Кузнецова Анна Викторовна, Канд. биол. наук, ст. науч. сотр. лаборатории математической биофизики
119334, Косыгина ул., 4, г. Москва
Anna V. Kuznetsova, Cand. Sci. (Biol.), Senior Researcher at the Laboratory of Mathematical Biophysics
4, Kosygina ul., Moscow 119334
Борисова Людмила Робертовна, Канд. физ.-мат. наук, доц. каф. математики
125993, Ленинградский пр-кт, 49, г. Москва
Lyudmila R. Borisova, Cand. Sci. (Phys. and Math.), Assoc. Prof. at the Mathematics Department
49, Leningradsky prospekt, Moscow 125993
Хадарцев Валерий Мисостович, Канд. экон. наук, директор
123090, Троицкая ул., 17, стр. 1., г. Москва
Valeriy M. Khadartsev, Cand. Sci. (Econ.), Director
17, str. 1, Troitskaya ul., Moscow 123090
Актуальность исследования обоснована важностью мониторинга и прогнозирования дотационности регионов Российской Федерации (далее – РФ, Россия) с целью выявления основных критериев для классификации субъектов по признаку дотационности. В кратком обзоре литературы рассмотрены математические модели, используемые для моделирования дотационности регионов России. В них в основном фиксировались социально-экономические показатели, которые необходимо учитывать при применении, а также использовались регрессионные модели, но не были представлены математически обоснованные рекомендации для вывода регионов из кластеров дотационности. В работе проведен анализ социально-экономических и демографических показателей регионов РФ с помощью методов, выявляющих закономерности в многопараметрическом датасете. Использованы методы традиционного статистического анализа и машинного обучения, в том числе авторские. Определены статистически значимые закономерности, отражающие связь дотационности с такими показателями, как инвестиции в основной капитал, основные фонды, среднедушевые доходы и средний размер назначенных пенсий, уровень безработицы и др. Выполненный логико-статистический анализ убедительно свидетельствует в пользу применения методов машинного обучения (англ. data science) при выявлении статистически значимых связей между различными показателями, характеризующими развитие регионов РФ.
The relevance of the study is justified by the importance of monitoring and forecasting the subsidisation of the Russian regions in order to identify the main criteria for classifying subjects on the basis of subsidisation. In a brief review of the literature, mathematical models used to model the subsidisation of the Russian regions are considered. They have mainly fixed socio-economic indicators that need to be given attention while applying, and also regression models are used, but mathematically sound recommendations for the withdrawal of regions from clusters of subsidisation are not provided. The paper analyses the socio-economic and demographic indicators of the Russian regions applying methods that identify patterns in a multiparametric dataset. The methods of traditional statistical analysis and machine learning, including the author’s ones, are used. Statistically significant patterns have been identified, reflecting the relationship of subsidisation with such indicators as investments in fixed capital, fixed assets, average per capita income and average size of assigned pensions, unemployment rate, etc. The performed logical and statistical analysis strongly supports the use of machine learning (Data Science) methods in identifying statistically significant relationships between various indicators characterising the development of the regions of the Russian Federation.
The authors declare that there are no conflicts of interest present.