CC BY
29DOI: 10.6060/ivecofin.2021504.579 УДК: 332.1, 51-77
РАЗРАБОТКА ПОДХОДА К КЛАСТЕРИЗАЦИИ РАЙОНОВ НА БАЗЕ ИНСТРУМЕНТАЛЬНОГО СРЕДСТВА МАШИННОГО ОБУЧЕНИЯ KNIME
Е.М. Смирнова, А.А. Валинурова, С.В. Данилова, Т.Р. Валинуров
Екатерина Михайловна Смирнова* (ORCID 0000-0001-7104-6063), Анна Александровна Валинурова (ORCID 0000-0003-4614-7879), Светлана Вадимовна Данилова (ORCID 0000-0002-7879-7713), Тимур Раисович Валинуров (ORCID 0000-0001-9620-0338)
Ивановский государственный университет, ул. Ермака, 37, Иваново, 153025, Россия E-mail: [email protected]*, [email protected], [email protected], [email protected]
Научная работа посвящена применению методов кластеризации для группировки однородных районов в рамках более крупных территориальных образований с целью организации обоснованного государственного финансирования развития территорий. В настоящее время для объединения районов в группы используется ряд статистических показателей, которые не всегда отражают реальную ситуацию и не позволяют обоснованно сгруппировать разнородные районы внутри одной области. Кластеризация для целей группировки может стать инструментом бюджетной политики, позволяющей обоснованно распределить средства, основываясь не только на социальных и демографических показателях, но и опираясь на ряд дополнительных факторов. Районы, имеющие схожие показатели социально-экономического развития, могут иметь разный потенциал и нуждаться в разных стратегиях финансирования. Для принятия обоснованных долгосрочных решений применение метода кластеризации должно основываться на ряде статистических показателей за длительные сроки. В работе приведен подход к кластеризации районов на примере Ивановской области. Областной центр выделен в отдельный кластер, что обосновано существенными отличиями от других населённых пунктов по всем показателям. Кластеризация представляет собой метод машинного обучения без учителя, то есть данные будут группироваться без указания аналитиком критериев разделения.
Ключевые слова: интеллектуальный анализ данных, классификация, кластеризация, район, однородность, социально-экономическое положение, территориальное образование.
DEVELOPMENT OF AN APPROACH TO CLUSTERING OF DISTRICTS BASED ON THE KNIME MACHINE LEARNING TOOL
E.M. Smirnova, A.A. Valinurova, S.V. Danilova, T.R. Valinurov
Ekaterina M. Smirnova* (ORCID 0000-0001-7104-6063), Anna A. Valinurova (ORCID 0000-0003-46147879), Svetlana V. Danilova (ORCID 0000-0002-7879-7713), Timur R. Valinurov (ORCID 0000-0001-96200338)
Ivanovo State University, Ermaka St., 37, Ivanovo, 153025, Russia
E-mail: [email protected]*, [email protected], [email protected], [email protected]
The scientific work is devoted to the application of clustering methods for grouping homogeneous areas within larger territorial formations to organize reasonable state financing of territorial development. At the present time for the grouping of districts a number of statistical indicators are used which do not always reflect the real situation and do not allow to reasonably group heterogeneous districts within one area. Clustering for clustering purposes can become a tool of budget policy that allows to reasonably allocate funds based not only on social and demographic indicators, but also on a number of additional factors. Districts with similar indicators of socio-economic development may have different potential and need different financing strategies. To make informed long-term decisions the application of clustering method should be based on a number of statistical indicators over a long period of time. This paper presents an approach to the clustering of districts by the example of Ivanovo region. The regional center is singled out into a separate cluster, which is substantiated by significant differences
from other settlements according to all indicators. Clustering is a method of machine learning without a teacher, that is, the data will be grouped without the analyst specifying the criteria of division.
Keywords: intelligent data analysis, classification, clustering, district, homogeneity, socio-economic status, territorial entity.
Для цитирования:
Смирнова Е.М., Валинурова А.А., Данилова С.В., Валинуров Т.Р. Разработка подхода к кластеризации районов на базе инструментального средства машинного обучения KNIME. Известия высших учебных заведений. Серия «Экономика, финансы и управление производством» [Ивэкофин]. 2021. № 04(50). С.165-175. DOI: 10.6060/ivecofin.2021504.579 For citation:
Smirnova E.M., Valinurova A.A., Danilova S.V., Valinurov T.R. Development of an approach to clustering of districts based on the KNIME machine learning tool. Ivecofm. 2021. № 04(50). С.165-175. DOI: 10.6060/ivecofin.2021504.579 (in Russian)
ВВЕДЕНИЕ
Комплексное исследование возможностей использования технологии интеллектуального анализа данных (Data Mining) становится актуальным для решения наиболее сложных проблем социально-экономического характера, выработки стратегии и принятия управленческих решений по развитию отдельно взятого района территориального образования, использования данных для разработки региональной программы развития и решение задач распределения государственной поддержки [1, 12]. Применение указанной технологии позволит произвести разработку и первичную настройку концептуальной модели поиска новых, ранее неизвестных и практически полезных закономерностей развития районов Ивановской области с целью оценки социально-экономического положения территориального образования и выработки практических рекомендаций по повышению инвестиционной привлекательности региона. Отметим, что данное направление развития соответствует стратегии развития новых цифровых технологий в РФ [13].
МАТЕРИАЛЫ И МЕТОДЫ
В настоящее время учеными-исследователями, региональными органами власти и аналитическими агентствами используется метод классификации районов по отдельным показателям. Его применение носит субъективный, выборочный и непоследовательный характер, отнесение к той или иной группе производится на основании анализа двух групп показателей (социально-экономическое развитие и демографическое положение районов), что подвергается критике, поскольку не учитывает множество дополнительных факторов. Существующая система классификации обладает рядом существенных недостатков и требует пересмотра. Чтобы повысить объективность исследования предлагается использовать кластеризацию
с помощью интеллектуального анализа данных для выявления новые закономерности в группировке районов Ивановской области [6, 18].
В работе также будут использованы такие методы как: анализ и синтез данных, метод группировок, метод графического отражения данных.
РЕЗУЛЬТАТЫ
Основным научным результатом работы можно считать новый подход к разделению районов Ивановской области по степени однородности, проведённый посредством метода кластеризации. Предложенный подход рекомендуется использовать для выработки политики в области государственного финансирования.
ДИСКУССИЯ
По мнению Б.Г. Миркина под кластером обычно понимается часть данных, выделяемая из остальной части наличием некоторой однородности ее элементов, которыми является подмножество объектов или подмножество переменных [14]. Таким образом, кластерный анализ или кластеризацию с появлением машинного обучения начали определять как способ группировки многомерных объектов (имеющих несколько независимых входных величин), базирующихся на представлении результатов каких-либо измерений в графическом виде с использованием точек наиболее подходящего геометрического пространства. Путем группировки этих точек и выделения их скопления происходит формирование кластеров [2, 8, 11]. Кластеризацию относится к ключевым методам Data Mining, при котором осуществляется поиск заранее неизвестных ответов, т.е. система самостоятельно находит корреляцию данных и происходит обучение без учителя.
Кластеризация может быть использована для выделения районов по схожим признакам, бу-
дет базой для создания групп однотипных районов для применения к ним одинаковых инструментов воздействия в рамках их социально-экономического развития. Исходные данные для исследования - паспорта муниципальных образований в формате Excel с информацией о социально-экономических показателях за 2020 г.
Для регионов, которые ставят перед собой задачу определения приоритетных и комплексных направлений социально-экономического развития муниципальных образований, возможно использование результатов кластерного анализа в нескольких областях. Первый аспект применения - это выявление ключевых проблем и формирование перечня тех районов, у которых низкие социально-экономические показатели и которым требуется первоочередная помощь. Второе направление применения кластеризации - это оценка «потенциала территории», отбор тех районов, которые могут стать драйверами роста, под которые в дальнейшем могут создаваться инвестиционные проекты развития, индустриальные парки, особые экономические зоны. Финансирование данных проектов будет полностью или частично за счет бюджетных средств. И третий аспект - проведение кластерного анализа можно производить на постоянной основе, с использованием одной и той же выборки и системы показателей за разные временные периоды. Таким образом, мы получаем представление о динамике развития районов, траектории их движения относительно уже сформировавшихся групп, а это может служить основой для дальнейшего прогнозирования.
Исходя из этого, представим схему оценки социально-экономического положения муниципальных районов для определения направлений государственного регулирования (рис. 1).
Рисунок 1. Этапы оценки социально-экономического положения муниципальных районов Figure 1. Stages of assessment of the socio-economic situation of municipal districts
Применение кластерного анализа предполагает следующую последовательность [16]:
1. Обоснование выборки для кластеризации. В схеме оценки социально-экономического положения района выборкой для кластеризации будет вся совокупность районных показателей каждого отдельного муниципалитета.
2. Определение множества переменных, по которым будут производится оценка объектов в выборке. Прежде, чем выделять конкретные переменные для оценки социально-экономического состояния муниципальных районов стоит отметить, что наиболее подходящим методом оценки будет нисходящая кластеризация, подразумевающая, что все объекты (регионы) принадлежат одному кластеру (Ивановской области). В ходе итеративного процесса будет проводиться разделение кластеров на подкластеры, образуя, таким образом, дендро-грамму. Первоначальное и самое логичное разделение всех районов на 3 группы - развивающиеся, стагнирующие и депрессивные. Это дробление представляет собой не что иное, как выделение первого уровня подкластеров. Среди переменных, по которым будут оцениваться объекты в выборке, могут быть: количество трудоспособного населения, выручка крупных организаций на территории района, количество организаций, уровень инвестиций в основной капитал и т.д.
3. Вычисление значений меры сходства между разными объектами. Для социальных наук наибольшее распространение получило использование коэффициентов корреляции и меры расстояния при оценке сходства и различий.
4. Применение метода кластерного анализа для создания групп сходных объектов. Сам кластерный анализ достаточно трудоёмкий, поэтому для его проведения необходимо специальное программное обеспечение (в исследовании использована аналитическая платформа КММЕ). Предполагается, что кластерный анализ позволит обосновать выделение новых кластеров муниципалитетов.
К№МЕ - это модульная платформа с открытым исходным кодом, предназначенная для анализа данных и составления отчетов. К№МЕ интегрирует различные компоненты для машинного обучения и интеллектуального анализа данных с помощью модульной концепции конвейера данных. Среда К№МЕ позволяет пользователю визуально создавать поток данных, выборочно выполнять анализ шагов, а затем исследовать результаты посредством интерактивного просмотра данных и моделей [15].
5. Проверка достоверности результатов кластерного решения. Для проверки достоверности предполагается использовать тесты значимости для признаков, используемых при создании кластеров, и повторные выборки.
При анализе данных по районам территориальных образований бывает очень сложно выделить основные характеристики. Классификация муниципальных образований обычно проводится по двум группам показателей:
1) Характеризующим социально-экономическое развитие. К ним относят: индекс физического объема валового муниципального продукта; индекс промышленного производства; индекс производства продукции сельского хозяйства; объем инвестиций в основной капитал; оборот розничной торговли; среднемесячную начисленную заработную плату работников; среднедушевые денежные доходы населения в месяц; просроченную задолженность по заработной плате; уровень зарегистрированной безработицы; объем работ по статье «Строительство»; строительство жилых домов;
2) Отражающим демографическое положение. Традиционно к ним относятся: площадь территории; численность и плотность населения; коэффициент естественного прироста (убыли) населения на 1000 чел.; миграционный прирост (убыль) на 1000 человек населения.
При наличии большого количества данных по каждому отдельному району и при большом количестве муниципальных образований в рамках региона выделить какие-то закономерности бывает затруднительно. В связи с этим предлагается использовать для анализа метод главных компонент (PCA - principal component analysis), который предполагает создание некой упрощенной модели, которая позволяет отразить главное [19]. При использовании данного метода предполагается, что часть
Row ID (1$ ■ Район (Лнми«... тт»мс...|ГТ]»~ст...|Г8]еи»ч... S Ко|»~е. »[(О] Оборо...
RowO гор.округ Ив»чоео 405053 228177 14743592 105299674 18271 46,039.035
Rowl гор.округ Вичуга 33794 17107 198213 596709 310 1,938,638
Row 2 гор.округ КИ«1М 81936 4X20 «73134 6454897 956 4,838,885
Row3 Г0р.0»фуг TtlVjQEO гор.округ Шуе гор.округ Кохма 32033 57569 30220 18090_1270256 ¡828848 356 959 495 2,309,686 4,066,861 1,700,014
RowS 17051 386851 909389
Row6 Эичугский нум. р/ои 17083 8934 17574 447181 117 436,074
Row 7 верхмеламдехоос... Гаормлово- Лоса... 4339 2324 30044 379596.861... 56 110,760.703
RowS 15666 8305 667434 781538 173 437,865
Row9 Заеолжоом нум.... 14553 7024 29045 31667 167 431,463
Row 10 Haawaow нум. ... 37604 19988 1911188 16492157 1036 4.733,328
Row 11 Ил«»« нум. P... 807S 4037 31240 1082270 93 1,420,109.91
Row 12 К>*чешсмоо»< нум... 20916 11515 142548 5049966 243 381,949
Row 13 КОИСОНШЪООМ н... 19723 10385 117428 138699 209 614,227
Row 14 Лежжвск*** нум.... 18294 9659 335525 10187566 298 639.986
Row IS гЛухоо« нум. р/ом 7976 4078 72024 17581 -92 628.981.11
Row 16 ПалехоочЗнум. р... 9302 4590 39894 398745 120 314,890
Row 17 ПестАсоескж ну... 5649 2840 10240 26849 222,273
Row 18 Прь«олжск*%'< нун... 23497 12561 139499 1378695 263 1,112,326
Row 19 riyviexoo« нум. р... 10480 4635 269423 265711 128 405,162
Row 20 PoAr**<oeoo«< ну... 32704 16805 494395 2566074 308 1,358,784
Row21 Caet*oo*i нун. р... 10580 S1S7 24896 39328 126 276,690
Row 22 ГеЛсоеоочйнум. ... 10647 5131 34739 344928 131 395,614.406
Row 23 Фурмамооский ну... 39560 20770 600345 2S31447 зоо 1,812,415
Row24 ШумскмЗ нум. р/ом 21333 11232 i9370 24819 254 1,736,534.802
Row 2 5 Южоойнум. р/ом 22546 12921 106712 696122 173 710,218
Row 26 Юсммаой нум.... 12998 640S S8211 62285 123 425,472
Рисунок 2. Преобразованный файл с исходными данными в KNIME Analytics Figure 2. Converted file with source data in KNIME Analytics
признаков сильно зависят друг от друга, и нет необходимости использовать избыточные данные, когда можно выделить только основные.
Для того чтобы произвести оценку позиций районов Ивановской области с помощью интеллектуального анализа необходимо проведение поэтапного кластерного анализа на базе 6 статистических показателей. Их выбор обусловлен полнотой и достоверностью информации, характеризующей соответствующие условия развития регионов.
Районы Ивановской области существенно различаются по площади и количеству населения, проживающего в них. Так, самым маленьким по численности населения является Верхнеланде-ховский район (4339 чел.), а самым заселенным -городской округ Иваново (405053 чел.). Соотношение составляет примерно 1:90. Примерно такую же ситуацию можно наблюдать и по большинству других показателей, характеризующих уровень социально-экономического развития районов области. Вследствие этой неоднородности появляется возможность выделения среди всей совокупности муниципальных территорий определенных групп (кластеров).
Для анализа будем использовать файл с исходными данными по районам Ивановской области. Файл содержит несколько характеристик района: население (Н), трудоспособное население (ТН), инвестиции в основной капитал (ИОК), выручка крупных и средних организаций (ВО), количество организаций (КО), оборот розничной торговли (ОРТ). Общее количество муниципальных районов - двадцать семь.
Рассмотрим показатели, которые позволяет рассчитать KNIME Analytics. Первый показатель - это матрица ковариации.
Ковариационная матрица представляет собой квадратную матрицу для понимания взаимосвязей, представленных между различными переменными в наборе данных. Исходя из этого, можно заметить, что, например, показатели населения и трудоспособного населения изменяются однонаправленно. Также рост инвестиций в основной капитал соответствует увеличению выручки организаций, осуществляющих деятельность на территории района. Таким образом, чем больше сумма инвестиций в район, тем больше объемы розничной торговли и выручка организа-
ций (рис. 3). Логика понятна, как и явная взаимосвязь количества организаций на территории района с трудоспособным населением.
Полученные данные возможно визуализировать с помощью инструментов Scatter Matrix (рис. 4) и Scatter Plot (рис. 5).
Согласно рис. 5 можно говорить о наличии явной зависимости между главными компонентами, что делает актуальным применение данного метода для анализа предложенных данных.
Для проведения кластеризации будем использовать несколько наиболее известных методов: иерархическая кластеризация, метод к-средних, DBSCAN [10, 19, 20]. На платформе KNIME процесс анализа будет выглядеть следующим образом (рис. 6).
Рисунок 3. Матрица ковариации исходных данных Figure 3. Covariance matrix of source data
Рисунок 4. Матрица рассеяния Figure 4. Scatter matrix
Рисунок 5. Точечная диаграмма Figure 5. Point diagram
Рисунок 6. Процесс проведения анализа данных с помощью кластеризации Figure 6. The process of analyzing data using clustering
Иерархическая кластеризация - это тип неконтролируемого алгоритма машинного обучения, используемого для кластеризации немаркированных точек данных. Подобно K-means clustering, иерархическая кластеризация также группирует вместе точки данных с аналогичными
характеристиками. В некоторых случаях результат иерархической кластеризации и кластеризации К-средних может быть сходным [17].
С помощью дендрограммы можно предположить, какие объекты попали в какие кластеры (рис. 7).
Л D«ii4f>"vPiwinV«i> - ft» - itoKilHilOi«!'» I
g» ит
г«-«» о»»- Mm
— 5 x 1
Рисунок 7. Дендрограмма Figure 7. Dendrogram
Основной вывод, который можно сделать согласно полученным данным, это предположить наличие 3 кластеров, объединяющих исходные данные со схожими характеристиками. Это предположение будем в дальнейшем использовать при применении в анализе алгоритма к-средних.
При анализе данных о районах (исходя из выше представленной дендрограммы) построим алгоритм k-means на основе предположения о 3 кластерах (сильные, средние и слабые по своему социально-экономическому развитию группы).
Данные удобнее анализировать в двухмерной плоскости, поэтому для анализа можно брать попарно показатели, которые представляют интерес.
ii Cluster View - &7 - k-Means File Hilite
Первой парой показателей будут трудоспособное население и оборот розничной торговли. При работе алгоритма к-теа^ было выделено 3 кластера, по количеству - 3, 23 и 1 единиц в каждом кластере (рис. 8). Наличие отдельного кластера с единицей говорит о том, что один из районов обладает характеристиками весьма отличными от других. Использование данных по городскому округу Иваново носит спорный характер, и, возможно, его нужно было исключить из кластеризации. Попробуем выделить 4 кластера, предполагая, что один из них будет представлен городским округом Иваново.
J 3 dusters_
3 [ [duster_0 (coverадёГз)!
• Трудоспособное населе»«1е, чел. « 31112.333333333332
• Оборот розничной торговли, тыс. руб. - 4546358.0 -J ^ duster_l (coverage: 23)
• Трудоспособное население, чел. = 9632.869565217392
• Оборот розничной торговли, тыс. руб. - 885657.9534876992 3- duster_2 (coverage: 1)
• Трудоспособное население, чел. » 228177.0
• Оборот розничной торговли, тыс. руб. = 4.6039035Е7
Рисунок 8. Кластеризация данных по параметрам «Трудоспособное население» и «Оборот розничной торговли» Figure 8. Clustering of data on the parameters «Working-age population» and «Retail trade turnover»
Исходя из усредненных данных, можно сказать, что самый высокий оборот розничной торговли наблюдается в группе из 23 единиц, которая характеризуется средним количеством трудоспособного населения. Это подтверждает сделанный выше вывод о том, что деление районов исключительно по территориальному признаку
способствует значительному разрыву в социально-экономическом развитии районов.
Проведем кластеризацию данных по параметрам «Инвестиции в основной капитал» и «Выручка крупных и средних организаций» (рис. 9). Исходя из усредненных данных, можно сказать, что самая низкая выручка наблюдается в группе из 22 единиц, которая характеризуется низким
объемом инвестиций. В районах со средним объемом инвестиций - 4 единицы, при этом они генерируют выручку в среднем сопоставимую с районом лидером - городским округом Иваново. Это подтверждает выводы о том, что большинство
Д Cluster View - 0:7 - k-Means File Hilite
районов Ивановской области имеют слабое социально-экономическое положение.
Предположим, что количество кластеров равно 4, и будем использовать все показатели социально-экономического развития (рис. 10).
I 3 Clusters В Q duster_0 (coverage: 1)
• Инвестиции в основной капитал, тыс. руб. = 1.4743592Е7
• Выручка крупных и средних организаций, тыс. руб = 1.05299674Е8 Ё) duster_l (coverage: 22)
• Инвестиции в основной капитал, тыс. руб. = 170471.86363636365
• Выручка крупных и средних организаций, тыс. руб = 847656.7209888753 Й duster_2 (coverage: 4)
• Инвестиции в основной капитал, тыс. руб. = 1083311.75
• Выручка крупных и средних организаций, тыс. руб = 1.136556025Е7
Рисунок 9. Кластеризация данных по параметрам «Инвестиции в основной капитал» и «Выручка крупных и средних организаций» Figure 9. Clustering of data on the parameters «Investments in fixed assets» and «Revenue of large and medium-sized organizations»
A Cluster View - 0:9 - k-Means File Hilite
Q 4 Ousters
В S
О
В duster_0 (coverage: 1)
• Население, чел. ■ 405053.0 Трудоспособное население, чел. ■ 228177.0 lVeecTi*_nn в основной капитал, тыс. руб. « 1.4743592Е7 Выручка круглых и средтх организаций, тыс. руб - 1.05299674Е8 Количество организасий, ед. ■ 18271.0
• Оборот розничной торговли, тыс. руб. » 4.6039035Е7 duster_i (coverage: 14)
• Населен, чел. - 13062.5 Трудоспособное население, чел. « 6711.5
1*еести*н в основной капитал, тыс. руб. = 106216.71428571429 Выручка крупных и средних организаций, тыс. руб - 264646.4186968039 Когычествоорганизасий, ед. « 138.78571428571428 Оборот розничной торговли, тыс. руб. - 546158.9300456514 В Д [tfaster_2 (coverage: в)|
• Населен«, чел. = 27599.875 Трудоспособное население, чел. - 14742.0 IVeecriuHH в основной капитал, тыс. руб. - 282918.375 Выручка круглых и средних организаций, тыс. руб » 1867924.75 Ко/ичество организаьий, ед. - 296.0 Оборот розни**«й торговли, тыс. руб. « 1504240.238697245
duster_3 (coverage: 4)
• Населен«, чел. « 48863.25
• Трудоспособное населен*, чел. - 25749.0
• Инвест^»« в основной капитал, тыс. руб. - 1083311.75
• Выручка крупных и средних организации, тыс. руб ■ 1.136556025Е7
• Ко/мчество органнзасий, ед. - 812.25
• Оборот розничной торговли, тыс. руб. = 3582265.0
0 0
Рисунок 10. Кластеризация данных на 4 кластера по всем параметрам социально-экономического развития районов Figure 10. Clustering of data into 4 clusters on all parameters of socio-economic development of districts
A libeled input • 0t9 • k-Mtarvs File Edit Hilitt Navigation View
TaWe'defaJt'-Rows:27 Spec • CoUms: 8 Properties FtowVanaWes
_ Row ID [ s Pa*»_I I Населе...| Гтрудос...| 14veea...[ D BbCT<--- [ I Колче...[ p Оборо... | S Ouster
RowO Ьрлжруг ktoceo 1403053 (228177 ¡14743592 1105,299,674 [18271 146,039,035 [dusterj)
Rowl_|rop.QKpyr 8ичуга 33794 117Ю7 198213 S96.709 310 1,938,638 duster _2_
Row2 ТОХОкруг Кииыа ¡81986 [43020 ¡873134 [6,454,897 [956 : duster J
Ro«3 крю<ругТей<оео [32033 18090 B7P2S6 ¡828,848 056 ¡2.309.686 LrtgJS
Row4 ррлжруг Шуя [57569 [30329 11213400 ¡12,327,621 ¡999 №66,861 [duster~3
RowS Kowa 3C220 ¡17051 336351 909,389 -»95 ^1,700,0 И duster J
Ro*6 ИИчугоо«иуи.р/8и 17083 [8934 [17574 [447,181 117 [cS/>74 UttM~l
Row7 ~ Вер»мел»1дехоес-}43Э9 ¡2324 <30044 379,596.862 56 110,760.703 duster J
Row8 "гавсилосо-Посд... 15666 3X5 667434 ¡781,538 "¡173....... 437,865 duster.l
Rw.9 Заеоюихж иун.... [ 14553 ¡7024 29045 31,667 ¡167 431,463 'duster'l
Row» И»»о»»«<иун.... [37604 19988 1911188 [16,492,157 1Ю36 №733,338 [durtgj
Rowll Liioaiiнуи. p... MOTS ¡4037 [31240 ЦВ2Д70 [93 1,«20,109.91 duster~2
Row 12 Ючеценоо* кун... ;20916 'llSIS H2548 5,C-»9,966 143 331,949 duster _2
Row 13 конеснодюамн... 19723 1038S 117428 138,699 009 ¡614,227 [duste~l ~
Row 14 [teixBOOwwyH.... 18294 9659 _¡33552S ¡10,187.566 ¡298 '639,986 duster J
Row 15 Uyxoo»inYH.pAx 7976 [4078 72024 17,581 [92 ¡628,961.11 ИиаиСГ"
Row 16 Палехошаиун. p...[9302 1*590 39394 398,745 120 314,890 dusterj
Row 17 necnxceooâwy... [5649 [2640 10240 [26Д49 [74 ¡222,273 Uaterll
Row» кааоижоомиун... 2X97 [12561 139499 ¡1,378,695 ¡263 1,1123» ldurte»~2
Row 19 Пучесоа<нун.р... [10480 [4635 089423 065,711 128 [405,162 ¡dustaÇl
Row20 Рюкевомииу... 32704 16805 ¡494395 ~ [2.566,074 ¡308 1.353,734 duster_2
Row2l" Сав>%о<минуи.р... 10530 '5157 '24896 ¡39,328 "l26 "276,690 "duster'l
Row22 [Тейсоео'иииуи.... 10847 ¡5131 ¡34739 1344,928 131 B9S^K406
Row23 »щияаоайну... ¡39560 ~ ¡20770 ¡600345 ¡2,531,447 [300 №12,415 IdurtcrJ
Row24 Шуйоомиуи.р^н ¡21333 11232 «ЯР ¡24^819 ¡254 1,7Э6,534Л02Ииа»1|Г~
Row2S Юиоо^иуи. pftw ¡22546 12921 106712 ¡696,122 173 [710,218 purtyll
Row26 Юрьееечоукун.... !2993 'НС 5 '53211 62,285 123 -25,472 duster.!
Рисунок 11. Распределение районов по 4 кластерам Figure 11. Distribution of districts into 4 clusters
Городской округ Иваново выделен в отдельный кластер, далее районы распределены следующим образом:
claster_1 - (14 районов) - низкие показатели социально-экономического развития;
claster_2 - (8 районов) - средние показатели социально-экономического развития;
claster_3 - (4 района) - высокие показатели социально-экономического развития.
Отдельно будем учитывать claster_0 (1 район - областной центр) - самые высокие показатели социально-экономического развития.
По всем анализируемым показателям городской округ (г.о.) Иваново является относительно благополучным с точки зрения социально-экономического развития муниципальным образованием. На его долю приходится более 41% жителей Ивановской области, что определяется относительно высокими показателями инфраструктурного и социально-экономического развития данной территории. Таким образом, в Ивановской области реализована центрально-периферийная модель пространственного развития.
В рамках проведенного исследования социально-экономического развития муниципальных образований были решены частные вопросы, связанные с изучением закономерностей социально-экономического развития муниципальных образований. Выделены кластеры поселений, в которых наблюдаются различные закономерности, влияющие на наблюдаемые параметры. Построены карты параметров, дающие возможность оценки ситуации и сравнения с другими муниципалитетами. На наш взгляд для более тщательного и точного анализа влияния параметров (а также управляющих воздействий) необходима более глубокая динамика данных (5-10 лет), более детальное фиксирование изменений параметров и включение в модели параметров «внешнего» окружения. Для увеличения точности моделей необходимо, в первую очередь, создавать и использовать системы мониторинга показателей социально-экономического развития муниципальных образований [9], а также решать задачу накопления информации об индикаторах в формате OLAP. Результаты исследований также имеют большое значение для фи-
нансовой сферы, поскольку позволят прогнозировать денежные и финансовые показатели в территориальном разрезе [3, 4, 5, 7].
ЗАКЛЮЧЕНИЕ
На основе полученных данных можно сделать следующие выводы:
1. Экономическая активность концентрируется вокруг региональной столицы. Она стимулирует развитие агломерации, поскольку экономические и социальные эффекты, создаваемые г.о. Иваново, начинают распространяться и на соседние муниципальные образования.
2. Кроме г.о. Иваново относительно благополучные показатели развития характерны для других муниципальных образований: г.о. Ки-нешма, г.о. Шуя, Ивановский и Лежневский муниципальные районы. Полученные результаты кластеризации позволяют сделать вывод о реализации региональными властями в Ивановской области политики стимулирующего развития. Развитие всех этих муниципальных образований состоялось благодаря реализации на их территориях крупных инвестиционных проектов. Стягивание экономической активности в отдельные муниципалитеты сдерживает развитие других территорий в силу ограниченности трудовых ресурсов и инвестиций. На фоне отрицательных значений показателя естественного прироста во всех муниципальных образованиях в долгосрочной перспективе проблема пространственных дисбалансов будет только усугубляться.
3. Периферийные территории испытывают дефицит социального капитала, в связи с
ЛИТЕРАТУРА
1. Национальная программа «Цифровая экономика Российской Федерации», утв. Президиумом Совета при Президенте РФ по стратегическому развитию и национальным проектам. Протокол от 04.06.2019 №7.
2. Валинурова А.А. Теоретическое обоснование использования метода кластеризации в банковском резервировании. Известия высших учебных заведений. Серия: Экономика, финансы и управление производством [Ивэкофин]. 2021. №2(48). С. 17-22.
3. Валинурова А.А., Данилова С.В. Новый подход к формированию резервов в коммерческом банке. Вестник Ивановского государственного университета. Серия: Экономика. 2020. №4(46). С. 93-97.
4. Валинурова А.А., Смирнова Е.М., Валинуров Т.Р., Ба-лясова Е.Д. Трансформация подходов к оценке эффективности отделения банка в условиях цифровой экономики. Вестник Ивановского государственного университета. Серия: Экономика. 2020. №2(44). С. 90-97.
5. Валинурова А.А., Смирнова Е.М., Ксенофонтова О.Л. Интеллектуальное дистанционное банковское обслуживание и его особенности. Современные наукоемкие технологии. Региональное приложение. 2021. №2(66). С. 16-21.
6. Данилова С.В. Актуальные проблемы бизнес-аналитики и интеллектуального анализа данных в условиях цифровой экономики. В сб.: «Научно-исследовательская деятельность в классическом университете: традиции и инновации». Матер. Межд. н.-пр. фестиваля. 2020. С. 386-388.
чем требуется баланс между стимулирующей и выравнивающей политикой регионального развития Ивановской области. Усиление выравнивающей составляющей региональной политики повышает риски для региональной бюджетной системы, потому необходимо наращивать собственные доходные источники.
4. Депрессивные муниципальные образования характеризуются стагнацией базовых отраслей (низкие производительность труда, инвестиции, налоговый потенциал), неудовлетворительной демографической структурой, слабыми инфраструктурами. В отношении этих территорий приоритетными должны стать меры сглаживающей региональной политики, связанные с ростом доходов, занятых в бюджетном секторе, а также реализация агропищевого, природоохранного и рекреационного потенциалов муниципальных образований.
5. Депопуляция территорий фрагменти-рует пространство Ивановской области. Поддерживать слабозаселенные территории можно за счет локальных проектов, повышающих динамику экономического роста, улучшающих экономико-географическое положение муниципальных образований за счет инфраструктурных проектов, на реализацию которых необходимы государственные инвестиции.
Статья подготовлена по результатам исследований, выполненных в рамках гранта по договору с Ивановским государственным университетом N 05-21-Д от 16.04.2021 г.
REFERENCES
1. National Program «Digital Economy of the Russian Federation», approved by the Presidium of the Presidential Council for Strategic Development and National Projects, Protocol of 04.06.2019 N7. (in Russian).
2. Valinurova A.A. Theoretical substantiation of the use of clustering method in bank reservation. Ivecofin. 2021. N2(48). P. 17-22. (in Russian).
3. Valinurova A.A., Danilova S.V. A new approach to the formation of reserves in a commercial bank. Bulletin of the Ivanovo State University. Series: Economics. 2020. N4(46). P. 93-97. (in Russian).
4. Valinurova A.A., Smirnova E.M., Valinurov T.R., Bal-yasova E.D. Transformation of approaches to assessing the effectiveness of a bank branch in the digital economy. Bulletin of the Ivanovo State University. Series: Economics. 2020. N2(44). P. 90-97. (in Russian).
5. Valinurova A.A., Smirnova E.M., Ksenofontova O.L. Intelligent remote banking and its features. Modern high-tech technologies. Regional application. 2021. N2(66). P. 16-21. (in Russian).
6. Danilova S.V. Actual problems of business analytics and data mining in the digital economy. Materials of the scientific and practical Festival «Research activity in the classical University: traditions and innovations». 2020. P. 386-388. (in Russian).
7. Дубова С.Е. Анализ потенциала распространения феномена цифровых денег центральных банков кредитными организациями и институтами нефинансового сектора экономики. Известия высших учебных заведений. Серия: Экономика, финансы и управление производством [Ивэкофин]. 2021. №3(49). С. 59-68.
8. Дугушкина Н.В. Обзор популярных методов кластеризации в машинном обучении. Наукосфера. 2020. №7. С. 112-118.
9. Камаев В. А., Щербаков М. В., Аль-Катабери А.С. Анализ социально-экономического развития муниципальных образований на примере Волгоградской области с использованием моделей data mining. Изв. ВолгГТУ. Серия «Актуальные проблемы управления, вычислительной техники и информатики в технических системах». 2010. Т. 6. №8. С. 103-106.
10. Кревский М.И., Сметанев Д.М. Применение машинного обучения и process mining к задачам кластеризации процессов в финансовой сфере. Современные инструменты, методы и технологии управления знаниями. 2020. №3. С. 52-60.
11. Кузнецов Д.Ю., Трошина Т.Л. Кластерный анализ и его применение. Ярославский педагогический вестник. 2006. №4(49). С. 103-107. https://cyberleninka.ru/article/n/ klastemyy-analiz-i-ego-primenenie/viewer.
12. Мерзликина Г.С., Кузьмина Е.В. Методика оценки эффективности деятельности кластера на основе сбалансированной системы показателей в условиях цифровой экономики. Известия высших учебных заведений. Серия: Экономика, финансы и управление производством [Ивэкофин]. 2020. №2(44). С. 14-23.
13. Минцифры России будет координировать развитие новых производственных и коммуникационных технологий. https://digital.gov.ru/ru/events/41196/
14. Миркин Б.Г. Методы кластер-анализа для поддержки принятия решений. М.: НИУ ВШЭ. 2011. 88 с.
15. Официальный сайт платформы KNIME. https://www.knime.org.
16. Тюрин А.Г., Зуев И.О. Кластерный анализ, методы и алгоритмы кластеризации. Вестник МГТУ МИРЭА. 2014. №2(3). С. 86-97.
17. Усман М. Иерархическая кластеризация с помощью Python и Scikit-Learn. https://pythobyte.com/hierarchical-clus-tering-with-python-and-scikit-learn-768953fe.
18. Хомякова А.А., Мизгирев Л.С., Шергин В.В. Использование методов интеллектуального анализа данных в процессах управления инвестиционной привлекательностью региона. Известия высших учебных заведений. Серия: Экономика, финансы и управление производством [Ивэкофин]. 2020. №2(44). С. 14-23.
19. Gorban А., Kegl B., Wunsch D., Zinovyev A. Principal Manifolds for Data Visualization and Dimension Reduction. Berlin - Heidelberg - New York. 2007.
20. Kanungo T. An efficient k-means clustering algorithm: Analysis and implementation. Pattern Analysis andMachine Intelligence. 2002. Vol. 24. N 7. P. 881-892.
7. Dubova S.E. Analysis of the potential for the spread of the phenomenon of digital money of central banks by credit organizations and institutions of the non-financial sector of the economy. Ivecofin. 2021. N3(49). P. 59-68. (in Russian).
8. Dugushkina N.V. Review of popular clustering methods in machine learning. Scienceasphere. 2020. N7. P. 112-118. (in Russian).
9. Kamaev V. A., Shcherbakov M. V., Al-Kataberi A.S. Analysis of socio-economic development of municipalities on the example of the Volgograd region using data mining models.
Bulletin VSTU. Series «Actual problems of management, computer technology and informatics in technical systems. 2010. Vol. 6. N8. P. 103-106. (in Russian).
10. Krevsky M.I., Smetanev D.M. Application of machine learning and process mining to the tasks of clustering processes in the financial sector. Modern tools, methods and technologies of knowledge management. 2020. N3. P. 52-60. (in Russian).
11. Kuznetsov D.Yu., Troshina T.L. Cluster analysis and its application. Yaroslavl Pedagogical Bulletin. 2006. N4(49). P. 103-107. https://cyberleninka.ru/article/n7klasternyy-analiz-i-ego-primenenie/viewer. (in Russian).
12. Merzlikina G.S., Kuzmina E.V. Methodology for assessing the effectiveness of cluster activities based on a balanced scorecard in the digital economy. Ivecofin. 2020. N2(44). P. 14-23. (in Russian).
13. The Ministry of Digital Development, Communications and Mass Communications of Russia will coordinate the development of new production and communication technologies. https://digital.gov.ru/ru/events/41196 (in Russian).
14. Mirkin B.G. Cluster analysis methods for decision support. Moscow: HSE. 2011. 88 p. (in Russian).
15. The official website of the KNIME platform. https://www.knime.org. (in Russian).
16. Tyurin A.G., Zuev I.O. Cluster analysis, clustering methods and algorithms. Bulletin of MSTU MIREA. 2014. N2(3). P. 86-97. (in Russian).
17. Usman M. Hierarchical clustering using Python and Scikit-learn. https://pythobyte.com/hierarchical-clustering-with-py-thon-and-scikit-learn-768953fe. (in Russian).
18. Khomyakova A.A., Mizgirev L.S., Shergin V.V. The use of data mining methods in the processes of managing the investment attractiveness of the region. Ivecofin. 2020. N2(44). P. 14-23. (in Russian).
21. Gorban А., Kegl B., Wunsch D., Zinovyev A. Principal Manifolds for Data Visualization and Dimension Reduction. Berlin - Heidelberg - New York. 2007.
22. Kanungo T. An efficient k-means clustering algorithm: Analysis and implementation. Pattern Analysis and Machine Intelligence. 2002. Vol. 24. N 7. P. 881-892.
Поступила в редакцию 01.10.2021 Принята к опубликованию 15.10.2021
Received 01.10.2021 Accepted 15.10.2021
