CC BY
26
Вестник Нижегородского университета им. Н.И. Лобачевского. Серия: Социальные науки, 2021, № 4 (64), с. 23-34
23
УДК 332.1:004.8
DOI 10.52452/18115942_2021_4_23
ТИПОЛОГИЯ РОССИЙСКИХ РЕГИОНОВ С ТОЧКИ ЗРЕНИЯ РАЗВИТИЯ ЧЕЛОВЕЧЕСКОГО КАПИТАЛА НА БАЗЕ НЕЙРОСЕТЕВОГО КЛАСТЕРНОГО АНАЛИЗА
© 2021 г. Ю.В. Трифонов, А.Л. Сочков, Е.А. Миронов
Трифонов Юрий Васильевич, д.э.н.; проф.; заведующий кафедрой информационных технологий
и инструментальных методов в экономике Нижегородского государственного университета им. Н.И. Лобачевского
itime@iee.unn.ru
Сочков Андрей Львович, к.т.н.; доц.; доцент кафедры информационных технологий и инструментальных методов в экономике Нижегородского государственного университета им. Н.И. Лобачевского
an.so2009@yandex.ru
Миронов Евгений Александрович, студент магистратуры Института экономики и предпринимательства Нижегородского государственного университета им. Н.И. Лобачевского miron.52reg@icloud.com
Статья поотупиыа врндаецию 09.09.2021 Статья принята е пубыиеации 20.10.2021
Целью статьи является оценка уровня развития человека в российских регионах с использованием технологий искусственного интеллекта. Объектом исследования в данной работе выступают регионы РФ, а его предметом - уровень развития человеческого капитала как основного фактора формирования экономики знаний на изучаемых территориях. В качестве метода исследования использована методика нейросетевого кластерного анализа на базе самоорганизующихся карт Кохонена, отличающаяся от известных тем, что осуществлялась в три этапа, в ходе которых выявлялись стабильные кластеры. Вычислительные эксперименты проводились с использованием программы Deductor. На основе официальных статистических данных за 2019 год, структурированных на базе системы из пяти показателей, получена типология регионов РФ с точки зрения развития человеческого капитала, которая включает три типа изучаемых объектов. Анализ их количественных характеристик позволил выявить факторы, влияющие на улучшение демографической ситуации в регионах. Так, уровень рождаемости в значительной степени определяется менталитетом и образом жизни населения, а продолжительность жизни - ещё и экологической обстановкой в регионе, поэтому этим факторам должно уделяться повышенное внимание со стороны органов власти разных уровней. В качестве инструментария коррекции менталитета населения целесообразно использовать социальную рекламу. Результаты исследования могут быть использованы учеными и специалистами, изучающими человеческий капитал как фактор экономики знаний, а также представителями органов власти, занимающимися разработкой стратегических документов и государственных программ развития человека.
Кыючнвын оыова: регионы России, типология регионов, человеческий капитал, демография, кластерный анализ, нейронные сети.
Введение
Переход человечества к информационному обществу неразрывно связан с трансформацией экономики, основными факторами производства которой выступают земля, труд и капитал, в экономику, основанную на знаниях и инновациях. Самой конкурентоспособной экономикой будет та, в которой генерируется наибольший объём информации и знаний, а их перераспределение между людьми и организациями осуществляется максимально быстро и просто. Построение экономики такого типа чрезвычайно важно для России и всех её субъектов.
Создание высокотехнологичных инноваций невозможно без участия человека, поэтому на процесс формирования экономики знаний в
значительной мере влияет процесс развития человеческого капитала и повышения качества жизни. Удовлетворённость жителей в этом смысле оказывает прямое влияние на экономику такого типа. Территории, обладающие высокими показателями качества жизни, сдерживают эмиграцию высококвалифицированных кадров, более того, формируют иммиграционные потоки высокообучаемого персонала.
Вопросам изучения человеческого капитала во всём мире посвящены ежегодные отчёты ООН [1-3], которые формируют рейтинги стран по индексу человеческого развития (ИЧР) и отмечают важность этой проблемы для любой страны и её регионов. В статье [4] исследована динамика уровня развития человека в РФ в целом по отношению к другим странам на основе
анализа данных ООН по ИЧР за 2014-2018 гг. Были учтены три составляющие развития человека: уровень жизни населения, продолжительность жизни и уровень образования. В работах [5, 6] исследована проблема измерения и оценки человеческого капитала природно-ресурс-ного макрорегиона Енисейская Сибирь.
Актуальность изучаемых вопросов закреплена и в приоритетах развития человеческого капитала в РФ, среди которых отмечается повышение рождаемости и увеличение продолжительности жизни, увеличение уровня доходов населения и т.д. [7]. Однако на этом пути встречается ряд проблем, которые можно укрупнённо разделить на несколько групп. Первая группа -проблемы, связанные с уровнем благосостояния населения. Наличие значительной доли жителей с низкими доходами и неравенство доходов ведут к формированию высокой стратификации общества, отсутствию возможности должного обеспечения жилой площадью, коммунальными и социальными услугами всего населения. Вторая - миграционные проблемы: молодые и квалифицированные кадры мигрируют из муниципальных районов в региональные центры, а из них в мегаполисы и за рубеж. Третья - демографические проблемы: наблюдаемое сокращение численности населения в трудоспособном возрасте вследствие относительно невысокого уровня средней продолжительности жизни формирует высокую демографическую нагрузку.
Решение описанных проблем важно для страны в целом и особо важно для регионов, в которых отсутствуют богатая природно-ресурсная база, рекреационные туристические зоны и для которых не существует альтернативы развития высокотехнологичной инновационной экономики. Для таких регионов проблемы развития человеческого капитала становятся первоочередными. Большинство региональных властей осознают это и в своих стратегиях социально-экономического развития (далее по тексту - Стратегии) выводят на первый план блок развития человека [7, 8], приоритеты которого можно обобщить следующим образом: увеличение доходов основной части населения региона, повышение ее обеспеченности жильём, усиление вовлеченности в здоровый образ жизни (ЗОЖ), улучшение демографической ситуации.
Деятельность по этим направлениям планируется контролировать по набору ключевых показателей, позволяющих оценить уровень развития рассматриваемых сфер. Так, в Стратегии Нижегородской области для оценки блока «Развитие человека» используются 6 показателей. В аналогичных документах Свердловской [8] и Самарской областей [9] контролируются 5 и
8 показателей соответственно. В стратегии Ставропольского края [10] используются 27 показателей, размещённых по разным блокам документа. Как можно видеть, каждый регион использует свою систему показателей, отличающуюся от других, однако если обобщить все рассмотренные подходы, то можно сформировать набор из пяти показателей, позволяющий оценить уровень развития человеческого капитала в каждом регионе РФ. В этот набор вошли:
- медианный среднедушевой доход (рублей в месяц, входная переменная хч);
- общая площадь жилых помещений, прихо-
/ 2
дящаяся в среднем на одного жителя (в м , входная переменная х-ь);
- индекс доступности спортивных сооружений (безразмерная величина, входная переменная х]Ъ);
- суммарный коэффициент рождаемости (число детей на одну женщину, входная переменная х^);
- ожидаемая продолжительность жизни при рождении (число лет, входная переменная х]2).
Приведённая система показателей позволяет количественно оценить все факторы, влияющие на развитие человеческого капитала региона. Демографическая сфера описывается двумя показателями из пяти, благосостояние человека -одним показателем, возможность вести ЗОЖ -одним показателем, и ещё один показатель характеризует обеспеченность населения жилплощадью. Система показателей использует общедоступные данные сайта ФСГС (Ъйр8:// rosstat.gov.ru/), статистика по которым представлена для всех 85 регионов РФ.
При оценке деятельности территорий по нескольким показателям приходится решать задачу ранжирования многомерных объектов, описываемых набором координат, причём по одному показателю может присутствовать одна тенденция, а по другому - совершенно противоположная. Чаще всего для этих целей используются различные рейтинги, когда вся система показателей сводится к некоторой интегральной оценке, по которой происходит ранжирование рассматриваемых территорий.
Для изучения уровня развития человека в разных странах во всемирном масштабе ООН регулярно составляет рейтинг ИЧР. Каждая страна характеризуется четырьмя показателями, на базе которых определяются безразмерные индексы дохода, образования и долголетия. Интегральный индекс человеческого развития страны определяется как среднее геометрическое всех трёх индексов. Их значения лежат в
диапазоне от 0 до 1. В результате получается список стран, проранжированных в зависимости от значения ИЧР [11, 12].
Для анализа качества жизни в регионах РФ ежегодно составляются рейтинги агентства «РИА Рейтинг» [13]. На первом этапе формирования рейтинга проводится нормирование значений отдельных показателей, характеризующих регионы. На втором этапе определяется рейтинговый балл территории по группе однотипных показателей, и на третьем этапе - итоговый рейтинговый балл. В результате получается список регионов, проранжированных в зависимости от значений интегрального балла, который изменяется в диапазоне от 1 до 100, причём чем выше это значение, тем выше рейтинг региона. Кроме описанных методик используются и ряд других [6, 14,15].
Интегральные оценки, получаемые по рассмотренным методикам, зачастую формируются без учёта весов первичных показателей. Это происходит, прежде всего, потому, что весьма проблематично оценить эти веса количественно, поскольку трудно определить степень влияния каждого показателя на итоговую оценку, что отмечает ряд исследователей [15]. Кроме того, в качестве результата ранжирования территорий чаще всего получаются линейные списки, которые располагают регионы в порядке возрастания или убывания интегрального рейтинга. Такое представление результата затрудняет формирование типологии объектов, то есть выделение групп объектов со сходными характеристиками, в отношении которых было бы возможно формирование и проведение в жизнь единых (однотипных) и эффективных политик управления. Отмеченные проблемы позволяет решить новый подход кластеризации многомерных объектов на основе технологий искусственного интеллекта, в частности искусственных нейронных сетей (ИНС), позволяющий автоматически учитывать веса исходных показателей и формировать кластеры однотипных объектов [16].
Объектами исследования в данной работе выступают регионы РФ, а его предметом - уровень развития человека на изучаемых территориях. Целью настоящей статьи является оценка уровня развития человека в регионах РФ с использованием ИНС. Для достижения поставленной цели в ходе исследования были решены следующие задачи:
- проведён обзор систем показателей для оценки уровня развития человека в регионах, на основе которого разработана адекватная система таких характеристик;
- проанализированы различные методики такой оценки и обоснована наиболее адекватная из них;
- осуществлена адаптация методологии нейросетевого кластерного анализа под выбранную систему показателей;
- проведена оценка уровня развития человека в регионах с учётом данных 2019 года;
- выявлены основные типологии регионов и их основные отличия;
- приведены рекомендации по разработке типовых политик управления группами регионов.
Методология
Для выявления типологий регионов РФ с точки зрения развития человеческого капитала в данной работе использовалась методика нейросетевого кластерного анализа. Данный подход базируется на технологиях искусственного интеллекта, активное применение которых стимулируется национальной стратегией развития искусственного интеллекта РФ [17], и используется для изучения деятельности различных территорий (регионов, стран) в ряде работ [18-23].
В работе [18] исследовалась деятельность регионов РФ в сфере высшего образования за период 2010-2015 гг. Каждый из них характеризовался вектором из 6 специальных показателей. Для каждого года изучаемого периода решалась задача кластеризации исходного массива векторов, в результате чего были получены 4 разнотипные группы регионов. Проведённый анализ позволил выявить территории с большим потенциалом совершенствования системы образования и регионы, которым необходимо существенное повышение эффективности их деятельности в рассматриваемой сфере.
В работе [19] анализировалась эффективность системы здравоохранения регионов РФ на основе данных 2017 года. В результате решения задачи кластеризации 82 субъектов РФ, каждый из которых описывался вектором из 4 показателей, было сформировано 3 группы регионов. В группу лидеров вошло всего лишь 4 субъекта РФ, а остальные 78 распределились на две группы (середняки и аутсайдеры), что подчёркивает существующий разрыв в уровне развития разных территорий страны.
В работе [20] изучались уровень благополучия и качество жизни в итальянских провинциях на основе статистических данных за 20052011 годы. Все 20 итальянских регионов, каждый из которых описывался 12 показателями, были подвергнуты процедуре кластеризации, в результате которой было получено 6 разнотипных групп, отличающихся уровнем благополучия и качества жизни. В результате исследования было выявлено существенное различие в развитии северных и южных провинций страны.
В работе [21] исследован уровень риска стихийных бедствий в регионах КНР на основе статистических данных, полученных в 20162017 годах. В результате решения задачи кластеризации 31 региона Китая, каждый из которых описывался вектором из 28 показателей, были сформированы 5 групп провинций с различным уровнем риска. Такая типология регионов страны позволяет властям разрабатывать общие рекомендации по предотвращению стихийных бедствий и минимизации их последствий для каждой выявленной группы однотипных территорий.
В работе [22] исследована деятельность субъектов РФ по развитию физкультуры и спорта в 2013-2017 годах. В результате кластеризации 85 регионов, каждый из которых описывался вектором из 6 соответствующих показателей, были выявлены 5 разнотипных групп, что говорит о неравномерности развития спортивной инфраструктуры в стране. Полученные результаты важны для стратегического планирования деятельности в сфере физкультуры и спорта.
В данном исследовании ставится задача определения типологии регионов РФ с точки зрения развития человеческого капитала. Для количественного анализа системы показателей (хд, х^, Хр хр4, Хр), сформированной выше, использованы последние официальные статистические данные за 2019 год, опубликованные на сайте ФСГС России (www.gks.ru/bgd/regl/b20_14p) в феврале 2021 года. Значения показателей х]Л,х}1,х}А,х}5 взяты непосредственно из сборника «Регионы России», а значение индекса доступности спортивных сооружений х]3 вычислялось по следующей формуле:
9 и и и
(1)
xj3 = {wf Nf + wj Nj + W}nNf)/Nf,
где Nj
Nf -
численность населения j-го региона;
Nj - число плавательных бассейнов в j-м реги-
оне; Nj - число спортивных залов в j-м реги-
оне; N^ - число плоскостных спортивных сооружений (площадки, поля) в ]-м регионе; Шр - весовые коэффициенты для соот-
ветствующих типов спортивных сооружений j-го региона, численные значения которых равны 1.0, 0.5, 0.1, соответственно.
Выявление групп однотипных объектов происходило в результате решения задачи кластеризации всего списка регионов России, представленных наборами характеристик, отражающих уровень развития человеческого капитала терри-
тории. Формально задача кластеризации описывается следующим образом [24]. Дано множество регионов РФ R = {rj,r2,..., rj,..., rn}, n = 85, каждый из которых описывается вектором из пяти показателей
Xj = ^j^Xj2,Xj3,xj4,xj5}, j = j 2,..., n.
Требуется построить множество кластеров C и отображение F множества R на множество C, то есть F: R ^ C. Задача кластеризации состоит в построении множества
C = {cj,..., ck,..., cm}, m = 3, 4, 5;
Ck - кластер, содержащий однотипные регионы из множества R :
Ck = {r,,rj | r e R,rj e R и d{r,■,r}) < a},
где a - критерий близости регионов РФ для
включения их в один кластер, d{r,, rj) - мера
близости между регионами, называемая «расстоянием».
Если «расстояние» между регионами меньше критерия a, то они считаются «близкими» и помещаются в один кластер. В противном случае считается, что регионы «отличны» друг от друга, и их помещают в разные кластеры.
Использование самоорганизующихся карт (СОК) Кохонена позволяет решать поставленную задачу в автоматическом режиме в процессе их самоорганизации. Карты Кохонена относятся к специальному типу ИНС, реализующему технологии Data Mining, который позволяет находить закономерности в больших массивах данных [25, 26]. В ходе синтеза такой нейронной сети происходит трансформация входного набора данных в двумерную топологическую карту, на которой исследуемые объекты группируются в кластеры и визуализируются разными цветами. Результат данного процесса в значительной степени зависит от его начальных условий, поэтому для получения оптимального разбиения массива кластеризуемых объектов обычно синтезируется ансамбль сетей [27] и по определённому критерию выбирается лучшая карта.
Для моделирования СОК Кохонена часто используется аналитический пакет Deductor [19, 22, 23, 28]. Эта программа позволяет варьировать большое количество параметров процесса самоорганизации карты в ходе синтеза ансамбля сетей и определять средние и максимальные ошибки квантования, используемые для вычисления значения критерия качества кластеризации. В данной работе использовалась версия Deductor Academic 5.3.
Для решения задач, поставленных в данном исследовании, нейросетевой кластерный анализ проводился в три этапа.
ШЛ г а г Кластеры \ 1 В ь ^ к*"., В .....41......"
0 А 2 'о 1 : ш) 0 1 2 3 Й
Рис. 1. Топологические карты разбиений данных 2019 г. на 3 (карта а), 4 (карта Ь) и 5 (карта с) кластеров (источник: получено авторами в результате вычислительного эксперимента)
На первом этапе весь массив регионов разбивался на 3 кластера. Выбор оптимального разбиения осуществлялся из 13 синтезированных карт по критерию минимума суммы средних и максимальных ошибок квантования по кластерам. В ходе этого процесса варьировались следующие параметры:
- Размеры топологической карты (12x7 и 11x8);
- количество эпох (500 и 1000);
- радиус обучения в конце процесса самоорганизации карты (0.1, 1.2, 2.0);
- скорость обучения в конце процесса (0.005, 0.08, 0.14).
Другие параметры синтеза нейронных сетей выбирались фиксированно и не варьировались:
- скорость и радиус обучения в начале процесса самоорганизации карты (по умолчанию в используемой программе);
- функция соседства (гауссова);
- способ начальной инициализации карты (из собственных векторов);
- условие распознавания примера (ошиб-ка<0.05).
На втором этапе весь массив регионов разбивался на 4 кластера. Выбор оптимальной карты осуществлялся из 13 вариантов, полученных при варьировании тех же параметров, по аналогичному критерию. Анализировался состав полученных групп для определения стабильных кластеров, позволяющих выявить определённый тип регионов, то есть кластеров, которые сохранили свой состав с первого этапа анализа. Для определения компактности кластеров вычислялось стандартное отклонение по каждому показателю регионов для каждой группы в отдельности.
На третьем этапе весь массив объектов разбивался на 5 групп по схеме, аналогичной первому и второму этапу. Определялись стабильные кластеры, содержательный анализ которых позволил выявить различные типы регионов РФ с точки зрения развития человеческого капитала.
Результаты
В ходе первого этапа нейросетевого кластерного анализа было получено разбиение всех реги-
онов РФ на три кластера. Топологическая карта лучшего варианта приведена на рис. 1 (карта а).
В первый кластер попали 12 регионов, во второй и третий - 27 и 46 регионов соответственно. Количественные характеристики кластеров, средние и максимальные значения показателей по РФ приведены в таблице 1. Были определены средние значения каждой характеристики по регионам, входящим в соответствующий кластер, а также их стандартные отклонения. Средние значения показателей по РФ были рассчитаны как средние арифметические значения соответствующих показателей всех 85 регионов. Максимальные значения показателей по РФ брались по значениям лучших регионов.
На базе средних значений показателей, приведённых в таблице 1, были построены диаграммы, визуализирующие каждый кластер и изображённые на рис. 2. При этом все значения, использованные для построения диаграмм, были нормированы, то есть отнесены к соответствующим максимальным значениям показателей по РФ. Это сделано для того, чтобы была возможность изобразить все диаграммы на одном рисунке, сравнить их между собой и со средними значениями по РФ.
В ходе второго этапа было проведено разбиение регионов на 4 группы. Топологическая карта лучшего разбиения приведена на рис. 1 (карта Ь).В первый кластер вошли 11 регионов, во второй - 10, в третий и четвёртый - 26 и 38 регионов соответственно. Количественные характеристики полученных кластеров приведены в таблице 2.
На базе таблицы 2 были сформированы диаграммы кластеров, которые приведены на рис. 3.
Кластер 1, полученный на втором этапе, практически совпадает по всем значениям числовых характеристик с аналогичным кластером, сформированным в ходе первого этапа, что говорит о его стабильности. Исходя из этого, весьма вероятно, что этот кластер будет сформирован и на третьем этапе. Если это подтвердится, то можно вести речь о группе однотипных регионов со схожими показателями, в отношении которых можно разрабатывать единые рекомендации по развитию человеческого капитала.
Таблица 1
Количественные характеристики кластеров при разбиении на 3 группы _
Номер кластера Мощность кластера Характеристики кластера хА Х]2 хА х}4 х.
1 12 Среднее значение 1.70 72.17 0.50 41221.52 24.31
Стандартное отклонение 0.22 2.80 0.17 10418.30 2.88
2 27 Среднее значение 1.67 72.57 0.40 18112.44 22.91
Стандартное отклонение 0.34 3.54 0.09 3189.85 3.12
3 46 Среднее значение 1.41 72.89 0.45 20861.14 29.15
Стандартное отклонение 0.13 1.16 0.10 3614.14 2.04
Среднее значение показателя по РФ 1.53 72.68 0.44 22862.43 26.48
Максимальное значение показателя по РФ 2.72 83.40 0.89 56918.90 33.50
Хр
1,00
0,80
Х]4 Х/3
Рис. 2. Диаграммы кластеров при разбиении на 3 группы (источник: получено авторами на базе таблицы 1) На третьем этапе было проведено разбиение стеров. Средние значения остальных четырёх
на пять кластеров. Топологическая карта лучшего варианта приведена на рис. 1 (карта с). В кластеры 1 и 2 стабильно вошли 11 и 10 регионов соответственно, а во вновь сформированные кластеры 3, 4 и 5 - 15, 24 и 25 регионов соответственно. Их количественные характеристики приведены в таблице 3.
На базе таблицы 3 были сформированы диаграммы кластеров, представленные на рис. 4.
Третий этап подтвердил предположение о том, что кластер 1 является стабильным и сохраняет свой состав на протяжении всего анализа. В него постоянно попадают Камчатский и Хабаровский край, Магаданская, Мурманская и Сахалинская область, Ненецкий, Ханты-Мансийский, Чукотский и Ямало-Ненецкий автономный округ, Республика Саха (Якутия), которые являются прежде всего ресурсодобывающими регионами, и г. Москва. Главной особенностью этого кластера являются высокие доходы на душу населения. Среднее значение этого показателя х]4ср составляет 1.86 среднероссийского значения, что значительно превышает аналогичные характеристики других кла-
показателей рассматриваемого кластера находятся на среднероссийском уровне и составляют х]1ср = 1.12 ; х]2ср = 0.99 ; х]3ср = 1.16 ; хрср = 0.91. Эти
цифры практически соответствуют уровню средних показателей других кластеров, что видно на рис. 2, 3 и 4.
Кроме кластера 1 к стабильным можно отнести и кластер 2, который сформировался на втором этапе анализа и сохранил свой состав на третьем этапе. В него вошли 10 регионов: Кабардино-Балкарская, Карачаево-Черкесская и Чеченская республики, Астраханская область, а также республики Алтай, Бурятия, Дагестан, Ингушетия, Коми и Тыва. Большинство из них расположено в горных местностях, населению которых присущ особый национальный менталитет. Количество промышленных предприятий на данных территориях невелико, что также способствует сохранению хороших экологических условий проживания. Отличительными особенностями этого кластера являются высокая рождаемость и продолжительность жизни населения, средние значения которых со-
Количественные характеристики класте]
зов при разбиении на 4 группы
Таблица 2
Номер кластера Мощность кластера Характеристики кластера хЛ хЛ2 хЛ3 хЛ4 хл5
1 11 Среднее значение 1.71 72.20 0.51 42532.89 24.10
Стандартное отклонение 0.23 2.93 0.17 9833.37 2.92
2 10 Среднее значение 1.92 74.63 0.34 15966.88 19.85
Стандартное отклонение 0.43 4.62 0.08 2419.98 3.05
3 26 Среднее значение 1.52 71.83 0.44 19673.17 25.40
Стандартное отклонение 0.12 1.80 0.07 3156.38 1.41
4 38 Среднее значение 1.39 72.90 0.45 21165.10 29.66
Стандартное отклонение 0.14 1.25 0.10 3712.84 1.85
Среднее значение показателя по РФ 1.53 72.68 0.44 22862.43 26.48
Максимальное значение показателя по РФ 2.72 83.40 0.89 56918.90 33.50
Рис. 3. Диаграммы кластеров при разбиении на 4 группы (источник: получено авторами на базе таблицы 2)
ставляют х^ср = 1.25 и х^2ср = 1.03 по отношению к
среднероссийским показателям и являются наиболее высокими из всех рассматриваемых кластеров. При этом значения остальных трёх показателей по отношению к среднероссийским Х^3ср = 0.77 ; х^4ср = 0.70 и х^5ср = 0.75 являются
наименьшими из всех.
Других стабильных кластеров в ходе анализа не сформировалось. На втором этапе все остальные регионы РФ, не попавшие в стабильные формирования, распределились на два кластера, а на третьем этапе - на три. Средние значения показателей всех полученных кластеров близки к среднероссийским, что позволяет отнести все эти регионы к одному типу, однако разбиение, проведённое на третьем этапе, позволяет провести более детальную дифференциацию этих территорий и получить три подтипа регионов, каждый из которых характеризуется своей спецификой.
К первому подтипу можно отнести 15 регионов, которые попали в кластер 3: Алтайский, Забайкальский, Красноярский, Пермский, При-
морский и Ставропольский край, Амурская, Иркутская, Кемеровская, Омская и Свердловская области, Удмуртская Республика, Еврейская автономная область, а также республики Калмыкия и Хакасия. Большинство из них являются приграничными территориями, что, вероятно, и обусловливает их общую специфику. Значения трёх показателей этого кластера практически совпадают со среднероссийскими: х^ср = 1.01 ; хл2ср = 0.98 и х^ср = 0.98 . Остальные два
показателя имеют значения чуть ниже среднероссийских: х]4ср = 0.87 и х^5ср = 0.93 . Данный кластер является достаточно компактным, поскольку стандартные отклонения, приведённые в таблице 3, имеют низкие значения. Это говорит о том, что все регионы, попавшие в эту группу, имеют близкие значения исследуемых показателей и являются однотипными с точки зрения развития человеческого капитала.
Ко второму подтипу можно отнести 24 региона, попавшие в кластер 4: Белгородская, Брянская, Владимирская, Вологодская, Воронежская, Калужская, Костромская, Курганская, Курская, Липецкая, Новгородская, Орловская,
Таблица 3
Номер кластера Мощность кластера Характеристики кластера Х1 Х}2 Х}3 Х}4 Х5
1 11 Среднее значение 1.71 72.20 0.51 42532.89 24.10
Стандартное отклонение 0.23 2.93 0.17 9833.37 2.92
2 10 Среднее значение 1.92 74.63 0.34 15966.88 19.85
Стандартное отклонение 0.43 4.62 0.08 2419.98 3.05
3 15 Среднее значение 1.55 71.14 0.43 19937.26 24.68
Стандартное отклонение 0.11 2.01 0.06 3444.49 1.26
4 24 Среднее значение 1.40 72.67 0.51 19257.95 30.11
Стандартное отклонение 0.14 1.20 0.08 2439.14 1.88
5 25 Среднее значение 1.42 73.06 0.38 22181.06 27.78
Стандартное отклонение 0.14 0.13 0.07 3970.42 1.81
Среднее значение показателя по РФ 1.53 72.68 0.44 22862.43 26.48
Максимальное значение показателя по РФ 2.72 83.40 0.89 56918.90 33.50
Рис. 4. Диаграммы кластеров при разбиении на 5 групп (источник: получено авторами на базе таблицы 3)
Пензенская, Псковская, Рязанская, Смоленская, Тамбовская, Тверская и Ульяновская области, республики Башкортостан, Марий Эл, Мордовия, Северная Осетия - Алания и Чувашская Республика. Эта группа имеет наилучшие средние показатели в стране по общей площади жилых помещений, приходящихся на одного жителя, и по индексу доступности спортивной инфраструктуры, при этом средний коэффициент рождаемости имеет минимальное значение среди всех рассмотренных кластеров. Средняя ожидаемая продолжительность жизни в этой группе регионов совпадает со среднероссийским значением х ¡2ср = 1 , а медианный среднедушевой доход не доходит до этой цифры (х¡4ср = 0.84). Стандартные отклонения, характерные для данного кластера, имеют невысокие значения, что говорит о его компактности и близости регионов в смысле развития человеческого капитала на этих территориях.
К третьему подтипу можно отнести 25 регионов, попавшие в кластер 5: Архангельская,
Волгоградская, Ивановская, Калининградская, Кировская, Ленинградская, Московская, Нижегородская, Новосибирская, Оренбургская, Ростовская, Самарская, Саратовская, Томская, Тульская, Тюменская, Челябинская и Ярославская области, республики Адыгея, Карелия, Крым и Татарстан, Краснодарский край, а также города Санкт-Петербург и Севастополь. Эти регионы имеют лучшие из трёх рассмотренных подтипов средние показатели по медианному среднедушевому доходу х ¿4ср = 0.97 и по продолжительности жизни х ¡2ср = 1.01 , при этом показатель доступности спортивной инфраструктуры хрср = 0.86 минимальный (все значения
взяты по отношению к среднероссийским показателям). Значения остальных двух показателей Х]1ср = 093 и Х]5ср = 1.05 располагаются между значениями аналогичных показателей двух предыдущих подтипов и близки к среднероссийским значениям. Стандартные отклонения относительно средних значений показателей данного
кластера невелики, что характеризует его как компактный и позволяет вести речь об однотипности регионов, которые его сформировали, с точки зрения развития человеческого капитала.
Проведённый нейросетевой кластерный анализ позволил сформировать типологию российских регионов, причем количественные характеристики полученных типов позволяют вести речь о некоторых интересных соотношениях в рассматриваемой сфере.
Прежде всего, необходимо обратить внимание на следующие особенности. Максимальный коэффициент рождаемости хл1ср = 1.25 зафиксирован в кластере 2, для которого также характерны наименьшие уровни медианных среднедушевых доходов хл4ср = 0.70 и общей площади жилых помещений хрср = 0.75 , приходящейся на одного жителя. В то же время минимальный коэффициент рождаемости хл1ср = 0.92 зафиксирован в кластере 4, для которого характерны максимальное значение общей площади жилых помещений хл5ср = 1.14 , приходящейся на одного
жителя, и медианный среднедушевой доход хл4ср = 0.84 , который располагается несколько ниже среднероссийского значения, но не является минимальным. Отметим также кластер 1, который характеризуется максимальным доходом хл4ср = 1.86 , средним уровнем показателя площади жилых помещений хл5ср = 0.91 , приходящейся на одного жителя, и коэффициентом рождаемости хл1ср = 1.12 , значение которого не
является максимальным, а тяготеет скорее к среднероссийскому показателю.
Эти особенности позволяют предположить, что коэффициент рождаемости не в столь сильной степени зависит от благосостояния жителей региона, как обычно принято полагать, а скорее зависит от их менталитета и образа жизни, поскольку максимальный коэффициент присущ кластеру 2, образованному по большей части теми субъектами РФ, уровень благосостояния которых невысок, но для которых характерны специфические национальные особенности, связанные с их менталитетом и образом жизни. Исходя из этого, для улучшения демографической ситуации на той или иной территории наряду с разработкой и проведением в жизнь политики по повышению благосостояния населения, что обычно планируется в разнообразных стратегических документах, целесообразно также делать акцент на разработку программы мероприятий и инструментария воздействия на умонастроения жителей в сторону изменения их взгляда на многодетные семьи и повышение
рождаемости. В частности, можно рекомендовать представителям власти проведение социальных рекламных кампаний по формированию «моды» на создание многодетных семей, например путём использования жизненных примеров известных популярных личностей, имеющих многодетные семьи.
Кластер 2 имеет ещё одну специфическую особенность. Население регионов, которые его составляют, имеет максимальную среднюю продолжительность жизни хл2ср = 1.03 на фоне
минимальных показателей доступности спортивной инфраструктуры хл3ср = 0.77 , среднедушевого дохода хл4ср = 0.70 и общей жилплощади х^ср = 0 75 , приходящейся на одного жителя.
Объективности ради необходимо отметить, что экологическая обстановка в большинстве из этих регионов значительно лучше, чем в других субъектах РФ. Максимальные индексы доступности спортивных сооружений имеют регионы кластеров 1 и 4, показатели которых по среднедушевому доходу и общей жилплощади также лучше, чем у регионов кластера 2, при этом средняя продолжительность жизни населения ниже.
Эта особенность позволяет выделить факторы, которые определяют демографическую ситуацию в регионе с точки зрения ожидаемой продолжительности жизни. Наиболее существенными из них представляются экологическая обстановка и образ жизни населения. Этот тезис необходимо учитывать властям разных уровней при постановке целей и формулировке задач соответствующих разделов стратегических документов, касающихся развития человеческого капитала. Наряду с разработкой программ по улучшению систем здравоохранения и образования, по повышению благосостояния населения и доступности спортивной инфраструктуры, то есть вместе с учётом факторов, уже отмеченных в выше цитированной литературе, целесообразно уделять значительное внимание улучшению экологической обстановки и формированию таких умонастроений населения, которые бы способствовали распространению ЗОЖ и позитивного взгляда на мир. Необходимо изменить взгляд жителей на спортивные объекты, которые прежде всего должны восприниматься ими как место занятий физкультурой и спортом, а не как культурно-досуговые заведения для просмотра физических упражнений других людей на фоне потребления прохладительных напитков. Аналогичное справедливо и в отношении мероприятий здравоохранения, например диспансеризации, проводящейся ежегодно для разных групп населения. Её эффективность будет расти при улучшении взгляда на
неё со стороны основной части населения и увеличения числа жителей, которые её проходят. Для достижения этого целесообразно также использовать инструментарий социальной рекламы.
Отмеченные выше факторы, несомненно, влияют на продолжительность жизни населения страны, однако в целом значения этого показателя для разных кластеров достаточно близки между собой. Так, минимальное значение составляет 71.14 лет (кластер 3), максимальное значение - 74.63 лет (кластер 2), среднее значение по РФ - 72.68 лет, то есть диапазон изменения этого параметра составляет 4.8%. Это значение является минимальным среди диапазонов изменений всех других показателей, что говорит об ограниченности влияния рассмотренных факторов на продолжительность жизни.
Заключение
На основе последних официальных статистических данных за 2019 год, структурированных на базе оригинальной системы показателей и обработанных с использованием авторской методики нейросетевого кластерного анализа, получена типология регионов РФ с точки зрения их человеческого капитала, которая позволила выявить наиболее существенные факторы, определяющие его развитие.
Сформированная типология включает три типа российских регионов. К первому типу относятся 11 регионов, которые характеризуются высоким уровнем доходов на душу населения при среднем уровне всех остальных рассматриваемых показателей. Ко второму типу относятся 10 регионов, которые характеризуются наилучшими демографическими показателями на фоне низких значений среднедушевых доходов, относительной общей жилплощади и индекса доступности спортивных объектов. К третьему типу относятся 64 региона, которые характеризуются средними значениями всех показателей и распределяются на три подтипа.
Анализ количественных характеристик полученных типов позволил выявить факторы, в наибольшей степени влияющие на улучшение демографической ситуации в регионах. Так, уровень рождаемости в значительной степени определяется менталитетом и образом жизни населения, а продолжительность жизни - ещё и экологической обстановкой в регионе, поэтому этим факторам должно уделяться повышенное внимание со стороны властей разных уровней. В качестве инструментария коррекции умонастроений населения целесообразно использовать социальную рекламу.
Результаты проведённого исследования могут быть интересны и полезны специалистам-регионоведам и учёным, изучающим закономерности развития человеческого капитала административно -территориальных образований различных типов, а также представителям власти разных уровней, занимающимся разработкой стратегических документов в целом и программ развития человека в частности.
Исследование выполнено при финансовой поддержке РФФИ и ЭИСИ в рамках научного проекта № 21-01131230.
Список литературы
1. Human Development Report 2020. The Next Frontier: Human Development and the Anthropocene [Электронный ресурс]. United Nations Development Programme (UnDp). New York: United Nations, 2020. 412 р. URL: http://hdr.undp.org/en/content/human-de velopment-report-2020 (дата обращения: 20.08.2021).
2. Human Development Report 2019. Beyond income, beyond averages, beyond today: Inequalities in human development in the 21st century [ Электронный ресурс]. United Nations Development Programme (UNPD). New York: United Nations, 2019. 366 р. URL: http://hdr.undp.org/en/content/human-development-repor t-2019 (дата обращения: 20.08.2021).
3. Human Development Report 2016: Human Development for Everyone [Электронный ресурс]. United Nations Development Programme (UNPD). New York: United Nations, 2017. 286 р. URL: http://hdr. undp.org/en/content/human-development-report-2016 (дата обращения: 20.08.2021).
4. Липатова Л.Н., Градусова В.Н. Развитие человеческого потенциала России: основные достижения и угрозы // Регионология. 2019. Т. 27, № 2 (107). C. 310-329.
5. Давыдов Д.В., Крутиков Д.В., Воронцова И.П. Человеческий капитал в цифровой экономике: проблемы измерения и оценки // Практики развития: теоретические и технологические решения и вопросы в цифровую эпоху: Материалы XXVI научно-практической конференции, Красноярск, 25-27 апреля 2019 г. Красноярск: Автономная некоммерческая образовательная организация «Институт психологии практик развития», 2020. С. 46-61.
6. Vorontsova I.P., Semenova A.R., Vitkovskaya L.K., Drobyshev I.A. Evaluation of human capital in the macroregion (on the example of the Yenisey Siberia) // Journal of Siberian Federal University. Humanities and Social Sciences. 2020. Vol. 13. № 11. P. 1808-1818.
7. Постановление Правительства Нижегородской области «Об утверждении Стратегии социально-экономического развития Нижегородской области до 2035 года» от 21.12.2018 года № 889 (ред. от 16.07.2020) [Электронный ресурс] // Официальный интернет-портал правовой информации. URL: http://publication.pravo.gov.ru/Document/View/5200201 812250001 (дата обращения: 08.08.2021).
8. Закон Свердловской области «О Стратегии социально-экономического развития Свердловской области на 2016-2030 годы» от 21.12.2015 № 151-ОЗ (ред. от 12.12.2019) [Электронный ресурс] // Официальный интернет-портал правовой информации. URL: http://publication.pravo.gov.ru/Document/View/6600201 512280002 (дата обращения: 08.08.2021).
9. Постановление Правительства Самарской области «О Стратегии социально-экономического развития Самарской области на период до 2030 года» от 12.07.2017 года № 441 (ред. от 17.09.2019) [Электронный ресурс] // Официальный интернет-портал правовой информации. URL: http://publication.pravo. gov.ru/Document/View/6300201707180001 (дата обращения: 08.08.2021).
10. Закон Ставропольского края «О Стратегии социально-экономического развития Ставропольского края до 2035 года» от 27.12.2019 № 110-кз [Электронный ресурс] // Официальный интернет-портал правовой информации. URL: http://publication.pravo. gov.ru/Document/View/2600201912300022 (дата обращения: 08.08.2021).
11. 2020 HDR Technical Note [Электронный ресурс] . United Nations Development Programme (UNDP). New York: United Nations, 2020. 19 р. URL: http://hdr.undp.org/en/content/hdr-technical-notes (дата обращения: 20.08.2021).
12. Мкртчян Г.М., Тагаева Т.О., Бокслер А.И. Индекс человеческого развития в регионах РФ с учетом ситуации в сфере обращения с отходами // Мир экономики и управления. 2019. Т. 19. № 3. С. 41-57.
13. Рейтинг регионов РФ по качеству жизни -2020 // РИА Рейтинг. 2021. URL: http://vid1. rian.ru/ig/ratings/life_2020.pdf (дата обращения: 10.08.2021).
14. Гринчель Б.М., Назарова Е.А. Оценка развития и типологии северных регионов России в контексте факторов конкурентной привлекательности // Известия Русского географического общества. 2018. Т. 150. № 5. С. 56-71.
15. Гринчель Б.М., Назарова Е.А. Российские регионы: конкурентная привлекательность и устойчивость развития: Монография. СПб.: Санкт-Петербургский государственный университет аэрокосмического приборостроения, 2019. 248 с.
16. Сочков А.Л., Субботин А.В. Алгоритм оценки конкурентоспособности регионов с учетом их инновационного потенциала для нейросетевого моделирования // Проблемы и перспективы развития научно-технологического пространства: Материалы IV Междунар. науч. интернет-конференции. В 2 частях. Вологда, 15-19 июня 2020 г. Вологда: Вологодский научный центр Российской академии наук, 2020. С. 217-223.
17. Указ Президента Российской Федерации «О развитии искусственного интеллекта в Российской Федерации» от 10.10.2019 № 490 [Электронный ресурс] // Официальный интернет-портал правовой информации. URL: http://publication.pravo.gov.ru/ Document/View/0001201910110003 (дата обращения: 20.08.2021).
18. Перова В.И., Авагян Э.А. Нейросетевой анализ динамики показателей высшего образования в регионах Российской Федерации как фактора экономического роста страны // Вестник Нижегородского университета им. Н.И. Лобачевского. Серия: Социальные науки. 2017. № 1 (45). С. 54-60.
19. Перова В.И., Корчемный П.В. Анализ эффективности системы здравоохранения регионов Российской Федерации на основе нейросетевого моделирования // Актуальные проблемы управления: Сборник научных статей по итогам VI Всероссийской научно-практической конференции, Нижний Новгород, 1-5 октября 2019 года. Н. Новгород: ННГУ им. Н.И. Лобачевского, 2019. С. 404-409.
20. 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, № 3. P. 677-700.
21. Chen N., Chen L., Ma Y., Chen A. Regional disaster risk assessment of China based on self-organizing map: Clustering, visualization and ranking // International Journal of Disaster Risk Reduction. 2019. 33. Р. 196-206.
22. 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.
23. Yashin S., Trifonov Y., Sochkov A. et al. Research of the innovative development of the Russian Federation regions and its impact on the eco-friendliness of the economy based on neural network cluster analysis for the purpose of economic security // IV International Scientific and Practical Conference «Sustainable Development and Green Growth on the Innovation Management Platform» (SDGG 2021), Kaliningrad, Russia, May 27-28, 2021 / G. Roos (Ed.). E3S Web of Conferences 291, 03008 (2021).
24. Горбаченко В. И. Сети и карты Кохонена [Электронный ресурс]. URL: http://gorbachenko.selfor ganization.ru/articles/Self-organizing_map.pdf (дата обращения: 26.08.2021).
25. Kohonen T. The self-organizing map // Proceedings of the IEEE. Sept. 1990. Vol. 78. № 9. Р. 14641480.
26. Kohonen T., Oja E., Simula O. et al. Engineering applications of the self-organizing map // Proceedings of the IEEE. Oct. 1996. Vol. 84. № 10. Р. 1358-1384.
27. Белолипцев И.И., Горбатков С.А., Романов А.Н., Фархиева С.А. Моделирование управленческих решений в сфере экономики в условиях неопределенности: Монография / Под ред. А.Н. Романова. М.: ИНФРА-М, 2019. 299 с. URL: https://znanium. com/catalog/product/1015085 (дата обращения: 10.08.2021).
28. Горбатков С.А., Рашитова О.Б., Солнцев А.М. Интеллектуальное моделирование в задаче принятия решений в рамках налогового управления // Вестник Уфимского государственного авиационного технического университета. 2013. Т. 17. № 1 (54). С. 182187.
TYPOLOGY OF RUSSIAN REGIONS FROM THE POINT OF VIEW OF HUMAN CAPITAL DEVELOPMENT BASED ON NEURAL NETWORK CLUSTER ANALYSIS
Yu. V. Trifonov, A.L. Sochkov, E.A. Mironov
Lobachevsky State University of Nizhny Novgorod
The purpose of the article is to assess the level of human development in Russian regions using artificial intelligence technologies. The object of research in this paper is the regions of Russia, and its subject is the level of human capital development as the main factor in the formation of the knowledge economy in the studied territories. As a research method, the method of cluster analysis based on self-organizing Kohonen's maps was used, which differs from the known ones in that it was carried out in three stages, during which stable clusters were identified. Computational experiments were carried out using the program Deductor. Based on statistical data of 2019, structured on the basis of a system of five indicators, a typology of the regions from the point of view of human capital development is obtained, which includes three types of objects under study. The analysis of their quantitative characteristics made it possible to identify factors impacting the improvement of the demographic situation in the regions. The birth rate is determined by the mentality and lifestyle of the population, and life expectancy is also determined by the environmental situation in the region, so these factors should be given increased attention by authorities. It is advisable to use social advertising as a tool for correcting the mentality of the population. The results of the research can be used by specialists studying human capital as well as representatives of authorities engaged in the development of strategic documents and state programs for human development.
Keywords: Russian regions, typology of regions, human capital, demography, cluster analysis, neural networks.
