Кластеризация регионов на основе базовых аграрно-экономических критериев
DOI:
https://doi.org/10.17059/ekon.reg.2023-1-14Ключевые слова:
сельское хозяйство, локализация, специализация, сегментирование, кластерный анализ, метод k-средних, динамическая сегментация, мезокластеры, классификация, агробизнесАннотация
Разнообразие природно-климатических и экономических условий российских регионов предполагает широкий диапазон методологических подходов к их классификации. Одновременно усложняется задача абстрагирования исследования для любой отрасли народного хозяйства. Эффективная кластеризация важна также в процессе формирования и реализации аграрно-экономической политики. В работе изучены возможности базовой аграрно-экономической региональной кластеризации на основе временных рядов основных экономических показателей и показателей развития сельского хозяйства. Новизна предлагаемого подхода заключается в методике динамического сегментирования, которая позволяет наблюдать и прогнозировать направление изменений в мезоэкономических пропорциях. На основе официальных данных государственной статистики сформированы группы показателей по производственному, производственно-институциональному и производственно-структурному критериям. В качестве основного метода исследования выбран метод кластеризации «k-среднее». На основе трех смоделированных региональных сегментов рассчитаны средние значения по исходным признакам. Сегменты классифицированы с позиций полученных характеристик. Отдельно рассмотрены субъекты-выбросы, далеко отстоящие от основных массивов данных. Полученные результаты подтвердили широкое пространственное распределение регионов, входящих в определенные аграрно-экономические сегменты. Данная классификация будет полезна при обосновании направлений и выборе инструментов аграрно-экономической политики, стратегии создания производственных кластеров, а также при планировании работы регионального агробизнеса, устранении существующих диспропорций в его развитии. В качестве дальнейшего совершенствования методологии аграрно-экономической сегментации в динамике предложено расширить анализ с помощью изменения изучаемого временного интервала, роста количества включаемых в модель факторов и их взаимодействий, введения новых алгоритмов кластеризации. Данную модель можно дополнительно применять для получения прогнозов структурных изменений и динамики производства.
Библиографические ссылки
Bhatnagar, A., Vrat, P. & Shankar, R. (2019). Multi-criteria clustering analytics for agro-based perishables in cold-chain. Journal of Advances in Management Research, 16(4), 563–593. DOI: 10.1108/JAMR-10-2018-0093.
Bukhvald, E. M. & Kolchugina, A. V. (2019). The spatial development strategy and national security priorities of the Russian Federation. Ekonomika regiona [Economy of region], 15(3), 631-643. (In Russ.)
Castrignano, A., de Benedetto, D., Girone, G., Guastaferro, F. & Sollitto, D. Characterization, delineation and visualization of agro-ecozones using multivariate geographical clustering. Italian Journal of Agronomy, 5(2), 121-132. DOI: 10.4081/ija.2010.121.
Castro, P., Azul, A. M., Leal Filho, W. & Azeiteiro, U. M. (Eds.). (2019). Climate Change-Resilient Agriculture and Agroforestry. Ecosystem Services and Sustainability. Springer. DOI: 10.1007/978-3-319-75004-0.
Charykova, O. G. & Markova, E. S. (2019). Regional Clustering in the Digital Economy. Ekonomika regiona [Economy of region], 15(2), 409-419. DOI: 10.17059/2019-2-8. (In Russ.)
Christen, R. P. & Anderson, J. (2013). Segmentation of Smallholder Households: Meeting the Range of Financial Needs in Agricultural Families. Focus Note CGAP, 85 (April). Retrieved from: https://www.cgap.org/ (Date of access: 21.05.2021).
Du Bry, T. (2016). Agribusiness and Informality in Border Regions in Europe and North America: Avenues of Integration or Roads to Exploitation? Journal of borderlands studies, 30(4), 489-504. DOI: 10.1080/08865655.2016.1165132.
Fedolyak V. S. (2019). Economic space density as a measure of territory potential’s effective use. Izvestiya Saratovskogo universiteta. Ser. Ekonomika. Upravlenie. Pravo [Izvestiya of Saratov University. Economics. Management. Law], 19(2), 122–127. DOI: 10.18500/1994-2540-2019-19-2-122-12. (In Russ.)
Gudavalli, M., Vidyasree, P. & Raju, S. (2017). Clustering Analysis for Appropriate Crop Prediction using Hierarchical, Fuzzy C-Means, K-Means and Model based. Techniques International Journal of Advance Engineering and Research Development, 4(11).
Kolmakov, V. V., Polyakova, A. G., Karpova, S. V. & Golovina, A. N. (2019). Cluster Development Based on Competitive Specialization of Regions. Ekonomika regiona [Economy of Region], 15(1), 270-284. DOI: 10.17059/2019-1-21. (In Russ.)
Lokosov, V. V., Ryumina, E.V. & Ulyanov, V. V. (2019). Clustering of regions by indicators of quality of life and quality of population. Narodonaselenie [Population], 22(4), 4-17. (In Russ.)
Melnikova, T. B. (2018). Theory of the effective level of economic integration. In: Trudy VIII Vserossiyskogo simpoziuma po ekonomicheskoy teorii: Doklady sektsionnykh zasedaniy, Ekaterinburg, 26–27 sent. 2018 g. [Reports of section meetings of the VIII All-Russian symposium on the economic theory. Ekaterinburg, September 26-27, 2018] (pp. 51-52). Ekaterinburg: Institute of Economics of the Ural Branch of the Russian Academy of Sciences. (In Russ.)
Minakir, P. A. (2019). Russian Economic Space: Strategic Impasses. Ekonomika regiona [Economy of Region], 15(4), 967-980. DOI: https://doi.org/10.17059/2019-4-1. (In Russ.)
Naumov, A. S. (2015). Regional paradigm in the agricultural geography of the world: history and present. Regionalnye issledovaniya [Regional research], 2, 15-26. (In Russ.)
Ognivtsev, S. B. (2019). The digitalization of the economy and the economy of digitalization in agriculture. Mezhdunarodnyy agropromyshlennyy zhurnal [International Agricultural Journal], 2, 77-80. DOI: 10.24411/2587-6740-2019-12034. (In Russ.)
Raveendran, N. & Sofronov, G. (2021). A Markov Chain Monte Carlo Algorithm for Spatial Segmentation. Information, 12, 58. DOI: 10.3390/info12020058.
Rizzo D., Mari J.-F., Marraccini, E. & Lazrak, E.-G. (2014). Agricultural landscape segmentation: a stochastic method to map heterogeneous variables. Conference: IALE-Europe Thematic Workshop. Lisbon, 2014. Retrieved from: https://hal.inria.fr/hal-01098402 (Date of access: 21.05.2021).
Samygin, D. Yu. (2020). Strategirovanie selskogo khozyaystva: teoriya, metodologiya, instrumentalnaya podderzhka [Agricultural Strategization: Theory, Methodology, Instrumental Support]. Penza: Penza State University, 242. (In Russ.)
Shestakov, R. B., Yakovlev, N. A. & Zvereva, G. P. (2020). Cross-sectoral and price Interactions: a key to development of foresight and management system in agribusiness. IOP Conf. Series: Materials Science and Engineering, 753, 082005. DOI: 10.1088/1757-899X/753/8/082005.
Shestakov, R. B., Yakovlev, N. A., Lovchikova, E. I., Zvereva, G. P. & Volchenkova, A. S. (2021) Results analysis of agricultural organizations subsidy. E3S Web Conf., 254, 10005. DOI: 10.1051/e3sconf/202125410005.
Vandana, B. & Kumar, S. (2019). Hybrid K-Mean Clustering Algorithm for Crop Production Analysis in Agriculture International. Journal of Innovative Technology and Exploring Engineering (IJITEE), 9(2), 9–13. DOI: 10.35940/ijitee.B1002.1292S19.
Verma A., Jatain, A. & Bhaskar, S. (2016). Crop Yield Prediction of Wheat Using Fuzzy C Means Clustering and Neural Network. Indian Journal of Science and Technology, 13(11), 9816–9821.
Wageningen University & Research. (2020). Clustering agri-businesses to improve farmers’ income and food security in the Great Lakes Region. Retrieved from: https://www.wur.nl/ (Date of access: 21.05.21).
Williams, C. L., Hargrove, W. W., Liebma, M. & James, D. E. (2008). Agro-ecoregionalization of Iowa using multivariate geographical clustering. Agriculture, Ecosystems and Environment, 123(1–3), 161–174. DOI: 10.1016/j.agee.2007.06.006.
Zuma-Netshiukhwi, G., Stigter, K. C. J. & Walker, S. (2016). Improving agricultural decision-making using weather and climate information for farmers, south-western Free State, South Africa. Net Journal of Agricultural Science, 4(4), 67–77.
Bhatnagar, A., Vrat, P. & Shankar, R. (2019). Multi-criteria clustering analytics for agro-based perishables in cold-chain. Journal of Advances in Management Research, 16(4), 563–593. DOI: 10.1108/JAMR-10-2018-0093.
Загрузки
Дополнительные файлы
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Copyright (c) 2023 Шестаков Роман Борисович , Ловчикова Елена Ионовна
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
