Развитие информационных и телекоммуникационных технологий в России как процесс распространения инноваций

• Автор: Делицын, Леонид Леонидович
• Шифр специальности: 05.25.05
• Научная степень: Кандидатская
• Год защиты: 2006
• Место защиты: Москва
• Количество страниц: 293 с.

Оглавление
Введение

Глава 1. Динамика аудитории Интернета в Российской Федерации

1.1. Анализ прогноза Мининформсвязи на гг.

1.2. Анализ данных социологических опросов об использовании Интернета при помощи моделей распространения инноваций
1.3. Прогнозы аудитории российского Интернета и крупных Интернетресурсов по данным Интернетсчтчиков

1.4. Основные выводы и рекомендации Интернетпорталам

Глава 2. Проблема цифрового неравенства и потенциал распространения Интернета в России

2.1. Обзор исследований факторов, сдерживающих развитие информатизации России

2.2. Анализ влияния среднедушевого ВВП на уровень проникновения Интернета в различных странах

2.3. Анализ влияния среднедушевого ВВП на уровень проникновения Интернета в России

2.4. Регрессионный анализ влияния среднедушевого ВВП на уровень проникновения телевидения, радио и прессы
2.5. Корреляционный анализ влияния среднедушевого ВВП, уровня проникновения телевидения, радио, прессы и телефонной связи на уровень проникновения Интернета
Глава 3. Компьютерный рынок и оценка числа пользователей Интернета в Российской Федерации
3.1. Источники информации о компьютерном парке РФ
3.2. Сценарий роста компьютерного рынка с по гг.
3.3. Сценарий с постоянным объмом рынка
3.4. Анализ результатов моделирования
Глава 4. Динамика распространения сайтов электронной коммерции
4.1. Динамика общей численности сайтов
4.2. Динамика численности сайтов электронной коммерции
Заключение
Список использованной литературы


Функция И(0 носит название скорости подключения или индивидуальной вероятности подключения. Она интерпретируется как вероятность того, что случайный потенциальный пользователь приобретёт продукт в момент (. Функцию И(() можно интерпретировать как параметр конверсии или механизм перехода потенциального пользователя в пользователя: скорость отклика тех, кто ещё не является пользователями. Щ1)/К- доля пользователей в населении в момент / или вероятность того, что индивидуум является пользователем. Величина г называется “коэффициентом имитации” и в логистической модели предполагается постоянной. Иными словами, все существующие пользователи новинки приблизительно с одинаковой интенсивностью г распространяют информацию о ней. Вместо N(0 будем использовать также альтернативное обозначение И((т). Л^. Момент времени Оо% является точкой перегиба логистической функции и точкой максимума её производной; он аналогичен центру нормального распределения. В течение этого времени логистическая функция возрастает с 0,1 до 0,9 от максимального значения. Характерное время логистического распределения играет приблизительно ту же роль, что стандартное отклонение нормального распределения, то есть характеризует ширину распределения. В процессе моделирования мы рассчитываем “теоретические” или “синтетические” данные N(0 пользуясь заданными значениями параметров т = (К, г, N(1) или (К, ОооЛ,ЛО. При моделировании мы полагаем эти параметры известными. В реальности, однако, параметры г, К, и нам неизвестны и не поддаются непосредственному измерению. Мы не знаем, скольких знакомых россиянину в среднем удастся увлечь Интернетом за один год, в каком году подключилась половина потенциальных пользователей, и в течение какого периода времени произойдёт рост проникновения Интернета с % до %. Параметр К можно оценить, опрашивая россиян, намереваются ли они однажды воспользоваться Интернетом. Однако не все потенциальные пользователи новых технологий уже знают об их существовании. ФОМ в г. Интернет. Будущие пользователи узнают об инновации в процессе распространения информации о ней. Параметр г (и связанный с ним Л() также можно оценить путём проведения массовых опросов, однако автору в настоящий момент неизвестно, проводились ли социологические исследования такого рода. Следовательно, по крайней мере один необходимый для исследования процесса параметр нам неизвестен. Поэтому приходится пользоваться данными о состоянии процесса, то есть о числе пользователей, и вычислять параметры процесса путём решения обратной задачи. Поставим обратную задачу, то есть задачу определения параметров модели при помощи наблюдаемых данных [5]. Пусть в наличии имеются данные то есть значения плотности проникновения Интернета, измеренные в некоторые моменты времени (7;, t2,. Данные представляют собой случайную величину, то есть, помимо информации об уровне проникновения Интернета, данные содержат в себе случайную ошибку. Ошибка может входить в состав данных, вообще говоря, весьма сложным и нелинейным образом. Распределение данных может быть как стационарным, когда закон распределения одинаков для всех моментов данных, так и нестационарным, что означает изменение параметров распределения во времени. Две наиболее часто используемые, хотя и упрощённые, модели случайной ошибки - аддитивная и мультипликативная []. V, - случайная ошибка. Ниже будет показано, что именно такое распределение описывает данные социологических опросов (в частности, опросов ФОМ). В соответствии с принципом максимального правдоподобия мы пытаемся найти такие параметры т, которые максимизируют вероятность Р(т). Очевидно, что это эквивалентно минимизации функционала ошибки Ф(т)=1п(Р(т)), суммирующего квадраты отклонений синтетических” данных Щт) от реальных с! Ы)<0%. Хотя эти ограничения выглядят тривиальными, локальные максимумы функционала ошибки иногда возникают при отрицательных N0, которые не имеют смысла - число пользователей не может быть отрицательным. Таким образом, мы должны решить задачу нелинейной оптимизации с ограничениями.