• A
  • A
  • A
  • АБВ
  • АБВ
  • АБВ
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта

В НИУ ВШЭ создали базу данных по производственным цепочкам мирового ВПК

В НИУ ВШЭ создали базу данных по производственным цепочкам мирового ВПК

© iStock

Институт мировой военной экономики и стратегии (ИМВЭС) НИУ ВШЭ разработал новый аналитический инструмент для изучения оборонной промышленности зарубежных стран. База данных «Производственные цепочки мирового ВПК» показывает взаимосвязи между производителями на разных уровнях — от конечных систем до комплектующих.

Разработка базы данных «Производственные цепочки мирового ВПК» ведется в рамках проекта «Национальный центр социально-экономического и научно-технологического прогнозирования».

База данных представляет собой реляционную модель, позволяющую проследить производителей и поставщиков вооружения — от конечных образцов продукции до отдельных комплектующих. Она охватывает восемь стран: США, Великобританию, Францию, Германию, КНР, Индию, Пакистан и Иран. В текущую версию включены данные о 300 образцах вооружений, около 4000 узлов и комплектующих, а также 750 предприятиях.

Ключевая особенность проекта — трехуровневая структура анализа: готовое изделие (L1), узлы и агрегаты (L2) и комплектующие (L3), а также соответствующие уровни производителей — от головных исполнителей до поставщиков компонентов. Такой подход позволяет не только выявлять технологические цепочки, но и оценивать зависимость от конкретных поставщиков и уязвимости кооперации.

Пискунов Данил Андреевич

Данил Пискунов

«База данных разработана для изучения связей между различными предприятиями — от частных компаний до государственных корпораций и научно-исследовательских институтов в оборонной промышленности зарубежных стран. Ее уникальность заключается в синтезе методов конкурентной аналитики, реляционных моделей данных и анализа научно-производственной кооперации. Это позволяет выявлять ключевых игроков отрасли и их специализацию», — рассказал эксперт Института мировой военной экономики и стратегии НИУ ВШЭ Данил Пискунов.

По его словам, модель базы отражает многоуровневость производственных процессов. «Например, самолет как конечный продукт, двигатель как ключевой узел и отдельные компоненты, такие как топливные системы. Это позволяет выделить производителей, отвечающих за разные этапы создания продукции», — привел пример эксперт.

Разработчики подчеркивают, что на нижних уровнях производственных цепочек значительную роль играют гражданские предприятия, ориентированные на другие рынки. Это расширяет возможности анализа и делает базу востребованной не только в оборонной сфере, но и в более широком контексте промышленной кооперации.

Среди ключевых сценариев применения — анализ кооперационных связей, выявление узких мест и зависимостей, конкурентное сравнение оборонно-промышленных комплексов разных стран, а также поддержка экспортного контроля и подготовка аналитических материалов.

База данных размещена на платформе «Спектрум» НИУ ВШЭ и доступна в интерактивном формате с возможностью фильтрации по изделиям, компаниям, странам и источникам. В настоящее время ведутся переговоры с потенциальными заказчиками о предоставлении доступа на основе лицензионных соглашений с ограниченным сроком с обязательством соблюдения конфиденциальности.

Интерес к базе уже проявляют представители российского военно-промышленного комплекса, добавил Данил Пискунов.

Он подчеркнул, что разработка подобного инструмента открывает новые возможности для системного анализа глобальных производственных связей и повышения качества управленческих решений в промышленной политике.

Вам также может быть интересно:

Институт робототехнических систем ВШЭ запустил научно-технический семинар

Институт робототехнических систем (ИРС) ВШЭ запустил новый ежемесячный формат — Научно-технический семинар. Он объединяет сотрудников института, приглашенных экспертов, студентов, исследователей и представителей других подразделений НИУ ВШЭ для обсуждения актуальных задач мехатроники, робототехники и киберфизических систем.

В НИУ ВШЭ разработали сервис обезличивания табличных данных для безопасного использования в ИИ-системах

Институт искусственного интеллекта и цифровых наук ФКН ВШЭ разработал сервис обезличивания табличных данных, предназначенный для подготовки корпоративных данных к использованию в аналитических и ИИ-сервисах. Решение позволяет выявлять персональные данные в структурированных наборах, применять к ним воспроизводимые правила обезличивания и формировать артефакты, необходимые для контроля качества, аудита и последующего использования данных в защищенных контурах.

«Дни компьютерных наук год от года становятся масштабнее, и это отражает развитие ФКН»

Прошедший недавно в корпусе НИУ ВШЭ на Покровке фестиваль «Дни компьютерных наук» (ДКН) стал главной точкой притяжения для всех, кто интересуется технологиями. Событие, организованное факультетом компьютерных наук (ФКН) Вышки совместно с партнерами, собрало около трех тысяч участников: студентов, абитуриентов, выпускников, преподавателей и экспертов индустрии.

МИЭМ ВШЭ и АО «Нанотроника» запускают совместную мастерскую электронного машиностроения

Под руководством экспертов компании студенты будут решать задачи, связанные с улучшением характеристик устройств для электронного машиностроения. Среди них — моделирование физических и технологических процессов, расчет, конструирование и автоматизация систем, подсистем и элементов технологического и контрольно-измерительного оборудования, сбор данных, метрологические задачи.

Технодень МИЭМ ВШЭ: праздник технологий и старт новых партнерств

В атриуме на Покровке прошел масштабный фестиваль технологических решений инженерных проектных команд Московского института электроники и математики ВШЭ, где были представлены лучшие студенческие разработки и совместные мастерские МИЭМ и партнеров. Кроме того, в рамках события прошел круглый стол, посвященный вопросам инженерного образования, и были подписаны новые соглашения о сотрудничестве с компаниями – технологическими лидерами в своих отраслях деятельности.

Высшая школа экономики и «Ростелеком» поддержат ИИ-стартапы для госсектора

НИУ ВШЭ и «Ростелеком» подписали на ПМЭФ-2026 соглашение о сотрудничестве в рамках реализации акселератора ИИ-решений для государственного сектора. Совместная работа позволит объединить технологическую экспертизу крупнейшего цифрового партнера государства и академический потенциал ведущего исследовательского университета страны.

НИУ ВШЭ второй год подряд на первом месте рейтинга вузов Альянса в сфере ИИ

Альянс в сфере искусственного интеллекта опубликовал рейтинг российских высших учебных заведений по качеству подготовки кадров для работы с ИИ. Высшая школа экономики второй год занимает первую строчку рейтинга, оставаясь единственным университетом в категории A++.

Институт искусственного интеллекта и цифровых наук ВШЭ представил платформу предиктивной аналитики для бизнеса

Институт искусственного интеллекта и цифровых наук ФКН ВШЭ разработал Predict Core — унифицированное алгоритмическое ядро предиктивной аналитики. Платформа переводит работу с данными из режима отчетности постфактум в управленческую привычку с прогнозами, интерпретацией и понятным следом, показывающим, как была получена эта цифра.

НИУ ВШЭ и МТС договорились об обмене ИИ-компетенциями при подготовке инженерных кадров для телекома

НИУ ВШЭ и ПАО «МТС» заключили соглашение о стратегическом партнерстве, которое предполагает подготовку кадров с ИИ-компетенциями для телекоммуникационной отрасли по программам высшего и дополнительного профессионального образования. Соглашение направлено на повышение качества образования, обмен экспертизой и компетенциями при подготовке инженеров, владеющих технологиями ИИ и машинного обучения.

Студенты ФКН НИУ ВШЭ разработали ИИ-решения для прогнозирования и маркетинга

24 мая в Вышке состоялись защиты и церемония награждения хакатона по машинному обучению для ретейла, организованного MAGNIT TECH и факультетом компьютерных наук НИУ ВШЭ. В течение четырех дней команды работали над индустриальными кейсами технологичного драйвера крупнейшего ретейлера страны — компании «Магнит». Участники анализировали данные, обучали модели, проверяли гипотезы и защищали свои решения перед экспертами компании, чтобы в итоге не только добиться высокого качества моделей, но и предложить подходы для использования в реальном бизнесе.