CC BY
38
ОРИГИНАЛЬНАЯ СТАТЬЯ
DOI: 10.26794/1999-849X-2019-12-4-68-79 УДК 338.499(045) JEL R11
(CC) (
Разработка экономико-математических моделей и инструментария прогнозирования уровня привлекательности городов России
М. М. Низамутдинова, В. В. Орешников11
Институт социально-экономических исследований, Уфимский федеральный исследовательский центр РАН, Уфа, Россия а https://orcid.org/0000-0001-5643-1393; 1 https://orcid.org/0000-0001-5779-4946
АННОТАЦИЯ
Предмет исследования — факторы, оказывающие влияние на привлекательность крупных городов со стороны населения, бизнеса и туризма. Объекты исследования — города Российской Федерации с населением свыше 100 тыс. человек, параметры их социально-экономического развития. Цель работы — экономико-математическое моделирование уровня изменения привлекательности крупных городов Российской Федерации. В ходе исследования сформирован комплекс регрессионных уравнений, проведен соответствующий дисперсионный анализ. В качестве факторов, влияющих на привлекательность городов для населения, определены численность жителей, обеспеченность жильем, уровень оплаты труда, уровень преступности и обеспеченности врачами. Для оценки привлекательности городов с точки зрения ведения бизнеса рассмотрены объемы производства, величины оборота розничной торговли и численность населения города. В целом полученные регрессионные уравнения удовлетворяют предъявляемым требованиям и могут быть использованы в дальнейшем для целей прогнозирования изменения значения рассматриваемых показателей. Предложены функциональные блоки инструментария мониторинга и прогнозирования уровня привлекательности городов. Ключевыми из них являются блоки формирования задания, формирования сценариев, прогнозирования, анализа информации, формирования рейтингов регионов, визуализации результатов. Сделан вывод о том, что, будучи целостной структурой, модели привлекательности городов для населения, бизнеса и туризма дополняют друг друга и позволяют реализовывать комплексный подход к решению поставленной задачи. Полученные результаты могут быть применимы органами государственного управления для решения задач, связанных с комплексным территориальным развитием Российской Федерации.
Ключевые слова: город; миграция; бизнес; инвестиции; туризм; экономико-математическое моделирование; регрессионное уравнение
Для цитирования: Низамутдинов М. М., Орешников В. В. Разработка экономико-математических моделей и инструментария прогнозирования уровня привлекательности городов России. Экономика. Налоги. Право. 2019;12(4):68-79. DOI: 10.26794/1999-849Х-2019-12-4-68-79
ORIGINAL PAPER
Economic and Mathematical Models and Tools Development for Forecasting the Level of Attractiveness
of Russian Cities
M. M. Nizamutdinova, V. V. Oreshnikovb
The Institute of social-economic Research at The Ufa Federal Research Center RAS, Ufa, Russia a https://orcid.org/0000-0001-5643-1393; b https://orcid.org/0000-0001-5779-4946
BY 4.0
ABSTRACT
The subject of the research is the factors influencing the attractiveness of Russian cities for the population, business and tourism. The objects of the research via economic and mathematical methods are the cities of the Russian Federation with population over 100 thousand people and the parameters of their social-economic development. The purpose of the research is economic and mathematical modeling of the attractiveness change level of Russian cities. In the course of the
research a system of regressive equations has been formed, and a corresponding dispersion analysis has been conducted. As the factors influencing the attractiveness of cities for people the authors detected the following ones: the number of residents, housing, payroll rate, crime rate, and medical service density. To evaluate the attractiveness of cities for businesses the authors study the production volume, the volume of retail trade turnover, and the number of people living in the city. On the whole, the regression equations obtained meet the case and can be used henceforward with the aim of forecasting the change of indicators under study. Functional blocks of tools for monitoring and forecasting attractiveness levels of cities are proposed. The key ones are the blocks of forming the task, creating scenarios, forecasting, information analysis, regions rating forming, results visualization. It is concluded that being an integral system, models of cities' attractiveness for people, business and tourism supplement each other and make it possible to fulfill a comprehensive approach to solving the problem. The results obtained can be used by the authorities in order to solve problems concerning integrated territorial development of the Russian Federation.
Keywords: city; migration; business; investments; tourism; economic and mathematical modeling; regression equation
For citation: Nizamutdinov M. M., Oreshnikov V.V. Economic and mathematical models and tools development for forecasting the level of attractiveness of Russian cities. Ekonomika. Nalogi. Pravo = Economics, taxes & law. 2019;12(4):68-79. (In Russ.). DOI: 10.26794/1999-849X-2019-12-4-68-79
ВВЕДЕНИЕ
В послании Федеральному Собранию от 20.02.2019 Президент РФ особо акцентировал внимание парламентариев на вопросах внутреннего социального и экономического развития страны, подчеркивая, в частности, необходимость комплексного развития городов и поселков. Отмечая многоаспектность данной задачи, следует отметить, что управление эффективным развитием городов с целью повышения их привлекательности для жителей, туристов и бизнеса требует не только анализа и учета ретроспективного и текущего состояния ключевых параметров городов, но и формирования четкого научно обоснованного представления об их дальнейшем развитии. Без выполнения данного требования невозможна и реализация указа Президента РФ от 07.05.2018 № 204 «О национальных целях и стратегических задачах развития Российской Федерации на период до 2024 года». Иными словами, актуализируется задача прогнозирования и планирования социально-экономического развития территориальных систем, в том числе городов. В работах [1-3] подтверждается целесообразность применения в этих целях методов экономико-математического моделирования при условии формирования не абстрактных экономико-математических моделей, а полноценного инструментария прогнозирования уровня привлекательности городов России в различных обстоятельствах. Поэтому реализация данного подхода невозможна без решения следующих задач:
• выбора и обоснования методов моделирования;
• определения особенностей, требующих особого учета при разработке экономико-математических моделей;
• разработки комплекса моделей прогнозирования уровня привлекательности городов России;
• создания функциональных блоков инструментария мониторинга и прогнозирования уровня привлекательности городов.
ОБОСНОВАНИЕ ПОДХОДА К РАЗРАБОТКЕ ИНСТРУМЕНТАРИЯ
ПРОГНОЗИРОВАНИЯ УРОВНЯ ПРИВЛЕКАТЕЛЬНОСТИ ГОРОДОВ РОССИИ
Из существующих на сегодняшний день методов моделирования социально-экономического развития территориальных систем наиболее разработанным считается эконометрическое моделирование, основанное на вероятностно-статистическом анализе взаимосвязи различных параметров в предыдущие периоды времени. Данный подход позволяет выявлять и учитывать количественные связи между изучаемыми показателями и влияющими на них факторами. Наиболее распространены эконометрические модели, представляющие собой системы регрессионных уравнений, в которых отражается зависимость искомых величин от экзогенных параметров в условиях, описываемых моделью, а также лаговых переменных.
Процедура разработки непосредственно эко-нометрической составляющей модели (функциональной взаимосвязи) включает ряд этапов [4]: а) постановочный этап — определяются цели и задачи исследования, набор экономических переменных;
б) априорный этап, заключающийся в анализе сущности изучаемого процесса, формализация известной информации;
в) параметризация — выбор общего вида модели и выявление состава и формы входящих в нее связей;
г) информационный этап — сбор необходимой статистической информации;
д) идентификация модели — статистический анализ модели и оценка ее параметров;
е) оценка качества модели (достоверность и адекватность);
ж) интерпретация результатов моделирования.
С практической точки зрения преимуществами
эконометрического подхода являются:
• экономическая обоснованность отдельных функций, базирующаяся на взаимоувязке показателей модели, позволяющей, с одной стороны, выявлять причины тех или иных изменений, а с другой — обеспечивать понятность результатов вычислений для лица, принимающего решение (создание модели, использование которой не требует специфических знаний);
• комплексность описания территориальной социально-экономической системы, включающая экзогенные, управляемые параметры, эндогенные параметры системы, произвольный набор отслеживаемых показателей в различных срезах, в том числе формирование персональных наборов параметров для мониторинга;
• возможность проведения сценарных расчетов и формирования различных вариантов развития ситуации, а также поддержка решения задач, содержащих ответы на вопросы: «что будет, если ...?» и «что необходимо для ...?»;
• возможность учета социально-экономических основ явлений и процессов (в том числе как линейных, так и нелинейных взаимодействий), а также территориальной структуры региона;
• возможность изменения отдельных параметров модели, расширения модели, уточнения регрессионных уравнений в процессе работы и накопления статистического материала (накопление знаний), а также возможность интеграции с иными подходами.
В условиях высокой степени дифференциации уровня социально-экономического развития городов Российской Федерации [5] представляется затруднительным выделить единый показатель, который мог бы в достаточной степени описать
привлекательность города с позиции столь отличных друг от друга экономических агентов, а именно населения, туристов и бизнеса. В рамках проведенного исследования оценка привлекательности городов для жителей (населения) подразумевала анализ изменения таких показателей, как численность населения города [6], уровень оплаты труда, уровень преступности, обеспеченность жильем [7], обеспеченность врачами. В качестве интегрального показателя рассматривается величина миграционного прироста. При оценке привлекательности городов России для бизнеса рассматривались объем отгрузки товаров собственного производства и оказание услуг собственными силами [8], уровень занятости, оборот розничной торговли [9], наличие и степень износа основных фондов [10], численность населения. В качестве интегрального показателя был определен объем инвестиций в основной капитал [11]. Анализируя привлекательность городов России с точки зрения формирования туристических потоков, представляется целесообразным анализ таких показателей, как количество лиц, размещенных в коллективных средствах размещения [12], число мест в коллективных средствах размещения, среднесписочная численность работников коллективных средств размещения [13].
Рассматриваемые показатели имеют различную размерность, что затрудняет их анализ. Поэтому требуется их нормирование. С учетом этого выделяются две группы показателей:
1) показатели, рост которых интерпретируется как позитивная тенденция;
2) показатели, рост которых интерпретируется как негативная тенденция.
В первом случае нормирование каждого показателя в каждый рассматриваемый период времени осуществляется согласно формуле (1):
Y-Y
Yn _ г mm
Y ~ Y -Y '
max min
где Y — значение показателя по г-му городу; Y :„, У^ — минимальное и максимальное зна-
min max
чения показателя по всем рассматриваемым
vn
городам соответственно; Y — нормированное значение показателя по г-му городу.
Во втором случае применяется формула (2):
Y -Y
yn _ max i
Y -Y
max min
(2)
Таблица 1 / Table 1
Дисперсионный анализ / Analysis of variance
Показатель / Indicator df SS MS F Значимость F / Significance F
Регрессия / Regression 5 1,26672 0,253343919 264,93 6,91E-69
Остаток / Remainder 138 0,131963 0,000956256
Итого / Total 143 1,398683
Примечание/Note: df - число степеней свободы / number of degrees of freedom; SS - сумма квадратов отклонений / sum of squared deviations; MS - величина дисперсий / variance; F - значение критерия Фишера / Fisher criterion value; значимость F - значимость критерия Фишера / significance of F - the significance of the Fisher test. Источник/Sourse: составлено авторами / compiled by the authors.
Приведенный в соответствии с формулами (1) и (2) к сопоставимому виду массив статистических данных может быть использован для дальнейшего анализа и формирования интегрального показателя по каждому показателю.
РАЗРАБОТКА И РЕАЛИЗАЦИЯ КОМПЛЕКСА ЭКОНОМЕТРИЧЕСКИХ МОДЕЛЕЙ ПРОГНОЗИРОВАНИЯ УРОВНЯ ПРИВЛЕКАТЕЛЬНОСТИ ГОРОДОВ РОССИИ
Для формирования эконометрических моделей использовались отчетные статистические данные о социально-экономическом развитии городов России за период 2008-2017 гг., представленные на сайте Федеральной службы государственной статистики Российской Федерации, в официальных статистических сборниках и других открытых источниках информации.
Проведенный корреляционно-регрессионный анализ параметров привлекательности городов России для населения позволил получить следующее уравнение:
M = 0,032 +1,029XP -0,011х A + + 0,003х W - 0,004 х C + 0,008х Di,
где M. — миграционный прирост (убыль) населения (migration); P. — численность населения (population); A. — общая площадь жилых помещений, приходящаяся в среднем на одного городского жителя (accommodation); W. — среднемесячная номинальная начисленная заработная плата (wage); С. — число зарегистрированных
преступлений на 1000 человек населения (crime); D. — численность врачей, приходящаяся на 1000 человек населения (doctors).
О качестве полученного уравнения [14] можно судить по уровню коэффициента детерминации, значение которого составило 0,91. При этом нормированный коэффициент детерминации находится практически на аналогичном уровне. Стандартная ошибка составляет немногим более 0,03.
Проведенный дисперсионный анализ также подтверждает полученные результаты. В частности, расчетное значение критерия Фишера1 (264,93) значительно превышает пороговое табличное значение (табл. 1).
Обращает на себя внимание отрицательное значение коэффициентов при факторах «уровень преступности» и «обеспеченность жильем». Если в первом случае это легко объяснимо (негативная криминогенная обстановка снижает уровень привлекательности городов), то в отношении второго показателя данная зависимость не столь очевидна. Однако если принять во внимание, что уровень обеспеченности жильем стабильно снижается при переходе от менее развитых в инфраструктурном плане населенных пунктов к более развитым [15], т.е. от сельской к городской местности и от малых к крупным городам [16], то полученные результаты можно считать достаточно обоснованными. Таким образом, менее высокий уровень обеспеченности
1 Критерий Фишера — статистический критерий, тестовая статистика которого при выполнении нулевой гипотезы имеет распределение Фишера и сводится к отношению выборочных дисперсий (сумм квадратов, деленных на «степени свободы»).
жильем коррелирует с более высоким уровнем жизни по остальным параметрам.
В целом полученная функция достаточно точно отражает реальную ситуацию. При этом отклонения расчетных значений от фактических данных свидетельствуют либо о недоиспользовании потенциала привлечения населения городами, либо, наоборот, о неучтенных факторах привлекательности данного города.
Моделирование степени привлекательности городов Российской Федерации для бизнеса базируется на определении параметров уравнения, описывающего влияние совокупности выделенных ранее факторов на величину инвестиций в основной капитал.
В рамках проводимого исследования для определения уровня занятости населения использовалась формула (4):
г. EO,
E = —L, (4)
' WAi
где E. — уровень занятости населения (employment); EO. — среднегодовая численность работников организаций (employeesoforganizations); WA — численность населения в трудоспособном возрасте (working-age).
Анализ влияния основных фондов базируется на учете не только их стоимости, но и степени износа. В связи с этим была проведена оценка следующего показателя:
F _ AF¡ x (1 - WF, ),
(5)
где F. — стоимость основных фондов с учетом степени износа (foundations); AF. — наличие основных фондов организаций (availabilityoffunds); WF. — степень износа основных фондов (wearof-funds), доли единиц.
Как и в отношении показателей, характеризующих привлекательность городов России для населения, в данном случае осуществлено нормирование показателей по причине разной размерности показателей.
Проведенный корреляционно-регрессионный анализ позволил получить следующее уравнение:
I, _ 0,0002 + 0,182x S¡ + 0,00084 x E, + + 0,36x R + 0,151 x P + 0,307x F,
(6)
где I — величина инвестиций в основной капитал (в фактически действовавших ценах) (investments); S. — объем отгруженных товаров собственного производства, выполненных работ и услуг собственными силами по видам деятельности (shipment); R. — оборот розничной торговли (в фактически действовавших ценах) (retail); P . — численность населения (population).
Значение коэффициента детерминации определено на уровне 0,98. При этом нормированный коэффициент детерминации практически аналогичен по величине. Стандартная ошибка составляет немногим более 0,01.
Проведенный дисперсионный анализ также подтверждает полученные результаты. В частности, расчетное значение критерия Фишера значительно превышает пороговое табличное значение (табл. 2).
В ходе проведенного анализа был выявлен огромный разрыв по рассматриваемому показателю между городами-лидерами (в первую очередь Москвой) и абсолютным большинством остальных городов Российской Федерации. При этом графики расчетных и фактических значений практически совпадают.
Оценка привлекательности городов для туристов базируется на анализе влияния таких показателей, как количество запросов в сети Интернет, численность размещенных лиц в коллективных средствах размещения (далее — КСР), число мест в КСР, среднесписочная численность работников КСР. При этом следует отметить, что если в отношении населения и бизнеса привлекательность обусловливается непосредственно характеристиками самого города, то в отношении туристов ситуация складывается иначе. При наличии природных, исторических и иных достопримечательностей вблизи города туристы рассматривают данный город в большей степени в качестве места пребывания, а не как самостоятельный объект посещения [17]. В то же время в ряде случаев наблюдается обратная ситуация: формально размещаясь в одном городе, туристы посещают в рамках однодневных и двухдневных экскурсий близлежащие города. По этой причине целесообразным представляется при анализе и прогнозировании привлекательности городов России для туристов ориентироваться не только на значения показателей, относящихся к данному городу, но также принимать во внимание динамику ключевых показателей по региону в целом.
Таблица 2 / Table 2
Дисперсионный анализ / Analysis of variance
Показатель / Indicator df SS MS F Значимость F / Significance F
Регрессия / Regression 5 1,103499 0,2207 1436,02 6,3E-131
Остаток / Remainder 160 0,02459 0,000154
Итого / Total 165 1,128089
Источник/Source: составлено авторами / compiled by the authors.
Таблица 3 / Table 3
Дисперсионный анализ / Analysis of variance
Показатель / Indicator df SS MS F Значимость F / Significance F
Регрессия / Regression 2 1,13E+08 56697178 179,4899 4,1E-29
Остаток / Remainder 74 23375083 315879,5
Итого / Total 76 1,37E+08
Источник/Source: составлено авторами / compiled by the authors.
Проведенный корреляционно-регрессионный анализ позволил получить следующее уравнение:
T =-38,0 - 6,41х Aj + 0,154 х Stj, (7)
где Tj — численность человек, размещенных в коллективных средствах размещения в j-м регионе (tourist); Aj — число мест в КСР в j-м регионе, тыс. ед. (apartments); Stj — среднесписочная численность работников КСР в j-м регионе (staff).
Достаточно высокое значение коэффициента детерминации, определенного на уровне 0,83, свидетельствует о качестве полученного уравнения. При этом нормированный коэффициент детерминации равняется 0,91. Стандартная ошибка составляет немногим более 562,0.
Проведенный дисперсионный анализ также подтверждает полученные результаты. В частности, расчетное значение критерия Фишера значительно превышает пороговое табличное значение (табл. 3).
Полученное уравнение описывает процессы, протекающие на региональном уровне. Расчет оценок для отдельных городов и определение их привлекательности для туристов требуют проведения условного распределения имеющихся наблюдений среди городов, находящихся на территории j-го региона. Наиболее целесообразным, на наш взгляд, представляется осуществление данного распределения пропорционально численности населения рассматриваемых городов в соответствии с формулой (8):
Р]
Т = Т, х—^, (8)
j n
'Pj
i=1
где T. — численность человек размещенных лиц в коллективных средствах размещения в i-м городе, находящемся на территории j-го региона (tourist); P. — численность населения i-го города, находящегося на территории j-го региона (population); n — число городов из числа рассма-
Таблица 4 / Table 4
Регрессионная статистика / Regression Statistics
Регрессионная статистика / Regression Statistics Группа / Group
1 2 3 4 s
Множественный R / Plural R 0,961834 0,981432 0,987046 0,999625 0,972889
R-квадрат / R-squared 0,925125 0,963208 0,97426 0,999249 0,946514
Нормированный R-квадрат / Normalized R-squared 0,924432 0,961939 0,971686 0,998999 0,935817
Стандартная ошибка / Standard error 1580,18 2470,546 1756,905 760,8593 993,4777
Наблюдения / Observations 110 31 12 5 7
Источник/Source: составлено авторами / compiled by the authors.
Таблица 5 / Table 5
Дисперсионный анализ / Analysis of variance
Группа / Group Показатель / Indicator df SS MS F Значимость F I Significance F
1-я группа / 1st group Регрессия / Regression 1 3,33E+09 3,33E+09 1334,404 1,3E-62
Остаток / Remainder 108 2,7E+08 2496968
Итого / Total 109 3,6E+09
2-я группа / 2st group Регрессия / Regression 1 4,63E+09 4,63E+09 759,2164 2,39E-22
Остаток / Remainder 29 1,77E+08 6103595
Итого / Total 30 4,81E+09
3-я группа / 3st group Регрессия / Regression 1 1,17E+09 1,17E+09 378,4992 2,81E-09
Остаток / Remainder 10 30 867 165 3086716
Итого / Total 11 1,2E+09
4-я группа / 4st group Регрессия / Regression 1 2,31E+09 2,31E+09 3992,643 8,73E-06
Остаток / Remainder 3 1736721 578906,9
Итого / Total 4 2,31E+09
5-я группа / 5st group Регрессия / Regression 1 87331560 87331560 88,482 0,000229
Остаток / Remainder 5 4934990 986998
Итого / Total 6 92 266550
Источник/Source: составлено авторами / compiled by the authors.
триваемых, находящихся на территории ^го региона.
В рамках проведенного ранее анализа были выявлены пять групп городов. При этом для каждой группы городов характерно особое соотношение между численностью человек, размещенных в КСР, и количеством запросов в сети Интернет, посвященных поиску достопримечательностей в данном городе (критерий уровня привлекательности городов для туристов). Для учета данной особенности был сформирован комплекс, включающий пять регрессионных уравнений.
Для первой группы было получено следующее уравнение:
SPi = 161,1 + 5,86 хТ, (9)
где БР. — количество запросов в сети Интернет о достопримечательностях г-го города ^^м>р1асе).
Вторая группа:
8р = 1577,6 +18,36 хТ. (10)
Третья группа:
SPi =-286,0 + 45,24 хТ1. (11)
Четвертая группа:
SPi = 106,04 + 56,64 хТ1. (12)
Пятая группа:
= 1234,3 + 70,8 хТ. (13)
Качество полученных уравнений подтверждается анализом показателей регрессионной статистики (табл. 4) и дисперсионного анализа (табл. 5).
Коэффициент детерминации в каждом случае — не ниже 0,92, а значение коэффициента Фишера значительно превосходит пороговые значения. О качестве полученных уравнений свидетельствуют и иные показатели.
Три полученные модели (привлекательность города для населения, бизнеса и туристов) в совокупности формируют комплекс моделей прогнозирования уровня привлекательности городов России для жителей, туристов и бизнеса. Являясь целостной структурой, данные модели дополняют
друг друга и позволяют реализовывать комплексный подход к решению поставленной задачи.
ФУНКЦИОНАЛЬНЫЕ БЛОКИ ИНСТРУМЕНТАРИЯ МОНИТОРИНГА И ПРОГНОЗИРОВАНИЯ УРОВНЯ ПРИВЛЕКАТЕЛЬНОСТИ ГОРОДОВ
Предложенный комплекс эконометрических моделей прогнозирования уровня привлекательности городов России для жителей, туристов и бизнеса может быть использован в качестве ядра соответствующего программного инструментария мониторинга и прогнозирования. Однако непосредственная организация работы по достижению установленных целей с применением данного инструментария требует разработки ряда функциональных блоков, направленных на решение отдельных задач. Наиболее существенные из данных блоков и логическая взаимосвязь между ними представлены на рисунке.
Исходя из специфики используемых показателей и особенностей муниципальной статистики, периодичность обновления данных составляет один год. В связи с этим процедура сбора данных, реализуемая в рамках блока «Система сбора данных», базируется на централизации территориально разрозненной статистической информации по ключевым показателям социально-экономического развития городов с численностью населения более 100 тыс. человек [18]. Для этого требуется сформировать и поддерживать в актуальном виде соответствующий реестр городов Российской Федерации и обеспечивать своевременное поступление статистической информации, что невозможно без применения современных информационных технологий передачи данных, в частности возможностей сети Интернет. При этом требуются разработка методики сбора данных, формы запроса и предоставление соответствующих полномочий лицу, принимающему решение.
Для взаимодействия с программным продуктом предполагается разработка интерфейса ввода и вывода информации. Ключевыми требованиями к данному интерфейсу являются максимальная простота, привычность и удобство его применения для пользователя. В части ввода информации данный интерфейс должен позволять реализовывать две основные функции:
• создание базы статистических данных;
• формирование задания.
Система сбора данных / Data acquisition system
Интерфейс ввода-вывода информации / Information input / output interface
Блок
сценариев/ Script Generator
Блок прогнозирования / Block prediction
Структура инструментария мониторинга и прогнозирования уровня привлекательности городов / Structure of tools for monitoring and forecasting the level of attractiveness of cities
Источник/ Source: построено авторами / compiled by the authors.
Вторая функция подразумевает возможность постановки таких практических задач, как анализ имеющихся данных, формирование прогноза, формирование сценариев развития и т.д.
Блок формирования сценариев реализует процедуру выбора того или иного сценария изменения социально-экономических показателей городов Российской Федерации.
База данных включает как исходные статистические, так и расчетные (производные) показатели.
Блок прогнозирования реализует функцию формирования прогноза изменения уровня привлекательности городов Российской Федерации при изменении ключевых факторов в соответствии с тем или иным сценарием развития ситуации. Для формирования прогноза устанавливается
перечень показателей и выбирается горизонт прогнозирования [19]. Далее на вход предложенной экономико-математической модели подаются значения факторов. Полученные в результате расчетов прогнозные значения показателей поступают в блок анализа информации.
Блок анализа информации, позволяющий проведение анализа динамики изменения показателей и осуществление сопоставительной оценки, включает инструменты, дающие возможность анализировать уровень социально-экономического развития региона на основе имеющихся и производных показателей.
В результате проделанного исследования составляется рейтинг городов Российской Федерации по уровню привлекательности для населения, бизнеса и туризма.
ЗАКЛЮЧЕНИЕ
Определенные майским 2008 г. указом Президента РФ задачи по обеспечению устойчивого естественного роста численности населения, реальных доходов граждан, снижению уровня бедности и ускорению технологического развития не могут быть выполне-
ны без взаимоувязки с параметрами развития городов Российской Федерации. Несомненно, что реализация целей, обозначенных в послании Президента РФ Федеральному Собранию от 20.02.2019, будет способствовать повышению их привлекательности для тех или иных экономических субъектов.
БЛАГОДАРНОСТЬ
Данное исследование выполнено в рамках государственного задания № 007-00256-18-01 ИСЭИ УФИЦ
РАН на 2019 г.
ACKNOWLEGEMENT
This study was performed under state assignment No. 007-00256-18-01 ISER UFRC RAS 2019.
СПИСОК ИСТОЧНИКОВ
1. Oner О. Retail city: the relationship between place attractiveness and accessibility to shops. Spatial Economic Analysis. 2017;12(1):72-91. DOI: 10.1080/17421772.2017.1265663
2. Desponds D., Auclair E. The new towns around Paris 40 years later: New dynamic centralities or suburbs facing risk of marginalisation? Urban Studies. 2017;54(4):862-877.
3. Bourdin S., Cornier T. Beyond the measurement of the urban well-being: Which perception of quality of life in the European cities? Geographie Economie Societe. 2017;19(1):3-31. DOI: 10.3166/ ges.19.2017.0001
4. Низамутдинов М. М., Орешников В. В. Определение параметров управления региональным развитием на основе алгоритмов нечеткой логики. Экономика и математические методы. 2016;52(2):30-39.
5. Уляева А. Г. Анализ методических подходов к выделению агломерационных образований. Региональная экономика: теория и практика. 2016;12:17-27.
6. Аитова Ю. С., Орешников В. В. Подходы к моделированию взаимовлияния демографического потенциала и экономического развития регионов России. ВестникНГИЭИ. 2018;12:69-80.
7. Костин А. Е., Авдеев Ю. М. Геоботанические исследования биоразнообразия в урбанизированной среде. Вестник Красноярского государственного аграрного университета. 2015;3:19-23.
8. Иванов П. А. Оценка стадиального развития малого предпринимательства в городах-миллионниках России. Финансовая экономика. 2018;(8):446-449.
9. Camagni R. The city of business: The functional, the relational-cognitive and the hierarchical distributive approach. Quality Innovation Prosperity. 2017;21(1):31-48. DOI: 10.12776/QIP.V21I1.818
10. Печаткин В. В., Кобзева А. Ю. Когнитивная модель влияния элементов инновационной системы на воспроизводственный процесс в регионе. Фундаментальные исследования. 2017;(9-1):222-227.
11. Ахметов Т. Р. Формирование и реализация стратегических приоритетов инновационной подсистемы территориальной социально-экономической системы в условиях глобальных вызовов. Конкурентоспособность в глобальном мире: экономика, наука, технологии. 2017;11(58):153-161.
12. Carrasco J. S., Pitarch-Garrido M.-D. Analysis of the impact on tourism of the megaproject-based urban development strategy. The case of the city of Valencia. Cuadernos de Turismo. 2017;(40):573-598. DOI: 10.6018/turismo.40.310111
13. Кабанова Е. Е. Формирование туристической привлекательности малых и средних городов России (на примере города Гусь-Хрустального). В мире научных открытий. 2014;(11-4):1442-1463.
14. Низамутдинов М. М. Концептуальные и методические аспекты задачи моделирования развития территориальных систем муниципального уровня. Управленческие науки. 2017;7(2):23-31.
15. Губанова Е. В. Оценка инвестиционных рисков при разработке инвестиционной стратегии. Вестник Воронежского института экономики и социального управления. 2017;(3):28-34.
16. Glaeser E. Triumph of the city: how our greatest invention makes us richer, smarter, greener, healthier and happier. New York: The Penguin Press; 2011. 352 p.
17. Gozaly J. Consumer analysis for increasing occupancy rates of tourism hotel. Industrial Engineering and Management Systems. 2017;16(1):103-108.
18. Манухина Л. А. Рейтинговая оценка селитебной привлекательности городов. Экономика и предпринимательство. 2018;3:497-500.
19. Мантаева Э. И., Слободчикова И. В., Боджаева В. В., Джимбеев Н. Ш. Проблемы и тенденции развития инновационной экономики в современном мире. Научные труды Вольного экономического общества России. 2013;174:146-150.
REFERENCES
1. Oner О. Retail city: the relationship between place attractiveness and accessibility to shops. Spatial Economic Analysis. 2017;12(1):72-91. DOI: 10.1080/17421772.2017.1265663
2. Desponds D., Auclair E. The new towns around Paris 40 years later: New dynamic centralities or suburbs facing risk of marginalisation? Urban Studies. 2017;54(4):862-877.
3. Bourdin S., Cornier T. Beyond the measurement of the urban well-being: Which perception of quality of life in the European cities? Geographie Economie Societe. 2017;19(1):3-31. DOI: 10.3166/ ges.19.2017.0001
4. Nizamutdinov M. M., Oreshnikov V. V. Determination of control parameters based on fuzzy logic algorithm. Ekonomika i matematicheskiye metody = Economics and mathematical methods. 2016;52(2):30-39. (In Russ.).
5. Ulyayeva A. G. Analysis of methodological approaches to the allocation of agglomeration formations. Regional'naya ekonomika: teoriya i praktika = Regional economy: theory and practice. 2016;12:17-27. (In Russ.).
6. Aitova Yu.S., Oreshnikov V. V. Approaches to the models of the mutual influence of demographic cooperation and economic development of the regions of Russia. Vestnik NGIEI = Bulletin of the NNSUEE. 2018;12:69-80. (In Russ.).
7. Kostin A. E., Avdeev Yu. M. Geobotanical studies of biodiversity in an urbanized environment. Vestnik Krasnoyarskogo gosudarstvennogo agrarnogo universiteta = Bulletin of the Krasnoyarsk State Agrarian University. 2015;3:19-23. (In Russ.).
8. Ivanov P. A. Assessment of the development of small businesses in small cities in Russia. Finansovaya ekonomika = Financial Economics. 2018;(8):446-449. (In Russ.).
9. Camagni R. The city of business: The functional, the relational-cognitive and the hierarchical distributive approach. Quality Innovation Prosperity. 2017;21(1):31-48. DOI: 10.12776/QIP.V21I1.818
10. Pechatkin V. V., Kobzeva A. Yu. Cognitive model of the influence of elements of the innovation system on the reproductive process in the region. Fundamental'nyye issledovaniya = Basic research. 2017;(9-1):222-227. (In Russ.).
11. Akhmetov T. R. Formation and implementation of strategic priorities of the innovation subsystem of the territorial socio-economic system in the context of global challenges. Konkurentosposobnost' v global'nom mire: ekonomika, nauka, tekhnologii = Competitiveness in the global world: economy, science, technology. 2017;11(58):153-161. (In Russ.).
12. Carrasco J. S., Pitarch-Garrido M.-D. Analysis of the impact on tourism of the megaproject-based urban development strategy. The case of the city of Valencia. Cuadernos de Turismo. 2017;(40):573-598. DOI: 10.6018/turismo.40.310111
13. Kabanova Ye. Ye. Formation of tourist attractiveness of small and medium-sized cities of Russia (on the example of the city of Gus-Khrustalny). V mire nauchnykh otkrytiy = In the world of scientific discoveries. 2014;(11-4):1442-1463. (In Russ.).
14. Nizamutdinov M. M. Conceptual and methodological aspects of the task of modeling the development of territorial systems of the municipal level. Upravlencheskiye nauki = Management science. 2017;7(2):23-31. (In Russ.).
15. Gubanova Ye. V. Assessment of investment risks when developing an investment strategy. Vestnik Voronezhskogo instituta ekonomiki i sotsial'nogo upravleniya = Bulletin of the Voronezh Institute of Economics and Social Management. 2017;(3):28-34. (In Russ.).
16. Glaeser E. Triumph of the city: how our greatest invention makes us richer, smarter, greener, healthier and happier. New York: The Penguin Press; 2011. 352 p.
17. Gozaly J. Consumer analysis for increasing occupancy rates of tourism hotel. Industrial Engineering and Management Systems. 2017;16(1):103-108.
18. Manukhina L.A Rating assessment of residential attractiveness of cities. Ekonomika i predprinimatel'stvo = Economy and entrepreneurship. 2018;3:497-500. (In Russ.).
19. Mantayeva E. I., Slobodchikova I. V., Bodzhayeva V. V., Dzhimbeyev N. Sh. Problems and trends in the development of an innovative economy in the modern world. Nauchnyye trudy Vol'nogo ekonomicheskogo obshchestva Rossii = Scientific works of the Free Economic Society of Russia. 2013;174:146-150. (In Russ.).
ИНФОРМАЦИЯ ОБ АВТОРАХ
Марсель Малихович Низамутдинов — кандидат технических наук, доцент, заведующий сектором экономико-математического моделирования Института социально-экономических исследований, Уфимский федеральный исследовательский центр РАН, Уфа, Россия marsel_n@mail.ru
Владимир Владимирович Орешников — кандидат экономических наук, старший научный сотрудник сектора экономико-математического моделирования Института социально-экономических исследований, Уфимский федеральный исследовательский центр РАН, Уфа, Россия voresh@mail.ru
ABOUT THE AUTHORS
Marcel M. Nizamutdinov — Cand. Sci. (Tech), Assoc. Prof., Head of the Department for Economic and Mathematical Modeling, The Institute of social-economic Research at The Ufa Federal Research Center of the Russian Academy of Sciences (RAS), Ufa, Russia marsel_n@mail.ru.
Vladimir V. Oreshnikov — Cand. Sci. (Econ), Senior Researcher at the Department for Economic and Mathematical Modeling, The Institute of social-economic Research at The Ufa Federal Research Center of the Russian Academy of Sciences (RAS), Ufa, Russia voresh@mail.ru.
Статья поступила 22.05.2019; принята к публикации 28.07.2019.. Авторы прочитали и одобрили окончательный вариант рукописи. The article was received 22.05.2019; accepted for publication 28.07.2019. The authors read and approved the final version of the manuscript.
