CC BY
34
УДК 338.001.36
08.00.13 - Математические и инструментальные методы экономики (экономические науки)
ИСПОЛЬЗОВАНИЕ МЕТОДОВ МНОГОМЕРНОГО СТАТИСТИЧЕСКОГО АНАЛИЗА ДЛЯ ОЦЕНКИ СОЦИАЛЬНО-ЭКОНОМИЧЕСКОГО РАЗВИТИЯ ГОРОДСКИХ ОКРУГОВ КРАСНОДАРСКОГО КРАЯ
Коваленко Анна Владимировна Кандидат экономических наук, доцент Scopus Author ID: 55328224000 SPIN-код автора: 3693-4813 ФГБОУВО «Кубанский государственный университет» Краснодар, Россия
Гаврилов Александр Александрович Доктор экономических наук, профессор SPIN-код автора: 3758-4382 ФГБОУ ВО «Кубанский государственный университет» Краснодар, Россия
Теунаев Дагир Мазанович Доктор экономических наук, профессор ФГБОУ ВО "Северо-Кавказская государственная гуманитарно-технологическая академия ", г. Черкесск, Россия
Жигулина Татьяна Сергеевна Студент
ФГБОУ ВО «Кубанский государственный университет» Краснодар, Россия
Норовичук Ирина Александровна Студент
ФГБОУ ВО «Кубанский государственный университет» Краснодар, Россия
В работе рассмотрена рейтинговая оценка социально-экономического положения Краснодарского края, представленная такими агентствами, как «РАЭКС-Аналитика», «Эксперт РА» и «Национальное Рейтинговое Агентство». Изучены и проанализированы методологии, использующиеся данными агентствами. Также проведено сравнение данных методологий. В результате выявлен ряд их недостатков, в том числе отсутствие полной методологический модели в открытом доступе, некоторые агентства не предоставляют ссылки на использующие в анализе статистические данные. В статье с использованием среды STATISTICA проведён статистический анализ данных, отражающих уровень социально-экономического положения Краснодарского края. На основе работы [12] в статье создана дискриминантная модель оценки
UDC 338.001.36
Mathematical and instrumental methods of Economics (economic sciences)
USING METHODS OF MULTIDIMENSIONAL STATISTICAL ANALYSIS FOR THE ASSESSMENT OF SOCIO-ECONOMIC DEVELOPMENT OF THE CITIES OF THE KRASNODAR REGION
Kovalenko Anna Vladimirovna Cand.Econ.Sci., associate professor Scopus Author ID: 55328224000 RSCI SPIN-code: 3693-4813 Kuban State University, Krasnodar, Russia
Gavrilov Alexander Alexandrovich Dr.Sci.Econ., professor RSCI SPIN-code: 3758-4382
Kuban State University, Krasnodar, Russia
Teunayev Dagir Mazanovich Dr.Sci.Econ., professor
North Caucasus State University of Humanities and Technology, Cherkessk, Russia
Zhigulina Tatiana Sergeevna, Student
Kuban State University, Krasnodar, Russia
Norovichuk Irina Aleksandrovna Student
Kuban State University, Krasnodar, Russia
This article is devoted to rating assessment of the socio-economic situation of the Krasnodar region, presented by such agencies as "RAEKS-Analytics", "Expert RA" and "National Rating Agency". The methodologies used by these agencies were studied and analyzed. A comparison of these methodologies was also conducted. As a result, a number of their shortcomings were identified, including the lack of a complete methodological model in the public domain. Some agencies do not provide links to statistics that are used in the analysis. In the article using the STATISTICA environment, a statistical analysis of data reflecting the level of socioeconomic situation of the Krasnodar region is carried out. Based on the work [12], the article created a discriminant model for assessing the socio-economic development of urban districts of the Krasnodar region with a confidence of 85%. The study
социально-экономического развития городских округов Краснодарского края с достоверностью 85% . В ходе исследования проведены анализы кластерный, дискриминантный, классификационный (деревья решений), коэффициентный (предложенный авторами) на основании данных сайта «Федеральная государственная статистика» за период с 2009 по 2018 по городским округам: Краснодар, Анапа, Армавир, Геленджик, Горячий Ключ, Новороссийск, Сочи. В ходе исследования такие анализы как кластерный и деревья классификации показали плохой результат, поскольку они не способны обнаружить латентные нелинейные связи между показателями исследования. С использованием построенной дискриминантной модели проведён анализ социально-экономического развития городских округов Краснодарского края за период 20092018 гг, который позволил выявить лидеров и аутсайдеров
Ключевые слова: РЕЙТИНГОВЫЕ АГЕНТСТВА, ИНВЕСТИЦИОННАЯ ПРИВЛЕКАТЕЛЬНОСТЬ, ОЦЕНКА, МЕТОДОЛОГИЯ, КРАСНОДАРСКИЙ КРАЙ, СТАТИСТИЧЕСКИЕ ДАННЫЕ, КОЭФФИЦИЕНТ, ДИСКРИМИНАНТНЫЙ АНАЛИЗ
DOI: http://dx.doi.org/10.21515/1990-4665-155-009
conducted a cluster, discriminant, classification (decision trees), coefficient (proposed by the authors) based on the data of the Federal State Statistics website for the period from 2009 to 2018 in the city districts: Krasnodar, Anapa, Armavir, Gelendzhik, Goryachiy Klyuch, Novorossiysk Sochi. During the study, analyzes such as cluster and classification trees showed poor results, since they are not able to detect latent nonlinear relationships between the study indicators. Using the constructed discriminant model, we have carried out an analysis of the socioeconomic development of urban districts of the Krasnodar region for the period 2009-2018, which allows us to identify the leaders and the outsiders
Keywords: RATING AGENCIES, INVESTMENT ATTRACTIVENESS, ASSESSMENT, METHODOLOGY, STATISTICAL DATA, KRASNODAR REGION, COEFFICIENT, DISCRIMINANT ANALYSIS
Введение
Важным условием стабильного развития региона является высокий уровень его инвестиционной привлекательности, который существенно влияет на темпы экономического роста региона, а, следовательно, и на благосостояние населения.
В настоящее время большое количество рейтинговых агентств занимаются оценкой инвестиционной привлекательности регионов нашей страны, среди них «Национальное Рейтинговое Агентство», «РАЭКС-аналитика», «Эксперт РА», «Fitch», «Standard&Poor's». Каждое их этих рейтинговых агентств имеет свою методологию оценивания инвестиционной привлекательности.
В данной статье рассмотрена оценка инвестиционной привлекательности Краснодарского края такими рейтинговыми
агентствами, как «Национальное Рейтинговое Агентство», «РАЭКС-аналитика» и «Эксперт РА» и произведено сравнение результатов, полученных этими агентствами. На основе анализа методологии и методик, используемых рейтинговыми агентствами, разработана авторская модель оценки социально-экономического развития городских округов Краснодарского края.
1. Исследование существующих моделей инвестиционной привлекательности Краснодарского края
1.1 Оценка Инвестиционной привлекательности Краснодарского
края рейтинговыми агентствами
1.1.1 Национальное Рейтинговое Агентство.
Национальное Рейтинговое Агентство (НРА) существует с 2002 года. За это время агентством было составлено более 400 различных рейтингов [1]. НРА осуществляет исследовательскую аналитику по следующим темам: страны и регионы, банки, сельское хозяйство, транспорт, строительство, макроэкономика и розничная торговля [2].
Согласно аналитическим данным Национального Рейтингового Агентства, Краснодарский край в рейтинге инвестиционной привлекательности регионов России по итогам 2018 года занимает 13 место с уровнем рейтинга ГС3 [3]. Категория ГС3 означает, что данный субъект Российской Федерации имеет высокую инвестиционную привлекательность третьего уровня.
Регион РеЙТИНГ 201В Действие
г. Москвя 1С1 Подтвержден
г. Санкт-Петербург 1С1 Подтвержден
Республика Татарстан 1С2 Подтвержден
Московская область 1С2 Подтвержден
Ямало-Ненецкий автономный округ 1С2 Подтвержден
Сахалинская область 1С2 Подтвержден
Ленинградская область 1С2 Подтвержден
Белгородская область 1С2 Подтвержден
Тюменская область 1С2 Повышен
Калининградская область Е С 3 Подтвержден
Хабаровский кран 1СЗ Подтвержден
ХаНтЫ -Мансннскин автономный округ 1СЗ Подтвержден
Липецкая область га Подтвержден
Воронежская й&ласгь ЕСЗ Подтвержден
Свердловская область КЗ Подтвержден
Ненецким автономный округ КЗ Подтвержден
Тульская область КЗ Подтвержден
Кал^жскай область ЕСЗ Подтвержден
Нижегородская область КЗ Подтвержден
Краснодарский Крап га Подтвержден
Рисунок 1 - Рейтинг инвестиционной привлекательности субъектов Федерации (регионов) России в 2018 г. по данным Национального
Рейтингового Агентства, http://www.ra-national.ru/ru/node/63076
1.2 «Инвестиционная привлекательность субъектов Федерации (регионов) России - 2018» агентства «РАЭКС-Аналитика»
Агентство «РАЭКС-Аналитика» создано в 2015 году, до этого оно входило в состав первого российского рейтингового агентства «Эксперт-РА». Ежегодно рейтинговым агентством «РАЭКС-Аналитика» составляется более 50 рейтингов и рэнкингов. Агентство имеет множество наград, которые подтверждают качество его работы [4].
Рассмотрим рейтинг, составленный агентством «РАЭКС-аналитика». Согласно данным этого агентства, оценка инвестиционной привлекательности Краснодарского края равняется 1 А, что означает, что край имеет максимальный потенциал при минимальном риске [5]. На рисунке 2 Краснодарскому краю соответствует число 32.
з,.аос, ■
3,500
I
£ гъоо
1,000
0.5СЮ
) С 29
ТВ |5в ТС
46 2А ■ 28 2С
лъш ■62 ИП ■м
■те
■д 41 » шя 61 36 я
ЧД1 „ э % 16 14 ..У 12 V*4 >8зв1 3 Л7г в ил? 47 М 2 74 я Ж . р. .. ЗС1 68 11 40 зо
ЗА2 27 щ 7 т вЧ 30 АЛ 66 "во ЗВ2 а ОДР ^ * 39 11 ЗС2 щ » 63 65"
О, ООО
0,100
О,300 Индекс риска
0,400
0,5ой
0,600
Рисунок 2 - Инвестиционный рейтинг субъектов Федерации (регионов) России в 2018 г. на основании оценки агентства «РАЭКС-аналитика», https://raex-a.ru/ratings/regions/2018/аШ
Общее количество субъектов Федерации (регионов) России, имеющих оценку 1А, равняется четырем: Московская область, г. Москва, г. Санкт-Петербург и Краснодарский край. Данная оценка складывается из индекса потенциала и индекса инвестиционного риска.
(Субъект РФ) Регион
Максимальный потенциал минимальным риск (1А1
Москиоая область
г. Мхшэ
г. Саж.т-Петер6ург
Рисунок 3- Распределение субъектов Федерации (регионов) России по рейтингу инвестиционного климата в 2018 г. по данным агенства «РАЭКС-аналитик», https://raex-a.ru/ratings/regions/2018/ай1
В рейтинге инвестиционного риска Краснодарский край занимает 2 место. Это означает, что инвестиционный риск Краснодарского края больше, чем инвестиционный риск Московской области, но меньше, чем риск всех остальных регионов России.
Ранг Ранги составлнищих инввстидооннага рйска э201Вгед
рНЕКВ со ||
а ч1- 1=1 Г\1 о си ГУ гтэ 3 1 ш 1— о * 41 IX Регион [субъект ШедЕраиии) | ? п аз аз ш >Р ГП £Д 11 а ад <3- 1 ЕС " Iе" V 5 * + ® ? в ^ 5 щ ш ± 1-Б 1 г - 1 в -43 С] £ а I и ® -с 1 сч 1 3= ю л I с ЕО м В к ■Е * В Ш 1 1 п и 47 §; 5 £ а ■х ш ЕР тЕ 1=1 .¿Д си
щ 1 2 Московская область □ ,127 -0,001 4 7 3 22 23 24 а
1 4 4 Краснодарский край -0.000 23 1 15 46 10 4 2
3 ЗВ Липецкая айпаать 0,129 -0,005 5 12 10 4 за 38 0
Рисунок 4 - Инвестиционный риск субъектов Федерации (регионов) России в 2018 г. на основании оценки агентства «РАЭКС-аналитика», https://raex-a.ru/ratings/regions/2018/ай1
В рейтинге инвестиционного потенциала Краснодарский край занимает 4 место, его доля в общероссийском потенциале равняется 2,918.
Ра* пот»-циапа 3 8 СО -«и 1 I ! ОО Регион (субъеа Федерации) Доля в общероссийском потенциале. 2018 год (%) 00 ? II II м • II р | Ршги ооставляодо июестидонного потенциала в 2018 году Изменение ранга потенциала. 2018 год к 2017 году
1 1 12 г Мо(хм 14.438 0.026 1 1 1 1 1 1 1 84 1 0
2 2 1 Мосюкхая область 61)11 0.151 2 2 3 2 3 2 2 31 4 0
3 3 10 г. Сана Петербург 4365 0Д16 3 3 2 3 2 3 6 85 3 0
4 4 2 Краснодаром кра< 2318 -0Я63 4 4 7 4 4 19 9 30 2 0
5 5 21 Ове одло есхая область 2,563 0)034 8 5 4 3 3 6 48 13 8 0
6 6 7 Ре спешна Татарам 2.482 -0.005 5 6 5 6 6 9 27 40 6 0
7 7 42 Красноярск кра* 2335 •0Д52 14 13 12 8 14 17 79 ' 10 0
8 8 15 Н**ггородсхая область 1554 0.055 10 9 11 11 8 4 32 58 12 0
Рисунок 5 - Инвестиционный потенциал субъектов Федерации (регионов) России в 2018 г. по данным агентства «РАЭКС-аналитика», И11р8://гаех-
а.ш/гай^Б/^юпБ/^О 18/аШ
1.3 Рейтинговое агентство АО «Эксперт РА»
Агентство «Эксперт РА», созданное в конце прошлого века, в настоящее время является крупнейшим рейтинговым агентством России. Ежегодно агентство проводит более 50 публичных исследований по макроэкономике, страхованию, лизингу и другим отраслям экономики.
Данное агентство не рассматривало инвестиционную привлекательность Краснодарского края, но проводило не менее интересное исследование «Рейтинги кредитоспособности региона». Агентство составило оценку, как всего региона, так и Краснодара, в частности.
Согласно исследованию, Краснодарский край имеет рейтинг «шАЛ-»: высокий уровень кредитоспособности/ финансовой надежности/финансовой устойчивости. Более высокий рейтинг с оценкой шААА имеют только 3 оцененных данным агентством региона [6].
Краснодарский край ■
Рисунок 6 - Рейтинги кредитоспособности Краснодарского края по данным агентства «Эксперт РА» https://www.raexpert.ru/database/regions/krasnodar
Краснодар в данном рейтинге имеет оценку «тВВВ+», что означает умеренный уровень кредитоспособности / финансовой надежности / финансовой устойчивости по сравнению с другими объектами рейтинга в Российской Федерации, при этом присутствует более высокая чувствительность к воздействию негативных изменений экономической конъюнктуры, чем у объектов рейтинга с более высокой оценкой [7].
Рисунок 7- Рейтинги кредитоспособности г. Краснодара по данным агентства «Эксперт РА», https://www.raexpert.ru/database/regions/krasnodar_t
Как видно из исследования в целом, город Краснодар имеет меньший показатель «Кредитоспособности», чем весь регион. Следовательно, имеются города в регионе, которые имеют больший показатель кредитоспособности чем город Краснодар.
1.4 Аналитика данных Сбербанка
Сбербанк является крупнейшим банком России, Центральной и Восточной Европы. Банк был основан еще в 19 веке. В настоящее время успешно функционирует на территории 83 субъектов РФ, имея более 270 тыс. сотрудников и 95 млн частных клиентов.
Получить информацию о регионах можно на сайте Сбербанка (https://www.sberbank.com/ru). В разделе аналитика данных имеются открытые данные со следующей информацией:
- выручка юридических лиц в разрезе отраслей и регионов;
- уровень доходов населения — зарплаты, пенсии, стипендии, пособия;
- склонность к сбережениям и потреблению;
- уровень закредитованности в разных регионах;
- мобильность населения внутри страны и за рубежом;
- доля расходов на еду, ЖКХ, транспорт и другие статьи.
Выбрав период и регион для сравнения, можно получить
интересующую вас информацию. Так, на рисунке 8 изображен график с информацией о средней сумме заявки на потребительский кредит в период с 15.01.2013 до 01.02.2019 [8].
Сресн?? сумма заявки на потреби теп ьский креди-
| Россия Красно^арск.-1 й -
350 000 35 сИагё: Ьу атСЬэг!
300 ООО _1 1
250 ООО Л А лг Л г\
200 000
150 000
Л г: Ьу апСЬа-к:
2013 201- 2015 2016 2017 2018
Рисунок 8 - Средняя сумма заявки на потребительский кредит по данным Сбербанка https://www.sberbank.com/ru/analytics/opendata на период с
15.01.2013 до 01.02.2019
При этом бесплатно получить какой-либо кастомизированный отчет не представляется возможным, в случае необходимости Сбербанк предлагает провести платный анализ интересующих вас критериев.
1.2 Сравнение методологий оценки инвестиционной привлекательности субъектов РФ (регионов) различных рейтинговых агентств
При составлении методологий оценки инвестиционной привлекательности субъектов РФ рассмотренные в статье рейтинговые агентства используют некоторые статистические данные, которые берутся из различных источников, например: Росстат, Банк России, Минфин, Минприроды и т.д.
Общая оценка инвестиционной привлекательности агентства «РАЭКС-Аналитика» складывается из оценки по двум параметрам: инвестиционному потенциалу и инвестиционному риску. Потенциал показывает, какую долю регион занимает на общероссийском рынке, риск
- какими могут быть для инвестора масштабы тех или иных проблем в регионе.
Суммарный потенциал состоит из 9 частных: трудового, финансового, производственного, потребительского, институционального, инфраструктурного, природно-ресурсного, туристического и инновационного.
Инвестиционный риск состоит из 6 частных рисков: финансового, социального, управленческого, экономического, экологического и криминального. Вклад каждого частного риска в итоговый индикатор оценивают на основе анкетирования представителей экспертного, инвестиционного и банковского сообществ [9].
Сам процесс оценки происходит в четыре этапа.
На первом этапе оценки инвестиционной привлекательности рассчитываются доли каждого региона в России по 9 частным видам инвестиционного потенциала и индексы 6 частных видов инвестиционных рисков.
На втором этапе рассчитываются суммарный инвестиционный потенциал и интегральный инвестиционный риск.
На третьем этапе все регионы ранжируются по величине совокупного инвестиционного потенциала или интегрального инвестиционного риска. Место региона - место в ранжированном ряду регионов (рэнкинге) по определенному параметру или их совокупности.
На четвертом этапе сравнительной оценки инвестиционной привлекательности каждому региону присваивается рейтинг инвестиционной привлекательности - индекс, определяющий соотношение между уровнем интегрального инвестиционного риска и величиной совокупного инвестиционного потенциала региона. По соотношению
величины совокупного потенциала и интегрального риска каждый регион России относится к одной из следующих рейтинговых категорий:
- высокий потенциал - минимальный риск (1А);
- высокий потенциал - умеренный риск (1В);
- высокий потенциал - высокий риск (1С);
- средний потенциал - минимальный риск (2А);
- средний потенциал - умеренный риск (2В);
- средний потенциал - высокий риск (2С);
- пониженный потенциал - минимальный риск (3А1);
- незначительный потенциал - минимальный риск (3А2);
- пониженный потенциал - умеренный риск (3В1);
- пониженный потенциал - высокий риск (3С1);
- незначительный потенциал - умеренный риск (3В2);
- незначительный потенциал - высокий риск (3С2);
- низкий потенциал - экстремальный риск (3Б).
В отличие от агентства «РАЭКС-Аналитика» «Национальное Рейтинговое Агентство» в своей методике использует 7 групп показателей: географическое положение и природные ресурсы; трудовые ресурсы региона; региональная инфраструктура; внутренний рынок региона (потенциал регионального спроса); производственный потенциал региональной экономики; институциональная среда и социально-политическая стабильность; финансовая устойчивость регионального бюджета и предприятий региона. Всего используется набор из 55 показателей.
У агентства «Эксперт РА» рейтинг региона строится на основе анализа блоков факторов: самостоятельной кредитоспособности региона с учетом подверженности внутренним стресс-факторам и значимости внешних факторов поддержки и стресс-факторов. Изначально
определяется рейтинг самостоятельной кредитоспособности региона, далее производится корректировка на внешние факторы поддержки и стресс-факторы для определения итогового рейтингового числа.
После оценки блоков факторов, отнесенных к внутренней кредитоспособности, агентство производит оценку внутренних стресс-факторов, в соответствии с которой корректирует ранее полученное рейтинговое число и получает рейтинговое число для рейтинга самостоятельной кредитоспособности.
По мнению кредитного рейтингового агентства, как правило, чем выше рейтинговое число, тем выше рейтинговая оценка и ниже риск невыполнения объектом рейтинга обязательств. Вместе с тем итоговое предложение по кредитному рейтингу должно учитывать то, что в отдельных случаях, оговоренных ниже, рейтинг присваивается вне зависимости от рейтингового числа [11].
Все исследованные агентства имеют свою рейтинговую шкалу: Национальное Рейтинговое Агентство использует разделение оценки на 3 категории, которые имеют деление на подкатегории; шкала агентства «РАЭКС-Аналитика» является более сложной, деление зависит от общего потенциала и риска региона; шкала агентства «Эксперт РА» делится на 11 категорий, при этом подкатегории не имеют подробного описания.
Отметим, что из рассмотренных агентств только «РАЭКС-Аналитика» предоставляет в открытом доступе подробное описание своей методологии.
2. Разработка оценочной модели инвестиционной
привлекательности городских округов Краснодарского края
На основании результатов работы, описанной в статье «Использование методов машинного обучения и искусственного интеллекта для анализа социально-экономического развития городских
округов, районов и поселений Краснодарского края» [12], использовались 13 статистических показателей, представленных в виде таблицы коэффициентов х1..х13 (рис. 9). Анализировались данные (рис. 10) с 2009 по 2018 по городским округам: Краснодар, Анапа, Армавир, Геленджик, Горячий Ключ, Новороссийск, Сочи. Переработав результаты работы [12], была разработана оценочная модель инвестиционной привлекательности городских округов Краснодарского края. Для анализа использовались статистические данные с сайта «Федеральная государственная статистика» [13].
А Б С
обозначения значения измерение
XI Оценка численности населения на 1 января текущего года человек
х2 среднемесячная заработная плата работников организаций рубль в месяц
ХЗ Текущие (эксплуатационные) затраты на охрану окружающей среды, включая тыс. рублей в год
х4 Объем производства продукции сельского хозяйства тыс. рублей в год
х5 Объем производства продукции растениеводства ты с. рублей в год
хб Объем производства продукции животноводства ты с. рублей в год
х7 Ввод а действие жилых домов на территории муниципального образования м2 общей площади
х8 Общий объем всех продовольственных товаров, реализованных в границах м ты с. рублей в год
Х9 Профицит (+), дефицит (-) бюджета муниципального образования (местного б ты с. рублей в год
хЮ Прибыль (убыток) до налогообложения отчетного года ты с. рублей в год
XII Дебиторская задолженность ты с. рублей в год
х12 Кредиторская задолженность ты с. рублей в год
х13 Общая площадь жилых помещений, приходящаяся в среднем на одного жите м2 общей площади
Рисунок 9 - Таблица коэффициентов
А в с Е F G Н 1 > L м N
XI XI ХЗ Х4 Х5 хб XZ Х8 Х9 Х10 XII хи Х13
Краснодар 2008 305549.3 3047062.00 1221323.00 240635.00 -253336.00 24.65
Краснодар 2009 701273.00 14946.00 473969.3 2975192.00 1414015.00 1561177.00 325055.00 80370.00 -1009572.00 250919.00 73574.00 2006821.00 25.7
Краснодар 2010 783315.00 17243.1 636534.33 2914672.00 1403308.00 1511364.00 1013065.00 2308973.00 707756.00 194948.00 32034.00 1463489.00 25.6
Краснодар 2011 834054.00 17342.4 566701.9 3031609.00 1448725.00 1582884.00 1077936.00 7296050.00 1163917.00 457179.00 46561.00 1804120.00 25.9
Краснодар 2012 851167.00 20222.7 1395583.00 3164324.00 1548037.00 1616237.00 1517366.00 2286525.9 -452064.00 -3773.00 46961.00 1653920.00 26.3
Краснодар 2013 871134.00 22719.9 1673570.00 2349127.00 1696703.00 1152424.00 1304016.00 2170846.7 -452064.00 70876.00 15146.00 1003435.00 27.9
Краснодар 2014 833347.00 24067.9 2432401.00 3073559.00 1800900.00 1272659.00 1713313.00 838887.7 -993737.00 301719.00 13180.00 964048.00 23.5
Краснодар 2015 917355.00 25753.2 4042002.00 3364309.00 2463879.00 1400430.00 2009462.00 976195.3 -258847.00 468564.00 46954.00 672541.00 23.9
Краснодар 2016 943327.00 23159.5 4220875.00 5199691.00 2758254.00 2441437.00 2123102.00 1113422.00 -1968002.00 1804032.00 42568.00 1129616.00 31.2
Краснодар 2017 972952.00 3304942.00 4304345.00 2263194.00 2541151.00 2451092.00 1106881.00 -2266423.00 33.1
Краснодар 2018 990203 4606353 4949004 1998800.00 2950204 2020744 741938 -1222019.00 34.72
Анага 2008 10128.3 916733.00 187091.00 152190.00 -136774.00 26.84
Анага 2009 139761.00 11623.5 8560.9 949135.00 632797.00 316338.00 213326.00 563264.00 31265.00 36818.00 3705.00 393156.00 23.6
Анага 2010 142449.00 11357.2 10856.5 380335.00 619140.00 261245.00 231733.00 149748.00 -41505.00 22141.00 1965.00 422600.00 23.9
Анага 2011 147711.00 13473.2 11411.7 1013541.00 811818.00 201723.00 236993.00 202786.00 -34204.00 -66778.00 587916.00 30.00
Анага 2012 153974.00 15366.9 12811.00 558688.00 416161.00 142527.00 266777.00 168608.00 -136850.00 -46448.00 281671.00 23.8
Анага 2013 159331.00 15763.7 152733.00 638214.00 550483.00 87731.00 271005.00 136986.00 -136850.00 18138.00 2318.00 350595.00 30.7
Анага 2014 167095.00 16414.1 181391.00 490769.00 435896.00 54873.00 291522.00 206890.00 106824.00 30935.00 216550.00 23.6
Анага 2015 175210.00 13509.9 235373.00 703601.00 651208.00 52393.00 293467.00 258787.00 7009.00 51837.00 2755 08.00 30.1
Анага 2016 182198.00 21169.4 239567.00 1109722.00 1020032.00 89690.00 342377.00 69770.00 8855 7.00 43399.00 101963.00 32.4
Анага 2017 186127.00 399619.00 991106.00 831241.00 109865.00 438532.00 88707.00 -95020.00 34.3
Анага 2018 185888 384027 1019635 948675.00 70960 422519 138790 90091.00 35.47
Армавир 2008 60163.2 537326.00 113466.00 219880.00 -52891.00 18.11
Армавир 2009 207349.00 12396.00 21199.1 498972.00 435588.00 63334.00 105177.00 224637.00 -22696.50 26195.00 14597.00 35108.00 13.6
Армавир 2010 207132.00 13393.9 26478.00 562029.00 486503.00 75526.00 102921.00 271481.00 52694.00 13130.00 13.1
Армавир 2011 203155.00 14905.00 26649.3 656489.00 577768.00 78721.00 104354.00 55533.00 -48078.00 39311.00 24604.00 71008.00 13.5
Армавир 2012 209240.00 15350.2 39031.00 601800.00 535929.00 65871.00 92709.00 106891.00 -149472.00 4260.00 57920.00 13.8
Армавир 2013 210243.00 13031.4 49944.00 584313.00 518944.00 65369.00 92590.00 89304.00 -149472.00 -12052.00 36036.00 68454.00 20.2
Армавир 2014 210505.00 20901.9 124435.00 669376.00 605161.00 64215.00 93130.00 53042.00 -1525 9 8.00 26210.00 42306.00 20.00
Рисунок 10 - Фрагмент таблицы исходных данных
В связи с тем, что городские поселения сильно различаются по первому коэффициенту х1 (численность населения), остальные показатели были приведены на душу населения, исключая х2 «среднемесячная заработная плата работников организаций», х13 «Общая площадь жилых помещений, приходящаяся в среднем на одного жителя - всего», поскольку они являются приведёнными на душу населения. В дальнейшем х1 отбрасывается из анализа.
Для каждого коэффициента х2..х13 была найдена предварительная оценка, опираясь на минимальное, максимальное и среднее значение по каждому столбцу.
для х.1 интервалы количестве оценка для хЗ интервалы количестве оценка
11 ОН 0.000 14 ОН
14000 11 Н 0.105 14 Н
17000 12 С 0.700 14 С
20100 11 В 1.500 14 В
24100 11 ОВ 3.400 14 ОВ
х2
.1..
1Ж)оо 17а аа гоюо ми®
хЗ
Рисунок 11 - Гистограмма для х2, х3
0.000 0 1С5 0.700 1.500 3.400
Значения были разбиты на 5 интервалов пента-шкалы таким образом, чтобы каждому интервалу принадлежало одинаковое число наблюдений: очень низкий (ОН), низкий (Н), средний (С), высокий (В) и очень высокий (ОВ). В зависимости от попадания в один из интервалов по каждому из столбцов х2..х13 присваивается оценочный балл {0,1; 0,3; 05; 07; 0,9} соответственно (рис. 12).
К примеру, для показателя х2 были определены следующие интервалы:
1. Очень низкий [9000; 14000);
2. Низкий [14000; 17000);
3. Средний [17000; 20100);
4. Высокий [20100; 24100);
5. Очень высокий от 24100 и более.
х2 *3 х4 15 хб 17 х! 19 110 *11 х12 >13 среднее значение
Краснодар 2009 э.зо 0.3 0.7 050 07 05 01 0.3 090 0.5 09 0.5 0.516666667
Краснодар 2010 050 0.5 07 0.50 0.7 07 0.9 09 0.70 0.3 0.7 0.5 0.633333333
Краснодар 2011 0.50 0.5 0.7 050 0.7 07 09 0.3 090 05 0.7 0.7 0.616666667
Краснодар 2012 Э.70 0.7 0.7 050 07 09 09 0.5 050 0.5 0.7 0.7 0.666666667
Краснодар 2013 070 0.7 0.7 0.50 07 07 09 0.5 0.50 0.3 0.5 0.7 0.616666667
Краснодар 2014 0.70 0.7 0.7 0.50 0.7 09 0.5 0.3 0.90 0.3 0.5 0.7 0.616666667
Краснодар 2015 0.90 09 09 070 07 09 0.5 07 0.90 0.3 05 07 0.716666667
Краснодар 2016 Э.90 09 0.9 090 09 09 05 0.1 090 0.3 0.5 0.7 07
Краснодар 2017 0.7 09 0.70 09 09 05 0.1 09 07
Краснодар 201В 0 9 09 050 09 09 0.3 0.3 09 07
Анапа 2009 9.10 0.1 0.9 0.90 09 0.7 0.9 0.7 070 0.3 09 0.7 0.65
Анапа 2010 010 0.1 09 090 0.7 09 05 0.7 0.70 0.1 09 0.7 06
Анапа 2011 010 0.1 0.9 0.90 0.7 0.7 0.7 0.7 0.10 0.9 0.7 0.590909091
Анапа 2012 9.30 01 07 070 05 09 0.5 03 0 30 07 07 0.518151518
Анапа 2013 9.30 0.5 0.7 090 0.3 09 05 0.3 050 0.3 09 07 0.566666667
Анапа 2014 О 30 0.5 0.5 0.70 0.3 09 05 0.9 0.70 0.5 07 0.590909091
Анапа 2015 050 05 0.7 090 0.1 09 0.7 0.7 0.30 0.7 07 0.609090909
Анапа 2015 9.70 0.5 0.9 0.90 0.3 09 01 0.9 070 0.5 0.7 0.645454545
Анапа 2017 07 09 090 0.3 09 01 05 09 0.65
Анапа 2013 0.7 0.9 0.90 0.3 09 0.3 0.7 09 07
Армавир 2009 9.10 01 03 070 0.1 0.1 0.5 07 050 0.5 0.1 0.1 0.316666667
Армавир 2010 ало 0.5 05 070 0.3 01 07 07 0.5 01 0.4
Армавир 2011 О 30 0.3 05 0.70 0.3 01 01 07 0.70 0.5 0.3 01 о.звззззззз
Армавир 2012 0.30 0.5 05 0.70 0.1 01 0.3 05 050 0.3 01 0.336363636
Армавир 2013 [>.50 0.3 05 070 0.1 01 01 05 0.30 0.5 0.3 0.1 О.ЗЗЗЗЗЗЗЗЗ
Армавир 2014 Э.70 03 05 070 01 01 01 0.5 050 0.1 01 0.336363636
Армавир 2015 070 0.3 0.7 0.90 0.1 9.1 01 0.5 0.50 0.1 0.3 0.390909091
Армавир 2016 0.70 05 09 0.90 0.1 0.1 0.1 07 070 0.1 03 0.463636364
Армавир 2017 05 09 090 01 01 01 0.7 050 05 0.47777777В
Рисунок 12 - Фрагмент пента-таблицы
Затем, для каждого наблюдения х2-х13, находилось среднее значение: для каждой строки (столбец «среднее значение» согласно рисунку 12) складывались все оценочные баллы, производилось деление на их число в каждой строке. Полученный итог переводился в пента-шкалу и присваивался рейтинг, в зависимости от принадлежности к оценочному интервалу: [0; 0,34) - очень низкий; [0,34; 0,44) - низкий; [0,44;0,6] -средний; [0,6;0,7) - высокий; [0,7;1] - очень высокий. Полученные данные обозначены как у.
Для оценки правильности предварительной оценки рассмотрим матрицы классификаций (рис. 13) - инструмент дискриминантного анализа в среде 8ТЛТ18Т1СЛ. На рисунке видно, что процент совпадений предварительной оценки городских округов и дискриминантного анализа достаточно высокий от 75 до 100%. Следовательно, интервалы, определённые при предварительной оценке являются верными.
Матрица классификации (Таблица. итоговых данных) Строки: на&людаемые классы
Столбцы: предсказанные классы
Процент среднее высокое очень низкое очень низкое
правильной классификации р=0_4429 р=0.1714 высокое р=0,0714 р=0,228Б р=0.0857
Группа
среднее 93.5464 г% г 0 0 0
высокое 75.0000 г 9 1 0 0
очень Еысокое 100.0000 0 0 5 0 0
низкое 75.0000 3 0 0 12 1
очень низкое 83,3333 0 0 0 1 5
Всего 85.7143 34 11 6 13
Рисунок 13 - Матрица классификации городских округов
Для проверки предварительной оценки используется дискриминантный анализ (квадратов расстояния Махаланобиса) в среде 8ТЛТ18Т1СЛ (рис. 14). Очевидно, что рейтинги: Краснодар 2010, Анапа 2011, Анапа 2017, Геленджик 2009, Геленджик 2017 - были определены не верно.
Классификация наблюдений (Таблица итоговых данных) Неправильные классификации отмечены *
На&людение Наблюд. Класс. 1 р=0,4429 2 р=0,1714 3 р=0,0714 4 р=0,2286 5 р=0,0857
Краснодар 2009 среднее среднее низкое очень низкое Еысокое очень Еысокое
'Краснодар 2010 Еысокое среднее высокое низкое очень низкое очень Еысокое
Краснодар 2011 Еысокое высокое среднее очень высокое низкое очень низкое
Краснодар 2012 Еысокое высокое среднее очень высокое низкое очень низкое
Краснодар 2013 высокое высокое среднее низкое очень высокое очень низкое
Краснодар 2014 высокое высокое среднее очень Еысокое низкое очень низкое
Краснодар 2015 очень высокое очень высокое высокое среднее низкое очень низкое
Краснодар 2016 очень высокое очень высокое высокое среднее низкое очень низкое
Краснодар 2017 очень высокое очень высокое высокое среднее низкое очень низкое
Краснодар 2018 очень высокое очень высокое высокое среднее низкое очень низкое
Анапа 2009 высокое высокое среднее очень Еысокое низкое очень низкое
Анапа 2010 высокое высокое среднее низкое очень Еысокое очень низкое
'Анапа 2011 среднее высокое среднее низкое очень низкое очень Еысокое
Анапа 2012 среднее среднее высокое низкое очень низкое очень высокое
Анапа 2015 высокое высокое среднее низкое очень низкое очень высокое
Анапа 2016 высокое высокое очень высокое среднее низкое очень низкое
'Анапа 2017 высокое очень высокое высокое среднее низкое очень низкое
Анапа 2018 очень высокое очень высокое высокое среднее низкое очень низкое
Армавир 2009 очень низкое очень низкое низкое среднее Еысокое очень Еысокое
Армавир 2010 низкое низкое очень низкое среднее Еысокое очень Еысокое
Армавир 2011 низкое низкое очень низкое среднее высокое очень Еысокое
Армавир 2012 очень низкое очень низкое низкое среднее высокое очень Еысокое
Армавир 2013 очень низкое очень низкое низкое среднее Еысокое очень Еысокое
Армавир 2014 очень низкое очень низкое низкое среднее Еысокое очень Еысокое
'Армавир 2015 низкое очень низкое среднее низкое Еысокое очень Еысокое
Армавир 2016 среднее среднее низкое очень низкое Еысокое очень Еысокое
Армавир 2017 среднее среднее очень низкое низкое Еысокое очень Еысокое
Армавир 2018 среднее среднее очень низкое низкое Еысокое очень Еысокое
'Геленджик 2009 очень низкое низкое среднее очень низкое высокое очень Еысокое
Геленджик 2010 низкое низкое среднее очень низкое высокое очень Еысокое
'Геленджик 2011 среднее высокое среднее низкое очень низкое очень Еысокое
Геленджик 2012 высокое высокое среднее низкое очень низкое очень высокое
Геленджик 2013 среднее среднее высокое низкое очень низкое очень высокое
'Геленджик 2014 низкое среднее низкое очень низкое высокое очень высокое
Геленджик 2015 среднее среднее низкое Еысокое очень низкое очень высокое
'Геленджик 2016 высокое среднее низкое очень низкое высокое очень высокое
Геленджик 2017 среднее среднее низкое очень низкое высокое очень высокое
Геленджик 2018 среднее среднее низкое очень низкое Еысокое очень Еысокое
Рисунок 14 - Проверка и корректировка предварительной оценки городских округов Краснодарского края
По наименьшему расстоянию до центра групп, скорректируем оценку. Так, например, минимальное расстояние для Анапа 2011 будет в столбце «высокий», а предварительная оценка показала статус - «среднее». Соответственно меняем оценку на «низкое».
Однако, иногда дискриминантный анализ может давать некорректные результаты. Армавир 2015 - предварительная оценка
совпадает с расстоянием до центра группы, хотя дискриминантный анализ и выдает их как неправильно классифицированные (рис 15). Это происходит потому, что при дискриминантном анализе рассматривается только линейные зависимости. Чтобы проследить и изучить нелинейные зависимости лучше использовать нечеткие продукционные методы.
Наблюдение Классификация наблюдений (Таблица итоговых данных) Неправильные классификации отмечены *
Наблюд. 1 Класс. р=0.4429 2 р=0,1714 3 р=0,0714 4 р=0,228& 5 р=0,0857
Армавир 2014 очень ниякое низкие высокое очень высокое
'Армавир 2015 1 низкое! очень низкое среднее! ^низкое! высокое очень высокое
Армавир 2016 среднее среднее низкое очень низкое высокое очень высокое
Армавир 2017 среднее среднее очень низкое низкое высокое очень высокое
Армавир 2013 среднее среднее очень низкое низкое высокое очень высокое
Рисунок 15 - Пример ошибочной классификации
Лямбда Уилкса используется в стандартной статистике для обозначения статистической значимости мощности дискриминации в текущей модели. Ее значение меняется от 1.0 (нет никакой дискриминации) до 0.0 (полная дискриминация); чем ближе Лямбда Уилкса к 0, тем меньше вероятность ошибочного разделения. Частная лямбда Уилкса показывает одиночный вклад соответствующей переменной в дискриминацию между совокупностями.
В приведённых ниже итогах анализа дискриминации муниципальных районов Краснодарского края видно, что вероятность ошибочного разделения достаточна мала и особо выражена для переменных х7, х3, х4, х8 и х12 (рис.16). В ходе анализа алгоритмом 8ТЛТ18Т1СЛ из модели были исключены переменные х2, х5, х10, х13 из-за наличия значительной линейной зависимости.
N=70 Итоги анализа диск| Шаг 8, Переменных Лямбда У ил кса: 10 зиминантн. в модели: ! э23 при6л. функций (Таблица итоговых данных) 3; Группир.: у (5 гр.) г [32,215)=5.Б345 р< .0000
Уилкса Лямбда Частная Лямбда Р-исключ (4,58) р-уров. Тол ер. 1-тол ер. ^-кв.)
х7 О 248562 0 427333 19.42742 0.000000 0.345670 0.154330
хЗ 0.133276 0,768255 4,37395 0.003692 0.599329 0.400171
х4 0:154497 0.143786 0,139379 0.117Б36 0,116941 0.114217 0.637595 6.53800 0.000193 0.400086 0.599914
х£1 0.738316 5,12599 0.001321 0.683599 0.316401
х12 0.762174 4,52452 0.002999 0.521572 0.478423
хЭ 0.903049 1.55671 0.198032 0,925714 0.07428Б
хБ 0.908417 1.46183 0,225564 0,516633 0.4833Б7
х11 0.930083 1.09001 0,370020 0.623640 0,376360
Рисунок 16 - Итоги анализа дискриминантных функций муниципальных
районов Краснодарского края
На основе дискриминантного анализа получены следующие уравнения:
среднее = 13,9 * х7 + 1,94 * х3 + 5,4 * х4 + 3,04 * х8 - 2,65 * х12 +
+ 0,46 * х9 + 0,27 * х6 + 16,16 * х11 - 19,64 ; высокое = 20,15 * х7 + 2,44 * х3 + 7,44 * х4 + 4,68 * х8 - 3,49 * х12 +
+0,88 * х9 + 0,03 * х6 + 20,21 * х11 - 39,08 ; очень высокое = 29,28 * х7 + 3,54 * х3 + 8,99 * х4 + 4,76 * х8 -
-7,07 * х12 + 0,53 * х9 + 2,2 * х6 + 22,59 * х11 - 68,03 ; (1) низкое = 10,93 * х7 + 1,36 * х3 + 4,35 * х4 + 2,35 * х8 - 2,9 * х12 -
- 0,1 * х9 + 0,91 * х6 + 17,35 * х11 - 14,22 ; очень низкое = 7,41 * х7 + 1,22 * х3 + 3,85 * х4 + 1,93 * х8 - 2,15 *
* х12 + 0,003 * х9 - 0,27 * х6 + 11,15 * х11 - 9,83 ; С помощью корреляционного анализа выяснили, какие из коэффициентов х2 - х13 являются статистически зависимыми (рис. 17). Если коэффициента корреляции между показателями по модулю меньше 0,75, корреляция не является сильной, то коэффициенты являются независимыми.
Перег Корреляции (Та&лица итоговых данных) Отмеченные корреляции значимы на уровне р <,05000 N=70 [Построчное удаление ПД)
х2 хЗ х4 х5 хб х7 х8 хЭ хЮ х11 х12 х13 V
х2 1,000000 0,044638 -0,099814 -0,188381 0,127703 -0,035907 0,158806 -0,026529 -0,104065 0:309644 0:369333 -0:244 94 6 -0,074796
хЗ 0,044638 1,000000 -0,099985 -0,363975 0.407328 -0,053127 -0,081151 -0,130539 0,047061 0,105594 0,130684 -0,230468 -0,115070
х4 -0,099814 -0,099985 1,000000 0:821934 0:418978 0,476577 -0,124735 -0,021325 0:245360 -0:607402 0:416677 0,175846 -0:244119
х5 -0,188381 -0,363975 0:321934 1,000000 -0,172807 0,382438 -0,193409 0,101091 0,149038 -0:486416 0,104523 0,337095 -0,156936
хБ 0,127703 0.407328 0:418978 -0,172807 1,000000 0,214465 0,092622 -0,198030 0,186702 -0,274937 0,553916 -0,233295 -0,171968
х7 -0,035907 -0,053127 0,476577 0:332433 0,214465 1,000000 0,122786 0,020483 0,040038 -0,180681 0,164954 0:669562 -0,228037
х8 0,158806 -0,081151 -0,124735 -0,193409 0,092622 0,122786 1,000000 0,035036 -0,138820 0,151048 0,280260 0,206350 -0,183153
х9 -0,026529 -0,130539 -0,021325 0,101091 -0,198030 0,020483 0,035036 1,000000 0,092973 0,004347 -0,084951 0,073625 -0,178101
хЮ -0,104065 0,047061 0:245360 0,149038 0,186702 0,040038 -0,138820 0,092973 1,000000 -0,150104 0,010835 -0,215307 0,054572
х11 0:309644 0,105594 -0,607402 -0,486416 -0,274937 -0,180681 0,151048 0,004347 -0,150104 1,000000 -0,244480 -0,033933 0,126182
х12 0:369333 0,130684 0:416677 0,104523 0:553916 0,164954 0:280260 -0,084951 0,010835 -0:2444 80 1,000000 -0,097665 -0Г339589
х13 -0:244 94 6 -0,230468 0,175846 0,337095 -0,233295 0:669562 0,206350 0,073625 -0,215307 -0,033933 -0,097665 1.000000 -0,188136
V -0.074796 -0.115070 -0.244119 -0.156936 -0.171968 -0.228037 -0.183153 -0.178101 0.054572 0.126182 -0.339589 -0.188136 1.000000
Рисунок 17 - Таблица попарных корреляций
Для наглядности воспользуемся графическими возможностями языка Python. Тепло-карта корреляционных зависимостей показывает, что сильную корреляцию (не менее 0.75) имеют переменные x4 и x5.
-0.19 -0.36 082
013 041 042 -0.17
-0.24 -0.23 018 0.34 -0.23 0.67 0.21 0.074 -0.22 -0.034 -0.098
Рисунок 18 - Тепло-карта корреляций
Показатели х4 «Объем производства продукции сельского хозяйства» и х5 «Объем производства продукции растениеводства» являются стратегически значимым в рамках оценки Краснодарского края и исключить их из оценочной модели невозможно.
В исследовании провели кластерный анализ в 8ТЛТ18Т1СЛ, разделив на 5 кластеров. Проанализировав разбиение, и, учтя скорректированную оценку, выявили закономерности в каждом из кластеров (рис. 19). В кластер номер 5 входят элементы всех рейтингов за исключением «очень высокий»: Анапа 2009 рейтинг «высокое», Анапа 2011 рейтинг «среднее», Армавир 2009 рейтинг «очень низкое». Выявили, что кластерный анализ ошибочно группирует наблюдения из-за того, что он не учитывает латентные нелинейные связи между коэффициентами (переменными) модели.
Элементы кластера номер 2 (Та&лица итоговых данных) и расстояния до центра кластера. Кластер содержит 10 на&л.
о&ъедин.
Анапа 2009 84,21721
Анапа 2010 16,7989^
Анапа 2011 449,7623
Армавир 2009 138,8219
Геленджик 2009 617,0137
Геленджик 2010 504,7787
Геленджик 2011 180,2957
Горячий Ключ 2009 355,5626
Горячий Ключ 2010 348,2930
Горячий Ключ 2011 461 1638
Рисунок 19 - Элементы кластера номер 2. Кластерный анализ городских
округов Краснодарского края
В исследовании использован метод деревьев классификации для прогнозирования принадлежности наблюдений (объектов) к тому или иному классу значений зависимой категориальной переменной на
основании значений одной или нескольких предикторных переменных. Для построения дерева использованы возможности среды 8ТЛТ18Т1СЛ.
Построенное дерево классификаций для определения рейтинга городских округов Краснодарского края имеет структуру, представленную на рисунке 20.
Рисунок 20 - Граф дерева классификаций
Построенное дерево совершает три ошибочных классификации (рис. 21) на стадии обучения: классифицирует два объекта класса «низкое» как класс «среднее», и один объект из класса «высокое» как объект класса «низкое». Так же оно успешно определило все 5 классов.
Рисунок 21 - Ошибки классификаций на обучающей выборке
Однако, на стадии кросс-проверки дерево ошибочно классифицирует 36 объектов из выборки (рис. 22).
Матрица ошибок классификации ГКП (Та&лица итоговых}
Предсказ. (строки) и наблюдаемые (столбцы)
Цена глоб. КП = .50575; стопил.цены = . 05692
Класс Класс Класс Класс Класс
среднее высокое очень низкое очень низкое
Класс высокое
среднее 1 2 8 0
высокое & 1 0 0
очень высокое 1 Б 0 0
низкое 2 1 0 0
очень низкое 4 0 0 6
Рисунок 22 - Матрица ошибок классификации на стадии кросс-проверки
Данное исследование позволило заключить, что линейных методов многомерного статистического анализа данных [12, 14, 29, 30] недостаточно для составления подобных рейтинговых систем. Для адекватной и достоверной оценки данных, имеющих латентные не линейные связи, необходимо использовать системы искусственного интеллекта, нейросетевые технологии и т. д. [15-28].
Заключение
В данной работе при сопоставительном анализе оценок рейтинговых агентств «РАЭКС-Аналитика», «Национальное Рейтинговое Агентство» и «Эксперт РА» было выявлено, что Краснодарский край имеет высокую инвестиционную привлекательность и высокий уровень кредитоспособности.
При анализе методологий рейтинговых агентств «РАЭКС-Аналитика», «Национальное Рейтинговое Агентство» и «Эксперт РА» были обнаружены следующие недостатки: некоторые из рассмотренных агентств не предоставляют ссылки на источники, из которых берутся статические показатели, в том числе агентство «Национальное Рейтинговое Агентство»; только у агентства «РАЭКС-Аналитика» имеется в открытом доступе подробная методология присвоения рейтинговых оценок; не все агентства дают однозначную характеристику рейтинговых оценок.
На основе проведенных в [12] исследований в данной статье была разработана модель дискриминантного анализа в среде 8ТЛТ18Т1СЛ для оценки социально-экономического развития городских округов Краснодарского края (1) с достоверностью 85%, включающая показатели, нормированные на душу населения, за исключением уже приведённых показателей «среднемесячная заработная плата работников организаций», «Общая площадь жилых помещений, приходящаяся в среднем на одного жителя - всего»: Текущие (эксплуатационные) затраты на охрану окружающей среды, включая оплату услуг природоохранного назначения; Объем производства продукции сельского хозяйства; Объем производства продукции растениеводства; Объем производства продукции животноводства; Ввод в действие жилых домов на территории муниципального образования; Общий объем всех продовольственных
товаров, реализованных в границах муниципального района, в денежном выражении; Профицит (+), дефицит (-) бюджета муниципального образования (местного бюджета); Прибыль (убыток) до налогообложения отчетного года; Дебиторская задолженность; Кредиторская задолженность.
Такие анализы как «кластерный анализ» и «деревья классификации» оказались не применимыми для данного исследования, поскольку они не учитывают латентные нелинейные связи между коэффициентами модели. В данном случае необходимо использовать системы искусственного интеллекта, нейросетевые технологии и т.д.
С использованием данной модели был проведён анализ социально-экономического развития городских округов Краснодарского края за период 2009-2018 гг., который позволил выявить лидеров (Краснодар 2015-2018, Анапа 2018); и аутсайдеров (Сочи 2017, Геленджик 2009, Армавир 2009, Армавир 2012-2014).
Литература
1 Национальное Рейтинговое Агентство. Рейтинг НРА: URL: https://www.banki.ru/wikibank/natsionalnoe_reytingovoe_agentstvo/
2 Пресс-центр НРА: URL: http://www.ra-national.ru/ru/press-center
3 Инвестиционная привлекательность:Ц^: http://www.ra-national.ru/ru/taxonomy/term/3097?type=rating
4 РАЭКС Аналитика - рейтинги, исследования, обзоры: URL: https://raex-a.ru/about
5 Инвестиционная привлекательность регионов:URL: https://raex-a.ru/ratings/regions/2018/att1
6 Регионы: Краснодарский край: URL: https://www.raexpert.ru/database/regions/krasnodar
7 Коваленко А.В., Кармазин В.Н. Комплексная оценка кредитоспособности предприятий малого и среднего бизнеса на основе нечетких моделей // Обозрение прикладной и промышленной математики. 2007. Т. 14. № 4. С. 722-724.
8 Открытые данные Сбербанка:Ц^: https://www.sberbank.com/ru/analytics/opendata
9 Методика составления рейтинга инвестиционной привлекательности регионов России компании «РАЭКС-Аналитика:URL:https://raex-a.ru/update_files/3_13_method_region.pdf
10 Рейтинг инвестиционной привлекательности :URL:http://www.ra-national.ru/ru/taxonomy/term/3097?type=rating
11 Методология присвоения рейтингов кредитоспособности региональным и муниципальным органам власти Российской Федерации: URL: https://raexpert.ru/docbank//19f/9a3/334/b6700468ac19d78ea8cd08c.pdf
12 Сюсюра ДА., Коваленко А.В. Использование методов многомерного статистического анализа данных для оценки социально-экономического развития городских округов, районов и поселений Краснодарского края // Прикладная математика XXI века: современные проблемы математики, информатики и моделирования Материалы всероссийской научно-практической конференции . 2019. С. 164-171.
13 Федеральная служба государственной статистики. URL: www.gks.ru
14 Барановская Т.П., Коваленко А. В., Уртенов М.Х, Кармазин В.Н. Современные математические методы анализа финансово-экономического состояния предприятия -Краснодар: КубГАУ, 2009, с. 96-128
15 Применение нейронных сетей для задач классификации URL -http s://b asegroup. ru/community/arti cles/classifi cati on
16 Круглов В. В., Борисов В. В. Искусственные нейронные сети. Теория и практика - Москва: Горячая линия - Телеком, 2002, с. 242-292
17 Узденов У.А., Коваленко А.В., Уртенов М.А.Х. Интеллектуальная система оценки кредитоспособности регионов. Часть 2. Нечеткие продукционные и гибридные системы // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета. 2014. № 104. С. 1297-1308.
18 Леоненко А. В. Нечёткое моделирование в среде Matlab и Fuzzy TECH - Санкт-Петербург: БХВ -Петер бур г, 2005, с.133-216
19 Арутюнян А.С., Коваленко А.В., Уртенов М.Х. Нейросетевые технологии финансово-экономического анализа. Краснодар, 2015. 130 с.
20 Казаковцева Е.В., Коваленко А.В., Уртенов М.А.Х. Нечеткие системы финансово-экономического анализа предприятий и регионов. Краснодар, 2013.
21 Коваленко А.В., Цэдэв А.О. Анализ кризисного состояния предприятия на основе систем нечеткого вывода // Обозрение прикладной и промышленной математики. 2006. Т. 13. № 3. С. 498-499.
22 Коваленко А.В. Математические модели и инструментальные средства комплексной оценки финансово-экономического состояния предприятия// диссертация на соискание ученой степени кандидата экономических наук / Кубанский государственный аграрный университет им. И. Т. Трубилина. Краснодар, 2009, 210 с.
23 Коваленко А.В. Оценка кредитоспособности заёмщика при помощи нейронных сетей и нечётких множеств // Современное состояние и приоритеты развития фундаментальных наук в регионах труды III Всероссийской научной конференции молодых ученых и студентов, 2-5 октября 2006 г.. Краснодар, 2006. С. 190-192.
24 Шевченко И.В., Кармазин В.Н., Коваленко А.В. Комплексная оценка кредитоспособности предприятий малого и среднего бизнеса с помощью нечеткой продукционной системы // Финансовая аналитика: проблемы и решения. 2008. № 2 (2). С. 81-86.
25 Коваленко А.В., Уртенов М.Х., Заикина Л.Н. Кластерный анализ финансово-экономического состояния предприятий строительной отрасли // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета. 2010. № 60. С. 189-200.
26 Коваленко А.В., Кармазин В.Н. Диагностика состояния предприятия на основе нечётких продукционных систем // Труды Кубанского государственного аграрного университета. 2008. № 11. С. 20-27.
27 Коваленко А.В., Кармазин В.Н. Нечеткое моделирование в среде matlab кредитоспособности предприятий малого и среднего бизнеса // Проектирование научных и инженерных приложений в среде MATLAB Труды Всероссийской научной конференции. 2007. С. 1509-1520.
28 Коваленко А. В. Нейронная сеть и нечёткие множества, как инструмент оценки кредитоспособности заёмщика // Прикладная математика XXI века Материалы VI объединённой научной конференции студентов и аспирантов факультета прикладной математики. 2006. С. 56-58.8
29 Высоцкая Т.В., Коваленко А.В., Уртенов М.Х. Сравнительный анализ методов оценки несостоятельности сельскохозяйственных предприятий // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета. 2012. № 75. С. 494-508.
30 Анализ финансово-экономического состояния предприятий строительной отрасли методами многомерного статистического анализа // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета. 2011. № 70. С. 1-14.
References
1 Nacional'noe Rejtingovoe Agentstvo. Rejting NRA: URL: https://www.banki.ru/wikibank/natsionalnoe_reytingovoe_agentstvo/
2 Press-centr NRA: URL: http://www.ra-national.ru/ru/press-center
3 Investicionnaja privlekatel'nost':URL: http://www.ra-national.ru/ru/taxonomy/term/3097?type=rating
4 RAJeKS Analitika - rejtingi, issledovanija, obzory: URL: https://raex-a.ru/about
5 Investicionnaja privlekatel'nost' regionov:URL: https://raex-a.ru/ratings/regions/2018/att1
6 Regiony:Krasnodarskij kraj: URL: https://www.raexpert.ru/database/regions/krasnodar
7 Kovalenko A.V., Karmazin V.N. Kompleksnaja ocenka kreditosposobnosti predprijatij malogo i srednego biznesa na osnove nechetkih modelej // Obozrenie prikladnoj i promyshlennoj matematiki. 2007. T. 14. № 4. S. 722-724.
8 Otkrytye dannye Sberbanka:URL: https://www.sberbank.com/ru/analytics/opendata
9 Metodika sostavlenija rejtinga investicionnoj privlekatel'nosti regionov Rossii kompanii «RAJeKS-Analitika:URL:https://raex-a.ru/update_files/3_13_method_region.pdf
10 Rejting investicionnoj privlekatel'nosti :URL:http://www.ra-national.ru/ru/taxonomy/term/3097?type=rating
11 Metodologija prisvoenija rejtingov kreditosposobnosti regional'nym i municipal'nym organam vlasti Rossijskoj Federacii: URL: https://raexpert.ru/docbank//19f/9a3/334/b6700468ac19d78ea8cd08c.pdf
12 Sjusjura D.A., Kovalenko A.V. Ispol'zovanie metodov mnogomernogo statisticheskogo analiza dannyh dlja ocenki social'no-jekonomicheskogo razvitija gorodskih okrugov, rajonov i poselenij Krasnodarskogo kraja // Prikladnaja matematika XXI veka: sovremennye problemy matematiki, informatiki i modelirovanija Materialy vserossijskoj nauchno-prakticheskoj konferencii . 2019. S. 164-171.
13 Federal'naja sluzhba gosudarstvennoj statistiki. URL: www.gks.ru
14 Baranovskaja T.P., Kovalenko A. V., Urtenov M.H, Karmazin V.N. Sovremennye matematicheskie metody analiza finansovo-jekonomicheskogo sostojanija predprijatija -Krasnodar: KubGAU, 2009, s. 96-128
15 Primenenie nejronnyh setej dlja zadach klassifikacii URL -https://basegroup.ru/community/articles/classification
16 Kruglov V. V., Borisov V. V. Iskusstvennye nejronnye seti. Teorija i praktika -Moskva: Gorjachaja linija - Telekom, 2002, s. 242-292
17 Uzdenov U.A., Kovalenko A.V., Urtenov M.A.H. Intellektual'naja sistema ocenki kreditosposobnosti regionov. Chast' 2. Nechetkie produkcionnye i gibridnye sistemy // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta. 2014. № 104. S. 1297-1308.
18 Leonenko A. V. Nechjotkoe modelirovanie v srede Matlab i Fuzzy TECH - Sankt-Peterburg: BHV-Peterburg, 2005, s.133-216
19 Arutjunjan A.S., Kovalenko A.V., Urtenov M.H. Nejrosetevye tehnologii finansovo-jekonomicheskogo analiza. Krasnodar, 2015. 130 c.
20 Kazakovceva E.V., Kovalenko A.V., Urtenov M.A.H. Nechetkie sistemy finansovo-jekonomicheskogo analiza predprijatij i regionov. Krasnodar, 2013.
21 Kovalenko A.V., Cjedjev A.O. Analiz krizisnogo sostojanija predprijatija na osnove sistem nechetkogo vyvoda // Obozrenie prikladnoj i promyshlennoj matematiki. 2006. T. 13. № 3. S. 498-499.
22 Kovalenko A.V. Matematicheskie modeli i instrumental'nye sredstva kompleksnoj ocenki finansovo-jekonomicheskogo sostojanija predprijatija// dissertacija na soiskanie
uchenoj stepeni kandidata jekonomicheskih nauk / Kubanskij gosudarstvennyj agrarnyj universitet im. I.T. Trubilina. Krasnodar, 2009, 210 c.
23 Kovalenko A.V. Ocenka kreditosposobnosti zajomshhika pri pomoshhi nejronnyh setej i nechjotkih mnozhestv // Sovremennoe sostojanie i prioritety razvitija fundamental'nyh nauk v regionah trudy III Vserossijskoj nauchnoj konferencii molodyh uchenyh i studentov, 2-5 oktjabrja 2006 g.. Krasnodar, 2006. S. 190-192.
24 Shevchenko I.V., Karmazin V.N., Kovalenko A.V. Kompleksnaja ocenka kreditosposobnosti predprijatij malogo i srednego biznesa s pomoshh'ju nechetkoj produkcionnoj sistemy // Finansovaja analitika: problemy i reshenija. 2008. № 2 (2). S. 81-86.
25 Kovalenko A.V., Urtenov M.H., Zaikina L.N. Klasternyj analiz finansovo-jekonomicheskogo sostojanija predprijatij stroitel'noj otrasli // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta. 2010. № 60. S. 189-200.
26 Kovalenko A.V., Karmazin V.N. Diagnostika sostojanija predprijatija na osnove nechjotkih produkcionnyh sistem // Trudy Kubanskogo gosudarstvennogo agrarnogo universiteta. 2008. № 11. S. 20-27.
27 Kovalenko A.V., Karmazin V.N. Nechetkoe modelirovanie v srede matlab kreditosposobnosti predprijatij malogo i srednego biznesa // Proektirovanie nauchnyh i inzhenernyh prilozhenij v srede MATLAB Trudy Vserossijskoj nauchnoj konferencii. 2007. S. 1509-1520.
28 Kovalenko A.V. Nejronnaja set' i nechjotkie mnozhestva, kak instrument ocenki kreditosposobnosti zajomshhika // Prikladnaja matematika XXI veka Materialy VI ob#edinjonnoj nauchnoj konferencii studentov i aspirantov fakul'teta prikladnoj matematiki. 2006. S. 56-58. 8
29 Vysockaja T.V., Kovalenko A.V., Urtenov M.H. Sravnitel'nyj analiz metodov ocenki nesostojatel'nosti sel'skohozjajstvennyh predprijatij // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta. 2012. № 75. S. 494508.
30 Analiz finansovo-jekonomicheskogo sostojanija predprijatij stroitel'noj otrasli metodami mnogomernogo statisticheskogo analiza // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta. 2011. № 70. S. 114.
