В настоящем исследовании представлены основные этапы, итоги и обсуждены некоторые проблемы моделирования экономического роста регионов России в условиях развития цифровых технологий. Алгоритмической основой полученной модели выбрана нейронная сеть, которая позволила смоделировать процессы конвергенции информационных технологий в экономики регионов и оценить влияние отдельных показателей на изменение их отраслевой структуры. По способу обучения нейронной сети выбран вариант обучения «офлайн»,

more »

... котором коррекция весов производится после предъявления всех примеров обучающего множества. Посредством нейронной сети был выявлен как нелинейный (у показателей использование локальных вычислительных сетей, затраты на связь и затраты на обучение сотрудников), так и линейный (для величины затрат на ИКТ-оборудование и программное обеспечение) характер зависимостей относительно интегральных коэффициентов структурных сдвигов. Авторы отмечают, что представленная модель прогнозирования на основе нейронной сети не учитывает смещение выбора в сторону территорий, которые используют ИКТ более эффективно, в результате чего уменьшается возможность обобщения результатов. Кроме того, изучаемые процессы имеют явно нелинейный характер, и поэтому дальнейшие исследования требуют поиска адекватных моделей и применение и других инструментов прогнозирования. Ключевые слова: экономический рост, конвергентные технологии, структурные сдвиги, нейронные сети, прогнозирование This article presents the main stages, results and discusses some of the problems of economic growth in the regions of Russia in the context of digital technologies. The algorithmic system of the obtained model is a neural network, which made it possible to simulate the processes of convergence of information technologies in economic regions and to assess the impact of individual indicators on the change in their sectoral structure. According to the method of training the neural network, «offline» is selected, in which the weights are corrected after presenting all examples of the training set. By means of linear support, nonlinear (indicators of the use of local computer networks, communication costs and costs of training employees) and linear (for the amount of costs for ICT equipment and software) dependencies with respect to the integral coefficients of structural changes were identified. The authors note that the presented forecasting model based on a neural network does not take into account the selection bias towards territories that use ICT more efficiently, as a result of which the choice of results decreases. In addition, the processes under study are clearly nonlinear and further research requires the search for adequate models and other forecasting tools.