CC BY
20
УДК 338.43
А.Н. ВАНЮЛИН, Г.В. КАЛИНИНА, Г.Н. ЕГОРОВА
ВЫЯВЛЕНИЕ ТЕНДЕНЦИЙ РАЗВИТИЯ СЕЛЬСКОХОЗЯЙСТВЕННОГО КОМПЛЕКСА РЕСУРСОДЕФИЦИТНЫХ РЕГИОНОВ РФ МЕТОДАМИ КЛАСТЕРНОГО АНАЛИЗА*
Ключевые слова: сельскохозяйственный комплекс регионов, методы многомерного анализа.
Раскрыта практическая значимость многомерного анализа для исследования динамики развития агропромышленных ресурсодефицитных регионов РФ. Показан алгоритм реализации кластерного анализа.
A.N. VANYULIN, G.V. KALININA, G.N. EGOROVA THE DETERMINATION OF THE TRENDS OF DEVELOPMENT OF THE AGRICULTURAL COMPLEX OF [RESURSODEFITSITNYKH] REGIONS RF BY THE METHODS OF THE CLUSTER ANALYSIS
Key words: agricultural complex of regions, methods of multivariate analysis.
Is revealed the practical significance of multivariate analysis for investigating the dynamics of the development of agroindustrial resource scarce regions RF. The algorithm of the realization of cluster analysis is shown.
Исследование динамики социально-экономического развития агропромышленных регионов различными методами анализа и прогнозирования может стать актуальным инструментом эффективного функционирования национального АПК и субъектов федеральных округов, для разработки концептуальных и методологических основ стратегического планирования, призванного обеспечить единство агропромышленной политики регионов и формирования основ для их дальнейшей интеграции на уровне макрорегионов. Разработка единого стратегического плана развития АПК в пределах федеральных округов будет способствовать развитию межрегиональных связей и оздоровлению наиболее депрессивных агропромышленных регионов, не имеющих собственного потенциала для выхода из кризисной ситуации.
Для выявления основных тенденций развития сельскохозяйственного комплекса регионов РФ за период 2000-2011 гг. использовался кластерный анализ с предварительной обработкой исходных данных по так называемому космологическому алгоритму.
Суть предобработки заключается в том, что совокупность изучаемых объектов рассматривается как некая «звездная система», существующая в пространстве признаков. Эта система ведет себя аналогично звездам во вселенной, которые вследствие гравитации притягиваются друг к другу, образуя сгустки (кластеры), и в то же время вследствие расширения «вселенной» получающие кластеры отодвигаются друг от друга. Такая предобработка позволяет более четко и более определенно произвести уже стандартную кластеризацию.
Описанный процесс предобработки производился в Excel с помощью специально написанных макросов, реализующих описанный алгоритм. Исходными данными явились показатели за разные годы, полученные с сайта федеральной службы государственной статистики.
В качестве основных параметров, по мнению авторов, характеризующих сельскохозяйственный комплекс, изначально были взяты следующие среднедушевые показатели: производство мяса скота и птицы, кг - x1; производство молока, кг - x2; производство яиц, шт. - x3; производство картофеля, кг - x4; производство зерна, кг - x5; производство овощей, кг - x6.
* Исследование выполнено при финансовой поддержке РГНФ (проект № 110200015 а).
Методика проведения анализа. Выбранные для анализа шесть показателей предполагают, что в идеале должна быть проведена шестимерная кластеризация. При этом априорно предполагается, что могут быть выделены следующие типы регионов (кластеры): с высоким уровнем производства х-ь с высоким уровнем производства х2; с высоким уровнем производства х3; с высоким уровнем производства х4; с высоким уровнем производства х5; с высоким уровнем производства х6; с высоким уровнем производства хй и х2; с высоким уровнем производства хй и х3 и т.д.
Очевидно, что при таком подходе количество комбинаций показателей и, соответственно, возможное количество кластеров очень велико. Кроме того, первичное обсуждение результатов показывает, что результаты кластеризации высокой размерности трудно интерпретировать и осознать даже признанным специалистам по сельскому хозяйству. Поэтому было предложено понизить размерность кластеризации исходя из специфики данной отрасли. Такой спецификой в первую очередь являются производства, связанные с конкретной материальной базой.
Например:
- производство мяса и молока связано с разведением крупного рогатого скота;
- производство мяса и яиц связано с разведением птицы;
- производство зерна, картофеля и овощей связано с наличием пригодных для выращивания земель и соответствующих климатических условий.
Отметим, также следующий момент. Официально предоставляемые данные по производству носят обобщенный характер; нет раздельных данных по производству мяса птицы, мяса говядины, мяса свинины и т.д. По этой причине нужные показатели можно определять лишь косвенно.
Можно предполагать, что:
- высокому уровню производства яиц соответствует высокий уровень производства мяса птицы;
- высокому уровню производства молока соответствует высокий уровень производства мяса говядины и т.д.
На основании аналитических соображений была принята следующая схема анализа:
1. Произвести трехмерную кластеризацию по показателям хй, х2, х3 для получения обобщенных сведений о состоянии дел в животноводстве.
Представляется, что это даст возможность хотя бы примерно выделить: регионы с высоким уровнем производства мяса говядины (ориентируясь на производство молока); регионы с высоким уровнем производства мяса птицы (ориентируясь на производство яиц); регионы с высоким уровнем производства прочего мяса (при условии низких уровней производства и молока и яиц).
2. Произвести трехмерную кластеризацию по показателям х4, х5, х6 для получения обобщенных сведений о состоянии дел в области растениеводства.
Представляется, что это даст возможность хотя бы примерно выделить: регионы с высоким уровнем производства зерна; регионы с высоким уровнем производства картофеля; регионы с высоким уровнем производства овощей. Данные по зерну и овощам также носят обобщенный характер, поскольку нет раздельных данных по производству пшеницы, ржи, гречки, помидор, огурцов и т.д.
Кластерный анализ является плохо формализуемым методом. В отличие от других методов анализа в нем нет четких стандартных процедур, позволяющих однозначно произвести кластеризацию. Поэтому при проведении кластеризации решения о разделении на кластеры осуществляются исследователем достаточно произвольно (субъективно), и потому могут быть легко оспорены. Само разделение часто производится исходя из целей, поставленных исследователем. Поэтому на основании одних и тех же данных разные исследователи могут сде-
лать разные выводы. Тем не менее явным преимуществом метода является возможность получения абстрактной модели реального социально-экономического объекта, которой можно оперировать по формальным правилам, а полученные результаты интерпретировать в исходных содержательных терминах. Возможно, эти модели можно расценивать как несовершенные, порождающие больше вопросов и критических замечаний, чем ответов и рекомендаций, но последовательное получение все более адекватных моделей представляет, по нашему мнению, самостоятельный интерес, улучшает понимание проблемы и дает надежду на получение достаточно хорошего приближения к реальности.
Произвольность разделения можно проиллюстрировать следующим образом. На рисунке приведены некоторые модельные данные, по которым необходимо произвести разделение на кластеры.
Разделение можно произвести: на два кластера (1 и 2); кластер 2 можно также разделить на два (2а, 2Ь); кластер 2а, в свою очередь, можно еще раз разделить на два и т.д.
В данном исследовании основным критерием разделения являлось количество получаемых кластеров. Принято, что их оптимальное количество должно быть не более 6-8.
Технически в программе необходимая степень деления осуществляется с помощью величины межкластерного расстояния. В данной работе под межкластерным расстоянием понимается расстояние между ближайшими точками из соседних кластеров.
Например, на рисунке расстояние между кластерами 2а и 2Ь есть длина отрезка прямой.
Для характеристики кластеров существует несколько основных показателей.
В данной работе использовались два:
- координаты центра кластера. Рассчитываются как средние значения координат всех объектов, входящих в данный кластер;
- набор расстояний каждого объекта до центра кластера. Этот показатель позволяет оценить разреженность кластера. Основным требованием к полученной совокупности расстояний является их однородность. Если какое-то расстояние сильно отличается от остальных в большую сторону, то этот объект считается подозрительным.
Основные результаты кластеризации по производству мяса - молока -яиц представлены в табл. 1-3.
Очевидно, что в 2000 г. выделено 10 кластеров (минимальное межкластерное расстояние - 10); в 2005 г. выделено 9 кластеров (минимальное межкластерное расстояние - 15); в 2011 г. выделено 7 кластеров (минимальное межкластерное расстояние - 15). Все таблицы отсортированы по убыванию
2500 -| Х2
2
0 1000 2000 3000 4000 5000
Разделение модельных данных на кластеры
первого показателя. Отметим, что для каждого года программа выдает свою нумерацию кластеров. Поэтому необходимо ориентироваться не на номер кластера, а на входящие в его состав объекты.
Таблица 1 Координаты центров кластеров, полученные по данным за 2000 г.
Таблица 2 Координаты центров кластеров, полученные по данным за 2005 г.
Таблица 3 Координаты центров кластеров, полученные по данным за 2011 г.
№ кластеров Скот и птица Молоко Яйца, шт.
* Х2 Х3
7 50,7 365,1 294,9
6 40,7 322,1 361,2
5 33,3 297,3 212,5
1 30,1 203,9 204,8
4 26,3 163,7 301,7
2 25,7 241,7 304
3 23,8 160,4 116,4
8 18,3 148,3 132,7
10 8 53 120,3
9 7,5 77 79,25
№ кластеров Скот и птица Молоко Яйца, шт.
Х1 Х2 Х3
1 55,2 350,6 342,1
6 39,7 202,3 56
2 36 214,6 328,3
3 29 166 282,8
7 29 194 344,8
5 27 140,5 101,5
4 16,8 107,3 169,4
9 10,3 47,7 156
8 9,25 114,3 74,3
№ кластеров Скот и птица Молоко Яйца, шт.
Х1 Х2 Х3
2 82,7 349,9 401
1 69 550,8 307
3 57,3 235,5 197
4 38,3 176,3 299
5 33,5 220,7 59
7 33,5 212,5 826
6 19,4 99,33 122
В первой строчке всех табл. 1-3 находится кластер с очень высоким уровнем производства всех трех продуктов. Для примера пообъектный состав основного кластера с высокими показателями производства этих продуктов по годам приведен в табл. 4.
Таблица 4
Состав регионов-объектов РФ основного кластера с высокими показателями животноводства за период 2000-2011 гг.
2000 г. 2005 г. 2011 г.
Алтайский край Алтайский край Алтайский край
Белгородская область Белгородская область Белгородская область
Брянская область Брянская область Брянская область
Вологодская область Вологодская область Вологодская область
Воронежская область Воронежская область Воронежская область
Кировская область Кировская область Кировская область
Курганская область Курганская область Курганская область
Курская область Курская область Курская область
Липецкая область Липецкая область Липецкая область
Новосибирская область Новосибирская область Новосибирская область
Омская область Омская область Омская область
Орловская область Орловская область Орловская область
Республика Башкортостан Республика Башкортостан Республика Марий Эл
Республика Марий Эл Республика Марий Эл Республика Мордовия
Республика Мордовия Республика Мордовия Республика Хакасия
Республика Татарстан Республика Татарстан Ростовская область
Рязанская область Рязанская область Рязанская область
Саратовская область Саратовская область Саратовская область
Удмуртская Республика Псковская область Псковская область
Чувашская Республика Чувашская Республика Чувашская Республика
Республика Алтай Республика Алтай Республика Алтай
Республика Калмыкия Республика Калмыкия Республика Калмыкия
Смоленская область Смоленская область Смоленская область
Удмуртская Республика Удмуртская Республика Удмуртская Республика
Кабардино-Балкарская Республика Кабардино-Балкарская Республика Кабардино- Балкарская Республика
Окончание табл. 4
2000 г. 2005 г. 2011 г.
Краснодарский край Краснодарский край Краснодарский край
Пензенская область Пензенская область Пензенская область
Ленинградская область Ленинградская область Ленинградская область
Оренбургская область Оренбургская область Оренбургская область
Республика Хакасия Республика Хакасия Республика Хакасия
Карачаево-Черкесская Республика Карачаево-Черкесская Республика Карачаево-Черкесская Республика
Тамбовская область Тамбовская область Тамбовская область
Примечание. Жирным шрифтом выделены объекты, которые присутствуют в этом кластере. Серым шрифтом выделены объекты, которые в анализируемом периоде не попали в данный кластер, но находятся в соседнем, близком по свойствам кластере.
Из данных табл. 4 следует, что состав производящих кластеров за рассмотренный период времени практически не меняется. Наблюдаются лишь небольшие колебания в их составе, связанные с переходом части объектов из одного производящего кластера в другой.
Более интересны данные о динамике состава кластера с низкими показателями производства всех трех продуктов (последний кластер в табл. 1-3). Состав этого кластера по годам приведен в табл. 5.
Таблица 5
Состав регионов-объектов РФ кластера с низкими показателями производства сельскохозяйственной продукции за период 2000-2011 гг.
2000 г. 2005 г. 2011 г.
Республика Ингушетия Республика Ингушетия Республика Ингушетия
Республика Карелия Республика Карелия Республика Карелия
Архангельская область Архангельская область Архангельская область
Еврейская автономная область Еврейская автономная область
Калининградская область
Московская область
Астраханская область
Самарская область
Камчатский край
Приморский край
Хабаровский край
Как следует из табл. 5, в состав этого непроизводящего кластера попали регионы, которые раньше имели неплохой уровень производства сельскохозяйственной продукции. Это, прежде всего, Московская, Калининградская и Самарская области.
Практически те же результаты получены и для растениеводства.
Таким образом, за анализируемый период состав основных производящих кластеров (и по животноводству, и по птицеводству, и по растениеводству) практически не меняется. Наблюдаются лишь небольшие флуктуации их состава, когда часть объектов переходит в соседний, близкий по свойствам, кластер. Таким образом, структура сельскохозяйственного комплекса стабилизировалась, по крайней мере, уже к 2000 г. и до 2011 г. практически не менялась. Из состава производящих кластеров вышел ряд регионов. Причины перехода в разряд непроизводящих регионов, например, Калининградской области, Приморского края и Чукотки связаны с резким ростом импорта в эти регионы, Московская область стала административным центром РФ, находится в стадии организационного реинжиниринга, и сельскохозяйственное производство не рассматривается в регионе как приоритетное направление.
Интересны результаты кластеризации регионов-объектов Приволжского федерального округа (далее - ПФО) по высоким показателям в области производства мяса скота и птицы, молока и яиц (табл. 6). К 2011 г. колебания в составе регионов-объектов ПФО основного кластера, связанные с переходом части объектов из одного производящего кластера в другой, завершены. Удмуртия и Оренбургская область прочно закрепились в группе лидеров, Республики Татарстан и Башкортостан покинули эту группу.
Таблица 6
Состав регионов-объектов ПФО основного кластера с высокими показателями животноводства за период 2000-2011 гг.
2000 г. 2005 г. 2011 г.
Кировская область Кировская область Кировская область
Республика Башкортостан Республика Башкортостан Республика Марий Эл
Республика Марий Эл Республика Марий Эл Республика Мордовия
Республика Мордовия Республика Мордовия Саратовская область
Республика Татарстан Республика Татарстан Чувашская Республика
Саратовская область Саратовская область Удмуртская Республика
Удмуртская Республика Чувашская Республика Пензенская область
Чувашская Республика Удмуртская Республика Оренбургская область
Удмуртская Республика Пензенская область
Оренбургская область Оренбургская область
Примечание. Жирным шрифтом выделены объекты, которые присутствуют в этом кластере. Серым шрифтом выделены объекты, которые в анализируемом периоде не попали в данный кластер, но находятся в соседнем, близком по свойствам кластере.
Таким образом, для 8 регионов ПФО (57,1%) может отрабатываться единая стратегия развития в данном направлении деятельности. Практически те же результаты получены и для растениеводства.
Таким образом, очевидно, что за анализируемый период времени: структура сельскохозяйственного комплекса на региональном уровне стабилизировалась, по крайней мере, уже к 2005 г.; в нашем случае, значимость применения метода многомерного анализа в большей степени проявляется при изучении причин перехода регионов в разряд непроизводящих, поскольку они у каждого из объектов различны. Особое отношение к отраслевой структуре складывается в ресурсодефицитных региональных социально-экономических системах.
Литература
1. Зиновьев А.Ю. Визуализация многомерных данных [Электронный ресурс]. 11Р1_: http://www.ihes.fr/~zinovyev/papers/ZinovyevBook.pdf.
2. Косарев Е.Л. Методы обработки экспериментальных данных. М.: Физматлит, 2008. 208 с.
3. Росстат: официальный сайт. 11Р1_: http://www.gks.ru.
ВАНЮЛИН АЛЕКСАНДР НИКОЛАЕВИЧ. См. с. 326.
КАЛИНИНА ГАЛИНА ВИКТОРОВНА - доктор философских наук, кандидат экономических наук, заведующая кафедрой торгового дела и товарного менеджмента, Чебоксарский кооперативный институт, Россия, Чебоксары (galin-kalinina@yandex.ru).
KALININA GALINA VIKTOROVNA - doctor of philosophical sciences, candidate of economics sciences, head of Business and Commodity Management Chair, Cheboksary Cooperative Institute, Russia, Cheboksary.
ЕГОРОВА ГАЛИНА НИКОЛАЕВНА - соискатель ученой степени кандидата экономических наук, Чебоксарский кооперативный институт, Россия, Чебоксары (Egorovagn@yandex.ru).
EGOROVА GALINA NIKOLAEVNA - a competitor of scientific degree of Economics Sciences candidate, Cheboksary Cooperative Institute, Russia, Cheboksary.
