Применение многопараметрических методов Data Science для классификации субъектов Российской Федерации по признаку дотационности

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.

1. Алимурадов М.К., Мидов А.З., Одинцов С.В. Стратегический анализ бюджетной обеспеченности высокодотационных регионов. Экономическое возрождение Россия. 2021;2(68):113–129. http://dx.doi.org/10.37930/1990-97802021-2-68-113-129

2. Березняцкий А.Н. Моделирование макроэкономической динамики дотационного региона в России. В кн.: Применение многомерного статистического анализа в экономике и оценке качества: материалы ХII Международной научнопрактической конференции имени С.А. Айвазяна, Москва, 21–23 cентября 2022 г. М.: Высшaя школа экономики; 2022. С. 42–45.

3. Борисова Л.Р., Кузнецова А.В. Использование работающего компьютерного тренажера Data Master Azforus для обучения методам машинного обучения. В кн.: Цифровая трансформация социальных и экономических систем: материалы международной научно-практической конференции, Москва, 28 января 2022 г. М.: Московский университет имени С.Ю. Витте; 2022. С. 264–270.

4. Кирилюк И.Л., Кузнецова А.В., Сенько О.В. Исследование взаимосвязи производственных функций и социальноэкономических показателей российских регионов методом оптимальных разбиений. Информационные технологии и вычислительные системы. 2021;1:20–31. https://doi.org/10.14357/20718632210103

5. Косинский П.Д., Зубова А.В., Юрзина Т.А. Методические подходы к оценке самодостаточности бюджета муниципальных образований. Региональная экономика и управление. 2022;3(71).

6. Лукьянова М.Н. Ранжирование причин дотационности муниципальных образований России с применением мозгового штурма и экспертных оценок. Международный журнал прикладных и фундаментальных исследований. 2015;10–2:329–331.

7. Симонов А.Б., Баранов С.А., Сазонов С.П. Изучение факторов, влияющих на уровень бюджетной обеспеченности регионов, на основании математических методов. Экономика и социум. 2016;6(25):626–633.

8. Таштамиров М.Р., Байсаева М.У., Баташев Р.В. Систематизация факторов и условий высокой дотационности региональных бюджетов. Фундаментальные исследования. 2020;11:185–192. https://doi.org/10.17513/fr.42896

9. Шилов М.А., Гусев А.Б. Технологическая модернизация экономики регионов как фактор сбалансированного развития территории России. Управление наукой и наукометрия. 2009;8:143–157.

10. Энеева М.Н., Ульбашева А.Р., Уянаева Х.Б. Факторы и причины дотационности региональных экономик СКФО. Terra Economicus. 2010;4–3(8):173–176.