CC BY
17
40
Вестник Нижегородского университета им. Н.И. Лобачевского. Серия: Социальные науки, 2020, № 2 (58), с. 40-47
УДК 330.354: 796.034+004.032.26
НЕЙРОСЕТЕВОЕ МОДЕЛИРОВАНИЕ РАЗВИТИЯ ДЕТСКО-ЮНОШЕСКОГО СПОРТА РОССИЙСКОЙ ФЕДЕРАЦИИ КАК ФАКТОРА ФОРМИРОВАНИЯ ЧЕЛОВЕЧЕСКОГО КАПИТАЛА
© 2020 г. Е.Н. Летягина, В.И. Перова
Летягина Елена Николаевна, к.э.н.; доц.; заведующий кафедрой управления в спорте Нижегородского государственного университета им. Н.И. Лобачевского
helenlet@yandex. ru
Перова Валентина Ивановна, к.ф.-м.н.; доц.; доцент кафедры математического моделирования экономических процессов Нижегородского государственного университета им. Н.И. Лобачевского
perova_vi@mail.ru
Статья поступила в редакцию 07.04.2020 Статья принята к публикации 29.05.2020
Проведено нейросетевое моделирование современного состояния детско-юношеского спорта в сельской местности регионов России, характеризующего человеческий капитал, который является одной из основ инновационного развития и обеспечения национальной безопасности государства. Рассмотрены и исследованы данные Федеральной службы государственной статистики Российской Федерации о развитии детско-юношеского спорта в сельской местности страны в интересах увеличения ожидаемой продолжительности жизни населения, накопления человеческого капитала и обеспечения социально-экономического роста страны. Выполнен кластерный анализ с использованием материализованных в пакете Deductor нейронных сетей -самоорганизующихся карт Кохонена - по 13 показателям за 2018 г., характеризующим деятельность регионов РФ по развитию детско-юношеского спорта в сельской местности. Определены особенности этой деятельности, которые показали неравномерный характер развития детско-юношеского спорта как одной из составляющих процесса формирования человеческого капитала - одного из доминирующих внутренних факторов социально-экономического потенциала России. Различный уровень этой деятельности позволил получить распределение регионов по пяти кластерам. Представлены состав и характеристики каждого кластера. Определены регионы с наивысшими показателями развития данной сферы деятельности. Проведенное исследование с применением нейросетевых технологий позволило оценить развитие детско-юношеского спорта в сельской местности Российской Федерации. Результаты исследования имеют практическую значимость для сравнительного анализа развития детско-юношеского спорта в регионах России и могут быть учтены при стратегическом планировании развития спортивной отрасли в контексте увеличения качества человеческого капитала и обеспечения экономической безопасности регионов Российской Федерации.
Ключевые слова: человеческий капитал, детско-юношеский спорт, регионы РФ, кластерный анализ, нейронные сети, самоорганизующиеся карты Кохонена, Deductor.
Введение
На современном этапе одной из магистральных задач экономического развития регионов Российской Федерации и обеспечения их национальной, в том числе экономической, безопасности, что показано в работах [1; 2], является привлечение населения к активным занятиям физической культурой и спортом, которые способствуют накоплению человеческого капитала [3-5]. Человеческий капитал - одна из основ инновационного развития экономики той или иной страны - характеризует качество жизни населения.
Следует отметить, что термин «человеческий капитал» и его структура в экономической литературе имеют различное понимание. В настоящее время теория человеческого капитала - это предмет междисциплинарного изуче-
ния. В соответствии с особенностями различных дисциплин существует множество определений понятия человеческого капитала. Это порождает разнообразие подходов при его измерении, оценке, оно не может рассчитывать на статус системного и комплексного. В международной статистике с начала 1990-х гг. широкое применение имеет индикаторный подход. Его существенное преимущество состоит в доступности необходимых данных.
Для количественной оценки качества жизни населения используются различные индексы, среди них самым информативным показал себя индекс человеческого развития (ИЧР), что отмечено в работах [6; 7]. Данный индекс применяется в ежегодных отчетах в рамках Программы развития ООН (ПРООН) в различных странах в целом и в отдельных регионах. ИЧР, являясь интегральным показателем, включает в себя
три основных компонента: индексы дохода, образования и долголетия, которые оценивают развитие человека - стержневого субъекта и ведущего объекта системы национальной безопасности государства. Эти компоненты показывают три фундаментальных качества развития страны: здоровую жизнь, приводящую к долголетию населения; полученный уровень образования; материальный достаток, подобающий человеку [8]. Долголетие населения определяется ожидаемой продолжительностью жизни, которая, в свою очередь, имеет непосредственную связь с уровнем развития физической культуры и спорта в каждом регионе страны. Согласно Указу Президента РФ от 7 мая 2018 г. № 204 «О национальных целях и стратегических задачах развития Российской Федерации на период до 2024 года» [9], одна из важных задач обеспечения достижения национальных целей развития Российской Федерации на период до 2024 года заключается в повышении ожидаемой продолжительности жизни до 78 лет (к 2030 году - до 80 лет). В Послании Президента РФ Федеральному собранию от 15.01.2020 г. [10] говорится, что «в прошлом году впервые в истории ожидаемая продолжительность жизни в России превысила 73 года -на восемь лет больше, чем в 2000 году. Это результат социальных, экономических изменений в стране, развития массового спорта, продвижения ценностей здорового образа жизни» [10].
В современном мире физическая культура и спорт [11], культивируя здоровый образ жизни граждан, выполняют не только здравоохранительную, но и правоохранительную, образовательную и оборонную функции, что отражено в работах [12-15]. Это способствует росту экономического потенциала государства [16] и усиливает его обороноспособность. В связи с этим более весомым становится значение физической культуры и спорта в укреплении здоровья и воспитании детей, подростков и молодежи с целью повышения продолжительности жизни и ее качества, а также профилактики правонарушений, формируя образ и стиль жизни подрастающего поколения.
Следует отметить, что развитие физической культуры и спорта в регионах РФ характеризуется наличием дисбалансов, которые обусловлены большим разнообразием регионов по уровням обеспеченности инфраструктурой, существованием квалифицированных кадров, инвестициями, совершенствованием технического и инновационного подходов к строительству спортивных сооружений, соразмерностью конкурентных недостатков и преимуществ, а также целым рядом других факторов. Это нашло отра-
жение в Федеральном законе от 4 декабря 2007 г. № 329-Ф3 «О физической культуре и спорте в Российской Федерации» [17] и работе [18].
В целях оптимизации государственной политики в сфере физической культуры и спорта 1 сентября 2014 г. был введен в действие Всероссийский физкультурно-спортивный комплекс (ВФСК) «Готов к труду и обороне (ГТО)» [19], который сфокусирован на генерирование эффективной системы физического воспитания и укрепление здоровья населения Российской Федерации. Стратегические ориентиры и главные направления развития физической культуры и спорта определены государственной программой Российской Федерации «Развитие физической культуры и спорта» [20].
В соответствии с Посланием Президента Российской Федерации Федеральному собранию от 15.01.2020 г., в котором значительное внимание уделено долгосрочной политике поддержки семьи, особый интерес вызывает анализ состояния детско-юношеского спорта в регионах России. Очень важно, «какими они <дети> вырастут, кем станут, что сделают для развития страны и какие ценности будут для них опорой в жизни» [10]. Исследование развития детско-юношеского спорта в регионах РФ является многофакторной задачей. В этом случае каждый объект обладает большим набором характеристик. В таких ситуациях весьма высокую отдачу проявляют многомерные статистические методы анализа, представленные в работах [21-23].
В настоящей работе многомерные данные проанализированы с использованием кластерного анализа, который является перспективным средством, дающим новые подходы к исследованию многомерных задач [24-28] и относящимся к технологии интеллектуального анализа данных (Data Mining), рассмотренной в работе [29].
При кластеризации данных происходит разбиение множества объектов на компактные области (кластеры), как показано в работе [30]. Для получения кластерного решения - сегрегации набора объектов на кластеры - необходима реализация следующих условий:
- принадлежность каждого объекта только одному кластеру;
- аналогичность объектов внутри одного кластера;
- значительная несхожесть объектов из разных кластеров.
Среди нейронных сетей отметим нейронные сети, обучаемые без учителя и рассмотренные в работах [8; 28], которые используются для решения задач кластеризации многомерных данных, а также визуализации и снижения их
Распределение регионов РФ по кластерам в 2018 г.
Таблица 1
Кластер № 1 № 2 № 3 № 4 № 5
Количество регионов 7 3 49 16 6
Рис. 1. Размещение регионов по кластерам, % размерности. Обучение такого класса нейрон- сийской Федерации в возрасте 3-79 лет. Про-
ных сетей осуществляется различными алгоритмами: алгоритмом на основе соревновательного обучения без учителя [28; 31], алгоритмом нейронного газа [32] и др. Данные алгоритмы делают возможной визуализацию нелинейного многомерного входного пространства данных путем проецирования с сохранением топологии в нейроны выходного слоя, которые чаще всего формируют двумерную решетку. Выходной слой нейронов носит название топологической карты. К такому классу нейронных сетей принадлежат самоорганизующиеся карты (СОК) Кохонена, описанные в работах [33-35].
Следует отметить, что для осуществления нейросетевых концепций имеются специализированные программные продукты, которые описаны в работах [36; 37].
Анализ результатов нейросетевого моделирования развития
детско-юношеского спорта в сельской местности регионов России
В настоящей работе для проведения исследований взяты данные Федеральной службы государственной статистики [38] по развитию детско-юношеского спорта в сельской местности регионов России. Это обусловлено тем, что одним из целевых показателей государственной программы Российской Федерации «Развитие физической культуры и спорта» [20] (подпрограмма 1 «Развитие физической культуры и массового спорта» (в ред. Постановления Правительства РФ от 29.03.2019 № 372)) является доля сельского населения, систематически занимающегося физической культурой и спортом, в общей численности сельского населения Рос-
граммой предусмотрено увеличение этого показателя с 26% в 2017 г. до 35% к 2024 г.
В исследование были включены 82 региона РФ за исключением г. Москвы, г. Санкт-Петербурга и г. Севастополя. В качестве классификационных признаков были использованы следующие показатели за 2018 г. [38]:
- Х1 - число организаций по дополнительным общеразвивающим программам для детей в области физической культуры и спорта (ед.);
- Х2 - численность учащихся по дополнительным общеразвивающим программам для детей в области физической культуры и спорта (чел.);
- Х3 - число детско-юношеских спортивных школ (включая филиалы) (ед.);
- Х4 - численность занимающихся в детско-юношеских спортивных школах (чел.);
- Х5 - стадионы с трибунами (ед.);
- Х6 - плоскостные спортивные сооружения (ед.);
- Х7 - спортивные залы (ед.);
- Х8 - плавательные бассейны (ед.);
- Х9 - численность учащихся по дополнительным предпрофессиональным программам для детей в области физической культуры и спорта за счет финансирования из федерального бюджета (чел.);
- Х10 - численность учащихся по дополнительным предпрофессиональным программам для детей в области физической культуры и спорта за счет финансирования из бюджета субъекта Российской Федерации (чел.);
- Х11 - численность учащихся по дополнительным предпрофессиональным программам для детей в области физической культуры и спорта за счет финансирования из местного бюджета (чел.);
Таблица 3
Таблица 2
Состав кластеров в 2018 г._
Кластер Регионы
№ 1 Архангельская область, Мурманская область, Ямало-Ненецкий автономный округ, Камчатский край, Магаданская область, Сахалинская область, Чукотский автономный округ
№ 2 Московская область, Свердловская область, Ханты-Мансийский автономный округ - Югра
№ 3 Белгородская область, Брянская область, Владимирская область, Ивановская область, Калужская область, Костромская область, Курская область, Липецкая область, Орловская область, Рязанская область, Смоленская область, Тамбовская область, Тверская область, Тульская область, Ярославская область, Республика Карелия, Республика Коми, Ненецкий автономный округ, Вологодская область, Калининградская область, Ленинградская область, Новгородская область, Псковская область, Республика Адыгея, Республика Калмыкия, Республика Крым, Астраханская область, Волгоградская область, Республика Ингушетия, Кабардино-Балкарская Республика, Карачаево-Черкесская Республика, Республика Северная Осетия - Алания, Республика Марий Эл, Республика Мордовия, Чувашская Республика, Кировская область, Пензенская область, Саратовская область, Ульяновская область, Курганская область, Республика Алтай, Республика Тыва, Республика Хакасия, Томская область, Забайкальский край, Приморский край, Хабаровский край, Амурская область, Еврейская автономная область
№ 4 Воронежская область, Ставропольский край, Республика Татарстан, Удмуртская Республика, Пермский край, Нижегородская область, Оренбургская область, Самарская область, Тюменская область, Челябинская область, Красноярский край, Иркутская область, Кемеровская область, Новосибирская область, Омская область, Республика Бурятия, Республика Саха (Якутия)
№ 5 Краснодарский край, Ростовская область, Республика Дагестан, Чеченская Республика, Республика Башкортостан, Алтайский край
Статистика средних значении показателей Х1 - Х7 по кластерам
и общих средних ^ значений показателей по Российской Федерации
Год Номер кластера Средние значения
X1 X2 X3 X4 X5 Х6 Х7
2018 1 49 3400 3 670 0 32 32
2 51 28775 5 2469 6 237 104
3 115 7551 10 2900 3 504 231
4 246 21667 22 11165 11 1092 513
5 485 59270 62 38272 22 2276 903
Среднее по РФ 169 14025 16 6995 6 706 317
- Х12 - численность учащихся по дополнительным предпрофессиональным программам для детей в области физической культуры и спорта за счет финансирования по договорам об оказании платных образовательных услуг (чел.);
- Х13 - среднедушевые доходы населения (руб.).
Для проведения анализа нами были применены перспективные технологии нейросетевого моделирования - СОК Кохонена, материализованные в аналитическом пакете Deductor.
В результате нейросетевого моделирования 82 региона Российской Федерации распределились по пяти кластерам. Количество регионов РФ в кластерах показано в табл. 1 и на рис. 1.
Из табл. 1 и рис. 1 видно, что наименьшее число регионов вошло в кластер № 2, а наибольшее - в кластер № 3. Состав кластеров в 2018 г. отображен в табл. 2.
В табл. 3 и табл. 4 указаны средние значения исследуемых показателей по кластерам и общие средние показатели по Российской Федерации.
Из табл. 3 и табл. 4 следует:
а) число организаций по дополнительным общеразвивающим программам для детей в об-
ласти физической культуры и спорта (XI), число детско-юношеских спортивных школ (включая филиалы) (КЗ), численность занимающихся в детско-юношеских спортивных школах (Х4), стадионы с трибунами (Х5), плоскостные спортивные сооружения (Х6), спортивные залы (Х7) и численность учащихся по дополнительным предпрофессиональным программам для детей в области физической культуры и спорта за счет финансирования из бюджета субъекта Российской Федерации (Х10) превышают их общие средние значения по России в регионах, вошедших в кластеры № 4 и № 5;
б) количество стадионов с трибунами (Х5) находится на уровне общих средних значений по России в регионах кластера № 2;
в) численность учащихся по дополнительным общеразвивающим программам для детей в области физической культуры и спорта (Х2), количество плавательных бассейнов (Х8) и численность учащихся по дополнительным пред-профессиональным программам для детей в области физической культуры и спорта за счет финансирования из местного бюджета (Х11)
Таблица 4
Статистика средних значений показателей Х8 - Х13 по кластерам
и общих средних значений показателей по Российской Федерации
Год Номер кластера Средние значения
Х8 Х9 Х10 Х11 Х12 Х13
1 2 65 511 3435 14 62665.98
2 9 16 631 25630 1533 43401.90
2018 3 5 6 422 5446 79 24726.85
4 10 45 1716 20455 434 27696.17
5 24 461 10599 20601 183 27226.65
Среднее по РФ 7 53 1450 10233 208 29447.29
Рис. 2. Возрастной состав учащихся по дополнительным общеразвивающим программам в области физической культуры и спорта по федеральным округам РФ за 2018 г. (сельская местность), чел.
больше средних по РФ значений в регионах кластеров № 2, № 4 и № 5;
г) численность учащихся по дополнительным предпрофессиональным программам для детей в области физической культуры и спорта за счет финансирования из федерального бюджета (Х9) выше средних значений по России в регионах, распределившихся в кластеры № 1 и № 5;
д) численность учащихся по дополнительным предпрофессиональным программам для детей в области физической культуры и спорта за счет финансирования по договорам об оказании платных образовательных услуг (Х12) больше средних значений по России в регионах, вошедших в кластеры № 2 и № 4;
е) среднедушевые доходы населения (Х13) превосходят средние значения по РФ в регионах, составивших кластеры № 1 и № 2.
Отметим, что в регионах кластера № 1 наблюдается минимальный показатель численности учащихся по дополнительным предпро-фессиональным программам для детей в области физической культуры и спорта за счет финансирования по договорам об оказании платных образовательных услуг. При этом в регионах, составивших этот кластер, имеем макси-
мальное значение показателя среднедушевых доходов населения.
Лидерами по рассматриваемым показателям являются регионы кластера № 5 по максимальным значениям показателей Х1 - Х10, регионы кластера № 2 по максимальным значениям показателей Х11 и Х12, а также регионы кластера № 1 по максимальным значениям показателя Х13.
В разрезе федеральных округов, согласно [42], возрастной состав учащихся по дополнительным общеразвивающим программам для детей в области физической культуры и спорта, проживающих в сельской местности и имеющих число полных лет по состоянию на 1 января 2019 г., приведен на рис. 2.
Рисунок 2 показывает, что наибольшее количество учащихся, проживающих в сельской местности и занимающихся по дополнительным общеразвивающим программам для детей в области физической культуры и спорта, имеют возраст 10 - 15 лет. Затем после 15-летнего возраста начинается резкое уменьшение количества занимающихся физической культурой и спортом по этим программам в сельской местности всех федеральных округов. Среди федеральных округов максимальное количество детей, занимающихся физической культурой и спортом, прожи-
вает в сельской местности Приволжского федерального округа, а минимальное - в сельской местности Северо-Западного федерального округа.
Заключение
Проведенное исследование с применением нейросетевого моделирования позволило оценить состояние детско-юношеского спорта в сельской местности регионов Российской Федерации. Фундаментальное отличие метода нейросетевого моделирования от других методов, например, таких как экспертные системы, содержится в том, что нейронные сети - СОК Кохонена - самостоятельно конструируют модель только на основе предъявляемой им информации. Получено, что присутствие существенных различий в размерах кластеров указывает на неравномерный характер развития детско-юношеского спорта в сельской местности страны. Результаты кластеризации данных свидетельствуют о том, что с точки зрения принадлежности регионов РФ к федеральным округам состав кластеров является дифференцированным. Выяснены регионы, являющиеся перспективными в развитии данной сферы деятельности. Это регионы РФ, которые образовали кластер № 5 с наивысшими значениями показателей Х1 - Х10, кластер № 2 - с наивысшими значениями показателей Х11 и Х12, регионы кластера № 1 - с наивысшим значением показателя Х13.
С точки зрения перспектив развития детско-юношеского спорта в регионах Российской Федерации и обеспечения их конкурентоспособности является важным сближение уровней развития регионов в данном виде деятельности. Этому способствует и федеральный проект «Спорт - норма жизни» [39], как часть национального проекта «Демография» [40].
Представленный в работе метод анализа с применением нейронных сетей и полученные результаты имеют практическую значимость. Они могут быть использованы при сравнительном анализе развития детско-юношеского спорта в регионах России и при стратегическом планировании развития регионов РФ в сфере физической культуры и спорта на последующие периоды. Это повлечет совершенствование обоснованности принятия управленческих решений в сфере физической культуры и спорта на региональном уровне с целью увеличения качества человеческого капитала и повышения экономической безопасности страны, как отмечено в работе [41].
Список литературы
1. Митяков С.Н., Митяков Е.С., Романова Н.А. Экономическая безопасность регионов Приволжского федерального округа // Экономика региона. 2013. № 3 (35). С. 81-91.
2. Лапаев Д.Н. Многокритериальный анализ состояния экономической безопасности в социальной сфере // Экономика и предпринимательство.
2016. № 10-1 (75-1). С. 798-804.
3. Макаров В.Л., Клейнер Г.Б. Микроэкономика знаний. М.: ЗАО «Издательство «Экономика», 2007. 204 с.
4. Кузнецов Ю.А. Человеческий капитал, производительность труда и экономический рост // Экономический анализ: теория и практика. 2012. № 43 (298). С. 2-14.
5. Грачев С.А., Гундорова М.А., Мошнов В.А. Инвестиции в человеческий капитал. Владимир: ВлГУ, 2016. 114 с.
6. Ионцев В.А. и др. Введение в демографию: Учебное пособие / Под ред. В.А. Ионцева, А.А. Саградова. М.: Изд-во МГУ, ТЭИС, 2003. 636 с.
7. Соболева И.В. Человеческий потенциал российской экономики: проблемы сохранения и развития. М.: Наука, 2007. 201 с.
8. Перова В.И., Перова Н.А. Нейросетевое моделирование динамики развития физической культуры и спорта в регионах России как фактора социально-экономического роста страны // Национальные интересы: приоритеты и безопасность. 2018. Т. 14. Вып. 11. С. 2064-2082.
9. Указ Президента РФ от 7 мая 2018 г. № 204 «О национальных целях и стратегических задачах развития Российской Федерации на период до 2024 года». URL: http://www.garant.ru/hotlaw/federal/11954 67/ (дата обращения: 22.01.2020).
10. Послание Президента Российской Федерации Федеральному Собранию от 15.01.2020. URL: http:// www.consultant.ru/document/cons_doc_LAW_342959/ (дата обращения: 22.01.2020).
11. Beutler I. Sport serving development and peace: Achieving the goals of the United Nations through sport // Sport in Society. 2008. Vol. 11m. № 4. P. 359-369.
12. Горбунов С.А., Дубровский А.В. Роль физической культуры в совершенствовании умственной готовности к обучению и профессиональной деятельности // Теория и практика физической культуры. 2002. № 12. С. 13-15.
13. Макарьев И.В. Физическая подготовка в системе правоохранительных органов // Физическая культура. Спорт. Туризм. Двигательная рекреация.
2017. Т. 2. № 2. С. 50-53.
14. Викулов С.Ф., Хрусталёв Е.Ю. Экономические основы военной безопасности России // Национальные интересы: приоритеты и безопасность. 2014. № 7. С. 2-9.
15. Садков С.А., Ахмеров И.Ф. Роль физической культуры, спорта, медицины и правоохранительных органов в профилактике асоциальных проявлений, наркомании и преступности среди молодежи // Актуальные проблемы физической культуры, спорта и
туризма: Материалы X Международной научно-практической конференции (Уфа, 24-26 марта 2016 г.). Уфа: Уфимский государственный авиационный технический университет, 2016. С. 619-622.
16. Любушин Н.П., Бабичева Н.Э., Королев Д.С. Экономический анализ возможностей технологического развития России (на примере нанотехнологий) // Экономический анализ: теория и практика. 2012. № 9. С. 2-11.
17. Федеральный закон от 4 декабря 2007 г. № 329-Ф3 «О физической культуре и спорте в Российской Федерации» (с изменениями и дополнениями). URL: http://base.garant.ru/12157560/ (дата обращения: 22.01.2020).
18. Летягина Е.Н., Орлова Е.А. О состоянии и развитии объектов спорта в России и Нижегородской области // Экономика и предпринимательство. 2018. № 9. С. 372-376.
19. О Всероссийском физкультурно-спортивном комплексе «Готов к труду и обороне» (ГТО): Указ Президента РФ от 24.03.2014 № 172. URL: http://base. garant.ru/70619520 (дата обращения: 22.01.2020).
20. Государственная программа Российской Федерации «Развитие физической культуры и спорта» URL : https://www.minsport.gov.ru/2019/doc/Gosydarst vennya-programma.pdf (дата обращения: 22.01.2020).
21. Дубров А.М., Мхитарян В.С., Трошин Л.И. Многомерные статистические методы: Учебник. М.: Финансы и статистика, 2003. 352 с.
22. Щетинин Е.Ю. О методах оценивания длинной памяти финансовых временных рядов // Финансовая аналитика: проблемы и решения. 2010. № 13. С. 39-45.
23. Рыжиков Ю.И. Имитационное моделирование. Теория и технологии. М.: Альтекс-А, 2004. 384 с.
24. Хрусталёв Е.Ю., Шрамко О.Г. Использование метода нейронных сетей для прогнозирования эффективности инвестиционных вложений // Экономический анализ: теория и практика. 2017. Т. 16. Вып. 8. С. 1438-1454.
25. Chechkin A.V., Pirogov M.V. Intellectualization of a complex system as a means of maintaining its information system safety // Fundam. Prikl. Mat. 2009. Vol. 15. Iss. 3. P. 225-239; J. Math. Sci. 2010. Vol. 168. Iss. 1. P. 147-156.
26. Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере: Монография. Новосибирск: Наука (Сибирское отделение), 1996. 276 с.
27. Милов В.Р., Баранов В.Г., Эпштейн А.Ю. и др. Прогнозирование состояния дискретных стохастических систем в условиях неопределенности на основе байесовской методологии // Труды Нижегородского государственного технического универси-
тета им. Р.Е. Алексеева. Н. Новгород, 2010. № 2 (81). С. 70-76.
28. Хайкин С. Нейронные сети: полный курс. М.: Вильямс, 2006. 1104 с.
29. Технологии анализа данных: Data Mining, Visual Mining, Text Mining, OLAP: Учебное пособие / А.А. Барсегян, М.С. Куприянов, В.В. Степаненко и др. СПб.: БХВ-Петербург, 2007. 384 с.
30. Балабанов А.С., Стронгина Н.Р. Анализ данных в экономических приложениях: Учебное пособие. Нижний Новгород: Изд-во Нижегородского госуниверситета им. Н.И. Лобачевского, 2004. 135 с.
31. Kohonen Т. Self-organized formation of topolog-ically correct feature maps // Biological Cybernetics. 1982.Vol. 43. Iss. 1. P. 59-69.
32. Martinetz M., Berkovich S., Schulten K. Neural-gas network for vector quantization and its application to time-series prediction // Trans. Neural Networks. 1993. Vol. 4. P. 558-569.
33. Kohonen T. The self-organizing map // Proceedings of the Institute of Electrical and Electronics Engineers. 1990. Vol. 78. № 9. P. 1464-1480.
34. Hajek P., Henriques R., Hajkova V. Visualising components of regional innovation systems using self-organizing maps - evidence from European regions // Technological Forecasting and Social Change. 2014. Vol. 84 (C). P. 197-214.
35. Carboni O.A., Russu P. Assessing regional well-being in Italy: An application of Malmquist-DEA and self-organizing map neural clustering // Social Indicators Research. 2015. Vol. 122. Iss. 3. P. 677-700.
36. Растунков В.С., Петров А.К., Панов В.А. Нейронные сети. Statistica Neural Networks: Методология и технология современного анализа данных. М.: Горячая линия - Телеком, 2008. 392 с.
37. Медведев В.С., Потемкин В.Г. Нейронные сети. MATLAB 6. М.: ДИАЛОГ-МИФИ, 2002. 122 с.
38. Федеральная служба государственной статистики Российской Федерации [Электронный ресурс]. URL: http://www.gks.ru (дата обращения: 22.01.2020).
39. Федеральный проект «Спорт - норма жизни». URL: https://norma.sport/about/ (дата обращения: 22.01.2020).
40. Национальный проект «Демография». URL: https://rosmintrud.ru/ministry/programms/demography (дата обращения: 22.01.2020).
41. Letiagina E., Perova V., Orlova E. Neural network analysis of the development of physical education and sports in Russia as an economic factor of country security // Proceedings of the 4th International Conference on Innovations in Sports, Tourism and Instructional Science (ICISTIS 2019). Atlantis Press, 2019. № 11. Р. 174-179.
NEURAL NETWORK MODELING OF THE DEVELOPMENT OF CHILDREN'S AND YOUTH SPORTS IN THE RUSSIAN FEDERATION AS A FACTOR IN THE FORMATION OF HUMAN CAPITAL
E.N. Letiagina, V.I. Perova
Lobachevsky State University of Nizhny Novgorod
In this paper, we have carried out a neural network simulation of the current state of children's and youth sports in rural areas of the Russian regions that characterizes human capital, which is one of the foundations of innovative development
and national security of the state. The data of the Federal state statistics service of the Russian Federation on the development of youth sports in rural areas of the country in the interests of increasing the life expectancy of the population, accumulating human capital and ensuring the socio-economic growth of the country are considered and studied. Cluster analysis was performed using neural networks materialized in the Deductor package - self-organizing Kohonen maps for 13 indicators for 2018 that characterize the activities of the regions of the Russian Federation for the development of children's and youth sports in rural areas. We have determined the features of this activity that show the non-uniform development of youth sport as part of the process of human capital formation, which is one of the dominant internal factors of Russia's socio-economic potential. Depending on different levels of this activity, the country's regions were distributed into five clusters. The composition and characteristics of each cluster are presented. The regions with the highest indicators of development in this field have been identified. The study conducted using neural network technologies allowed us to evaluate the development of children's and youth sports in rural areas of the Russian Federation. The results of the study are of practical importance for comparative analysis of the development of youth sport in the regions of Russia. They can be taken into account in the strategic planning of the development of the sports industry in the context of increasing the quality of human capital and ensuring economic security of Russian regions.
Keywords: human capital, children's and youth sports, regions of the Russian Federation, cluster analysis, neural networks, self-organizing Kohonen maps, Deductor.
