ISSN (print) - 0131-7652

ISSN (online) - 2686-7605

Том 55 № 3 (2025)
ОТРАСЛИ И РЫНКИ

О взаимосвязи «эффекта обучения» и динамики процесса освоения-добычи углеводородов

Требуется подписка или оплата PDF (100 RUB)
  • В.А. Крюков,
  • Д. Абугсиса,
  • Д.И. Душенин
В.А. Крюков
Институт экономики и организации промышленного производства СО РАН; Национальный исследовательский университет «Высшая школа экономики» (Москва)
Д. Абугсиса
Национальный исследовательский университет «Высшая школа экономики»
Д.И. Душенин
Институт экономики и организации промышленного производства СО РАН
DOI: https://doi.org/10.30680/ECO0131-7652-2025-3-83-96

Опубликован 06.06.2025

Ключевые слова

  • добыча углеводородов; новые объекты освоения; новые типы объектов добычи углеводородов; прогнозирование; генерация знаний; кривые обучения; инновации; трудноизвлекаемые запасы

Как цитировать

1.
Крюков В, Абугсиса Д, Душенин Д. О взаимосвязи «эффекта обучения» и динамики процесса освоения-добычи углеводородов. ECO [Интернет]. 6 июнь 2025 г. [цитируется по 28 июнь 2025 г.];55(3):83-96. доступно на: https://ecotrends.ru/index.php/eco/article/view/4866

Аннотация

В статье представлены результаты исследования влияния эволюции ключевых инновационных и организационных технологий на экономическую эффективность разработки нетрадиционных источников углеводородов. Анализ проведен на примере построения модифицированных «кривых обучения» для двух добывающих компаний, участвующих и организующих процесс освоения формации сланцевых углеводородов Баккен в США. Также рассмотрены возможности применения методов машинного обучения для оценки скорости развития технологий в зависимости от степени участия вовлеченных в данный процесс компаний. Результаты подтверждают рабочую гипотезу о возможности построения «кривых обучения» с учётом влияния на скорость развития технологий слабо управляемых факторов. Обоснована значимость создания благоприятной среды для стимулирования инновационного роста и снижения затрат в ходе обмена знаниями и, как следствие, повышения темпов процесса обучения. Результаты исследования могут быть использованы для стимулирования развития инновационных процессов в нефтегазовом секторе.
Требуется подписка или оплата PDF (100 RUB)

Библиографические ссылки

  1. Крюков В.А., Горлов А.А. Прогнозирование процессов развития ветровой энергетики в бассейне Северного моря на базе кривых обучения // Проблемы прогнозирования. 2019. № 2. С. 93–103.
  2. Крюков В.А., Миляев Д.В., Душенин Д.И., Савельева А.Д., Скузоватов М.Ю. Генерация новых знаний в ресурсном секторе экономики // Проблемы прогнозирования. 2022. № 3. С. 28–41. DOI: 10.47711/0868–6351–192–28–41
  3. Миляев Д.В., Душенин Д.И., Киданова О.А. Эффект накопления знаний при определении критериев рентабельности сырьевых проектов // Мир экономики и управления. 2018. Т. 18, № 1. С. 54–69. DOI 10.25205/2542–0429–2018–18–1–54–69
  4. Прищепа О.М., Аверьянова О.Ю., Высоцкий В.И., Морариу Д. Формация Баккен: геология, нефтегазоносность и история разработки // Нефтегазовая геология. Теория и практика. 2013. Т. 8, № 2. URL: http://www.ngtp.ru/rub/9/19_2013.pdf (дата обращения: 06.03.2025). DOI: 10.17353/2070–5379/19_2013
  5. Шарф И.В., Борзенкова Д.Н. Трудноизвлекаемые запасы нефти: понятие, классификационные подходы и стимулирование разработки // Фундаментальные исследования. 2015. № 2. С. 3593–3597.
  6. Шафраник Ю.К., Крюков В.А. Нефтегазовые ресурсы России: трудный путь к многообразию. М.: Перо, 2016. 272 с.
  7. Abdulkareem, S.A., Mustafa, Y.T., Augustijn, E.W., Filatova, T. (2019). Bayesian Networks for Spatial Learning: A Workflow on Using Limited Survey Data for Intelligent Learning in Spatial Agent-Based Models. Geoinformatica. Vol. 23 (2). Pp. 243–268.
  8. Ali, J. et al. (2012). Random forests and decision trees. International Journal of Computer Science Issues (IJCSI). Vol. 9 (5). P. 272.
  9. Barbero, J. et al. (2024). Technologically related diversification: One size does not fit all European regions. Research Policy. Vol. 53 (3). P. 104973. DOI: 10.1016/j.respol.2024.104973
  10. Basilico, S., Graf, H. (2023). Bridging technologies in the regional knowledge space: measurement and evolution. Journal of Evolutionary Economics. Vol. 33 (4). Pp. 1085–1124.
  11. Cooke, P., Leydesdorff, L. (2006). Regional Development in the Knowledge-Based Economy: The Construction of Advantage. The Journal of Technology Transfer. Vol. 31 (1). Pp. 5–15.
  12. Lorwongngam, A.O., Cipolla, C., Gradl, C., Gil Cidoncha, J., Davis, B. (2019). Multidisciplinary data gathering to characterize hydraulic fracture performance and evaluate well spacing in the Bakken / SPE Hydraulic Fracturing Technology Conference and Exhibition, Conference Paper. DOI: 10.2118/194321-MS.
  13. Montgomery, C.T., Michael, B. (2010). Hydraulic fracturing: History of an enduring technology. Journal of Petroleum Technology. Vol. 62 (12). Pp. 26–40. DOI: 10.2118/1210–0026-JPT
  14. Statistical Review of World Energy – 2024, 73rd edition. P. 20. Available at: chrome-extension://efaidnbmnnnibpcajpcglclefindmkaj/https://www.connaissancedesenergies.org/sites/connaissancedesenergies.org/files/pdf-actualites/Statistical%20Review%20of%20World%20Energy%202024.pdf (accessed 06.03.2025).
  15. Turrell, A. (2016). Agent-Based Models: Understanding the Economy from the Bottom Up / Quarterly Bulletin, Q4. – Bank of England. Pp. 173–188. Available at: chrome-extension://efaidnbmnnnibpcajpcglclefindmkaj/ https://faculty.sites.iastate.edu/tesfatsi/archive/tesfatsi/ABMOverview.BankOfEngland.ATurrell2017.pdf (accessed 06.03.2025).
  16. Zhang, J. et al. (2024).The Path Innovation of Regional Economic Growth: Data Analysis Based on China. Journal of the Knowledge Economy. Vol. 15 (4). Pp. 20111–20134. DOI:10.1007/s13132–024–01847–7

Наиболее читаемые статьи этого автора (авторов)

<< < 1 2 3 4 > >>