+7(495) 989 9610
ИД «Финансы и кредит»

ЖУРНАЛЫ

  

АВТОРАМ

  

ПОДПИСКА

    
«Финансы и кредит»
 

Реферирование и индексирование

РИНЦ
Referativny Zhurnal VINITI RAS
Worldcat
LCCN Permalink
Google Scholar

Электронные версии в PDF

EBSCOhost
Eastview
Elibrary
Biblioclub

Моделирование и оценка материальной и нематериальной мотивации топ-менеджмента управляющих структур регионов и округов

Купить электронную версию статьи

т. 26, вып. 10, октябрь 2020

Получена: 23.07.2020

Получена в доработанном виде: 06.08.2020

Одобрена: 20.08.2020

Доступна онлайн: 29.10.2020

Рубрика: Инвестиционная деятельность

Коды JEL: C63, E17, O21, O36

Страницы: 2170–2192

https://doi.org/10.24891/fc.26.10.2170

Яшин С.Н. доктор экономических наук, профессор, заведующий кафедрой менеджмента и государственного управления, Национальный исследовательский Нижегородский государственный университет имени Н.И. Лобачевского (ННГУ), Нижний Новгород, Российская Федерация 
jashinsn@yandex.ru

https://orcid.org/0000-0002-7182-2808
SPIN-код: 4191-7293

Кошелев Е.В. кандидат экономических наук, доцент кафедры менеджмента и государственного управления, Национальный исследовательский Нижегородский государственный университет имени Н.И. Лобачевского (ННГУ), Нижний Новгород, Российская Федерация 
ekoshelev@yandex.ru

https://orcid.org/0000-0001-5290-7913
SPIN-код: 8429-5702

Борисов С.А. кандидат экономических наук, доцент кафедры менеджмента и государственного управления, Национальный исследовательский Нижегородский государственный университет имени Н.И. Лобачевского (ННГУ), Нижний Новгород, Российская Федерация 
ser211188@yandex.ru

https://orcid.org/0000-0002-6829-0230
SPIN-код: 9422-4591

Предмет. Взаимосвязь материальной и нематериальной мотивации топ-менеджеров в целях разработки рациональной системы их поощрения.
Цели. Создание модели оценки материальной и нематериальной мотивации топ-менеджеров регионов и округов.
Методология. Используется метод многоцелевого генетического алгоритма, который позволяет получить Парето-фронт для двухцелевой функции естественного прироста населения.
Результаты. Согласно полученной модели максимальный прирост населения в отдельном регионе Приволжского федерального округа в случае ориентации на нематериальную мотивацию топ-менеджмента получается при минимальных внутренних затратах на НИР. В случае ориентации на материальную мотивацию максимальный прирост населения будет наблюдаться при наибольшей площади жилых помещений на душу населения и наибольшем удельном весе автодорог с твердым покрытием.
Выводы. Полученные результаты могут быть полезны государственным структурам в целях разработки рациональной системы материальной и нематериальной мотивации своих топ-менеджеров.

Ключевые слова: мотивация топ-менеджмента, многоцелевой генетический алгоритм

Список литературы:

  1. Яшин С.Н., Кошелев Е.В., Купцов А.В., Подшибякин Д.В. Инвестиционное планирование модернизации оборудования производственной компании: монография. Н. Новгород: Печатная Мастерская РАДОНЕЖ, 2015. 201 с. URL: Link
  2. Лимитовский М.А. Репутация, квалификация и мотивация как драйверы ценности // Российский журнал менеджмента. 2009. Т. 7. № 2. С. 51—68. URL: Link
  3. Khosrow-Pour M. Contemporary Advancements in Information Technology Development in Dynamic Environments. U.S.A., IGI Global, 2014, 410 p.
  4. Kalyanmoy D. Multi-Objective Optimization Using Evolutionary Algorithms. New York, John Wiley & Sons, Inc., 2009, 544 p.
  5. Baeck T., Fogel D.B., Michalewicz Z. Evolutionary Computations 2: Advanced Algorithms and Operators. CRC Press, 2000, 308 p.
  6. Fogel D.B., Fogel L.J., Porto V.W. Evolving Neural Networks. Biological Cybernetics, 1990, vol. 63, pp. 487–493. URL: Link
  7. Fogel D.B. Evolutionary Computation: Towards a New Philosophy of Machine Intelligence. New York, IEEE Press, 1995, 272 p.
  8. Coello Coello C.A., Lamont G.B., van Veldhuizen D.A. Evolutionary Algorithms for Solving Multi-Objective Problems. Springer Science & Business Media, 2007, 800 p.
  9. Branke J., Kalyanmoy D., Miettinen K., Slowinski R. (Eds). Multiobjective Optimization: Interactive and Evolutionary Approaches. Springer Science & Business Media, 2008, 470 p.
  10. Messac A., Ismail-Yahaya A., Mattson C.A. The Normalized Normal Constraint Method for Generating the Pareto Frontier. Structural and Multidisciplinary Optimization, 2003, vol. 25, pp. 86–98. URL: Link
  11. Erfani T., Utyuzhnikov S.V. Directed Search Domain: A Method for Even Generation of the Pareto Frontier in Multiobjective Optimization. Engineering Optimization, 2011, vol. 43, iss. 5, pp. 467–484. URL: Link
  12. Sim K.-B., Kim J.-Y. Solution of Multiobjective Optimization Problems: Coevolutionary Algorithm Based on Evolutionary Game Theory. Artificial Life and Robotics, 2004, vol. 8, pp. 174–185. URL: Link
  13. Rafiei S.M.R., Amirahmadi A., Griva G. Chaos Rejection and Optimal Dynamic Response for Boost Converter Using SPEA Multi-objective Optimization Approach. 2009 35th Annual Conference of IEEE Industrial Electronics, Porto, 2009, pp. 3315–3322. URL: Link
  14. Bemporad A., Muñoz de la Peña D. Multiobjective Model Predictive Control. Automatica, 2009, vol. 45, iss. 12, pp. 2823–2830. URL: Link
  15. Sendín J.O.H., Alonso A.A., Banga J.R. Efficient and Robust Multi-objective Optimization of Food Processing: A Novel Approach with Application to Thermal Sterilization. Journal of Food Engineering, 2010, vol. 98, iss. 3, pp. 317–324. URL: Link
  16. Motta R. de S., Afonso S.M.B., Lyra P.R.M. A Modified NBI and NC Method for the Solution of N-Multiobjective Optimization Problems. Structural and Multidisciplinary Optimization, 2012, vol. 46, pp. 239–259. URL: Link
  17. Domingo-Perez F., Lazaro-Galilea J.L., Wieser A. et al. Sensor Placement Determination for Range-Difference Positioning Using Evolutionary Multi-objective Optimization. Expert Systems with Applications, 2016, vol. 47, pp. 95–105. URL: Link
  18. Nguyen H.A., van Iperen Z., Raghunath S. et al. Multi-objective Optimisation in Scientific Workflow. Procedia Computer Science, 2017, vol. 108, pp. 1443–1452. URL: Link
  19. Abakarov A., Sushkov Yu., Mascheroni R.H. Multi-criteria Optimization and Decision-Making Approach for Improving of Food Engineering Processes. International Journal of Food Studies, 2012, vol. 2, no. 1, pp. 1–21. URL: Link
  20. Conn A.R., Gould N.I.M., Toint Ph.L. A Globally Convergent Augmented Lagrangian Algorithm for Optimization with General Constraints and Simple Bounds. SIAM Journal on Numerical Analysis, 1991, vol. 28, no. 2, pp. 545–572. URL: Link
  21. Conn A.R., Gould N.I.M., Toint Ph.L. A Globally Convergent Lagrangian Barrier Algorithm for Optimization with General Inequality Constraints and Simple Bounds. Mathematics of Computation, 1997, vol. 66, no. 217, pp. 261–288. URL: Link
  22. Kolda T.G., Lewis R.M., Torczon V. A Generating Set Direct Search Augmented Lagrangian Algorithm for Optimization with a Combination of General and Linear Constraints. Technical Report SAND2006-5315. Oak Ridge, Sandia National Laboratories, August 2006, 44 p. URL: Link

Посмотреть другие статьи номера »

 

ISSN 2311-8709 (Online)
ISSN 2071-4688 (Print)

Свежий номер журнала

т. 26, вып. 11, ноябрь 2020

Другие номера журнала