technology transfer: Coping with discontinuities and disruptions. Journal of Knowledge Economy, 4, 4, 511–539.

22. Shipley M.F., Khoja F., Shipley J.B. (2018). Investigating task and risk orientations in social behavior in networks: A fuzzy set-based model connecting natural and social sciences. Annals of Operations Research, 268, 1–2, 21–40.

23. Shofar Y. (2002). Technology transfer as structural configuration of learning organization. Tel-Aviv: Tel-Aviv University.