CC BY
33
УДК 005:332.1:631.145
08.00.00 Экономические науки
АНАЛИЗ ОСНОВНЫХ СОЦИАЛЬНО-ЭКОНОМИЧЕСКИХ ПОКАЗАТЕЛЕЙ РАЙОНОВ СТАВРОПОЛЬСКОГО КРАЯ ЗА 2011-2015 ГОДЫ СРЕДСТВАМИ СИСТЕМ БИЗНЕС-АНАЛИТИКИ
UDC 005:332.1:631.145 Economics
ANALYSIS OF THE MAIN SOCIO-ECONOMIC INDEXES OF DISTRICTS IN THE STAVROPOL REGION IN 2011-2015 BY MEANS OF BUSINESS ANALYTICS PLATFORMS
Мамаев Иван Иванович доцент
SPIN-код: 1029-3563, AuthorlD: 621511
Сахнюк Татьяна Ивановна к.э.н., доцент
SPIN-код: 5339-2920, AuthorlD: 619068
Сахнюк Павел Анатольевич к.т.н., доцент
SPIN-код: 7192-6869, AuthorlD: 124383 Ставропольский государственный аграрный университет, Ставрополь, Россия
Разработаны интерактивные информационные панели мониторинга основных социально-экономических показателей городских округов и муниципальных районов Ставропольского край за 2011-2015 годы средствами платформ бизнес аналитики Tableau Public и Power BI для совместного свободного использования. Проведен кластерный анализ административных районов Ставропольского края по наиболее важным социально-экономическим показателям за 2015 год с целью выявления проблемных районов и принятия управленческих решений по их развитию
Ключевые слова: СИСТЕМЫ БИЗНЕС-АНАЛИТИКИ, КЛАСТЕРИЗАЦИЯ, СОЦИАЛЬНО-ЭКОНОМИЧЕСКИЕ ПОКАЗАТЕЛИ
Mamaev Ivan Ivanovih associate professor
SPIN-code: 1029-3563, AuthorlD: 621511
Sakhnyuk Tatiana Ivanovna
candidate of economic sciences, associate professor
SPIN-code: 5339-2920, AuthorID: 619068
Sakhnyuk Pavel Anatolevih candidate of technical sciences, associate professor SPIN-code: 7192-6869, AuthorID: 124383 Stavropol State Agrarian University Stavropol, Russia
We have developed dashboards of monitoring of the main socio-economic indexes of city districts and municipal districts of the Stavropol region in 2011 -2015 by means of platforms of business analytics of Tableau Public and Power BI for joint free use. The article presents a cluster analysis of administrative areas of the Stavropol region with the most important socio-economic indexes in 2015 for the purpose of identification of problem areas and acceptance of management decisions for their development
Keywords: SYSTEMS OF BUSINESS ANALYTICS, CLUSTERIZATION, SOCIAL AND ECONOMIC INDICATORS
Платформы бизнес-аналитики помогают более точно оценить финансовое состояние и инвестиции, объемы собственного производства в разрезе отдельных видов экономической деятельности: добыча полезных ископаемых, обрабатывающие производства, производство и распределение электроэнергии, газа и воды [1]. Разработаны панели мониторинга, чтобы обеспечить консолидированное представление ключевых показателей, характеризующих социально-экономическое положение городских округов и муниципальных районов Ставропольского края (СК) в период с 2011по 2015 годы: пять в Tableau Public и 3 в Power
BI (https://public.tableau.com/views/2010-2015 3/sheet0?:embed=y&:display count=yes,
https://app.powerbi.com/view?r=eyJrIioiNiQxZmNiOGItMiQyNy00ZTA0LWE4ZDctMiRkYTQ4NWYwZWZi IiwidCI6Ij 11 NDJlNzhkLWViZDEtNDE2Mi 1 iYWQ4LThmYzQwMTJiMWQ0NiIsImMi0jl9)
Информационные панели (dashboards) позволяют представлять данные в наглядном, интуитивно понятном виде, при помощи различных шкал, показателей, индикаторов и отражают также демографические процессы, проблемы занятости и безработицы, среднюю заработную плату.
Рисунок 1 - Dashboard в Tableau Public, характеризующая социально-экономическое положение городских округов и муниципальных районов Ставропольского края в
период с 2011 по 2015 годы Tableau помогает людям видеть и понимать данные, позволяя создавать блестящую отчетность за минуты и отразить данные эффективно и красиво, без какого бы то ни было программирования. Используя возможности Tableau можно привязать те или иные данные к карте местности, сделать области диаграмм кликабельными, чтобы лица принимающие решения могли бы глубже изучить интересующие данные.
Для удобства анализа на всех информационных панелях используются фильтры выбора из 36 муниципалитетов, объединенных в
фильтр выбора группы районов (административные центры, восточные районы, КМВ, промышленные центры, сельские территории, соседние со столицами), фильтр финансового результата (выше среднего - синий цвет, ниже среднего - оранжевый, отрицательный - красный цвет) и фильтр выбора года.
Так в 2015 году сальдированный финансовый результат (прибыль минус убыток) деятельности организаций сложился положительным и составил 47,9 млрд. рублей; инвестиции в основной капитал - 80,256 млрд. рублей; объем отгруженных товаров собственного производства - 281,55 млрд. рублей; численность занятых в организациях - 473617 человек; средний уровень безработицы - 1,4%. На карте по регионам края одновременно представлен финансовый результат, закодированный цветом (минимум -12,680 млрд. рублей в г. Пятигорск - красный цвет, максимум 15,247 млрд. рублей в г. Невинномысске - синий цвет), а объем собственного производства - площадью круга, детализированный по видам экономической деятельности (обрабатывающие производства, производство и распределение электроэнергии, газа и воды, добыча полезных ископаемых). На информационной панели представлена столбчатая диаграмма величины инвестиций, сальдированного финансового результата и средней заработной платы в регионах, которая совместно с картой и ключевыми показателями дает возможность целостно взглянуть на социально-экономическое положение регионов края, определить тенденции и выявить диспропорции развития. Так, например, величина средней заработной платы не зависит от сальдированного финансового результата и инвестиций в основной капитал, особенно наглядно это наблюдается в г. Пятигорске - абсолютным аутсайдером по финансовым результатам за каждый год, при этом он всегда в тройке лидеров по средней заработной плате и в пятерке лидеров по величине
инвестиций. Это отчетливо прослеживается на dashboard в Power BI (рис. 2).
Рисунок 2 - Dashboard в Power BI: ключевые показатели, характеризующих социально-
экономическое положение регионов Ставропольского края в период с 2011 по 2015 годы и график "водопад" - финансовый результат по муниципалитетам (представлены результаты в группе районов городов Кавказских Минеральных Вод и административных центров СК: Ставрополя и Пятигорска) Существует положительная корреляция между оборотом розничной торговли и объемом собственного производства (рис. 3) [2].
Рисунок 3 - Dashboard в Tableau Public: промышленное производство и розничная
торговля
0,0600432
Оборот розничной торговли = 0,772513*Собственное производство + 6920,59
Value StdErr t-value p-value
0,772513 0,397114 1,94532 0,0600432
6920,59 7496,4 0,923189 0,362414
Однако эта зависимость нарушена для ряда городов: в г. Невинномысске - при самом большом увеличении объема собственного производства по сравнению с 2014 годом (с 71,47 до 93,69 млн. руб.), оборот розничной торговли значительно (с 13,54 до 3,65 млн. руб.) сократился и в г. Пятигорске - при незначительном увеличении объема собственного производства (с 19,8 до 20,1 млн. руб.), оборот розничной торговли значительно (с 96,9 до 13,6 млн. руб.) сократился, что говорит о отрицательной корреляции; для городов Буденновска, Лермонтова и Изобильненского района корреляция не наблюдается. Для вышеуказанных муниципалитетов требуются дальнейшие исследования. Без вышеуказанных регионов взаимосвязь между оборотом розничной торговли и объемом собственного производства прослеживается более четко (рис. 4):
P-value:
Equation:
Coefficients Term
Собственное
производство
intercept
Рисунок 4 - Диаграмма рассеяния (точечная диаграмма): взаимосвязь оборота розничной торговли и собственного производства по регионам СК в динамике с 2011
по 2015 годы
Дополнительную информацию можно получить, исследовав информационную панель - рисунок 5.
Рисунок 5 - Dashboard в Power BI: ключевые показатели, характеризующих социально-экономическое положение регионов СК в период с 2011 по 2015 годы и визуализации, отражающие объемы отгруженных товаров собственного производства На третьей информационной панели в Tableau Public представлены (рисунок 6): карта, отражающая величину инвестиций на одного
работающего; точечная диаграмма, отражающая взаимосвязь между величиной инвестиций и вводом в действие общей площади жилых домов; линейная диаграмма объемов инвестиций и столбчатые диаграммы ввода жилья и динамики разницы с предыдущим годом с 2011 по 2015 годы.
Рисунок 6 - Dashboard в Tableau Public: инвестиции и ввод жилья
Рисунок 7 - Dashboard в Tableau Public: инвестиции и ввод жилья На четвертой информационной панели представлены (рисунок 7): карта, отражающая величину инвестиций на одного работающего;
точечная диаграмма, отражающая взаимосвязь между величиной инвестиций и вводом в действие общей площади жилых домов; линейная диаграмма объемов инвестиций и столбчатые диаграммы ввода жилья и динамики разницы с предыдущим годом с 2011 по 2015 годы.
Пятая Dashboard разработанная в Tableau Public (рис. 8) посвящена исследованию взаимосвязи между численностью, плотностью населения, численностью занятых в организациях, уровнем безработицы и оттоком населения в регионах Ставропольского края в динамике с 2011по 2015 годы.
Карта средней зарботной платы в разрезе районов Ставропольского края ЗарплатаУБезработица/Численность/Плотность/Отток
Рисунок 8 - Dashboard в Tableau Public: инвестиции и ввод жилья Дополняет исследование информационная панель, представленная на рисунке 9.
Для проверки гипотезы о группировке районов СК проведем их кластеризацию по основным социально-экономических показателям и интерпретацию полученных кластеров. В качестве инструмента кластерного анализа будем использовать нейронную сеть Кохонена, реализуемой в аналитической платформе Deductor Sudio, достоинством которой по сравнению с другими алгоритмами является возможность
визуального анализа многомерных данных: схожие объекты попадают в соседние ячейки карты (рис. 10).
Рисунок 9 - Dashboard в Power BI: визуализации, отражающие отношения между численностью, плотностью населения, численностью занятых в организациях, уровнем безработицы и оттоком населения в регионах СК в динамике с 2011 по 2015 годы
Рисунок 10 - Карты Кохонена показателей социально-экономического положения районов (точной во 2 кластере показаны значения для г. Ставрополя)
Проверку результатов кластеризации методом карт Кохонена в Deductor Sudio осуществим в KNIME Analytics Platform (рис. 11), в которой легко выполнить нечеткую c-means (FCM) кластеризацию, особенностью которой является отнесение каждой точки данных к кластеру с функцией принадлежности, изменяемой в диапазоне от 0 до 1 включительно. Кластеры представляются нечеткими множествами, и, кроме того, границы между кластерами также являются нечеткими. Степень принадлежности определяется расстоянием от объекта до соответствующих кластерных центров.
Color Manager Shape Manager Scatter Plot
H Г T**
XLS Read er N опт alizer (PM ML) Fuzzy c-M ean s
Й1.5
^ ++ щ Data to Report
п • гт • гт • \
•I
Рисунок 11 - Сценарий FCM кластеризации регионов СК в KNIME Analytics Platform
Муниципалитет Номер кластера Муниципалитет Номер кластера
Александровский 0 Апанасенковский 4
Аццроповский 0 Арзгирский 4
Благодарненский 0 Грачевский 4
Буценновский 0 Ипагтовский 4
Георгиевский 0 Красногвардейский 4
Железновоаск 0 Курский 4
Кировский 0 Степновский 4
Кочубеевский 0 Т руновский 4
Левокумский 0 Туркменский 4
Лермонтов 0 Изобильненский 3
Минералоеюдский 0 Невинномысск 3
НеФтекумский 0 Ставрополь 2
Новоалександровср 0 Буденновск 1
Новоселицкий 0 Георгиевск 1
Петровский 0 Ессентуки 1
Предгорный 0 Кисловодск 1
Советский 0 Минеральные Воды 1
Шпаковокий 0 Пятигорск 1
Рисунок 12 - Результаты кластеризации регионов Ставропольского края методом карт
Кохонена в Deductor Studio
Результаты нечеткой кластеризации представлены на рисунке 13. Сравнивая их с результатами кластеризации методом карт Кохонена (рис. 12), убеждаемся в их объективности. Отличие в результатах наблюдается только для Буденновска: алгоритм FCM, отнес в четвертый кластер к
Изобильненскому району и Невинномысску с функцией принадлежности равной 0,31, а к кластеру 0 (также как методом карт Кохонена) с функцией принадлежности равной 0,28.
Row ID s -Л. Winner Cluster D clusterj D duster_l D duster_2 D cluster^ □ duster_4
Георгиевск dusterjll ■ 1 ■ ш 1 ■
Ессентуки duster_0 ■ 1 ■ ш 1 ■
Кисловодск dusterjli ■ 1 1 1 1
Минеральные Воды duster 0 ■ 1 1 ■ I
Пятигорск duster_0 ■_| ■ ш 1 м
Апанасенковский duster_l 1 ■ 1 ш 1
Арзгирский duster_l ■ ■ 1 ш ■
Грачевский duster_l 1 ■ 1 ш 1
ИпатоБ(хий duster_l 1 ■ 1 н 1
Красногвардейский duster_l 1 ■ 1 ■ 1 1
Курский duster 1 1 ■ 1 ■ 1
Степновский duster_l 1 ■ 1 ■
Труновский duster_l 1 ■ 1 ■
Туркменский duster_l 1 ■ 1 ■ 1
Александровский cluster_2 1 ■ 1 ■ 1 1
Андропова™ duster_2 1 ■ 1 1
Благодарненский duster_2 1 ■ 1 1
Буденновск™ duster 2 ■ ■ 1 1
Георгиевский duster_2 1 ■ 1 1
Железноводск duster_2 ■ ■ 1 1
Кировский duster_2 1 ■ 1 1
Кочубеевский cluster_2 1 ■ 1 1
Левокумский duster 2 1 ■ 1 ■ 1 1
Лермонтов duster 2 1_| ■ ■ 1 ■
Минераловодский duster 2 ■ 1 ■ ■ 1 ■
Нефтекумский duster_2 Ш Ш м 1 м
НоБоалександровский duster_2 1 Я 1 ■ 1 1
Новоселицкий duster_2 1 ■ 1 1
Петровский cluster_2 1 Я 1 ■ 1 1
Предгорный duster_2 ■ ■ ■ 1 ■
Советский duster 2 1 ш ■ 1 1
Шпаковсхий duster 2 Ш ш 1 ■ 1
Ставрополь duster_3 ■
Буденновск duster_4 ■ 1 ■ 1 ■ 1
Изобильненский duster 4 ■ ■ ■ 1 ■ 1
Невинномыоск cluster_4 ■ ■ ■ 1 ■ 1
Рисунок 13 - Результаты FCM кластеризации регионов СК в KNIME Analytics Platform
Сравнивая полученные результаты кластеризации (5 кластеров) с начальными экспертными предположениями о распределении районов СК по 6 группам: административные центры, восточные районы, КМВ, промышленные центры, сельские территории, соседние со столицами, приходим к выводам о необходимости пересмотра состава групп районов СК. Ставрополь необходимо анализировать отдельно от других муниципалитетов края. Пятигорск относится более к группе КВМ (отрицательные показатели финансового результата), чем к административному центру (столица СКФО). Изобильненский район более
относится к группе промышленные центры. Группу "соседние со столицами" (Шпаковский и Предгорный район) необходимо расформировать. Остальные регионы СК разделяются на 2 группы в зависимости от средней заработной платы и уровня безработицы (0 и 4 кластеры на рис. 14).
0 12 3 4
Номер кластера
1" 1 | Население. Среди ее * in ■ Занятых б органмзациях.Среднее
1*1 _| Заработная плата.Среднее 1 | Финансовый результат .Среднее
- _■ Инвестиции. Сред нее F ■ | Добыча полезных ископаемых. Среди ее
V Ш ■ Обрабатывающие производства. Среди ее РЖ | Производство эл. энергии, газа и воды.Среднее
1*1_ _| Ввод пл ощади жил ых дом ов. Среди ее F ■ ■| Оборот розничной торговли.Среднее
1" 1 | Отток населения.Среди ее РЖ | Уровень безработицы.Среди ее
Рисунок 14 - Нормализованная столбчатая диаграмма кластеров по основным показателям социально-экономического положения регионов края Дополнительную информацию о формировании кластеров можно
извлечь, используя инструмент "дерево решений" в Deductor Studio.
Рисунок 15 - Дерево решений формирования кластеров
№ _ Номе V Условие Следствие itt Поддержка А Достоверность
Показатель Знак Значение 12 Номер кластера Кол-во % Кол-во %
9.0 Производство эл. энер < 14056г55
1 1 9.0 Уровень безработицы < 1,75 0 18 50,00 18 100,00
9.0 Производство эл. энер < 791,05
9.0 Производство эл. энер < 14056,55
2 9.0 Уровень безработицы < 1,75 1 6 1)6,67 6 100,00
9.0 Производство эл. энер >= 791,05
9.0 Население < 321,6
9.0 Производство эл. энер < 14056,55
3 3 9.0 Уровень безработицы < 1,75 2 1 2,78 1 100,00
9.0 Производство эл. энер > = 791,05
9.0 Население > = 321,6
4 4 9.0 Производство эл. энер < 14056,55 4 9 25,00 9 100,00
9.0 Уровень безработицы >= 1,75
5 5 9.0 Производство эл. энер >= 14056,55 3 2 5,56 2 100,00
Рисунок 16 - Правила, сформированные алгоритмом С4.5 построения дерева решений
Целевой атриб^: Номер кластера
№ Номер Атриб^ Значимость, X
1 3 Производство эл. энергии, газа и воды 50,031
2 13 Уровень безработицы I 43,539
3 1 Население IB 6,370
4 Э Ввод площади жилых домов I 0,000
5 10 Оборот розничной торговли I 0,000
6 12 Отток населения I 0,000
7 11 Платность населения I 0,000
8 4 Финансовый результат I 0,000
Э 3 Заработная плата I 0,000
10 2 Занятых в организациях I 0,000
11 7 Обрабатывающие производства I 0,000
12 G Добыча полезных ископаемых I 0,000
13 5 Инвестиции I 0,000
Рисунок 17 - Значимость атрибутов формирования кластеров Полученная объективная информация может быть использована для выработки стратегии и принятия управленческих решений по развитию регионов Ставропольского края.
Литература
1. Беликова И.П. Контроллинг персонала - инновационная модель управления бизнесом // Сборник материалов Международной научно-практической конференции «Экономические, инновационные и информационные проблемы развития региона», Ставрополь, 2014. С.36-46.
2. Беликова И.П. Проблемы развития малого бизнеса в условиях инновационного роста //Наука и современность № 37-2, 2015. С.96-101.
References
1. Belikova I.P. Kontrolling personala - innovacionnaja model' upravlenija biznesom // Sbornik materialov Mezhdunarodnoj nauchno-prakticheskoj konferencii
«Jekonomicheskie, innovacionnye i informacionnye problemy razvitija regiona», Stavropol', 2014. S.36-46. 2. Belikova I.P. Problemy razvitija malogo biznesa v uslovijah innovacionnogo rosta //Nauka i sovremennost' № 37-2, 2015. S.96-101.
