CC BY
12
УДК 330.4:332.12
ИСПОЛЬЗОВАНИЕ ИЕЙРОСЕТЕВЫХ МЕТОДОВ ДЛЯ АНАЛИЗА СТЕПЕНИ КЛАСТЕРИЗАЦИИ РЕГИОНОВ
Д.А. Михалев
Ивановский государственный химико-технологический университет
В статье приводится информация о результатах использования алгоритмов нейронных сетей для анализа показателя степени кластеризации регионов.
Ключевые слова: степень кластеризации, ВРП на душу населения региона, нейронная сеть, кластеризация, классификация.
Современная кластерная концепция тесно связана с работами Майкла Портера: об индустриальных кластерах. Кластерный подход занимает определенное место как в Концепции долгосрочного социально-экономического развития Российской Федерации на период до 2020 года, так и в Стратегии социально-экономического развития Ивановской области до 2020 года. Экономисты всего мира сходятся во мнении, что регионы, на территории которых складываются кластеры, становятся лидерами экономического развития.
Рассмотрим некоторые моноиндустриальные регионы ЦФО, определенные нами в [1], с различными показателями степени кластеризации Б (таблица 1). Степень кластеризации может быть выражена наличием или отсутствием ориентированности региональной экономики на одно или несколько число отраслей. Основанием расчета показателя степени кластеризации является структура отгруженной продукции по виду экономической деятельности «Обрабатывающие производства», публикуемая в ежегодных статистических сборниках «Регионы России. Социально-экономические показатели», где представлены удельные веса отгруженной продукции 15-ти подотраслей. Логично предположить, что степень кластеризации данного вида деятельности определяется тем, насколько эта структура для рассматриваемого региона соответствует структуре для России в целом.
Реализуем предложенный подход применительно к регионам Центрального
Федерального Округа (ЦФО), исключая Москву, в силу нетипичности экономики данного региона.
Рассчитываются отношения кн
удельных весов подотраслей отдельных регионов к удельным весам этих же подотраслей России в целом:
к
" ~ Ж
100.
где и'(, - удельный вес /-и подотрасли в
общем объеме отгруженной продукции по виду экономической деятельности «Обрабатывающие производства» для /-региона; Щ - удельный вес 7-й подотрасли для
России в целом.
Для каждого региона рассчитываем
степень кластеризации 5,-:
/7-1
где /?=15 - число подотраслей [2].
Показатели степени кластеризации позволяют получить представление о состоянии кластерной отрасли в регионе и перспективах дальнейшего ее развития.
Из рисунка видно, что зависимость между Б и ВРП носит нелинейный характер.
У каждого моноиндустриального региона есть своя доминирующая отрасль - одна из подотраслей вида экономической деятельности «Обрабатывающие производства». Теоретически можно предположить, что область значений Б своя для каждой такой отрасли.
Таблица 1
Показатели степени кластеризации и валового регионального продукта
на душу населения некоторых моноиндустриальных регионов_
Год Курская область Липецкая область Ивановская область
Степень кластеризации, S, ед. ВРП на душу населения, тыс. руб. Степень кластеризации, S, ед. ВРП на душу населения, тыс. руб. Степень кластеризации, S, ед. ВРП на душу населения, тыс. руб.
2005 г. 2,203388 72995,3 0,866428 121376,2 7,697566 40039,1
2006 г. 2,702351 88949,4 0,826108 150197,1 6,937421 50271,5
2007 г. 2,158838 111348,4 0,838503 176534,6 8,255773 68865,7
2008 г. 1,507225 146276,4 0,882784 219135,8 10,13233 80708,5
2009 г. 1,272214 141833,5 0,931854 192165,2 10,56651 81286,7
2010 г. 1,146585 170254,8 0,897018 216883,5 10,95708 92306,2
Встает вопрос о возможности определения доминирующей отрасли в регионе по показателю S. Согласно [3] и [4] мы установили, что доминирующей отраслью Курской области является «химическое производство», Липецкой - «металлургическое производство и производство готовых металлических изделий». Доминирующая отрасль Ивановской области - «текстильное и швейное производство».
Анализируя данные таблицы 1, делаем два важных предположения: во-первых, разные доминирующие отрасли производства (в привязке к регионам) имеют свою область определения S (свой диапазон изменения коэффициента S); во-вторых, даже внутри одной отрасли производства зависимость ВРП на душу населения от показателя S носит сложный, нелинейный характер.
Однако, этого достаточно, чтобы попытаться создать методику определения промышленной отрасли в любом регионе, наиболее «пригодной к кластеризации», т.е. такой отрасли, для которой организация кластера экономически целесообразна.
Для дальнейших исследований воспользуемся нейросетевым методом моделирования, позволяющим воспроизводить сложные зависимости, и его программной реализацией в модуле Automated Neural Networks программного продукта Statistica 10.
Нейронные сети используются там, где требуется решать задачи прогнозирования, классификации или управления, поскольку они применимы практически в любой ситуации, когда имеется связь между переменными-предикторами (входными переменными) и прогнозируемыми переменными (выходными переменными), даже если эта связь имеет сложную природу и ее трудно выразить в обычных терминах корреляций или различий между группами.
Нейросетевой подход свободен от модельных ограничений, он одинаково годится для линейных и сложных нелинейных зависимостей и особенно эффективен в разведочном анализе данных, когда необходимо выяснить, имеются ли вообще зависимости между переменными [5].
Предположим, что имеем набор показателей Б из таблицы 1, но не знаем какие отрасли они характеризуют. Используем сеть Кохонена для определения кластеров (в математическом понимании этого термина) в данных. Распознанные кластеры необходимо обозначить, после чего можно решать задачи классификации. Обучается сеть Кохонена методом последовательных приближений. Начиная с исходного расположения центров, выбранного случайным образом, алгоритм постепенно улучшает его так, чтобы улавливать кластеризацию обучающих данных [6]. В результате мы получили следующее разбиение на классы (рис. 1).
Рис. 1. Классы, определенные сетью Кохонена
Таким образом, нейронная сеть разбивает наш набор показателей Б на 3 класса, причем отрасли «химическое производство» присвоен номер 1, «текстильное и швейное производство» -2, «металлургическое производство и производство готовых металлических изделий» - 3.
Далее, пользуясь обучающей выборкой соответствия показателей Б классам отраслей (рис. 1), определим, какие отрасли характеризуют показатели Б Белгородской и Тульской областей. Выбранная нами нейронная сеть - многослойный персептрон (рис. 2).
Рис. 2. Архитектура сети и результат решения задачи классификации
Каждый элемент такой сети строит взвешенную сумму своих входов с поправкой в виде слагаемого, и затем пропускает эту величину активации через передаточную функцию, и, таким образом, получается выходное значение этого элемента.
Элементы организованы в послойную топологию с прямой передачей сигнала. Такую сеть легко можно интерпретировать как модель вход-выход, в которой веса и пороговые значения (смещения) являются свободными параметрами модели [6]. В
нашем случае, передаточной функцией первого слоя является функция отображения, второго слоя - гиперболический тангенс. Как видно из результирующей таблицы (рис. 2), нейронная сеть распознала набор показателей Б как показатели отраслей «химическое производство» (Тульская область) и «металлургическое производство и производство готовых металлических изделий» (Белгородская область).
Отметим, что согласно [7], в Белгородской области создан и функционирует горно-металлургический кластер, в Тульской области в 2006 году на Первом Тульском экономическом форуме представлен доклад о функционировании химического кластера [8]. Таким образом, мы подтвердили предположение о том, что область значений Б своя для каждой отрасли.
Рассмотрим показатели Б упомянутых в статье регионов и валовой региональный продукт на душу населения, как показатель экономической деятельности
Тестовая выборка и результат
региона, характеризующий процесс производства товаров и услуг для конечного использования.
Попытаемся определить ВРП на душу населения Ивановской области в 2011 году. Официально эти данные еще не опубликованы, в ежегодном статистическом сборнике «Регионы России. Социально-экономические показатели. 2012» они отсутствуют. Для обучения нейронной сети будем использовать степень кластеризации Б регионов за 2005-2009 годы, номер его «кластерной» отрасли, долю отгруженной продукции этой отрасли по России в целом и по ЦФО, ВРП на душу населения региона за 2005-2009 годы. Тестовой выборкой будет являться указанные выше параметры за 2010 год (таблица 2). По результатам обучения, оптимальной сетью для прогноза определили персептронную сеть с числом персептронов на внутреннем уровне равном 8 и экспоненциальной передаточной функцией.
Таблица 2
Регион Вид деятельности Б, ед Доля по России, % Доля по ЦФО, % ВРП на душу населения, руб. Прогноз ВРП на душу населения, руб. Отклонение, %
Курская область химическое производство 1,147 7,7 7 170254,8 127615,0 25,0
Липецкая область металлургическое производство и производство готовых металлических изделий 0,897 18,4 10,9 216883,5 211001,8 2,7
Ивановская область текстильное и швейное производство 10,957 1 1,7 92306,2 88823,88 3,8
Белгородская область металлургическое производство и производство готовых металлических изделий 0,8474 18,4 10,9 259172,7 210282,6 18,9
Тульская область химическое производство 1,435 7,7 7 152301,3 118602,2 22,1
Как видно из таблицы 2, сеть составила прогноз ВРП на душу населения Ивановской области в 2010 году с незначительной ошибкой (3,8%).
Теперь составим прогноз показателя ВРП на душу населения Ивановской области обученной нами сетью на 2011 год, используя следующие входные данные (таблица 3).
Таблица 3
Прогноз ВРП на душу населения Ивановской области на 2( 11 год
Регион Вид деятельности S, ед Доля по России,% Доля по ЦФО, %
Ивановская область текстильное и швейное производство 11,02 0,9 1,6
Прогнозируемый объем ВРП на душу населения Ивановской области на 2011 год составил 89470,3 рублей.
Подводя итоги, отметим, что из пяти объектов исследования, для двух (Липецкой и Ивановской областей) прогноз можно считать удовлетворительным. Но это как раз те регионы (таблица 1), где просматривается пропорциональность Б и ВРП (в динамике по годам). Из этого можно сделать вывод, что одна и та же нейросетевая модель не всегда пригодна для прогнозирования ВРП на душу населения объектов с разной динамикой Б, т.е. с разной интенсивностью развития степени кластеризации.
Таким образом, используя нейро-сетевые методы кластеризации и классификации, мы выяснили, что для каждого вида деятельности существует своя область значений показателя степени кластеризации Б, между Б и ВРП на душу населения регионов существует некоторая связь. Наши дальнейшие исследования позволят определить оптимальные показатели степени кластеризации для повышения эффективности развития моноиду стриальных регионов.
ЛИТЕРАТУРА
1. Михалев Д.А. О благоприятных перспективах развития экономики Ивановской области при усилении в ней роли текстильной отрасли// Современные наукоемкие технологии. Региональное приложение, 2013, № 1, с 45-48.
2. Михалев Д.А. О введении понятия «степень кластеризации» в мезоэкономический анализ. // Современные наукоемкие технологии. Региональное приложение, 2012, № 2. с 56-59.
3. Закон Курской области от 28.02.2011 № 15-ЗКО «О программе социально-экономического развития Курской области на 2011 - 2015 годы».
4. Закон Липецкой области от 25.12.2006 № Ю-ОЗ «Стратегия социально-экономического развития липецкой области на период до 2020 года».
5. Нейронные сети. 8ТАТ18Т1СА№игаМе1\¥0гк5: Методология и технологии современного анализа данных/ Под редакцией В.П. Боровикова. - М.: Горячая линия - Телеком, 2008. - 392с.
6. www.statsoft.ru Электронный учебник по БТА-
татгсА.
7. Постановление Правительства Белгородской области от 25.01.2010 г. № 27-пп «Об утверждении Стратегии социально-экономического развития Белгородской области на период до 2025 года».
8. Доклад «Конкурентные преимущества Тульской области» - Первый Тульский экономический форум «Стратегия прорыва: инновации плюс потенциал традиций».
Рукопись поступила в редакцию 22.04.13.
NEURONETWORK METHOD USE FOR REGION CLUSTERIZATION DEGREE ANALYSIS
D. Mikhaliov
In the article information about the results of neural network algorithms' use for region clusterization degree indicator analysis is brought out.
Key words: clusterization degree, gross regional product (GRP) per head, neural network, clusterization, classification.
