CC BY
21
ГЕОГРАФИЯ
УДК 528.44
DOI: 10.21685/2307-9150-2016-4-9
В. Ф. Ковязин, О. Ю. Лепихина, В. П. Зимин
ГРУППИРОВКА ЗЕМЕЛЬ МОНОПРОФИЛЬНЫХ ГОРОДОВ ПРИ ИХ КАДАСТРОВОЙ ОЦЕНКЕ
Аннотация.
Актуальность и цели. На современном этапе в Российской Федерации насчитывается более 300 населенных пунктов, отнесенных к монопрофильным. Кадастровая оценка земель таких городов проводится по общепринятой методике, при этом, как правило, не учитываются важнейшие факторы градообразующей отрасли. Наличие моноотраслевого предприятия на территории города оказывает существенное влияние на жизнедеятельность города, развитие его социальной и экономической инфраструктуры и во многом формирует цены на недвижимость. Одним из этапов кадастровой оценки земель является группировка населенных пунктов по одинаковым социально-экономическим параметрам. В работе предложена методика проведения группировки земель моногородов, учитывающая основные показатели градообразующей отрасли.
Материалы и методы. В работе исследован земельный фонд моногородов Северо-Западного федерального округа. Для группировки городов предложены следующие показатели: численность населения в городе, удаленность населенного пункта от центра субъекта Российской Федерации, степень социально-экономического развития города, категория опасности градообразующего предприятия. Используя нормативно-правовые документы и информацию, размещенную на официальных сайтах администраций исследуемых городов, собраны значения этих показателей. Выполнено обоснование используемого метода построения классификации - кластерного анализа, а проверка полученных результатов исследования осуществлена способом «К-средних».
Результаты. В результате классификации выделены четыре группы моногородов Северо-Западного федерального округа: 1) города с наиболее сложным социально-экономическим положением с неопасным производством; 2) города со стабильным социально-экономическим положением либо рисками его ухудшения с неопасным производством; 3) города с рисками ухудшения социально-экономического положения, сильно отдаленные (более 450 км) от центра субъекта; 4) города с наиболее сложным социально-экономическим положением либо рисками его развития с опасным производством.
Выводы. Полученная классификация земель моногородов учитывает важнейшие факторы градообразующей отрасли. Она может использоваться для целей группировки их земель при кадастровой оценке, что позволит повысить качество результатов земельно-оценочных работ в данных городах.
Ключевые слова: кадастровая оценка, группировка, монопрофильный город, кластерный анализ, древовидная кластеризация, метод «К-средних».
V. F. Kovjazin, O. Yu. Lepikhina, V. P. Zimin
THE GROUPING OF LANDS OF SINGLE-INDUSTRY TOWNS FOR CADASTRAL VALUATION THEREOF
Abstract.
Background. At the present time in the Russian Federation there are more than 300 settlements referring to single-industry towns. Cadastral valuation of their lands is carried out by the standard methodology. As a rule, the most important factors of a dominant enterprise are not taken into account. The presence of a dominant enterprise in the city territory influences functioning of a town, development of its social and economic infrastructure, and forms real estate prices. The grouping of settlements according to social and economic parameters is an important stage of cadastral valuation. The method of grouping of lands of single-industry towns is proposed in the study. It takes into account the most important factors of a dominant enterprise.
Materials and methods. Single-industry towns of the North-Western Federal District have been investigated in the work. The following indicators are proposed for the town grouping implementation: population, distance to the center of a constituent entity of the Russian Federation, the level of social and economic development of a city, the category of threats to a dominant enterprise. The values of the indicators were collected using legal documents and information published on official sites of the towns. To classify settlements the cluster analysis method was used. The validation of the obtained results was performed using the K-means method.
Results. Four groups of single-industry towns have been identified. They are cities with the most difficult social and economic situation having non-hazardous production; cities with a stable social and economic situation or the risk of its deterioration having non-hazardous production; cities with risks of a deteriorating social and economic situation located at the distance of over 450 km from the centre of a subject; cities with the most difficult social and economic situation or the risk of its development having dangerous production.
Conclusions. The classification of lands of single-industry towns takes into account the most important factors of a dominant enterprise. It can be used to group lands of single-industry towns for cadastral valuation thereof. The latter will improve the quality of appraisal works in these towns.
Key words: cadastral valuation, grouping, single-industry town, cluster analysis, tree clustering, K-means method.
В настоящее время кадастровая оценка земель монопрофильных населенных пунктов (моногородов) проводится по общепринятой методике [1], при этом никаким образом не учитывается их уникальность, обусловленная наличием градообразующего предприятия, которое оказывает непосредственное влияние как на рынок недвижимости города, так и на условия жизнедеятельности населения. Согласно существующей методике и требованиям [2] к кадастровой оценке определение стоимости земельных участков производится с использованием статистического метода. Как известно, статистический подход требует формирования выборки объектов, на основании которой в дальнейшем осуществляется построение статистической модели расчета стоимости оцениваемых земель [3]. Такая выборка обеспечивается путем проведения группировки земельных участков оцениваемого субъекта, глав-
ным требованием к которой является максимальная однородность объектов внутри каждой группы [4].
Формирование групп оцениваемых объектов осуществляется на основе их классификации по ряду значимых для кадастровой оценки критериев.
Таким образом, целью данного исследования является выявление классификации моногородов, учитывающей важные с точки зрения кадастровой оценки характеристики населенного пункта и градообразующей отрасли.
В настоящее время существует несколько подходов к классификации моногородов. Например, в работах А. Ю. Устинова, И. Н. Ильиной [5, 6] такие города группируют по времени возникновения, особенностям происхождения, стадиям жизненного цикла города, однако для целей кадастровой оценки они не могут быть использованы, так как вышеуказанные характеристики в незначительной степени влияют на кадастровую стоимость земель таких городов.
Материалы и методика
На начальном этапе исследования определен перечень факторов, оказывающих влияние на стоимость земель в моногородах. При проведении оценки монопрофильных городов в силу их особенностей наряду с традиционными показателями необходимо учитывать факторы хозяйственной деятельности градообразующих предприятий и социально-экономическую обстановку, сложившуюся в населенном пункте.
Объектами исследования являются моногорода Северо-Западного федерального округа, общее число которых составляет 41 населенный пункт. При проведении группировки городов оценивались значения следующих факторов: численность населения в городе, удаленность населенного пункта от центра субъекта Российской Федерации, степень социально-экономического развития города, категория опасности градообразующего предприятия.
Для оценки фактора «Степень социально-экономического развития» использованы положения распоряжения Правительства РФ [7], в котором города разделены по социально-экономическим условиям на три категории:
- с наиболее сложным социально-экономическим положением (в том числе во взаимосвязи с проблемами функционирования градообразующих организаций) - 94 населенных пункта;
- с наличием рисков ухудшения социально-экономического положения - 154 города и поселка городского типа;
- со стабильной социально-экономической ситуацией - 71 моногород.
Класс опасности градообразующего предприятия установлен согласно
Санитарно-эпидемиологическим правилам и нормативам [8], где преду смотрено разделение предприятий на пять классов по условиям и характеру производства, а также по степени воздействия на окружающую среду и здоровье человека.
Значения остальных факторов получены на основании информации, опубликованной на официальных сайтах администраций городов (табл. 1). В табл. 1 представлен не полный перечень городов, а лишь их часть, в целях сокращения объема статьи. В дальнейшей работе использован весь перечень (41 город), выделенный при исследовании населенных пунктов.
Таблица 1
Значения факторов группировки моногородов
№ Населенный пункт Субъект РФ Численность населения, чел. Удаленность от центра субъекта, км Степень социально-экономического развития Класс опасности градообразующего предприятия
1 пос. Кизема Архангельская область 2968 444 1 4
18 г. Емва Республика Коми 13 405 122 1 3
19 пос. Октябрьский Архангельская область 9137 540 2 3
20 г. Коряжма Архангельская область 37 587 560 2 4
21 г. Новодвинск Архангельская область 39 222 29 2 4
22 г. Сокол Вологодская область 37 562 35 2 4
23 г. Сланцы Ленинградская область 33 300 186 2 1
24 пос. Никель Мурманская область 11 823 123 2 1
25 г. Мончегорск Мурманская область 43 213 115 2 2
26 г. Заполярный Мурманская область 15 288 150 2 3
41 г. Сясьстрой Ленинградская область 13 305 152 3 4
Для построения классификации городов по предлагаемым факторам выбран кластерный анализ. Из всего многообразия современных методов анализа данных [9, 10] именно он позволяет на основе сведений об объектах разделить их на группы (кластеры), таким образом, чтобы значения признаков объектов, принадлежащих одному кластеру, являлись максимально схожими, а характеристики объектов разных групп - в наибольшей степени различны.
Одним из главных достоинств метода кластерного анализа является возможность кластеризации объектов по нескольким параметрам одновременно. При этом может быть различной природа анализируемых параметров и отсутствовать какая-либо взаимосвязь между ними [11]. Указанные допущения метода важны для оценки монопрофильных городов, характеризуемых разнотипичными признаками.
Также следует отметить, что в отличие от других методов анализа данных (например, дискриминантный анализ) метод кластерного анализа не требует обучающей выборки [12], т.е. позволяет не просто отнести объекты с известными характеристиками к существующим группам, а создать новую
классификацию на основе данных об объектах. Это также является актуальным при группировке моногородов.
Для проведения кластерного анализа существует большое количество российских и зарубежных программных продуктов: STADIA, СОМИ, СИТО, SAS, SPSS, STATISTICA, BMDP, S-PLUS и т.д. Настоящее исследование осуществлено средствами пакета STATISTICA, произведенного в США компанией StatSoft Inc. Помимо кластерного анализа, программа включает в себя достаточно большое число методов статистической обработки данных, объединенных специализированными модулями. Также она имеет удобный с точки зрения пользователя интерфейс, графический модуль для эффективной визуализации результатов и способна работать с различными входными данными [13].
Пакет STATISTICA позволил выполнить кластерный анализ следующими методами [14]:
- объединение (древовидная кластеризация),
- двувходовое объединение,
- метод «K-средних».
Метод объединения (древовидная кластеризация) заключается в построении иерархического древа, в основе которого лежит последовательное попарное объединение объектов в группы по степени схожести до тех пор, пока все анализируемые объекты не окажутся в одном кластере. Главным достоинством метода является наглядность представления результатов группировки.
Метод двувходового объединения является наименее распространенным в связи с тем, что границы полученных кластеров являются размытыми, а их образуемое количество достаточно большим и неоднородным, что отрицательно сказывается на интерпретации результатов анализа.
Метод «K-средних» отличается дополнительными требованиями к исходной информации - помимо значений характеристик анализируемого объекта, для проведения классификации требуется заранее известное число кластеров. Метод способен решать задачу группировки объектов путем отнесения их к различным классам, имеющим максимально возможные различия.
Для классификации монопрофильных городов использован метод «объединение (древовидная кластеризация)», выбор которого обоснован, в первую очередь, возможностью оценщика наглядно проследить процесс кластеризации и на его основе определить необходимое количество групп. Далее, используя полученное число групп, осуществлена проверка первичного результата методом «К-средних».
На заключительном этапе работы сформирована классификация моногородов Северо-Западного федерального округа.
Результаты и обсуждение
Во время ввода значений признаков исследуемых объектов в пакет анализа STATISTICA учитывались размерность и масштаб задаваемых характеристик. Они должны быть однородны и безразмерны, в противном случае фактор с большими значениями будет доминировать над фактором с меньшими значениями, что приведет к некорректному результату. Для избежания
подобной проблемы значения всех характеристик объекта стандартизировались по средствам вышеупомянутого программного продукта, в результате чего исходные данные приобрели следующий вид (табл. 2).
Таблица 2
Стандартизированные исходные данные в пакете 8ТЛтеТ1СЛ
Название моногорода Характеристики
Численность населения, чел. Удаленность от центра субъекта, км Степень социально-экономического развития Класс опасности градообразующего предприятия
пос. Кизема -0,274773054 1,04774275 -1,01831668 1,0956094
г. Онега -0,371914483 -0,225151254 -1,01831668 0,2148254
г. Красавино -0,16184233 1,18917542 -1,01831668 -0,6659587
пос. Сазоново -0,273316102 0,318820544 -1,01831668 0,2148254
г. Череповец -0,3718806 -0,605931512 -1,01831668 -1,54674269
г. Пикалево -0,371846718 0,101231825 -1,01831668 -0,665958658
г. Кировск -0,371812835 -0,225151254 -1,01831668 -1,54674269
г. Ковдор 0,213847997 0,210026184 -1,01831668 -1,54674269
пос. Ревда -0,107392984 -0,551534332 -1,01831668 -1,54674269
пос. Краснофарфорный -0,321361636 -0,888796847 -1,01831668 0,214825374
г. Пестово 0,155908742 0,340579416 -1,01831668 1,09560941
г. Суоярви -0,06612397 -0,660328692 -1,01831668 1,09560941
г. Кондопога -0,371778953 -1,06286782 -1,01831668 1,09560941
пос. Муезерский -0,274840819 0,862792341 -1,01831668 1,09560941
пос. Надвоицы -0,105495558 0,210026184 -1,01831668 -1,54674269
г. Питкяранта -0,37174507 -0,279548433 -1,01831668 0,214825374
г. Пудож -0,064192662 0,547288699 -1,01831668 0,214825374
г. Емва -0,371711187 -0,703846435 -1,01831668 0,214825374
пос. Октябрьский -0,065751262 1,56995568 0,587490392 0,2148254
г. Коряжма 0,898208859 1,67875004 0,587490392 1,0956094
г. Новодвинск -0,371677305 -1,20974021 0,587490392 1,0956094
г. Сокол -0,371643422 -1,1771019 0,587490392 1,0956094
г. Сланцы -0,37160954 -0,355704485 0,587490392 -1,5467427
пос. Никель -0,371575657 -0,698406717 0,58749039 -1,54674
г. Мончегорск -0,371541774 -0,741924461 0,587490392 -0,6659587
г. Заполярный -0,371507892 -0,551534332 0,587490392 0,2148254
С помощью метода «объединение (древовидная кластеризация)» построено иерархическое древо, отражающее результаты последовательного объединения моногородов в группы (рис. 1).
На полученной древовидной диаграмме четко выражены четыре больших кластера, которые и являются конечным результатом исследования (табл. 3).
Tree Diagram for 41 Cases Ward's method City-block (Manhattan) distances 30 ........ .................
25
о о
Рис. 1. Древовидная диаграмма, результат метода «объединение (древовидная кластеризация)»
Таблица 3
Результаты группировки моногородов методом «объединение (древовидная кластеризация)»
Группы моногородов
Первая Вторая Третья Четвертая
1. пос. Кизема 1. г. Новодвинск 1. пос. Октябрьский 1. г. Череповец
2. г. Онега 2. г. Сокол 2. г. Коряжма 2. г. Кировск
3. г. Красавино 3. г. Заполярный 3. г. Костомукша 3. г. Ковдор
4. пос. Сазоново 4. пос. Парфино 4. г. Инта 4. пос. Ревда
5. г. Пикалево 5. г. Боровичи 5. г. Воркута 5. пос. Надвоицы
6. пос. Красно- 6. г. Сегежа 6. пос. Северо- 6. г. Сланцы
фарфорный 7. пос. Пиндуши онежск 7. пос. Никель
7. г. Пестово 8. г. Лахденпохья 8. г. Мончегорск
8. г. Суоярви 9. пос. Вяртсиля 9. г. Оленегорск
9. г. Кондопога 10. пос. Жешарт 10. пос. Угловка
10. пос. Муезерский 11. г. Северодвинск
11. г. Питкяранта 12. г. Сясьстрой
12. г. Пудож
13. г. Емва
Далее, установив по методу «объединение (древовидная кластеризация)» число групп исследуемых городов, проведена проверка результатов группировки с помощью метода «К-средних». При этом в процессе ввода исходных данных, помимо значений факторов группировки, приведенных в табл. 1, использовано установленное на предыдущем этапе исследования число кластеров - 4. Результаты проверки представлены в табл. 4.
Таблица 4
Результаты группировки моногородов методом «K-средних»
Группы моногородов
Первая Вторая Третья Четвертая
1. пос. Кизема 1. г. Новодвинск 1. пос. Октябрьский 1. г. Череповец
2. г. Онега 2. г. Сокол 2. г. Коряжма 2. г. Кировск
3. г. Красавино 3. г. Заполярный 3. г. Костомукша 3. г. Ковдор
4. пос. Сазоново 4. пос. Парфино 4. г. Инта 4. пос. Ревда
5. г. Пикалево 5. г. Боровичи 5. г. Воркута 5. пос. Надвоицы
6. пос. Краснофар- 6. г. Сегежа 6. г. Сланцы
форный 7. пос. Пиндуши 7. пос. Никель
7. г. Пестово 8. г. Лахденпохья 8. г. Мончегорск
8. г. Суоярви 9. пос. Вяртсиля 9. г. Оленегорск
9. г. Кондопога 10. пос. Жешарт 10. пос. Угловка
10. пос. Муезерский 11. г. Северодвинск
11. г. Питкяранта 12. г. Сясьстрой
12. г. Пудож 13. пос. Северо-
13. г. Емва онежск
Результаты группировок показали, что состав кластеров, полученных различными методами, практически идентичен.
Также методом «K-средних» был построен график, отражающий разницу между полученными кластерами (рис. 2).
Plot of Means for Each Cluster
2.5 1,5 0,5 -0.6 -1,5 -2.5
Рис. 2. Графическое отображение разницы между группами моногородов
Изучив рис. 2, можно заметить, что при группировке монопрофильных населенных пунктов наибольшую роль играли такие факторы, как степень социально-экономического развития и класс опасности градообразующего
предприятия, так как разброс по вертикальной оси между их значениями максимален. В меньшей степени влиял фактор численность населения, в связи с тем, что для него разброс значений по вертикальной оси графика практически отсутствует.
Выводы
В результате проведенного исследования моногорода Северо-Западного федерального округа разделены на четыре группы для целей кадастровой оценки их земель:
- моногорода 1-й группы - города с наиболее сложным социально-экономическим положением с неопасным производством (пос. Кизема, г. Онега, г. Красавино, пос. Сазоново, г. Пикалево, пос. Краснофарфорный, г. Пестово, г. Суоярви, г. Кондопога, пос. Муезерский, г. Питкяранта, г. Пудож, г. Емва),
- моногорода 2-й группы - города со стабильным социально-экономическим положением либо рисками его ухудшения с неопасным производством (г. Новодвинск, г. Сокол, г. Заполярный, пос. Парфино, г. Боровичи, г. Сегежа, пос. Пиндуши, г. Лахденпохья, пос. Вяртсиля, пос. Жешарт, г. Северодвинск, г. Сясьстрой, пос. Североонежск),
- моногорода 3-й группы - города с рисками ухудшения социально-экономического положения, сильно отдаленные (более 450 км) от центра субъекта (пос. Октябрьский, г. Коряжма, г. Костомукша, г. Инта, г. Воркута).
- моногорода 4-й группы - города с наиболее сложным социально-экономическим положением либо рисками его развития с опасным производством (г. Череповец, г. Кировск, г. Ковдор, пос. Ревда, пос. Надвоицы, г. Сланцы, пос. Никель, г. Мончегорск, г. Оленегорск, пос. Угловка).
Полученная классификация может быть использована для целей кадастровой оценки земель моногородов, так как она учитывает такие факторы, как удаленность от центра субъекта, социально-экономическое положение города и класс опасности градообразующего предприятия. В силу особенностей и уникальности подобных городов вся их жизнедеятельность и, следовательно, кадастровая оценка зависят от вышеперечисленных характеристик.
Список литературы
1. Об утверждении Методических указаний по государственной кадастровой оценке земель населенных пунктов : приказ Минэкономразвития РФ от 15.02.2007 № 39. -URL: http://docs.cntd.ru/document/902030095 (дата обращения: 15.03.2016).
2. Об утверждении Федерального стандарта оценки «Определение кадастровой стоимости» (ФСО № 4) : приказ Минэкономразвития России от 22.10.2010 № 508. -URL: http://base.consultant.ru/cons/cgi/online.cgi?req=doc;base=LAW;n=181651;fld= 134;from=113247-4;rnd=189271.22149701230227947;;ts=01892719665711291600019 (дата обращения: 15.03.2016).
3. Грибовский, С. В. Математические методы оценки стоимости недвижимого имущества : учеб. пособие / С. В. Грибовский, С. А. Сивец. - М., 2008. - 368 с.
4. Сивец, С. Обзор возможности применения статистических методов в оценке недвижимости и бизнеса / С. Сивец. - URL: http://www.analystsoft.com/ru/products/ statplus/lib/statinbus_ru.php (дата обращения: 15.10.2016).
5. Устинов, А. Ю. Теоретико-методические аспекты классификации моногородов / А. Ю. Устинов. - URL: http://vestnik.uapa.ru/ru/issue/2012/04/15/ (дата обращения: 15.10.2016).
6. Ильина, И. Н. Развитие моногородов России : моногр. / И. Н. Ильина. - М. : Финансовый университет, 2013. - 168 с.
7. Об утверждении перечня монопрофильных муниципальных образований Российской Федерации (моногородов) : распоряжение Правительства РФ от 29.07.2014 № 1398-р. - URL: http://docs.cntd.ru/document/420210942 (дата обращения: 15.03.2016).
8. Санитарно-защитные зоны и санитарная классификация предприятий, сооружений и иных объектов : санитарно-эпидемиологические правила и нормативы СанПиН 2.2.1/2.1.1.1200-03. - URL: http://docs.cntd.ru/document/902065388 (дата обращения: 15.03.2016).
9. Рубаков, С. В. Современные методы анализа данных / С. В. Рубаков // Альманах «Наука. Инновации. Образование». - 2008. - № 7. - С. 165-176.
10. Олдендерфер, М. С. Кластерный анализ / М. С. Олдендерфер, Р. К. Блэш-филд // Факторный, дискриминантный и кластерный анализ : пер. с англ. ; под ред. И. С. Енюкова. - М. : Финансы и статистика, 1989. - 215 с.
11. Суслов, С. А. Кластерный анализ: сущность, преимущества и недостатки / С. А. Суслов // Вестник НГИЭИ. - 2010. - Т. 1, № 1. - С. 51-56.
12. Айвазян, С. А. Прикладная статистика в задачах и упражнениях : учеб. для вузов / С. А. Айвазян, В. С. Мхитарян. - М. : ЮНИТИ-ДАНА, 2001. - 270 с.
13. Казанская, А. Ю. Опыт исследования методов кластерного анализа из пакета Statistica 6.0 на примере выборки городов / А. Ю. Казанская, В. С. Компаниец // Известия Южного федерального университета. Технические науки. - 2009. -№ 3 (92). - С. 103-110.
14. Буреева, Н. Н. Многомерный статистический анализ с использованием ППП "STATISTICA" : учеб.-метод. материал по программе повышения квалификации «Применение программных средств в научных исследованиях и преподавании математики и механики» / Н. Н. Буреева. - Нижний Новгород, 2007. - 112 с.
References
1. Ob utverzhdenii Metodicheskikh ukazaniy po gosudarstvennoy kadastrovoy otsenke zemel' naselennykh punktov: prikaz Minekonomrazvitiya RF ot 15.02.2007 № 39 [On approval of methodological guidelines to state cadaster valuation of settlement lands: the order of the Ministry of Economic Development of Russia from 15.02.2007 № 39]. Available at: http://docs.cntd.ru/document/902030095 (accessed March 15, 2016).
2. Ob utverzhdenii Federal'nogo standarta otsenki «Opredelenie kadastrovoy stoimosti» (FSO № 4): prikaz Minekonomrazvitiya Rossii ot 22.10.2010 № 508 [On approval of the Federal valuation standard "Cadastre value determination" (FVS № 4): the order of the Ministry of Economic Development of Russia from 22.10.2010 № 508]. Available at: http://base.consultant.ru/cons/cgi/online.cgi?req=doc;base=LAW;n=181651;fld=134; from=113247-4;rnd=189271.22149701230227947;;ts=01892719665711291600019 (accessed March 15, 2016).
3. Gribovskiy S. V., Sivets S. A. Matematicheskie metody otsenki stoimosti nedvizhimogo imushchestva: ucheb. posobie [Mathematical methods of real estate value estimation]. Moscow, 2008, 368 p.
4. Sivets S. Obzor vozmozhnosti primeneniya statisticheskikh metodov v otsenke nedvizhi-mosti i biznesa [Reviewing a possibility of statistical methods application in real estate and business evaluation]. Available at: http://www.analystsoft.com/ru/products/statplus/ lib/statinbus_ru.php (accessed October 15, 2016).
5. Ustinov A. Yu. Teoretiko-metodicheskie aspekty klassifikatsii monogorodov [Theoretical and methodological aspects of monotowns classification]. Available at: http:// vestnik.uapa.ru/ru/issue/2012/04/15/ (accessed October 15, 2016).
6. Il'ina I. N. Razvitie monogorodov Rossii: monogr. [Development of monotowns in Russia: monograph]. Moscow: Finansovyy universitet, 2013, 168 p.
7. Ob utverzhdenii perechnya monoprofil'nykh munitsipal'nykh obrazovaniy Rossiyskoy Federatsii (monogorodov): rasporyazhenie Pravitel'stva RF ot 29.07.2014 № 1398-r. [On approval of the list of monoprofile municipal units in the Russian Federation (mo-notowns): the directive of the RF Government from 29.07.2014 № 1398-r]. Available at: http://docs.cntd.ru/document/420210942 (accessed March 15, 2016).
8. Sanitarno-zashchitnye zony i sanitarnaya klassifikatsiya predpriyatiy, sooruzheniy i inykh ob"ektov: sanitarno-epidemiologicheskie pravila i normativy SanPiN 2.2.1/2.1.1.1200-03 [Sanitary safety zones and sanitary classification of enterprises, facilities and other objects: sanitary-epidemiological rules and standards SanPiN 2.2.1/2.1.1.1200-03]. Available at: http://docs.cntd.ru/document/902065388 (accessed March 15, 2016).
9. Rubakov S. V. Al'manakh «Nauka. Innovatsii. Obrazovanie» [A miscellany "Science. Innovation. Education"]. 2008, no. 7, pp. 165-176.
10. Oldenderfer M. S., Bleshfild R. K. Faktornyy, diskriminantnyy i klasternyy analiz: per. s angl. [Factor, discriminant and cluster analysis: translation from English]. Moscow: Finansy i statistika, 1989, 215 p.
11. Suslov S. A. Vestnik NGIEI [Bulletin of NNSEEU]. 2010, vol. 1, no. 1, pp. 51-56.
12. Ayvazyan S. A., Mkhitaryan V. S. Prikladnaya statistika v zadachakh i uprazhne-niyakh: ucheb. dlya vuzov [Applied statistics in problems and exercises: textbook for universities]. Moscow: YuNITI-DANA, 2001, 270 p.
13. Kazanskaya A. Yu., Kompaniets V. S. Izvestiya Yuzhnogo federal'nogo universiteta. Tekhnicheskie nauki [Proceedings of Souther Federal University. Engineering sciences]. 2009, no. 3 (92), pp. 103-110.
14. Bureeva N. N. Mnogomernyy statisticheskiy analiz s ispol'zovaniem PPP "STATISTICA": ucheb.--metod. material po programme povysheniya kvalifikatsii «Primenenie prog-rammnykh sredstv v nauchnykh issledovaniyakh i prepodavanii matematiki i mekhaniki» [Multidimensional statistical analysis using the STATISTICA program package: tutorial for the advanced study program "Application of program products in research and teaching mathematics and mechanics"]. Nizhniy Novgorod, 2007, 112 p.
Ковязин Василий Федорович доктор биологических наук, профессор, заместитель заведующего кафедрой инженерной геодезии, Санкт-Петербургский горный университет (Россия, г. Санкт-Петербург, 21-я линия Васильевского острова, 2)
E-mail: [email protected]
Лепихина Ольга Юрьевна кандидат технических наук, доцент, кафедра инженерной геодезии, Санкт-Петербургский горный университет (Россия, г. Санкт-Петербург, 21-я линия Васильевского острова, 2)
E-mail: [email protected]
Зимин Виктор Павлович
аспирант, Санкт-Петербургский горный университет (Россия, г. Санкт-Петербург, 21-я линия Васильевского острова, 2)
E-mail: [email protected]
Kovjazin Vasilij Fedorovich Doctor of biological sciences, professor, deputy head of sub-department of engineering geodesy, Saint-Petersburg Mining University (2 21st line of Vasylyevsky island, Saint-Petersburg, Russia)
Lepikhina Olga Yurjevna Candidate of engineering sciences, associate professor, sub-department of engineering geodesy, Saint-Petersburg Mining University (2 21st line of Vasylyevsky island, Saint-Petersburg, Russia)
Zimin Viktor Pavlovich Postgraduate student, Saint-Petersburg Mining University (2 21st line of Vasylyevsky island, Saint-Petersburg, Russia)
УДК 528.44 Ковязин, В. Ф.
Группировка земель монопрофильных городов при их кадастровой оценке / В. Ф. Ковязин, О. Ю. Лепихина, В. П. Зимин // Известия высших учебных заведений. Поволжский регион. Естественные науки. - 2016. -№ 4 (16). - С. 97-108. БОТ: 10.21685/2307-9150-2016-4-9
