Оценка инновационного потенциала металлургических предприятий, участвующих в реализации сложных проектов

Специфика российской металлургии, связанная с высокой зависимостью от рыночной конъюнктуры указанных отраслей-потребителей, обуславливает ее существенную подверженность воздействию кризисных явлений [8]. В последние два года отечественные металлургические предприятия достаточно серьезно ощутили влияние негативных явлений как в российской, так в мировой экономике, приведшие к сокращению внутреннего и внешнего потребления металлопродукции. В общем, производство металлургической продукции является технологически сложным, длительным и ресурсно затратным процессом, требующим детальной подготовки каждого этапа. Как следствие, его эффективная реализация предполагает согласованную разработку и внедрение инновационных решений как в рамках каждого этапа (между предприятиями-смежниками), так и учет данных решений на последующих этапах.
Важную роль при управлении многозвенными инновационными процессами, особенно в высокотехнологических областях, играет анализ внутренних и внешних возможностей различных участников данных процессов для реализации поставленных научно-технических задач. В этой связи возникает актуальная задача разработки инструментов диагностики внутреннего инновационного потенциала предприятия, а также анализа внешних возможностей [4; 6].
Инновационный потенциал предприятия отражает имеющиеся ресурсы и внутренние возможности, необходимые для реализации поставленной задачи:
- финансовые ресурсы (инвестиционный потенциал – Инв);
- человеческий капитал, заключающийся в знаниях и навыках сотрудников (интеллектуальный потенциал – Инт);
- накопленный опыт в области реализации высокотехнологичных решений, выражаемый в объектах интеллектуальной собственности (научно-технологический потенциал – НТ) [7];
- имеющаяся материально-техническая база, необходимая для реализации производственного процесса (МТ).
К источникам производственно-технической, рыночной, отраслевой, нормативно-правовой и иной информации можно отнести публикации, статистические сборники, отчеты различных контрагентов (конкурентов, поставщиков, органов государственной власти, научно-исследовательских и образовательных организаций, инфраструктурных объектов) [5; 9].
На рис. 1 приведена модель реализации сложных инновационных проектов в технологической цепи создания металлопродукции, охватывающей этапы от добычи руды и ее первичной обработки до создания конечной продукции. На рисунке показано, что на каждом этапе технологической цепи инновационные проекты могут выполняться несколькими участниками, обладающими различным инновационным потенциалом. Такой подход позволяет сформировать комплексный инновационный потенциал, который, в том числе, учитывает инновационный потенциал потребителей.
Проведенный анализ показал, что решение подобных диагностических задач требует применения методов интеллектуального анализа данных ввиду отсутствия достаточного объема статистической информации, необходимого для использования традиционных методов. О.В. Багузова, М.В. Головинская, Е.Ю. Чичерова [1] предложили в качестве подхода к решению указанных задач использовать сетевые модели, которые позволяют отображать причинно-следственные связи между факторами, используя естественно языковые конструкции.
Одним из таких методов являются растущие пирамидальные сети, которые активно используются для обработки слабоструктурированной информации, характеризуются низкими требованиями к объемам обучающей выборки и отличаются возможностью адаптации сетевой структуры к особенностям вводимых данных [2; 3].
На рис. 2 приведена процедура диагностики различных составляющих инновационного потенциала, основанная на применении методов интеллектуального анализа данных.

Особенности приведенной на рис. 1 модели инновационных процессов в металлургической отрасли обуславливают необходимость учета временного фактора. Так, при оценке перспективности инновационного проекта необходимо учитывать уровень инновационного потенциала каждого участника на протяжении всего периода реализации. Например, инновационный потенциал предприятия определяется следующим образом:

где – значение j-ого показателя, оценивающего i-ую характеристику составляющей инновационного потенциала в момент времени t.
Для прогнозирования значений показателей, оценивающих различные характеристики составляющих инновационного потенциала, может применяться статистический фильтр Кальмана, который вкупе с нечетко-логическими алгоритмами позволит оценивать и прогнозировать состояние различных показателей на один шаг вперед.
Для определения возбужденных рецепторов предлагается использовать нечетко-логический вывод по алгоритму Сугено, который позволяет на основе экспертных мнений и имеющейся квазистатистики определить класс (возбужден или невозбужден), к которому может быть отнесено состояние объекта.