Анализ основных социально-экономических показателей районов ставропольского края за 2011-2015 годы средствами систем бизнес-аналитики

18

Размещено на http://www.allbest.ru/

Ставропольский государственный аграрный университет, Ставрополь, Россия

08.00.00 Экономические науки

Анализ основных социально-экономических показателей районов ставропольского края за 2011-2015 годы средствами систем бизнес-аналитики

Мамаев Иван Иванович

доцент

SPIN-код: 1029-3563, AuthorID: 621511

Сахнюк Татьяна Ивановна

к.э.н., доцент

SPIN-код: 5339-2920, AuthorID: 619068

Сахнюк Павел Анатольевич

к.т.н., доцент

SPIN-код: 7192-6869, AuthorID: 124383

Разработаны интерактивные информационные панели мониторинга основных социально-экономических показателей городских округов и муниципальных районов Ставропольского край за 2011-2015 годы средствами платформ бизнес аналитики Tableau Public и Power BI для совместного свободного использования. Проведен кластерный анализ административных районов Ставропольского края по наиболее важным социально-экономическим показателям за 2015 год с целью выявления проблемных районов и принятия управленческих решений по их развитию

Ключевые слова: СИСТЕМЫ БИЗНЕС-АНАЛИТИКИ, КЛАСТЕРИЗАЦИЯ, СОЦИАЛЬНО-ЭКОНОМИЧЕСКИЕ ПОКАЗАТЕЛИ

UDC 005:332.1:631.145

Economics

ANALYSIS OF THE MAIN SOCIO-ECONOMIC INDEXES OF DISTRICTS IN THE STAVROPOL REGION IN 2011-2015 BY MEANS OF BUSINESS ANALYTICS PLATFORMS

Mamaev Ivan Ivanovih

associate professor

SPIN-code: 1029-3563, AuthorID: 621511

Sakhnyuk Tatiana Ivanovna

candidate of economic sciences, associate professor

SPIN-code: 5339-2920, AuthorID: 619068

Sakhnyuk Pavel Anatolevih

candidate of technical sciences, associate professor

SPIN-code: 7192-6869, AuthorID: 124383

Stavropol State Agrarian University Stavropol, Russia

We have developed dashboards of monitoring of the main socio-economic indexes of city districts and municipal districts of the Stavropol region in 2011-2015 by means of platforms of business analytics of Tableau Public and Power BI for joint free use. The article presents a cluster analysis of administrative areas of the Stavropol region with the most important socio-economic indexes in 2015 for the purpose of identification of problem areas and acceptance of management decisions for their development

Keywords: SYSTEMS OF BUSINESS ANALYTICS, CLUSTERIZATION, SOCIAL AND ECONOMIC INDICATORS

Платформы бизнес-аналитики помогают более точно оценить финансовое состояние и инвестиции, объемы собственного производства в разрезе отдельных видов экономической деятельности: добыча полезных ископаемых, обрабатывающие производства, производство и распределение электроэнергии, газа и воды [1]. Разработаны панели мониторинга, чтобы обеспечить консолидированное представление ключевых показателей, характеризующих социально-экономическое положение городских округов и муниципальных районов Ставропольского края (СК) в период с 2011по 2015 годы: пять в Tableau Public и 3 в Power BI (https://public.tableau.com/views/2010-2015_3/sheet0?:embed=y&:display_count=yes, https://app.powerbi.com/view?r=eyJrIjoiNjQxZmNjOGItMjQyNy00ZTA0LWE4ZDctMjRkYTQ4NWYwZWZjIiwidCI6IjI1NDJlNzhkLWViZDEtNDE2Mi1iYWQ4LThmYzQwMTJiMWQ0NiIsImMiOjl9)

Информационные панели (dashboards) позволяют представлять данные в наглядном, интуитивно понятном виде, при помощи различных шкал, показателей, индикаторов и отражают также демографические процессы, проблемы занятости и безработицы, среднюю заработную плату.

Рисунок 1 - Dashboard в Tableau Public, характеризующая социально-экономическое положение городских округов и муниципальных районов Ставропольского края в период с 2011по 2015 годы

Tableau помогает людям видеть и понимать данные, позволяя создавать блестящую отчетность за минуты и отразить данные эффективно и красиво, без какого бы то ни было программирования. Используя возможности Tableau можно привязать те или иные данные к карте местности, сделать области диаграмм кликабельными, чтобы лица принимающие решения могли бы глубже изучить интересующие данные.

Для удобства анализа на всех информационных панелях используются фильтры выбора из 36 муниципалитетов, объединенных в фильтр выбора группы районов (административные центры, восточные районы, КМВ, промышленные центры, сельские территории, соседние со столицами), фильтр финансового результата (выше среднего - синий цвет, ниже среднего - оранжевый, отрицательный - красный цвет) и фильтр выбора года.

Так в 2015 году сальдированный финансовый результат (прибыль минус убыток) деятельности организаций сложился положительным и составил 47,9 млрд. рублей; инвестиции в основной капитал - 80,256 млрд. рублей; объем отгруженных товаров собственного производства - 281,55 млрд. рублей; численность занятых в организациях - 473617 человек; средний уровень безработицы - 1,4%. На карте по регионам края одновременно представлен финансовый результат, закодированный цветом (минимум -12,680 млрд. рублей в г. Пятигорск - красный цвет, максимум 15,247 млрд. рублей в г. Невинномысске - синий цвет), а объем собственного производства - площадью круга, детализированный по видам экономической деятельности (обрабатывающие производства, производство и распределение электроэнергии, газа и воды, добыча полезных ископаемых). На информационной панели представлена столбчатая диаграмма величины инвестиций, сальдированного финансового результата и средней заработной платы в регионах, которая совместно с картой и ключевыми показателями дает возможность целостно взглянуть на социально-экономическое положение регионов края, определить тенденции и выявить диспропорции развития. Так, например, величина средней заработной платы не зависит от сальдированного финансового результата и инвестиций в основной капитал, особенно наглядно это наблюдается в г. Пятигорске - абсолютным аутсайдером по финансовым результатам за каждый год, при этом он всегда в тройке лидеров по средней заработной плате и в пятерке лидеров по величине инвестиций. Это отчетливо прослеживается на dashboard в Power BI (рис. 2).

Рисунок 2 - Dashboard в Power BI: ключевые показатели, характеризующих социально-экономическое положение регионов Ставропольского края в период с 2011по 2015 годы и график “водопад” - финансовый результат по муниципалитетам (представлены результаты в группе районов городов Кавказских Минеральных Вод и административных центров СК: Ставрополя и Пятигорска)

Существует положительная корреляция между оборотом розничной торговли и объемом собственного производства (рис. 3) [2].

Рисунок 3 - Dashboard в Tableau Public: промышленное производство и розничная торговля

Однако эта зависимость нарушена для ряда городов: в г. Невинномысске - при самом большом увеличении объема собственного производства по сравнению с 2014 годом (с 71,47 до 93,69 млн. руб.), оборот розничной торговли значительно (с 13,54 до 3,65 млн. руб.) сократился и в г. Пятигорске - при незначительном увеличении объема собственного производства (с 19,8 до 20,1 млн. руб.), оборот розничной торговли значительно (с 96,9 до 13,6 млн. руб.) сократился, что говорит о отрицательной корреляции; для городов Буденновска, Лермонтова и Изобильненского района корреляция не наблюдается. Для вышеуказанных муниципалитетов требуются дальнейшие исследования. Без вышеуказанных регионов взаимосвязь между оборотом розничной торговли и объемом собственного производства прослеживается более четко (рис. 4):

Рисунок 4 - Диаграмма рассеяния (точечная диаграмма): взаимосвязь оборота розничной торговли и собственного производства по регионам СК в динамике с 2011 по 2015 годы

Дополнительную информацию можно получить, исследовав информационную панель - рисунок 5.

Рисунок 5 - Dashboard в Power BI: ключевые показатели, характеризующих социально-экономическое положение регионов СК в период с 2011по 2015 годы и визуализации, отражающие объемы отгруженных товаров собственного производства

На третьей информационной панели в Tableau Public представлены (рисунок 6): карта, отражающая величину инвестиций на одного работающего; точечная диаграмма, отражающая взаимосвязь между величиной инвестиций и вводом в действие общей площади жилых домов; линейная диаграмма объемов инвестиций и столбчатые диаграммы ввода жилья и динамики разницы с предыдущим годом с 2011 по 2015 годы.

Рисунок 6 - Dashboard в Tableau Public: инвестиции и ввод жилья

Рисунок 7 - Dashboard в Tableau Public: инвестиции и ввод жилья

На четвертой информационной панели представлены (рисунок 7): карта, отражающая величину инвестиций на одного работающего; точечная диаграмма, отражающая взаимосвязь между величиной инвестиций и вводом в действие общей площади жилых домов; линейная диаграмма объемов инвестиций и столбчатые диаграммы ввода жилья и динамики разницы с предыдущим годом с 2011 по 2015 годы.

Пятая Dashboard разработанная в Tableau Public (рис. 8) посвящена исследованию взаимосвязи между численностью, плотностью населения, численностью занятых в организациях, уровнем безработицы и оттоком населения в регионах Ставропольского края в динамике с 2011по 2015 годы.

Рисунок 8 - Dashboard в Tableau Public: инвестиции и ввод жилья

Дополняет исследование информационная панель, представленная на рисунке 9.

Для проверки гипотезы о группировке районов СК проведем их кластеризацию по основным социально-экономических показателям и интерпретацию полученных кластеров. В качестве инструмента кластерного анализа будем использовать нейронную сеть Кохонена, реализуемой в аналитической платформе Deductor Sudio, достоинством которой по сравнению с другими алгоритмами является возможность визуального анализа многомерных данных: схожие объекты попадают в соседние ячейки карты (рис. 10).

Рисунок 9 - Dashboard в Power BI: визуализации, отражающие отношения между численностью, плотностью населения, численностью занятых в организациях, уровнем безработицы и оттоком населения в регионах СК в динамике с 2011по 2015 годы

Рисунок 10 - Карты Кохонена показателей социально-экономического положения районов (точной во 2 кластере показаны значения для г. Ставрополя)

Проверку результатов кластеризации методом карт Кохонена в Deductor Sudio осуществим в KNIME Analytics Platform (рис. 11), в которой легко выполнить нечеткую c-means (FCM) кластеризацию, особенностью которой является отнесение каждой точки данных к кластеру с функцией принадлежности, изменяемой в диапазоне от 0 до 1 включительно. Кластеры представляются нечеткими множествами, и, кроме того, границы между кластерами также являются нечеткими. Степень принадлежности определяется расстоянием от объекта до соответствующих кластерных центров.

Рисунок 11 - Сценарий FCM кластеризации регионов СК в KNIME Analytics Platform

Рисунок 12 - Результаты кластеризации регионов Ставропольского края методом карт Кохонена в Deductor Studio

Результаты нечеткой кластеризации представлены на рисунке 13. Сравнивая их с результатами кластеризации методом карт Кохонена (рис. 12), убеждаемся в их объективности. Отличие в результатах наблюдается только для Буденновска: алгоритм FCM, отнес в четвертый кластер к Изобильненскому району и Невинномысску с функцией принадлежности равной 0,31, а к кластеру 0 (также как методом карт Кохонена) с функцией принадлежности равной 0,28.

Рисунок 13 - Результаты FCM кластеризации регионов СК в KNIME Analytics Platform

Сравнивая полученные результаты кластеризации (5 кластеров) с начальными экспертными предположениями о распределении районов СК по 6 группам: административные центры, восточные районы, КМВ, промышленные центры, сельские территории, соседние со столицами, приходим к выводам о необходимости пересмотра состава групп районов СК. Ставрополь необходимо анализировать отдельно от других муниципалитетов края. Пятигорск относится более к группе КВМ (отрицательные показатели финансового результата), чем к административному центру (столица СКФО). Изобильненский район более относится к группе промышленные центры. Группу “соседние со столицами” (Шпаковский и Предгорный район) необходимо расформировать. Остальные регионы СК разделяются на 2 группы в зависимости от средней заработной платы и уровня безработицы (0 и 4 кластеры на рис. 14).

Рисунок 14 - Нормализованная столбчатая диаграмма кластеров по основным показателям социально-экономического положения регионов края

Дополнительную информацию о формировании кластеров можно извлечь, используя инструмент “дерево решений” в Deductor Studio.

Рисунок 15 - Дерево решений формирования кластеров

Рисунок 16 - Правила, сформированные алгоритмом С4.5 построения дерева решений

Рисунок 17 - Значимость атрибутов формирования кластеров

Полученная объективная информация может быть использована для выработки стратегии и принятия управленческих решений по развитию регионов Ставропольского края.

Литература

1. Беликова И.П. Контроллинг персонала - инновационная модель управления бизнесом // Сборник материалов Международной научно-практической конференции «Экономические, инновационные и информационные проблемы развития региона», Ставрополь, 2014. С.36-46.

2. Беликова И.П. Проблемы развития малого бизнеса в условиях инновационного роста //Наука и современность № 37-2, 2015. С.96-101.

References

1. Belikova I.P. Kontrolling personala - innovacionnaja model' upravlenija biznesom // Sbornik materialov Mezhdunarodnoj nauchno-prakticheskoj konferencii «Jekonomicheskie, innovacionnye i informacionnye problemy razvitija regiona», Stavropol', 2014. S.36-46.

2. Belikova I.P. Problemy razvitija malogo biznesa v uslovijah innovacionnogo rosta //Nauka i sovremennost' № 37-2, 2015. S.96-101.

Размещено на Allbest.ru