Таким образом, из шести выбранных нами показателей: темпы роста качества активов, оборачиваемости дебиторской задолженности, доли расходов в выручке и доли амортизационных отчислений по всем трем организациям не отклоняются от 1.
В ООО СХП по показателю «доля валовой прибыли в выручке» наблюдается отклонение темпа роста от 1 на 1,99 в 2015 г. А в ООО «Эспланада Кубанская» наблюдается отклонение выше 1 по темпу роста выручки. Поэтому по данным показателям необходимо провести более детальный анализ с целью выявления фактов фальсификации бухгалтерской (финансовой) отчетности.
Источники:
1. Адаменко, А. А. Основные формы бухгалтерской финансовой отчетности и возможность их применения для оценки эффективности деятельности организации / А. А. Адаменко, И. А. Бабалыкова, Н. С. Стёжка // Современные проблемы бухгалтерского учета и отчетности : Материалы II Международной студенческой научной конференции. - Майкоп : Магарин О. Г., 2015. - С. 135-140.
2. Коровина, М. А. Достоверность бухгалтерской (финансовой) отчетности / М. А. Коровина // Формирование экономического потенциала субъектов хозяйственной деятельности: проблемы, перспективы, учетно-аналитическое обеспечение. - Краснодар : КубГАУ, 2016. - С. 121-126.
3. Коровина, М. А. Проблемы оценки по справедливой стоимости / М. А. Коровина // Современная экономика: проблемы, перспективы, информационное обеспечение : материалы международной научной конференции. - Краснодар : КубГАУ, 2013. - С. 159-164.
4. Сигидов, Ю. И. Учет и оценка основных средств : учеб. пособие / Ю. И. Сигидов, М. А. Коровина. - Краснодар : КубГАУ, 2018. - 224 с.
5. Спивакова, Ю. К. Исправление ошибок в бухгалтерском учете и отчетности / Ю. К. Спивакова, М. А. Коровина // Формирование экономического потенциала субъектов хозяйственной деятельности: проблемы, перспективы, учетно-анали-тическое обеспечение. - Майкоп : Магарин, 2014. - С. 144-147.
Sources:
1. Adamenko, A. A. Basic Forms of Accounting Financial Statements and Possibility of their Application for Evaluation of Organization Performance/A. A. Adamenko, I. A. Babalykova, N. S. Stoochka // Modern Accounting and Reporting Problems: Materials of the II International Student Scientific Conference. - Maykop: Magarin O. G., 2015. - P. 135-140.
2. Korovina, M. A. Reliability of accounting (financial) statements / M. A. Korovina//Formation of economic potential of economic activity entities: problems, prospects, accounting and analytical support. - Krasnodar: KubGAU, 2016. - P 121-126.
3. Korovina, M. A. Problems of fair value estimation/M. A. Korovina//Modern economy: problems, prospects, information support: materials of the international scientific conference. - Krasnodar: KubGAU, 2013. - P.159-164.
4. Sigidov, Yu. I. Accounting and evaluation of fixed assets: educational manual / Yu. I. Sigidov, M. A. Korovina. - Krasnodar: KubGAU, 2018. - 224 p.
5. Spivakova, Yu. K. Correction of Errors in Accounting and Reporting / Yu. K. Spivakova, M. A. Korovina // Formation of Economic Potential of Economic Entities: Problems, Prospects, Accounting and Analytical Support. - Maykop: Magarin O.G., 2014. -P.144-147.
Работа выполнена в рамках гранта РФФИ № 18-010-00623 Интеллектуальное моделирование организационно-экономического механизма управления водоресурсным обеспечением региональных водохозяйственных комплексов.
Н.А. Косолапова - Доктор экономических наук, доцент, профессор кафедры экономической кибернетики экономического факультета, Южный федеральный университет, nakosolapova@sfedu.ru,
N.A. Kosolapova - Doctor of Economics, Associate Professor, Professor of the Department of Economic Cybernetics, Faculty of Economics, Southern Federal University;
Е.А. Лихацкая - Старший преподаватель кафедры экономической кибернетики экономического факультета, Южный федеральный университет, elihackaya@sfedu.ru,
E.A. Likhatskaya - Senior Lecturer, Department of Economic Cybernetics, Faculty of Economics, Southern Federal University;
Д.А. Михалкина - Магистрант экономического факультета Южный федеральный университет, dariyna_ma@mail.ru,
D.A. Mikhalkina - Master of Economics, Southern Federal University.
ТЕХНОЛОГИИ DATA SCIENCE КАК ИНФОРМАЦИОННО-АНАЛИТИЧЕСКАЯ ПЛАТФОРМА ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ УПРАВЛЕНИЯ ВОДНЫМИ РЕСУРСАМИ DATA SCIENCE TECHNOLOGIES AS AN INFORMATION AND ANALYTICAL PLATFORM FOR INTELLIGENT
WATER MANAGEMENT SYSTEMS
Аннотация. В статье рассматривается эволюция подходов к формированию системы аналитической поддержки принятия решений в управлении водными ресурсами. Рассматриваются основные направления совер-
шенствования систем управления водохозяйственными системами и комплексами в условиях цифровизации экономики. Авторами представлены предложения по модернизации существующей системы мониторинга водных объектов на основе инкорпорирования инструментов Data Science.
Annotation. The article discusses the evolution of approaches to the formation of a system of analytical support for decision-making in water resources management. The main directions of improving the management systems of water management systems and complexes in the context of digitalization of the economy are considered. The authors presented proposals for the modernization of the existing monitoring system for water bodies based on incorporation of Data Science tools.
Ключевые слова: водохозяйственные системы, водохозяйственный комплекс, система мониторинга водных объектов, агрегаторы информации, большие данные, инструменты Data Science.
Keywords: water management systems, water management complex, monitoring system of water bodies, information aggregators, big data, Data Science tools.
Водные ресурсы составляют основу экономического роста, качества жизни и окружающей среды. Очевидно, что чем активнее растет население региона и чем быстрее экономически он развивается, тем с большей нагрузкой на свои водные ресурсы сталкивается, что влияет не только на экологическую составляющую, но и в целом на весь потенциал дальнейшего развития.
Обеспеченность водой в естественной среде следует гидрологическим циклам. Осадки, испарение и сток определяют наличие воды в разные времена года в разных точках земного шара. Природная вода может иметь определенные характеристики, связанные с вопросами о том, является ли она конкурентной или неконкурентной для пользователей, а также являются ли пользователи исключаемыми или не исключаемыми из ее использования. Все эти особенности водных ресурсов означают, что управлять ими возможно только посредством определенных вмешательств в систему водных ресурсов, выходящих за рамки управления экономической системой региона. Поэтому комплексное управление водными ресурсами, которое объединяет экономическую систему и природные водные системы, в расширенном контексте социально-экономических, институциональных, политических, правовых, экологических и культурных характеристик территории стало распространенным вариантом принятия решений в системе управления водным хозяйством региона.
Первые исследования, посвященные проблемам комплексного управления водными ресурсами, начались около 60 лет назад и основное внимание в них уделялось юридической стороне вопроса. Последние 20 лет разработки в данной области велись на стыке нескольких наук, включая географию, гидрологию, экологию и экономику. Значительное внимание в этих работах уделялось вопросам межстранового и межрегионального сравнения вариантов распределения водных ресурсов и качества их использования.
«Рассматривая управление водным хозяйством страны как управление сложной системой, необходимо отметить его двойственность: по функциональному принципу данную сферу можно рассматривать как обеспечивающую, создающую необходимые условия для функционирования практически всех остальных отраслей экономики, так как водные ресурсы на сегодняшний день являются составляющей практически всех технологических процессов; в то же время водное хозяйство - это ресурсная отрасль, продуктом которой являются вода и услуги, предоставляемые организациями данной отрасли. Деятельность хозяйствующих субъектов, антропогенная нагрузка на водные объекты зачастую приводят к необратимым последствиям для экологической системы водных объектов. Поэтому при принятии решений по управлению водными ресурсами важно учитывать необходимость реализации многокритериального подхода для выработки эффективного решения с точки зрения достижения показателей стратегии развития хозяйствующих субъектов и поддержания на соответствующем экологическим требованиям уровне показателей использования и качества природных вод, надежности и безопасности водообеспечения» [1, стр. 79-80].
Решения, принятые в данной сфере, отражаются на динамике развития практически всех отраслей экономики, а их разноплановость, необходимость вовлечения разноуровневых экономических систем в процессы управления водными ресурсами, высокий уровень риска принимаемых решений требуют постоянного совершенствования систем управления водными ресурсами на основе современных информационных технологий в рамках существующей организационной структуры, включая:
«- изменение функций и прав отдельных органов управления;
- организацию процесса сбора, передачи, хранения и обработки информации, необходимой для регулярного решения задач;
- разработку математического и программного обеспечения, позволяющего обрабатывать разнородную информацию;
- решения вопросов, связанных с установкой комплекса технических средств, в том числе средств сбора и передачи информации;
- организацию работы специалистов, ответственных за анализ и принятие управляющих решений» [2, стр. 698-706].
Это, в свою очередь, предполагает использование системного подхода к решению задач управления водными ресурсами, постоянную актуализацию данных о водных объектах, а также факторах, определяющих условия их эксплуатации: гидрологических, климатических, гидравлических, гидрохимических, гидробиологических, гидротермических, русловых и др. К настоящему времени сформирована специально ориентированная база
моделей и методик, позволяющих осуществлять многовариантные сценарные расчеты развития водохозяйственных систем в тесном сопряжении с потребностями в водных ресурсах региональных экономических систем (табл. 1).
Основные классы моделей, используемых для управления водохозяйственными системами (ВХС), - оптимизационный и имитационный. В последнее время все более популярным становится также использование теоретико-игровых моделей для управления ВХС [3].
Популярность использования оптимизационных задач обусловлена относительной простотой их построения и необходимостью нахождения единственного решения. Сложность в построении таких моделей для управления ВХС возникает, когда существует неограниченное число вариантов, например, для случая водоохранных мероприятий. В качестве целевой функции в данных моделях выступает минимизация затрат на осуществление мероприятий. Уравнения связи описывают зависимости между параметрами оптимизации и параметрами водных ресурсов, а ограничения определяют допустимое воздействие на водные ресурсы и пределы изменения параметров оптимизации. Так, в модели планирования водоохранных мероприятий в речном бассейне ограничениями являются:
-возможный забор воды по участкам реки;
-допустимые концентрации загрязняющих веществ в контрольных створах;
- возможные пределы изменения забора воды, сброса сточных вод и загрязняющих веществ промышленными, сельскохозяйственными предприятиями, жилищно-коммунальным хозяйством и т.д. [4]
Уравнения связи описывают следующие зависимости: между забором свежей воды, сбросом сточных вод и загрязнений; между приведенными затратами на отдельные водоохранные мероприятия и их характеристиками (технологическими расходами, эффективностью очистки и т.д.). Целью моделирования является нахождение значений управляющих параметров, позволяющих минимизировать по всему речному бассейну суммарные затраты на водоохранные мероприятия.
С точки зрения определения вариантов взаимодействия отдельных структурных элементов ВХС успешно используются имитационные модели принятия решений. С помощью имитации решаются задачи выбора сценариев управления водными ресурсами, оценки объемов доступных к использованию водных ресурсов в условиях различной водности. Но и у имитационных моделей есть недостатки, которые связаны с объемами необходимой информации: часть данных, как правило, является экспертной информацией, что увеличивает абстрактную составляющую модели.
Таблица 1
Классификация математических моделей управления водохозяйственной системой_
Название Цели Методы
Модели прогнозирования Прогнозирование: -потребностей в воде по водопользователям/бассейнам/террито- риям/промузлам -состояния водных объектов -развития ВХС Анализ и разработка: - отраслевых прогнозов водопотребления - стратегий водообеспечения. Расчеты: - водохозяйственных балансов. Регрессионные, Экспертные, Нормативные.
Модели перспективного планирования комплексного использования и охраны водных ресурсов Оптимизация -структуры и состава ВХС; -распределения водных ресурсов - перспективного ВХБ обоснование значений показателя расчетной обеспеченности водопотребления - показателей плана водоохранных мероприятий Выбор параметров функционирования гидротехнических сооружений Имитационное моделирование
Модели текущего и оперативного планирования Поиск оптимальных (с точки зрения рационального водопользования) параметров водохозяйственных систем в краткосрочной перспективе Методы оптимизации
Модели оперативного управления Разрабатываются оптимальные графики работы водохранилищ и оптимальные графики использования воды (водных объектов), осуществляется выбор оптимальных ситуационных режимов функционирования ВХС в экстремальных условиях. Методы оптимизации, графический инструментарий
Модели учета, контроля и анализа использования и охраны водных ресурсов Обеспечение контроля за соблюдением условий водопользования, расходами и качеством воды в контрольных створах, за состоянием водохранилищ и гидроузлов; анализ показателей функционирования водохозяйственной системы, использования водных ресурсов, качества вод. Автоматизированные системы управления бассейном реки (АСУ Б) строится на использовании машинной технологии подготовки и выдачи готовых решений по отдельным комплексам задач
Таким образом, существующее многообразие моделей, обеспечивающих поддержку принятия управленческих решений в сфере водопользования в условиях асимметричности информации, зашумленность информационного поля принятия решений, а также условия цифровизации экономики на первый план выводят вопросы, связанные с формированием глобальных баз данных и программных средств, которые станут в ближайшей перспективе основой принятия решений в сфере водоресурсного обеспечения.
Условия цифровизации определяют необходимость модернизации существующих систем и технологий поддержки принятия решений в управлении водными системами. Одним из возможных вариантов таких систем, существующим в настоящий момент, является Автоматизированная система мониторинга водных объектов (АИС ГМВО). Программный инструментарий и сформированные базы данных в составе АИС ГМВО обеспечивают возможность подготовки для нужд Министерства природных ресурсов и Росводресурсов научных и информационно-аналитических материалов: о состоянии водных объектов, дна, берегов водных объектов, водоохранных зон водных объектов, качественных показателях состояния водных ресурсов и водохозяйственных систем (в том числе гидротехнических сооружений по Российской Федерации), о состоянии и режиме функционирования водохранилищ, информационно-аналитические материалы об исполнении бассейновых программ осуществления государственного мониторинга водных объектов, аналитические материалы к заседаниям межведомственных рабочих групп по управлению режимами работы водохранилищ, а также комиссий по совместному использованию и охране трансграничных водных объектов, созданных в соответствии с соглашениями между Правительством Российской Федерации и правительствами сопредельных государств.
Таким образом, на сегодняшний день эта информационно-аналитическая система является крупнейшим агрегатором информации об использовании водных ресурсов в Российской Федерации. Потенциал данной системы позволяет говорить о возможности использования технологий Big Data. По определению Андреа де Мауро, Мауро Греко и Микели Гримальди «большие данные представляют собой информационные активы, характеризующиеся таким большим объемом, скоростью и разнообразием, которые требуют особых технологий и аналитических методов для их преобразования в ценность» [5]. Такому определению полностью соответствуют характеристики системы мониторинга: разнородность и большой объем данных, во многих случаях их слабая структурируемость, большое количество источников информации, регулярная и быстрая обновляемость сведений, сочетание официальных сведений (определенного уровня доступа) и информации от пользователей.
Основным преимуществом больших данных является способность собирать массу данных и быстро их анализировать. Это реалистичный инструмент для экономии средств и ресурсов в тех областях, которые зачастую сильно недофинансированы и требуют сокращения затрат [6].
В то же время, несмотря на огромные массивы информации, содержащейся в базе АИС ГМВО, в рамках данной системы в основном осуществляется подготовка решений, связанных с гидрологической составляющей управления водными ресурсами на основе использования традиционных методов и инструментов, таких как имитационное моделирование, анализ временных рядов и т.п. Однако с осознанием руководством Министерства природных ресурсов необходимости перехода на новый уровень использования имеющихся информационных систем возникает задача, однозначного решения которой на сегодняшний день нет. Она связана с определением круга направлений, по которым может осуществляться модификация используемого информационного инструментария. Отсутствие сопряженности информации между гидрологической, экономической и экологической системами влечет за собой проблему оценки их взаимодействия.
Анализ состава информации и ее объемы позволяют дополнить информационно-аналитический блок этой системы технологиями Data Science, а круг решаемых ею задач расширить за счет включения возможностей достижения баланса интересов участников процесса водопользования, оценки экономических и финансовых показателей функционирования ВХС.
Как основу для взаимодействия таких систем стоит рассматривать Информационно-аналитическую систему мониторинга реализации Схем комплексного использования и охраны водных объектов бассейнов рек Российской Федерации, с использованием которой ежегодно осуществляется анализ реализации утвержденных Схем КИОВО и подготовка предложений по их корректировке. Аналитические материалы, получаемые при обработке результатов мониторинга реализации Схем КИОВО, позволяют оценить достигнутые значения запланированных целевых показателей и подготовить предложения к последующей корректировке материалов СКИОВО (рис.1).
Они разрабатываются в целях определения допустимой антропогенной нагрузки на водные объекты; определения потребностей в водных ресурсах в перспективе; обеспечения охраны водных объектов; определения основных направлений деятельности по предотвращению негативного воздействия вод.
Рисунок 1- Взаимосвязь Cхем КИОВО и региональных стратегий развития.
Но стоит отметить, что, с одной стороны, СКИОВО определяют развитие ВХС и соответственно регионов, на территории которых расположены ВХС, с точки зрения рационального использования водных ресурсов и обеспечения условий для устойчивого развития, а с другой стороны, развитие этих территорий определяется региональными стратегиями социально-экономического развития, в которых, как правило, крайне мало внимания уделяется ресурсообеспеченности мероприятий, направленных на достижение ключевых показателей экономического развития региона [7] .
Развитие водохозяйственного комплекса и исполнение СКИОВО является важной характеристикой развития региона и страны в целом. Федеральные программы выделяют денежные средства на реализацию схем, при этом за 2018 год центральная часть РФ выполнила запланированные мероприятия на 20-50%
Одной из самых насущных проблем использования водных ресурсов, относящихся к высоким зонам риска, является качество воды речных бассейнов (рис.2). Так, согласно официальным данным, нормативно очищенными от общего объема сточных вод в Ростовской области являются только 13,6%. Загрязняющие вещества, поступающие в водосток — это вещества с неорганизованных сбросов с сельскохозяйственных объектов, территорий городов и населенных пунктов [8].
Границы вОДО*ОЗЯИС1ВвННЫ* участков
Рисунок 2- Карта загрязненности рек и сброса сточных вод на территории Российской Федерации
Поскольку качество водных ресурсов оценивается достаточно большим количество показателей (порядка 70) и оценка производится на каждом водохозяйственном участке в бассейне реки ежедневно, а в чрезвычайных ситуациях интервал наблюдений может сокращаться до 1 часа, то объем информационного поля позволяет использовать различные технологии, в том числе нейросетевые. Искусственные нейросети представляют собой систему, включающую модели и их программную реализацию, имитирующую процесс функционирования биоло-
гических нейронов. Важнейшей характеристикой сети является ее способность к обучению, т.е на основе обратного распространения ошибки в системе происходят процессы уточнения параметров функционирования модели и улучшения качества получаемых в результате оценок показателей моделируемых объектов.
Круг задач, решаемых с помощью нейросетей, достаточно широк: классификация объектов различной природы; прогнозирование различных индикаторов; поиск сложных/латентных связей.
Традиционно нейросетевая модель представляет собой совокупность нейронов, связанных между собой. Самой популярной архитектурой нейросети является многослойный просептрон или сеть с прямой связью. Существуют также другие архитектуры сетей: рекуррентные нейронные сети, карты самоорганизующихся функций, сети Хопфилда, сети радиальной базисной функции, машины опорных векторов и т.п. [9]
Характеристиками нейросети являются такие параметры как количество слоев нейрона, элементов входного и выходного слоев, численность элементов скрытого слоя. Модель нейросети может быть различной сложности, но всегда состоит трех типов слоев: входной слой —исходные данные модели, скрытый слой состоит из узлов, которые преобразуют информацию и передают измененные данные на следующий слой, скрытый слой (выходной) генерирует результат работы сети [10].
Вес соединения данных, полученных на входе, есть расчетный параметр нейросети. Значения выходных
данных, покидающих узел j на каждом из возможных выходов, обозначим Qj. Входное значение для каждого
узла к в каждом среднем и выходном слоях является суммой каждого из его взвешенных входов Wj Qj от всех узлов j, обеспечивающих входы с узлом к. Входное значение для узла к:
Ik = 'ZwjQj (1)
Также необходимо отметить, что - это аргумент функции + 0^), которая преобразует вход-
ное значение (в каждом узле к и выходном слое) в выходное Q]i. Переменная - это пороговый член,
который влияет на горизонтальное смещение функции. При этом функция ^ может быть как линейной, так и нелинейной. Тогда функция может быть представлена в виде логистической функции (формула 2), а ее графическое отображение показано на рисунке 3.
Уь = г+е-Ок+вк) (2)
Рисунок 3 - Сигмоидальная (логистическая) пороговая функция с порогом
Процесс преобразования входов в выходы в каждом скрытом узле слоя показан на рисунке 4. Этот же процесс происходит на каждом узле выходного слоя.
узлы \ узлы к
Рисунок 4- Преобразование в многослойной нейросети
В зависимости от проблемы, стоящей перед разработчиками, определяется количество узлов на входном и выходном уровне. Калибровка параметров определяет количество скрытых слоев. Задача разработчика - найти решение, максимально соответствующее наблюдаемым и прогнозируемым выходным данным на основе первоначальных входных параметров.
С использованием данных о качестве водных ресурсов в бассейне реки были построены нейросетевые модели, позволяющие определить кластеры регионов по качеству водных ресурсов. В качестве входных переменных использованы данные о объеме забора и сброса воды по регионам, объеме сточных вод, требующих очистки, а также объеме сточных вод, имеющих загрязнения. В качестве программной реализации нейросете-вой модели использовался программный продукт 111111 STATISTUCA 13.0 (рис.5).
"-Я s * =
Предприятие Правка
Анализ Добыча Данных
Графика
Сервис Данные Рабочая ю
Основные
и таблицы
■ Ё>
Множественная Дисперсионнный Непараметрическая Подгонка Подгонка и регрессия анализ (ДА) статистика распределений моделирование
Базовая статистика
Э Углублённые методы * Г | Нейронные сети Э И
% Многомерный анализ - «Эа Р1Я РСА.... £? Г>
ЙЗ Анализ мощности ЦБ Оценка дисперсии Г
Углубленная статистика
» Рабочая книга1* - Л SANN (Таблица данныхЧ) tili» Statistica НС Результаты
LI] Итоги моделей (Таблица данных1) ЕЛ Описательные статистики (Таблица Li Итоги моделей (Таблица данных1) Таблица весов (Таблица данных1) О Таблица активаций (Таблица данн»
Входы
Таблица весов (Таблица данных1) Нейросеть: 1.SOFM 4-4
Забрано воды из природных водных объектов млн.мЗ
Сброшено воды в природные водные объекты
Объем сточных вод. требующих очистки
Объем СВ. имеющих загрязняющие ВВ (млн. куб. м)
(1.1)
(1.2)
(2.1) I (2,2)
0.04SÖ79|~ 0,024536 0.054335
0.345496 0.310285 0.766743
0.136339 0,113416 0.311874
0,614688 0,462162 0,189858
E«: Нейронные сети -Результаты: Таблица данных!
Активные сети
Се... Архитектура Алгоритм
Выбрать .Снать сети
Прогноз (Кохонен) | Графики Топологическая карта | Наблюдении пользователя |
*
I& Гистограмма Щ Кохонен (таблица) Выбрать все Очистить
шш Итоги моделей |£1 Сохранить Отмена Опции
Выборка р] Обучающая р] Контрольная р| Тестовая
Р
и
сСч
Рисунок 5- Диалоговые окна 111111 STATISTICA c результатами кластеризации
Решение задачи кластеризации предполагает использование сетей Кохонена как алгоритма поиска наилучшей структуры кластеров. В отличие от других типов нейросетевых моделей сети Кохонена реализуют принцип неуправляемого обучения, когда исходные данные не содержат значений выходных переменных, т.е. сеть «пытается» понять структуру исходных данных. Такие сети имеют только два слоя - входной и выходной, называемый также топологической картой. Обучение сети происходит через последовательную оптимизацию структуры данных. Можно провести аналогию действия таких алгоритмов с методом ^средних в кластерном анализе.
Нейросетевой алгоритм кластеризации носит итерационный характер и проходит за ряд эпох, на каждой из которых вначале выбирается лучший (выигравший) нейрон, наиболее близко располагающийся к исходному примеру, затем он корректируется, исходя из взвешенной суммы предыдущего центра кластера и обучающего примера, чтобы стать более близким к входному примеру. На основе данных о качестве водных ресурсов в бассейне были построены нейросетевые модели, позволяющие определить кластеры регионов по качеству водных ресурсов. Наилучшей получилась кластеризация с четырьмя кластерами (рис.6), включающими: 1 -й кластер -55 наблюдений; 2-й кластер - 7 наблюдений; 3-й кластер -14 наблюдений; 4-й кластер - 6 наблюдений
Am«
облает» Aitpai«ei«i область Бе "городе и Б^якиа область
Вотогрцс«» область
Ворс» а некая область
Горел фадаральиого на имя Сааастололь Ем*1*1 мюамаа область
3J6WU(VIM фЫ Ивановская область
Кллшгущц» область Ка/трская область Ка»т|>тсмы край Корсаси* область Костромскаа область Кгрчкия область К/рская область ГЬлаикая область Магадане «аа область Новгородская область _>ж«аа область Ьра»4)ргс*ая область Орловская область Патоамсяая область Пс«оае«ая область Р««,бгьма |Ддя*вя >
РАлт» Ра<т,бгьма Буратмя
ЬЪеушатма Рвсгт^бпма Калньяоя Гг Крмы
Раст|бтьма Марии Эп Мамвиа Рвсгтубгьиа с а>а I я«утм I Раст,б/ъ«а Саааркая Осетии — РастубАма Тьаа Расгт*бгьаа Хакасия Ряааиская область Саратовская область Сакагь—:«аа область Смоленская область Тааябоаскаа область Томская область Тггъская область удмуртская Раслубтьма Угъяиоаскаа область Хабаровскм* «рай
Чувашская Раслубкьна-Чуаацяга МукО'спи» аа*оноы» ын округ
^IHHUH оСпасть
0 062556 0 036on 0 070703 0 06609? 0 033611 0 0621«* 0 1244*4 01(7134 0 060667 0 060301 0 07*06* 0 0407(6 0 032147 0 064*4* 0 071045 О 034625 0 041731 0 0427(5 0 374(6« . НИИ 002*964 0 031577 0 0(6473 0 041916 00*4140 О 174123 0 03(626 0 044311 0 03*566 0 04(372 0 0«1«63 0105433 0 062052 О 066212 : НИИ 0 040410 0 060753 0 01(204
0 076464 0 052070 0 0354(5 0 166254 0 03(310 0 024374 0 036236 0 032567 0131726 0 05Т70* О 056656 015107* 0075434 О 0531(7 0 06*533
е.!Н2?>
неаром 10 Активация
Наблюл
номер »
Архангельская область (2 1. I 0 033621
Иркутска« область a i» 3 036011«
Карачаево-Черкесская Республика (2, 1) 3 0470549
Красиоярс im край (2.1) 3 02(0467
Мурманская область (2. 1) 3 0 190901
Н«*есородс*ая область в. i» 3 0 07*536
Новосибирская область a. i» 1 0.115706
Парме кии кран (2. 1) 3 0203715
Приморским край a, i) 3 0 065575
Республика Башкортостан а >> 3 0 064241
Республика Карелия (2.1) 3 0.199595
Республика Комм (2.1) 3 0 07*407
Республика Татарстан (Татарстан ) <2. 1) 3 0 066143
Самарская область (2 1) 3 0 103649
Положение нейрона nawpoii (О Актмация
Наблюд «»jap а
Ленинградская область (2 21 4 0 505067
Республика Дагестан (2 2, 4 0 3(6541
Ростовская область (2.2) 4 0 2165(1
Ставропольским граи (2.2) 4 0 46092«
Тверская область (2 2) 4 0 1*4366
Тюменская область (2.2) 4 0 260915
Положим! на apean neiipcii ID tonaiai
Наблюл
»омар а__.
Город Москва столица Рим наг им
Город Санкт-Петербург гор« фадеоагъ*
Кемеровская область
Краснодарский фан
Московская область
Свердловская область
ЧапаДатмаа область_
0 277002 О 366702 О 302429 0,951065 037(473 0 320*74 0 3247(6
Рисунок 6- Кластеры регионов, полученные в результате построения нейросети
По результатам сегментации можно установить закономерность разделения регионов на кластеры: первый класс - это регионы с самыми низкими показателями практически по всем входным переменным, четвертый класс, напротив, включает регионы с самыми высокими показателями забора воды и загрязненности сточных вод.
Ростовская область попала в третий кластер, который характеризуется достаточно высокими объемами забора водных ресурсов, но в то же время низкими показателями загрязненности сточных вод.
Использование данных технологий относится к перспективным направлениям развития системы мониторинга водных ресурсов, поскольку реализация концепции устойчивого экономического развития может быть обеспечена только при формировании условий для разработки и реализации сопряженных мер в экономической, экологической (в том числе водохозяйственной) политике, обеспечивающих рациональное водопользование. Важной составляющей этих процессов является возможность использования при формировании федеральной и региональной политики в области управления водными ресурсами адекватных информационно -аналитических инструментов, направленных на поиск согласованных решений, стимулирующих рационализацию использования водных ресурсов экономическими агентами.
Источники:
1.Косолапова Н.А. Механизмы и инструменты управления водопользованием: модельная и информационная платформа. Южный федеральный университет. Таганрог. 2016 с. 79-80.
2.Пряжинская В. Г.,Хранович И.Л., Ярошевский Д. М. Методология обоснования стратегий управления водными ресурсами// Водные ресурсы/РАН 2004. №4. т.31. с.698-706.
3.Матвеева Л.Г., Косолапова Н.А. Экономико-математические модели согласования стратегий водопользования экономических агентов// Научно-технические ведомости Санкт-Петербургского государственного политехнического университета. Экономические науки. 2015. №3. с.303-311.
4. Данилов-Данильян В.И., Хранович И.Л. Управление водными ресурсами. Согласование стратегий водопользования. М.: Научный мир, 2010. 232 с.
5. Andrea de Mauro, Mauro Greco and Micheli Grimaldi, "What is big data? A consensual definition and a review of a key research topics"// 4th International Conference on Integrated Information. 2014. 10. Madrid/ https://www.researchgate.net/publica-tion/265775800_What_is_Big_ Data_A_Consensual_Definition_and_a_Review_of_Key_Research_Topics.
6.Карри Э. «Цепочка создания ценности больших данных: определения, концепции и теоретические подходы» / New Horizons для экономики, управляемой данными. Springer, 2016, pp 29-38.
7.Косолапова Н. А., Айдаркина Е. Е. Анализ уровня и качества водообеспеченности для реализации стратегий социально-экономического развития регионов бассейна Нижнего Дона // Вестник Волгоградского государственного университета. Серия 3, Экономика. Экология. 2018. Т. 20, № 3.с. 126-138
8. Черняев А.М., Дальков М.П., Шахов И.С. Прохорова Н.Б. Бассейн. Эколого-водохозяйственные проблемы, рациональное водопользование. РосНИИВХ. Екатеринбург: Виктор, 1995. 368с
9.MCkinney, D.C., Lin M.D. Genetic algorithm solution of groundwater management models. Water Resources Research. 1994. Vol. 30. № 6. pp. 1897-1906.
10. Daniel P. Loucks, Eelco van Beek Water resources systems planning and management. UNESCO, Springer, 2017-
617P.
Sources:
1. Kosolapova N.A. Mechanisms and tools for water management: model and information platform. South Federal University. Taganrog. 2016 p. 79-80.
2. Pryazhinskaya V. G., Hranovich I. L., Yaroshevsky D. M. Methodology for substantiating strategies for managing water resources // Water Resources / RAS 2004. No. 4. t.31. p. 688-706.
3. Matveeva L.G., Kosolapova N.A. Economic and mathematical models for coordinating the strategies for water use of economic agents // Scientific and Technical Sheets of the St. Petersburg State Polytechnic University. Economic sciences. 2015. No3. p. 303-311.
4. Danilov-Danilyan V.I., Khranovich I.L. Water management. Harmonization of water use strategies. M .: Scientific World, 2010.232 s.
5. Andrea de Mauro, Mauro Greco and Micheli Grimaldi, "What is big data? A consensual definition and a review of a key research topics "// 4th International Conference on Integrated Information. 2014.10. Madrid / https://www.researchgate.net/publica-tion/265775800_What_is_Big_ Data_A_Consensual_Definition_and_a_Review_of_Key_Research_Topics.
6. Curry E. "The Big Data Value Chain: Definitions, Concepts, and Theoretical Approaches" / New Horizons for a Data Driven Economy. Springer, 2016, pp 29-38.
7. Kosolapova N. A., Aidarkina E. E. Analysis of the level and quality of water availability for the implementation of strategies for socio-economic development of the regions of the Lower Don Basin // Bulletin of Volgograd State University. Series 3, Economics. Ecology. 2018.V. 20, No. 3.S. 126-138
8. Chernyaev A.M., Dalkov M.P., Shakhov I.S. Prokhorova N.B. Swimming pool. Environmental and water problems, rational water use. RosNIIIVH. Ekaterinburg: Victor, 1995.368s
9. MCkinney, D.C., Lin M.D. Genetic algorithm solution of groundwater management models. Water Resources Research. 1994. Vol. 30. No. 6. pp. 1897-1906.
10. Daniel P. Loucks, Eelco van Beek Water resources systems planning and management. UNESCO, Springer, 2017-617P.
А.П. Костырев - аспирант кафедры экономики предприятий и организаций, Национальный исследовательский Нижегородский государственный университет им. Н.И. Лобачевского, ksore09@mail.ru,
A.P. Kostyrev - Postgraduate Student of Department "Economics of Enterprises and Organizations", Lobachevsky State University of Nizhny Novgorod - National Research University.
МНОГОУРОВНЕВАЯ ПРОМЫШЛЕННАЯ ПОЛИТИКА И ПОДХОДЫ К ЕЕ МОДЕЛИРОВАНИЮ MULTILEVEL INDUSTRIAL POLICY AND APPROACHES TO ITS MODELING
Аннотация. Целью статьи является развитие многоуровневого подхода к промышленной политике через углубление теоретических положений и модификацию модели взаимодействия ее субъектов с учетом фактора цифровизации экономики. В настоящее время доступ к актуальной, достоверной и релевантной информации становится одним из главных условий успешной хозяйственной деятельности. Неверные управленческие решения во многом обусловлены недостатками передачи информации между субъектами, находящимися на различных уровнях. Многоуровневая промышленная политика ставит на первый план взаимодействие между различными уровнями управления и субъектами промышленного производства. По результатам исследования сформулировано определение многоуровневой промышленной политики, введена категория «многоаспектность экономической системы», сформулированы упрощенные модели реализации многоуровневой промышленной политики, предложена дополненная модель развития промышленности и инноваций - The "5+1" Helix Model, отражающая роль цифровой экосистемы в реализации промышленной политики.
Annotation. The article is devoted to the development of a multilevel approach to industrial policy through the deepening of theoretical positions and modification of the model of interaction of its subjects taking into account the factor of digitalization of the economy. At present, one of the main conditions for successful economic activity is access to actual, reliable and relevant information. Incorrect administrative decisions are largely due to the shortage of communication between actors at different levels. Multilevel industrial policy puts in the foreground the interaction between different governance levels and subjects of industrial production. The article formulates the definition of multilevel industrial policy, introduces the category "multidimensionality of the economic system", formulates simplified models for the realization of multilevel industrial policy, proposes an augmented model of development of industry and innovations - The "5+1" Helix Model, reflecting the role of the digital ecosystem in the realization of industrial policy.
Ключевые слова: многоуровневая промышленная политика, многоаспектность экономической системы, многосубъектность, цифровая экосистема, The "5+1" Helix Model.