Подход к оценке развития цифровой экономики на основе кластеризации субъектов Российской Федерации
DOI:
https://doi.org/10.17059/ekon.reg.2022-4-8Ключевые слова:
цифровая экономика, регион, методы кластеризации, центр кластера, нечеткие множества, многоаспектное оценивание, лингвистическая оценка, частотный анализАннотация
В статье предложен и апробирован новый подход к оценке проблем развития цифровой экономики в контексте задачи извлечения из количественных показателей субъектов РФ оценочных знаний, представленных в виде качественных оценок. Отличительными особенностями предлагаемого подхода являются интеграция кластерного анализа и качественного оценивания, использование элементов теории нечетких множеств для моделирования оценочных знаний и их представление в лингвистической форме на трех уровнях интерпретации. Для повышения качества кластеризации применяется не один, а три метода (K-means, BIRCH, DBSCAN)), различных по принципам группировки, среди которых на основе апробированной меры качества автоматически выбирается метод, выполняющий лучшее разделение субъектов РФ. В рамках предложенного подхода была разработана автоматизированная методика качественного оценивания цифровой экономики, которая была апробирована на 15 показателях, наблюдаемых за 9 лет, представленных на сайте Федеральной службы государственной статистики для 83 субъектов РФ. В результате выделено шесть кластеров, для которых сформированы три класса качественных оценок, характеризующих проблемы в развитии цифровой экономики в контексте показателей, их групп и по годам на основе агрегации лингвистических оценок. Таким образом, для субъекта, входящего в кластер, получены оценки уровня показателя (низкий, средний, высокий), принадлежности к проблеме по группе показателей (проблема / нет проблем) и по всем исследуемым показателям (развитый / развивающийся). Анализ качественных оценок, полученных из множества числовых региональных показателей, показал, что наиболее «проблемными» в 2010 и в 2018 гг. была группа показателей «наука и инновация», негативную тенденцию в период с 2010 г. по 2018 г. демонстрирует группа показателей «эффективность экономики», в то время как группы показателей «информационное общество» и «рынок труда» показали положительные тенденции в снижении проблемности.
Библиографические ссылки
Afanasieva, T. V. & Yarushkina, N. G. (2009). Nechetkoe modelirovanie vremennykh ryadov i analiz nechetkikh tendentsiy [Fuzzy modeling of time series and analysis of fuzzy trends]. Ulyanovsk: UlSTU, 229. (In Russ.)
Angelis, V., Angelis-Dimakis, A. & Dimaki, K. (2016). Identifying Clusters of Regions in the European South, based on their Economics, Social and Environmental Characteristics. Region, 3(2), 71-102. DOI: 10.18335/region.v3i2.81.
Bilozubenko, V., Yatchuk, O., Wolanin, E., Serediuk, T. & Korneyev, M. (2020). Comparison of the digital economy development parameters in the EU countries in the context of bridging the digital divide. Problems and Perspectives in Management, 18(2), 206-218.
Bocci, L., D’Urso, P. & Vitale V. (2021). Clustering of the Italian Regions Based on Their Equitable and Sustainable Well-Being Indicators: A Three-Way Approach. Social Indicators Research, 155, 995-1043. DOI: https://doi.org/10.1007/s11205-020-02582-7.
Brauksa, I. (2013). Use of Cluster Analysis in Exploring Economic Indicator Differences among Regions: The Case of Latvia. Journal of Economics, Business and Management, 1(1), 42-45. DOI: 10.7763/joebm.2013.v1.10.
Bychkova, S. G. & Parshintseva, L. S. (2019). Information and communication technologies as a basis for the development of the information society: Russia in the system of international statistical indicators. Statistika i ekonomika [Statistics and Economics], 16(1), 32-40. DOI: http://dx.doi.org/10.21686/2500-3925-2019-1-32-40. (In Russ.)
Cheng, Z. (2014). Regional Economic Indicators Analysis Based on Data Mining. 2014 Fifth International Conference on Intelligent Systems Design and Engineering Applications, 1, 726-730. DOI: 10.1109/isdea.2014.165.
Elokhov, A. M. & Alexandrova, T. V. (2019). Approaches to Assessing the Results of the Digital Transformation of the Russian Economy. Uchet. Analiz. Audit [Accounting. Analysis. Audit], 6(5), 24-35. https://doi.org/10.26794/2408-9303-2019-6-5-24-35 (In Russ.)
Fahad, A., Alshatri, N., Tari, Z., Alamri, A., Khalil, I., Zomaya, A. Y., … Bouras, A. (2014). A survey of clustering algorithms for big data: Taxonomy and empirical analysis. IEEE Transactions, Emerging Topics in Computing, 2(3), 267-279.
Gorbatiuk, K., Mantalyuk, О., Proskurovych, О. & Valkov, О. (2019). Analysis of regional development disparities in Ukraine with fuzzy clustering technique. The 8th International Conference on Monitoring, Modeling & Management of Emergent Economy (M3E2 2019), 65, 194-210.
Kanungo, T., Mount, D. M., Netanyahu, N. S., Piatko, C., Silverman, R. & Wu, A. Y. (2002). An Efficient k-means clustering algorithm: analysis and implementation. IEEE Transactions on Pattern Analysis And Machine Intelligence, 24(7), 881-892.
Kazanbieva, A. Kh. (2001). Osobennosti sotsialno-ekonomicheskogo razvitiya depressivnykh regionov v postsovetskoy Rossii: Na primere Respubliki Dagestan: avtoreferat dis. … kand. ekon. nauk: 08.00.05 [Features of the socio-economic development of depressed regions in post-Soviet Russia: On the example of the Republic of Dagestan: abstract of thesis. ... candidate of economic sciences: 08.00.05]. Dagestan state. un-t. Makhachkala, 17. (In Russ.)
Korolev, A. & Krivosheya, E. (2018). Indeks «Tsifrovaya Rossiya». Otrazhenie tsifrovizatsii subektov Rossiyskoy Federatsii cherez prizmu otkrytykh istochnikov [Index «Digital Russia». Reflection of digitalization of the constituent entities of the Russian Federation through the prism of open sources]. Moscow: Moscow School of Management SKOLKOVO, 193. (In Russ.)
Kruglyakova, V. M. & Treschevsky, Yu. I. (2010). Gosudarstvennoe regulirovanie investitsionnoy deyatelnosti: teoriya, otechestvennaya i zarubezhnaya praktika [State regulation of investment activity: theory, domestic and foreign practice: monograph]. Voronezh, VSPU, 180 p. (In Russ.)
Kużelewska, U. (2014). Clustering Algorithms in Hybrid Recommender System on MovieLens Data. Studies in logic, grammar and rhetoric, 37(50), 125-139.
Nikitina, L. M. & Kurkin, V. A. (2020). Application of cluster analysis to assess the development of the digital economy in Russian regions. Region: sistemy, ekonomika, upravlenie [Region: Systems, Economics, Management], 3(50), 28-38. (In Russ.)
Nizhegorodtsev, R. M., Piskun, E. I. & Kudrevich, V. V. (2017). The Forecasting of Regional Social and Economic Development. Ekonomika regiona [Economy of Region], 13(1), 38–48. DOI: 10.17059/2017-1-4. (In Russ.)
Piskun, E. I. & Khokhlov, V. V. (2019). Economic development of the Russian Federation’s regions: factor-cluster analysis. Ekonomika regiona [Economy of region], 15(2), 363-376. (In Russ.)
Poltavsky, S. A. (2008). Methodology for assessing the differentiation of the constituent entities of the Russian Federation by the level of economic development (based on the optimization fuzzy c-means Bezdeck-Dann algorithm). Regionalnaya ekonomika: teoriya i praktika [Regional economics: theory and practice], 17(74), 25-36 p. (In Russ.)
Ren, Y., Xia, T., Li, Y. & Chen, X. (2019). Predicting socio-economic levels of urban regions via offline and online indicators. PLoS ONE, 14(7), e0219058. Retrieved from: https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0219058 (Date of access: 20.10.2022).
Safiullin, M. R., Abdullayeva, A. A. & Elshin, L. A. (2019). Assessment and analysis of digital transformation of regional economic systems of the Russian Federation: methodological approaches and their approbation. Vestnik universiteta, 12, 133-143. (In Russ.)
Skotarenko, O., Babkin, A., Senetskaya, L. & Bespalova, S. (2019). Tools for digitalization of economic processes for supporting management decision-making in the region. 2019 IOP Conference Series Earth and Environmental Science, 302(1), 012147. Retrieved from: https://iopscience.iop.org/article/10.1088/1755-1315/302/1/012147. (Date of access: 20.10.2022).
Stimson, R., Baum, S. & O’Connor, K. (2003). The Social and Economic Performance of Australia’s Large Regional Cities and Towns: Implications for Rural and Regional policy. Australian Geographical Studies, 41(2), 131-147.
Treshchevsky, Yu. I. & Shchedrov, Yu. I. (2013). Upravlenie regionami Rossii v usloviyakh asinkhronnosti ikh razvitiya [Management of Russian regions in the conditions of asynchronous development: monograph]. Voronezh, Scientific book, 187 p. (In Russ.)
Zadeh, L. A. (1965). Fuzzy sets. Information and Control, 8(3), 338-353.
Zhang, T., Ramakrishnan, R. & Livny, M. (1996). BIRCH: An Efficient Data Clustering Method for Very Large Databases. ACM SIGMOD Record, 25(2), 103-114.
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
