Кластерный подход к методике регионального управления и развития

Размещено на http://www.allbest.ru/

Международная академия бизнеса и новых технологий (МУБиНТ)

КЛАСТЕРНЫЙ ПОДХОД К МЕТОДИКЕ РЕГИОНАЛЬНОГО УПРАВЛЕНИЯ И РАЗВИТИЯ

Чалик А.В.

Мудревский А.

Российская Федерация является многорегиональным государством, что приводит к множеству вариантов развития экономики. Современные условия развития экономики характеризуются ускорением глобализации и обострением конкурентной борьбы не только между компаниями и странами, но и между регионами. Территории конкурируют между собой за рынки сбыта, инвестиции, кадровый и интеллектуальный потенциал и другие ресурсы. Эта ситуация требует применения новых инструментов поддержания и повышения конкурентоспособности регионов. Активная кластерная политика органов государственной власти на уровне региона позволяет развить взаимовыгодное сотрудничество между властью, бизнесом, учебными заведениями, научными организациями и общественностью для развития экономики территории и приводит к масштабному мультипликативному эффекту. Развитие кластеров на базе исторически сложившихся отраслей экономики определено как стратегическое направление развития региональной экономики в проекте Стратегии социально-экономического развития Ярославской области до 2020 года и на перспективу до 2030 года. [8. С. 1]

На сегодняшний день, как показывает практика, при реализации программ региональной политики, расчет происходит на «средний» регион и заключается в построении рейтингов на основе статистических данных, что в итоге приводит к недостатку в методическом обеспечении и к слабой аргументированности при разработке направлений региональной политики.

На данный момент существует широкий спектр исследований региональных вопросов, однако применение многомерных методов анализа представленых в малой степени, а в тех работах где он присутствует упор сделан лишь на кластерный анализ для классификации регионов. Это ничуть не умаляет их ценности, но зачастую ограничивает представление о полной картине социально-экономического положения региона. Сам по себе кластерный анализ не дает должной информации для принятия обоснованных управленческих решений. В региональном управлении важен комплексный подход, включающий в себя систему методов, для: исследования текущей ситуации; выявления проблемных зон в социально-экономическом состоянии региона; разработки стратегии регионального развития.

Как показывает практика, сегодня невозможно добиться улучшения социально-экономического положения в одних регионах, не ухудшив его - в других, поскольку варианты и направления развития не одинаково выгодны как для отдельных федеральных округов, так и областей вошедших в их состав. В связи с этим, для определения направлений развития необходимо определить варианты желательного и нежелательного развития событий, что и обуславливает актуальность данного исследования.

Целью данного исследования является применение многомерного ранжирования основных социально-экономических и инфраструктурных факторов и подсистем с последующей их кластеризацией для выявления специфических направлений дальнейшего развития по схожему социально-экономическому положению.

Для достижения цели были поставлены и решались следующие задачи: исследование понятия и сущности региона; выявление основные региональные подсистем и определение их состава, комплекса показателей, дающих количественную характеристику их состоянию; выявление основных проблем в социально-экономическом и инфраструктурном развитии регионов.

Для дальнейшего понимания процесса анализа необходимо дать определения основным, использованным в исследовании понятиям, таким как «регион», «кластер», «кластерный подход» и «ранжирование».

Официальном определением понятия «региона» для российской экономики, является территориально-политическое устройство государства, которое административно-институциональным путем определяет количество регионов, их размеры и границы. Наша точка зрения, представленная в данном исследовании, описывает понятие региона, как часть территории РФ, обладающая общностью природных, социально-экономических, инфраструктурных, национально-культурных и иных условий. Сложность региона обусловлена множественностью и многообразием элементов, составляющих целые подсистемы, характеризующиеся разнообразными связями, протекающими в рамках его процессов.

«Кластер» в переводе с английского означает «группа», «скопление». Результатом данного исследования будет группировка областей ЦФО по их социально-экономическому положению.

«Кластерный подход» в экономике представляет синтез нескольких направлений, включая локальную индустриальную специализацию, пространственную экономическую агломерацию и региональное развитие.

Цель кластерного анализа, по определению Кима Дж.-О. в книге «Факторный, дискриминантный и кластерный анализ» [5, С. 165-166] заключается в нахождение групп схожих объектов в выборке данных. Эти группы удобно называть кластерами. Общепринятого определения понятия «кластер» не существует, однако очевидно, что кластер может быть охарактеризован рядом признаков, «…наиболее важными из которых являются плотность, дисперсия, размеры, форма и отделимость».

Результатом кластерного анализа является разбиение имеющихся в исходной выборке объектов на некоторое количество кластеров. При этом каждый кластер включает в свой состав один или более объектов, которые характеризуются схожими изменениями исходных показателей, иными словами регионы конкретного кластера дифференцированы в меньшей мере, при сравнении их с регионами других кластеров.

Б.Г. Миркин в книге «Группировки в социально-экономических исследованиях» [6, с. 42-43], отмечает что «самое естественное - это дать строгое определение компактной группы, после чего конструировать группировку как совокупность компактных в смысле данного определения групп». Так он предлагает называть группу объектов кластером, если максимальное расстояние между ее точками не превышает минимального расстояния «во вне».

Р.Р. Сокал в книге «Кластер-анализ и классификация: предпосылки и основные направления» [10, с. 7 - 19] описывает что: алгоритм кластерного анализа является по сути дела алгоритмом классификации регионов. «Часто утверждается, что классификация - один из фундаментальных процессов в науке. Факты и явления должны быть упорядочены, прежде чем мы сможем их понять и разработать общие принципы, объясняющие их появление и видимый порядок. С этой точки зрения, классификация является интеллектуальной деятельностью высокого уровня, необходимой нам для понимания природы»

Для проведения анализа, нами за исходные данные взята официальная статистическая отчетность, публикуемая в ежегодных изданиях Росстата «Регионы России. Социально-экономические показатели» [9, c. 37, 59-65, 69, 78, 102-104, 286, 304, 330, 425, 441, 493, 514, 541, 642, 851, 897, 920, 974]. Критерием для отбора показателей (факторов) стал групповой отбор, суть которого заключатся в выборе совокупности факторов, для последующей их группировки по девяти социально-экономическим и инфраструктурным подсистемам (таблица 1). Данная группа подсистем дает многомерную картину о социально-экономическом положении регионов.

В использованных нами данных, к примеру, в таблице 2 все значения приведены к общему виду путем проведения многомерного ранжирования, т. е. значениям присвоен порядковый номер в ряду.

Таким образом, мы получили информацию о состоянии областей ЦФО по социально-экономическим и инфраструктурным подсистемам. Следующим шагом будет процесс использования кластерного подхода метода K-средних изложенного Б.Г. Миркиным в труде «Методы кластер-анализа для поддержки принятия решений» [7, с. 38-40] и в книге «Экономическая диагностика при хозрасчете и самофинансировании» [11, с 51].

Таблица 1 - Социально-экономические и инфраструктурные факторы, вошедшие в состав основных региональных подсистем.

Таблица 2 - Многомерное ранжирование региональных подсистем по факторам, вошедшим в их состав.

Примечание: в первый кластер вошли области со средним значением 8,2-9,3 пунктов по подсистемам. Во второй кластер с 5,7-7,8 пунктов. В третий кластер значение в 9,5-11,9 пунктов.

Метод K-среднихзаключается в следующем: вычисления начинаются с k случайно выбранных наблюдений (в нашем случае k=3), которые становятся центрами групп, после чего объектный состав кластеров меняется с целью минимизации изменчивости внутри кластеров и максимизации изменчивости между кластерами [11, с.60]. Каждое следующее наблюдение (K+1) относится к той группе, мера сходства с центром тяжести которого минимальна. После изменения состава кластера вычисляется новый центр тяжести, чаще всего как вектор средних по каждому параметру. Алгоритм продолжается до тех пор, пока состав кластеров не перестанет меняться. Критерием остановки процедуры кластеризации является получение заранее определенного количества кластеров, а также обладание кластерами требуемым соотношением внутренней однородности и разнородности между собой [4, с. 45-46], [3 с 56].

В кластерном анализе применяются различные меры расстояния между объектами описанные в учебном пособии «Многомерный анализ данных методами прикладной статистики» [1, с.8-10]. В качестве меры близости мы будем использовать Евклидово расстояние, которое рассчитывается по формуле [1, с 9]:

Получив результаты классификации, можно оценить насколько они различаются между собой, рассчитав среднее значение показателей по каждому кластеру (таблица3). Расчеты выполненные в таблице 3 представляют результаты дисперсионного анализа, полученные с помощью программного продукта Statistica 10. Использование данного продукта в многомерном анализе достаточно хорошо освещено Н.Н. Буреевой в учебном пособи «Многомерный статистический анализ с использованием ППП “STATISTICA”» [2, С. 8-46].

Таблица 3 - Дисперсионный анализ для поиска зависимости и установления уровня значимости региональных подсистем

В результате значимость р<0.05 выполняется почти для всех переменных, что говорит о различии между исследуемыми нами переменными.

Для нашего исследования было выбрано 3 кластера. Вошедшие области ЦФО в кластеры представлены в таблице 4.

Таблица 4 - Области вошедшие в состав кластер по результатам анализа.

Информация, представленная в таблице 5, наглядно демонстрирует расстояние между полученными нами кластерами.

Таблица 5 - Коэффициенты меры близости между полученными в результате анализа кластерами.

Информация, сгруппированная в таблице 5, демонстрирует расстояние между полученными кластерами. Из таблицы видно, что расстояние между первым кластером и двумя другими относительно схоже, следовательно, области первого кластера имеют сходство по состоянию основных подсистем с другими кластерами. Как установлено из многомерного ранжирования, области, вошедшие в этот кластер имеют наиболее высокое и сбалансированное значение по подсистемам. Второй кластер же имеет достаточно высокий коэффициенты по состоянию социально-экономических подсистем, однако, областям, вошедшим в его состав присущи внутрирегиональные, подсистемные диспропорции. Центр третьего кластера расположен максимально далеко от двух других. Регионы в данном кластере имеют самые сильные подсистемные диспропорции, а так же значительно отстают по социально-экономическому и инфраструктурному развитию в сравнении с другими областями.

Построен график (Рисунок 1) по результатам проведенной системы методов, их него мы наглядно видим в каких подсистемах лидируют исследуемые нами кластеры. К примеру, второй кластер в который вошли такие области как Белгородская, Воронежская, Липецкая, Московская и Тульская значительно лидирует по ВРП, второй и третий кластеры отстают по этому показателю. Однако по подсистеме транспорта первый кластер находится на втором месте, а третий кластер и вошедшие в него 8 областей отстают почти что по всем подсистемам, кроме состояния трудовых ресурсов и т.д. экономический инфраструктурный региональный кластеризация

Рис. 1 - Колебание кластеров по исследуемым региональным подсистемам

В результате применения системы методов были выявлены неблагоприятные регионы ЦФО: Ивановская, Костромская, Тамбовская, Владимирская, Орловская, Калужская, Брянская и Тверская области, таким образом, выше перечисленные области имеют схожее социально-экономическое развитие и недостатки связанные с ним, в связи с этим региональные и Федеральные программы при разработке стратегии развития должны учитывать их сильные и слабые стороны для укрепления положения в положительных подсистемах и концентрации ресурсов на проблемных зонах. Также результатами диагностики было установлено что, даже на первый взгляд благополучные регионы, тоже нуждаются в поддержке со стороны государства по отдельно взятым подсистемам. Например, Московская область занимающая лидирующие позиции почти по всем подсистема находится на последнем месте по здравоохранению, аналогичная ситуация и с Белгородской областью, имеющей 3 ранг по подсистемам и 16 пункт по здравоохранению. Это связано с тем, что на сегодня в России недостаточное внимание уделяется человеческому фактору. Состояние здравоохранения в России не отвечает современным требованиям его развития и функционирования, что приводит к потерям среди численности трудовых ресурсов из-за плохого состояния здоровья и преждевременной смертности. В тоже время Калужская область находящаяся лишь на 12 месте по общему рангу находится на 2 позиции по подсистеме национального богатства или Тверская область также находящаяся на низких позициях имеет положительный скачок инфраструктурной подсистемы(транспорт).

Практические результаты проведенного нами исследования показали, что метод кластерного анализа проведенный по результатам многомерного ранжирования социально-экономических и инфраструктурным подсистемам позволяет расширить рамки сложившихся представлений о состоянии исследуемых областей. Кроме того, применение кластерного подхода обеспечивает должное информационно-аналитическое обоснование для выбора приоритетов и ориентиров региональной политики, которые должны составить основу для планирования действий органов государственной власти и местного самоуправления.

Список литературы

1. Барковский С.С., Захаров В.М., Лукашов А.М., Нурутдинова А.Р., Шалагин С.В. Многомерный анализ данных методами прикладной статистики:Учебное пособие - Казань: Изд. КГТУ, 2010. - 126 с

2. Буреева Н.Н. Многомерный статистический анализ с использованием ППП “STATISTICA”. Учебно-методический материал по программе повышения квалификации «Применение программных средств в научных исследованиях и преподавании математики и механики». Нижний Новгород, 2007, 112 с.

3. Дюран Б., Оделл П. Кластерный анализ. - М.: Статистика, 1977. - 128 с.

4. Калинина В. Н., Соловьев В. И. Введение в многомерный статистический анализ: Учебное пособие / ГУУ. - М., 2003. - 66 с.

5. Ким Дж.-О. Факторный, дискриминантный и кластерный анализ: пер. с англ. /Дж.-О. Ким [и др.]; под ред. И.С. Енюкова. - М.: Финансы и статистика, 1989. - 215 с.

6. Миркин Б.Г. Группировки в социально-экономических исследованиях. - М.: Финансы и статистика, 1985. - 224 с.

7. Миркин, Б. Г. Методы кластер-анализа для поддержки принятия решений: обзор : препринт WP7/2011/03 [Текст] / Б. Г. Миркин ; Национальный исследовательский университет «Высшая школа экономики». - М. : Изд. дом Национального исследователь- ского университета «Высшая школа экономики», 2011. - 88 с.

8. Постановление Правительства Ярославской области «Об утверждении Концепции кластерной политики Правительства области» от 30.06.2009 №650-п - г. Ярославль -15 с.

9. Регионы России. Социально-экономические показатели. 2016: Р32 Стат. сб. / Росстат. - М., 2016. - 1326 с.

10. Сокал Р.Р. Кластер-анализ и классификация: предпосылки и основные направления // Классификация и кластер.- М.: Мир, 1980. - 389 с.

11. Экономическая диагностика при хозрасчете и самофинансировании // Муравьев А.И., Вартанов А.С., Нерсесян К.В., Степонян Г.П. / Под. ред. А.И. Муравьева. - Ереван: Айстан, 1989. - 132 с.

Аннотация

В статье произведено многомерное ранжирование основных социально-экономических и инфраструктурных региональных подсистем с последующей их кластеризацией для выявления специфических направлений дальнейшего развития по схожему социально-экономическому положению. Обоснована актуальность проводимого исследования. Объектом исследования выступают регионы Центрального федерального округа Российской Федерации. Предметом исследования являются организационно-экономические отношения, возникающие в процессе подготовки перспективных направлений региональной политики и развития региона. Дано определение понятия регион, выявлены основные региональные подсистем и определен их факторный состав. Задачи исследования: выявление основных региональных подсистем и определение их состава, а также комплекса показателей, дающих количественную характеристику их состоянию; выявление основных проблем в социально-экономическом и инфраструктурном развитии регионов.

Ключевые слова: Кластерный анализ, метод K-средних, дисперсионный анализ, ранжирование, региона региональное управление.

The article contains a multidimensional ranking of the main socio-economic and infrastructural regional subsystems with their subsequent clustering aimed at identifying specific directions for further development in a similar socio-economic situation. The relevance of the research is grounded. The object of the study is the regions of the Central Federal District of the Russian Federation. The subject of the study is organizational and economic relations that arise in the process of preparing promising areas of regional policy and development of the region. The definition of the region is given, the main regional subsystems are identified and their factor composition is determined. Research tasks include the identification of the main regional subsystems and determination of their composition, as well as a set of indicators that give a quantitative description of their condition; identification of the main problems in the socio-economic and infrastructural development of the regions.

Keywords: Cluster analysis, K-means method, variance analysis, ranking, regional management.

Размещено на Allbest.ru