+7 (925) 966 4690
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 мотивации топ-менеджмента государственных структур регионов с использованием многоцелевого генетического алгоритма

т. 28, вып. 5, май 2022

Получена: 14.03.2022

Получена в доработанном виде: 28.03.2022

Одобрена: 11.04.2022

Доступна онлайн: 30.05.2022

Рубрика: Инвестиционная деятельность

Коды JEL: C63, E17, O21, O36

Страницы: 972–999

https://doi.org/10.24891/fc.28.5.972

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

Суханов Д.А. кандидат экономических наук, преподаватель, НОЧУ ДПО «Биота — Плюс», Нижний Новгород, Российская Федерация 
svx85@yandex.ru

https://orcid.org/0000-0002-4600-0108
SPIN-код: 4012-2672

Предмет. Мотивация топ-менеджеров государственных структур в приведении в соответствие интересов населения, государства и его топ-менеджеров.
Цели. Создание модели мотивации топ-менеджмента госструктур регионов, ставящей нематериальную мотивацию в зависимость от достигнутого стратегического потенциала региона.
Методология. Использован многоцелевой генетический алгоритм, Парето-фронт.
Результаты. Для каждой из трех целей в конкретном регионе сравниваются последние фактические значения исследуемых девяти факторов с ближайшими плановыми (оптимальными) значениями Парето-фронта. Положительное отклонение от оптимума оценивается позитивно, что позволяет дополнительно поощрять топ-менеджеров материально либо нематериально. Отрицательное отклонение свидетельствует о принятии ими в прошлом некачественных управленческих решений.
Выводы. Результаты могут быть полезны государственным структурам для разработки рациональной системы материальной и нематериальной мотивации топ-менеджеров.

Ключевые слова: мотивация топ-менеджмента, многоцелевой генетический алгоритм

Список литературы:

  1. Khytrova O.A., Sysoieva I.M., Dolha H.V. et al. Ensuring the Growth of Enterprises and Organizations Through the Motivation of Managerial Staff. International Journal of Economics and Business Administration, 2020, vol. 8, iss. 2, pp. 219–228. URL: Link
  2. Munna A.S. Strategic Management, Leadership and Staff Motivation: Literature Review. International Education and Culture Studies, 2021, vol. 1, iss. 1, pp. 21–29. URL: Link
  3. Dogar M.N. Breach of Psychological Contract: Impact on Workforce Motivation and Organizational Sustainability. Emerald Emerging Markets Case Studies, 2020, vol. 10, no. 1. URL: Link
  4. Kampf R., Lorincova S., Kapustina L.M., Lizbetinova L. Motivation Level and its Comparison Between Senior Managers and Blue-Collar Workers in Small and Medium-Sized Transport Enterprises. Communications – Scientific Letters of the University of Zilina, 2017, vol. 19, no. 4, pp. 43–49. URL: Link
  5. Schwarz G., Eva N., Newman A. Can Public Leadership Increase Public Service Motivation and Job Performance? Public Administration Review, 2020, vol. 80, iss. 4, pp. 543–554. URL: Link
  6. Long Q., Wu Ch., Wang X. et al. A Multiobjective Genetic Algorithm Based on a Discrete Selection Procedure. Mathematical Problems in Engineering, 2015, vol. 2015, 17 p. URL: Link
  7. Fita A. Three-Objective Programming with Continuous Variable Genetic Algorithm. Applied Mathematics, 2014, vol. 5, no. 21, pp. 3297–3310. URL: Link
  8. Khan A., Baig A.R. Multi-Objective Feature Subset Selection using Non-dominated Sorting Genetic Algorithm. Journal of Applied Research and Technology, 2015, vol. 13, no. 1, pp. 145–159. URL: Link30013-4
  9. Das S., Chaudhuri Sh., Das A.K. Optimal Set of Overlapping Clusters Using Multi-objective Genetic Algorithm. ICMLC 2017: Proceedings of the 9th International Conference on Machine Learning and Computing, 2017, pp. 232–237. URL: Link
  10. Li B., Jin B.-F. Research on Dynamic Multi-objective FJSP Based on Genetic Algorithm. 2018 IEEE 16th Int Conf on Dependable, Autonomic and Secure Computing, 16th Int Conf on Pervasive Intelligence and Computing, 4th Int Conf on Big Data Intelligence and Computing and Cyber Science and Technology Congress, 2018, pp. 347–352. URL: Link
  11. Thananant V., Auwatanamongkol S. Supervised Clustering based on a Multi-objective Genetic Algorithm. Pertanika Journal of Science & Technology, 2019, vol. 27, iss. 1, pp. 81–121. URL: Link
  12. Sardaraz M., Tahir M. A Parallel Multi-objective Genetic Algorithm for Scheduling Scientific Workflows in Cloud Computing. International Journal of Distributed Sensor Networks, 2020, vol. 16, iss. 8. URL: Link
  13. Wang J., Liu Sh., Li M. et al. Multiobjective Genetic Algorithm Strategies for Burnable Poison Design of Pressurized Water Reactor. International Journal of Energy Research, 2021, vol. 45, iss. 8, pp. 11930–11942. URL: Link
  14. Maghawry A., Hodhod R., Omar Y., Kholief M. An Approach for Optimizing Multi-objective Problems Using Hybrid Genetic Algorithms. Soft Computing, 2021, vol. 25, pp. 389–405. URL: Link
  15. Nikseresht M., Raji M. MOGATS: A Multi-objective Genetic Algorithm-based Task Scheduling for Heterogeneous Embedded Systems. International Journal of Embedded Systems, 2021, vol. 14, iss. 2, pp. 171–184. URL: Link
  16. Vasant P. A Novel Hybrid Genetic Algorithms and Pattern Search Techniques for Industrial Production Planning. International Journal of Modeling, Simulation, and Scientific Computing, 2012, vol. 03, no. 04. URL: Link
  17. Baeyens E., Herreros A., Perán J.R. A Direct Search Algorithm for Global Optimization. Algorithms, 2016, vol. 9, iss. 2, p. 40. URL: Link
  18. Guariso G., Sangiorgio M. Improving the Performance of Multiobjective Genetic Algorithms: An Elitism-Based Approach. Information, 2020, vol. 11, iss. 12, p. 587. URL: Link
  19. Yashin S., Koshelev E., Tsymbalov S. et al. Assessment of Material and Intangible Motivation of Top Management in Regions Using Multipurpose Genetic Algorithm. Proceedings of the International Conference Digital Age: Traditions, Modernity and Innovations (ICDATMI 2020), 2020, vol. 489, pp. 33–39. URL: Link

Посмотреть другие статьи номера »

 

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

Свежий номер журнала

т. 28, вып. 5, май 2022

Другие номера журнала