Применение методов кластеризации в экономическом анализе регионов

Технологическая и цифровая трансформация, проникающая во все сферы экономики, предъявляет требования к уровню готовности объектов социальной инфраструктуры. Цель статьи оценить готовность к цифровой трансформации инфраструктуры образования регионов, выявить дифференциацию регионов РФ методами машинного обучения. Проведена кластеризация регионов РФ по степени цифровой оснащенности образовательных организаций. Кластеризация осуществлена при помощи самоорганизующихся карт Кохонена и классических методов кластеризации, в частности метода Linkage. Полученные результаты показали возможность распределить регионы на четыре неравномерных кластера, имеющих существенные отличия. Отмечено, что в регионах РФ в среднем наиболее высокая обеспеченность компьютерами присутствует в организациях, осуществляющих образовательную деятельность по программам высшего образования, наименьшая – в школах. Данные исследования могут быть использованы для дальнейшего анализа и принятия решений, повышающих эффективность цифровизации регионов РФ, в том числе для поиска экономических решений в области развития инфраструктуры образования

Ключевые слова: цифровая трансформация, кластеризация, дифференциация регионов, инфраструктура образования, машинное обучение, нейронные сети, самоорганизующиеся карты Кохонена.

Список использованных источников

  1. Я. И. Кузьминов, И. Д. Фрумин, И. В. Абанкина и др. Как сделать образование двигателем социально-экономического развития? М.: Издательский дом НИУ ВШЭ, 2019. https://publications.hse.ru/books/287219806.
  2. Послание Президента РФ В. В. Путина Федеральному Собранию, 1 декабря 2016 г. http://kremlin.ru/events/president/news/copy/53379. 
  3. K. Schwab. The fourth industrial revolution. Penguin, 2017. 192 p.
  4. Стратегия научно-технологического развития Российской Федерации: утверждена указом Президента РФ № 642 от 01.12.2016 г. (ред. от 15.03.2021 г.). http://www.consultant.ru/document/cons_doc_LAW_207967. 
  5. Е. А. Алпеева, Е. А. Мерзлякова, А. В. Сысоев/ Теоретические подходы к исследованию социально ориентированной инфраструктуры региона//Экономика в промышленности. 2018. Т. 11. № 4. С. 412-417.
  6. З. Ф. Гарипова, Л. Р. Халитова. Развитие социальной инфраструктуры как приоритетное направление повышения конкурентоспособности и конкурентоустойчивости территориальной системы//Финансовая экономика. 2020. № 2. С. 263-267.
  7. Ю. А. Кузнецова. Социальная инфраструктура в рамках концепции конкурентоустойчивости территории//Международный журнал прикладных и фундаментальных исследований. 2017. № 8-2. С. 333-337.
  8. Н. П. Кузьмич. Развитие социальной инфраструктуры сельских территорий региона в целях улучшения качества жизни населения//Экономика: вчера, сегодня, завтра. 2019. Т. 9. № 4А. С. 392-399.
  9. А. Л. Сабинина, В. В. Соколовский, Н. А. Шульженко, Н. А. Сычева. О стратегии развития многофункциональных комплексов социальной инфраструктуры в парадигме «умный город»//Финансы и кредит. 2020. Т. 26. № 7 (799). С. 1469-1495.
  10. O. A. Busari. The role of economic and social infrastructure in economic development: a global view. https://www.academia.edu/1566979/The_role_of_economic_and_social_infrastructure_in_economic_development_a_global_view_by.
  11. B. Ibama, S. S. Owukio, C. Wocha. Comparative Study of Social Infrastructure Provision in Ikwerre and Etche Local Government Areas of Rivers State Using Geographic Information System//Scientific Research Journal (SCIRJ), Vol. III. Iss. V. May 2015. https://www.academia.edu/27563581/Comparative_Study_of_Social_Infrastructure_Provision_in_Ikwerre_and_Etche_Local_Government_Areas_of_Rivers_State_Using_Geographic_Information_System.
  12. G. Torrisi. Public infrastructure: definition, classification and measurement issues. University Library of Munich, Germany, MPRA Paper, 2009. https://www.researchgate.net/publication/23935428_Public_infrastructure_definition_classification_and_measurement_issues.
  13. Н. С. Ильюшенко. Digital learning: Перспективы и риски цифрового поворота в образовании//Проектирование будущего. Проблемы цифровой реальности: труды 2-й Международной конференции (7-8 февраля 2019 г., Москва). М.: ИПМ им. М.В.Келдыша, 2019. С. 215-225. https://keldysh.ru/future/2019/20.pdf. doi:10.20948/future-2019-20.
  14. L. Davis. Digital Learning: What to Know in 2019/Evolving Ed. January 25, 2019. https://www.schoology.com/blog/digital-learning-whatknow-2019.
  15. Г. В. Новикова. Вопросы целесообразности применения технологий виртуальной реальности в образовании школьников и студентов// Проектирование будущего. Проблемы цифровой реальности: труды 4-й Международной конференции (4-5 февраля 2021 г., Москва). М.: ИПМ им. М. В. Келдыша, 2021. С. 276-286. https://keldysh.ru/future/2021/24.pdf. https://doi.org/10.20948/future-2021-24.
  16. Л. В. Мезенцева. Онлайн-курсы не менее эффективны, чем офлайн-форматы. Доказано экспериментально. IQ, научно-образовательный портал НИУ ВШЭ, 2018. https://iq.hse.ru/news /217043836.html.
  17. Дело в шлеме. Rspectr.com 21.05.2018. https://www.rspectr.com/articles/413/delo-v-shleme.
  18. Указ Президента Российской Федерации от 07.05.2018 г. № 204 «О национальных целях и стратегических задачах развития Российской Федерации на период до 2024 г.». http://www.kremlin.ru/acts/bank/43027.
  19. T. Bierhold. For a better understanding of Industry 4 — An Industry 4 maturity model. University Of Twente, Enschede The Netherlands, 2018. https://essay.utwentenl/75330/1/Bierhold_BA_BMS.pdf.
  20. А. К. Петрова, Н. В. Лашманова, А. Б. Жернаков. Подход к оценке цифровой зрелости промышленных предприятий на основе нечеткой логики//Инновации. 2020. № 10. С. 75-82.
  21. Регионы России. Социально-экономические показатели. 2020: стат. сб. М.: Росстат, 2020. 1242 с.
  22. А. А. Зацаринный, К. К. Колин. Теория и практика цифровой трансформации общества в рамках приоритетов научно-технологического развития России//Проектирование будущего. Проблемы цифровой реальности: труды 2-й Международной конференции (7-8 февраля 2019 г., Москва). М.: ИПМ им. М. В. Келдыша, 2019. С. 29-39. https://keldysh.ru/future/2019/3.pdf. doi:10.20948/future-2019-3.
  23. Н. Б. Паклин, В. И. Орешков. Бизнес-аналитика: от данных к знаниям. М.: Издательство «Питер», 2013. 704 с.
  24. T. Calinski, J. Harabasz. A dendrite method for cluster analysis//Communications in Statistics. Vol. 3. № 1. 1974. P. 1-27.
  25. L. Kaufman, P. J. Rousseeuw. Finding Groups in Data: An Introduction to Cluster Analysis. Hoboken, NJ: John Wiley & Sons, Inc., 1990.
  26. D. L. Davies, D. W. Bouldin. A Cluster Separation Measure//IEEE Transactions on Pattern Analysis and Machine Intelligence. 979. Vol. PAMI-1. № 2. P. 224-227.
  27. D. Arthur, S. Vassilvitskii. K-means++: The Advantages of Careful Seeding//SODA ‘07: Proceedings of the Eighteenth Annual ACM-SIAM Symposium on Discrete Algorithms. 2007. P. 1027-1035.
  28. G. McLachlan, D. Peel. Finite Mixture Models. Hoboken, NJ: John Wiley & Sons, Inc., 2000.
  29. M. Charrad, N. Ghazzali, V. Boiteau, A. Niknafs. NbClust: An R Package for Determining the Relevant Number of Clusters in a Data Set//Journal of Statistical Software. 2014. 61 (6). P. 1-36.
  30. C. Fraley, A. E. Raftery, T. B. Murphy, L. Scrucca. Mclust Version 4 for R: Normal Mixture Modeling for Model-Based Clustering, Classification, and Density Estimation. Technical Report № 597, Department of Statistics, University of Washington. 2012.
  31. Е. Д. Игнатьева, О. С. Мариев. Совершенствование методологии и инструментария анализа потенциала саморазвития социально-экономических подсистем региона// Вестник УрФУ. Серия «Экономика и управление». 2011. № 5. С. 105-114.
  32. T. Kohonen. Self-Organizing Maps (Third Extended Edition). New York, 2001. 501 p.

Авторы