Использование методов многомерного статистического анализа для оценки социально-экономического развития городских округов Краснодарского края

Размещено на http://www.allbest.ru/

ФГБОУ ВО «Кубанский государственный университет»

ИСПОЛЬЗОВАНИЕ МЕТОДОВ МНОГОМЕРНОГО СТАТИСТИЧЕСКОГО АНАЛИЗА ДЛЯ ОЦЕНКИ СОЦИАЛЬНО-ЭКОНОМИЧЕСКОГО РАЗВИТИЯ ГОРОДСКИХ ОКРУГОВ КРАСНОДАРСКОГО КРАЯ

Коваленко Анна Владимировна

Гаврилов Александр Александрович

Теунаев Дагир Мазанович

Жигулина Татьяна Сергеевна



Аннотация

В работе рассмотрена рейтинговая оценка социально-экономического положения Краснодарского края, представленная такими агентствами, как «РАЭКС-Аналитика», «Эксперт РА» и «Национальное Рейтинговое Агентство». Изучены и проанализированы методологии, использующиеся данными агентствами. Также проведено сравнение данных методологий. В результате выявлен ряд их недостатков, в том числе отсутствие полной методологический модели в открытом доступе, некоторые агентства не предоставляют ссылки на использующие в анализе статистические данные. В статье с использованием среды STATISTICA проведён статистический анализ данных, отражающих уровень социально-экономического положения Краснодарского края. На основе работы [12] в статье создана дискриминантная модель оценки социально-экономического развития городских округов Краснодарского края с достоверностью 85%. В ходе исследования проведены анализы кластерный, дискриминантный, классификационный (деревья решений), коэффициентный (предложенный авторами) на основании данных сайта «Федеральная государственная статистика» за период с 2009 по 2018 по городским округам: Краснодар, Анапа, Армавир, Геленджик, Горячий Ключ, Новороссийск, Сочи. В ходе исследования такие анализы как кластерный и деревья классификации показали плохой результат, поскольку они не способны обнаружить латентные нелинейные связи между показателями исследования. С использованием построенной дискриминантной модели проведён анализ социально-экономического развития городских округов Краснодарского края за период 2009-2018 гг, который позволил выявить лидеров и аутсайдеров

Ключевые слова: РЕЙТИНГОВЫЕ АГЕНТСТВА, ИНВЕСТИЦИОННАЯ ПРИВЛЕКАТЕЛЬНОСТЬ, ОЦЕНКА, МЕТОДОЛОГИЯ, КРАСНОДАРСКИЙ КРАЙ, СТАТИСТИЧЕСКИЕ ДАННЫЕ, КОЭФФИЦИЕНТ, ДИСКРИМИНАНТНЫЙ АНАЛИЗ

Annotation

социальный экономический рейтинговый краснодарский

This article is devoted to rating assessment of the socio-economic situation of the Krasnodar region, presented by such agencies as "RAEKS-Analytics", "Expert RA" and "National Rating Agency". The methodologies used by these agencies were studied and analyzed. A comparison of these methodologies was also conducted. As a result, a number of their shortcomings were identified, including the lack of a complete methodological model in the public domain. Some agencies do not provide links to statistics that are used in the analysis. In the article using the STATISTICA environment, a statistical analysis of data reflecting the level of socio-economic situation of the Krasnodar region is carried out. Based on the work [12], the article created a discriminant model for assessing the socio-economic development of urban districts of the Krasnodar region with a confidence of 85%. The study conducted a cluster, discriminant, classification (decision trees), coefficient (proposed by the authors) based on the data of the Federal State Statistics website for the period from 2009 to 2018 in the city districts: Krasnodar, Anapa, Armavir, Gelendzhik, Goryachiy Klyuch, Novorossiysk Sochi. During the study, analyzes such as cluster and classification trees showed poor results, since they are not able to detect latent nonlinear relationships between the study indicators. Using the constructed discriminant model, we have carried out an analysis of the socio-economic development of urban districts of the Krasnodar region for the period 2009-2018, which allows us to identify the leaders and the outsiders

Keywords: RATING AGENCIES, INVESTMENT ATTRACTIVENESS, ASSESSMENT, METHODOLOGY, STATISTICAL DATA, KRASNODAR REGION, COEFFICIENT, DISCRIMINANT ANALYSIS



Введение

Важным условием стабильного развития региона является высокий уровень его инвестиционной привлекательности, который существенно влияет на темпы экономического роста региона, а, следовательно, и на благосостояние населения.

В настоящее время большое количество рейтинговых агентств занимаются оценкой инвестиционной привлекательности регионов нашей страны, среди них «Национальное Рейтинговое Агентство», «РАЭКС-аналитика», «Эксперт РА», «Fitch», «Standard&Poor's». Каждое их этих рейтинговых агентств имеет свою методологию оценивания инвестиционной привлекательности.

В данной статье рассмотрена оценка инвестиционной привлекательности Краснодарского края такими рейтинговыми агентствами, как «Национальное Рейтинговое Агентство», «РАЭКС-аналитика» и «Эксперт РА» и произведено сравнение результатов, полученных этими агентствами. На основе анализа методологии и методик, используемых рейтинговыми агентствами, разработана авторская модель оценки социально-экономического развития городских округов Краснодарского края.



1. Исследование существующих моделей инвестиционной привлекательности Краснодарского края

1.1 Оценка Инвестиционной привлекательности Краснодарского края рейтинговыми агентствами

1.1.1 Национальное Рейтинговое Агентство

Национальное Рейтинговое Агентство (НРА) существует с 2002 года. За это время агентством было составлено более 400 различных рейтингов [1]. НРА осуществляет исследовательскую аналитику по следующим темам: страны и регионы, банки, сельское хозяйство, транспорт, строительство, макроэкономика и розничная торговля [2].

Согласно аналитическим данным Национального Рейтингового Агентства, Краснодарский край в рейтинге инвестиционной привлекательности регионов России по итогам 2018 года занимает 13 место с уровнем рейтинга IC3 [3]. Категория IC3 означает, что данный субъект Российской Федерации имеет высокую инвестиционную привлекательность третьего уровня.



Рисунок 1 Рейтинг инвестиционной привлекательности субъектов Федерации (регионов) России в 2018 г. по данным Национального Рейтингового Агентства, http://www.ra-national.ru/ru/node/63076

1.2 «Инвестиционная привлекательность субъектов Федерации (регионов) России - 2018» агентства «РАЭКС-Аналитика»

Агентство «РАЭКС-Аналитика» создано в 2015 году, до этого оно входило в состав первого российского рейтингового агентства «Эксперт-РА». Ежегодно рейтинговым агентством «РАЭКС-Аналитика» составляется более 50 рейтингов и рэнкингов. Агентство имеет множество наград, которые подтверждают качество его работы [4].

Рассмотрим рейтинг, составленный агентством «РАЭКС-аналитика». Согласно данным этого агентства, оценка инвестиционной привлекательности Краснодарского края равняется 1А, что означает, что край имеет максимальный потенциал при минимальном риске [5]. На рисунке 2 Краснодарскому краю соответствует число 32.



Рисунок 2 Инвестиционный рейтинг субъектов Федерации (регионов) России в 2018 г. на основании оценки агентства «РАЭКС-аналитика», https://raex-a.ru/ratings/regions/2018/att1

Общее количество субъектов Федерации (регионов) России, имеющих оценку 1А, равняется четырем: Московская область, г. Москва, г. Санкт-Петербург и Краснодарский край. Данная оценка складывается из индекса потенциала и индекса инвестиционного риска.



Рисунок 3 Распределение субъектов Федерации (регионов) России по рейтингу инвестиционного климата в 2018 г. по данным агенства «РАЭКС-аналитик», https://raex-a.ru/ratings/regions/2018/att1

В рейтинге инвестиционного риска Краснодарский край занимает 2 место. Это означает, что инвестиционный риск Краснодарского края больше, чем инвестиционный риск Московской области, но меньше, чем риск всех остальных регионов России.

Рисунок 4 Инвестиционный риск субъектов Федерации (регионов) России в 2018 г. на основании оценки агентства «РАЭКС-аналитика», https://raex-a.ru/ratings/regions/2018/att1

В рейтинге инвестиционного потенциала Краснодарский край занимает 4 место, его доля в общероссийском потенциале равняется 2,918.

Рисунок 5 Инвестиционный потенциал субъектов Федерации (регионов) России в 2018 г. по данным агентства «РАЭКС-аналитика», https://raex-a.ru/ratings/regions/2018/att1

1.3 Рейтинговое агентство АО «Эксперт РА»

Агентство «Эксперт РА», созданное в конце прошлого века, в настоящее время является крупнейшим рейтинговым агентством России. Ежегодно агентство проводит более 50 публичных исследований по макроэкономике, страхованию, лизингу и другим отраслям экономики.

Данное агентство не рассматривало инвестиционную привлекательность Краснодарского края, но проводило не менее интересное исследование «Рейтинги кредитоспособности региона». Агентство составило оценку, как всего региона, так и Краснодара, в частности.

Согласно исследованию, Краснодарский край имеет рейтинг «ruAA-»: высокий уровень кредитоспособности/финансовой надежности/финансовой устойчивости. Более высокий рейтинг с оценкой ruAAA имеют только 3 оцененных данным агентством региона [6].



Рисунок 6 Рейтинги кредитоспособности Краснодарского края по данным агентства «Эксперт РА» https://www.raexpert.ru/database/regions/krasnodar

Краснодар в данном рейтинге имеет оценку «ruBBB+», что означает умеренный уровень кредитоспособности / финансовой надежности / финансовой устойчивости по сравнению с другими объектами рейтинга в Российской Федерации, при этом присутствует более высокая чувствительность к воздействию негативных изменений экономической конъюнктуры, чем у объектов рейтинга с более высокой оценкой [7].



Рисунок 7 Рейтинги кредитоспособности г. Краснодара по данным агентства «Эксперт РА», https://www.raexpert.ru/database/regions/krasnodar_t

Как видно из исследования в целом, город Краснодар имеет меньший показатель «Кредитоспособности», чем весь регион. Следовательно, имеются города в регионе, которые имеют больший показатель кредитоспособности чем город Краснодар.

1.4 Аналитика данных Сбербанка

Сбербанк является крупнейшим банком России, Центральной и Восточной Европы. Банк был основан еще в 19 веке. В настоящее время успешно функционирует на территории 83 субъектов РФ, имея более 270 тыс. сотрудников и 95 млн частных клиентов.

Получить информацию о регионах можно на сайте Сбербанка (https://www.sberbank.com/ru). В разделе аналитика данных имеются открытые данные со следующей информацией:

- выручка юридических лиц в разрезе отраслей и регионов;

- уровень доходов населения -- зарплаты, пенсии, стипендии, пособия;

- склонность к сбережениям и потреблению;

- уровень закредитованности в разных регионах;

- мобильность населения внутри страны и за рубежом;

- доля расходов на еду, ЖКХ, транспорт и другие статьи.

Выбрав период и регион для сравнения, можно получить интересующую вас информацию. Так, на рисунке 8 изображен график с информацией о средней сумме заявки на потребительский кредит в период с 15.01.2013 до 01.02.2019 [8].

Рисунок 8 Средняя сумма заявки на потребительский кредит по данным Сбербанка https://www.sberbank.com/ru/analytics/opendata на период с 15.01.2013 до 01.02.2019

При этом бесплатно получить какой-либо кастомизированный отчет не представляется возможным, в случае необходимости Сбербанк предлагает провести платный анализ интересующих вас критериев.



1.4 Сравнение методологий оценки инвестиционной привлекательности субъектов РФ (регионов) различных рейтинговых агентств

При составлении методологий оценки инвестиционной привлекательности субъектов РФ рассмотренные в статье рейтинговые агентства используют некоторые статистические данные, которые берутся из различных источников, например: Росстат, Банк России, Минфин, Минприроды и т.д.

Общая оценка инвестиционной привлекательности агентства «РАЭКС-Аналитика» складывается из оценки по двум параметрам: инвестиционному потенциалу и инвестиционному риску. Потенциал показывает, какую долю регион занимает на общероссийском рынке, риск - какими могут быть для инвестора масштабы тех или иных проблем в регионе.

Суммарный потенциал состоит из 9 частных: трудового, финансового, производственного, потребительского, институционального, инфраструктурного, природно-ресурсного, туристического и инновационного.

Инвестиционный риск состоит из 6 частных рисков: финансового, социального, управленческого, экономического, экологического и криминального. Вклад каждого частного риска в итоговый индикатор оценивают на основе анкетирования представителей экспертного, инвестиционного и банковского сообществ [9].

Сам процесс оценки происходит в четыре этапа.

На первом этапе оценки инвестиционной привлекательности рассчитываются доли каждого региона в России по 9 частным видам инвестиционного потенциала и индексы 6 частных видов инвестиционных рисков.

На втором этапе рассчитываются суммарный инвестиционный потенциал и интегральный инвестиционный риск.

На третьем этапе все регионы ранжируются по величине совокупного инвестиционного потенциала или интегрального инвестиционного риска. Место региона - место в ранжированном ряду регионов (рэнкинге) по определенному параметру или их совокупности.

На четвертом этапе сравнительной оценки инвестиционной привлекательности каждому региону присваивается рейтинг инвестиционной привлекательности - индекс, определяющий соотношение между уровнем интегрального инвестиционного риска и величиной совокупного инвестиционного потенциала региона. По соотношению величины совокупного потенциала и интегрального риска каждый регион России относится к одной из следующих рейтинговых категорий:

- высокий потенциал - минимальный риск (1A);

- высокий потенциал - умеренный риск (1B);

- высокий потенциал - высокий риск (1C);

- средний потенциал - минимальный риск (2A);

- средний потенциал - умеренный риск (2B);

- средний потенциал - высокий риск (2C);

- пониженный потенциал - минимальный риск (3A1);

- незначительный потенциал - минимальный риск (3A2);

- пониженный потенциал - умеренный риск (3B1);

- пониженный потенциал - высокий риск (3C1);

- незначительный потенциал - умеренный риск (3B2);

- незначительный потенциал - высокий риск (3C2);

- низкий потенциал - экстремальный риск (3D).

В отличие от агентства «РАЭКС-Аналитика» «Национальное Рейтинговое Агентство» в своей методике использует 7 групп показателей: географическое положение и природные ресурсы; трудовые ресурсы региона; региональная инфраструктура; внутренний рынок региона (потенциал регионального спроса); производственный потенциал региональной экономики; институциональная среда и социально-политическая стабильность; финансовая устойчивость регионального бюджета и предприятий региона. Всего используется набор из 55 показателей.

У агентства «Эксперт РА» рейтинг региона строится на основе анализа блоков факторов: самостоятельной кредитоспособности региона с учетом подверженности внутренним стресс-факторам и значимости внешних факторов поддержки и стресс-факторов. Изначально определяется рейтинг самостоятельной кредитоспособности региона, далее производится корректировка на внешние факторы поддержки и стресс-факторы для определения итогового рейтингового числа.

После оценки блоков факторов, отнесенных к внутренней кредитоспособности, агентство производит оценку внутренних стресс-факторов, в соответствии с которой корректирует ранее полученное рейтинговое число и получает рейтинговое число для рейтинга самостоятельной кредитоспособности.

По мнению кредитного рейтингового агентства, как правило, чем выше рейтинговое число, тем выше рейтинговая оценка и ниже риск невыполнения объектом рейтинга обязательств. Вместе с тем итоговое предложение по кредитному рейтингу должно учитывать то, что в отдельных случаях, оговоренных ниже, рейтинг присваивается вне зависимости от рейтингового числа [11].

Все исследованные агентства имеют свою рейтинговую шкалу: Национальное Рейтинговое Агентство использует разделение оценки на 3 категории, которые имеют деление на подкатегории; шкала агентства «РАЭКС-Аналитика» является более сложной, деление зависит от общего потенциала и риска региона; шкала агентства «Эксперт РА» делится на 11 категорий, при этом подкатегории не имеют подробного описания.

Отметим, что из рассмотренных агентств только «РАЭКС-Аналитика» предоставляет в открытом доступе подробное описание своей методологии.



2. Разработка оценочной модели инвестиционной привлекательности городских округов Краснодарского края

На основании результатов работы, описанной в статье «Использование методов машинного обучения и искусственного интеллекта для анализа социально-экономического развития городских округов, районов и поселений Краснодарского края» [12], использовались 13 статистических показателей, представленных в виде таблицы коэффициентов x1..x13 (рис. 9). Анализировались данные (рис. 10) с 2009 по 2018 по городским округам: Краснодар, Анапа, Армавир, Геленджик, Горячий Ключ, Новороссийск, Сочи. Переработав результаты работы [12], была разработана оценочная модель инвестиционной привлекательности городских округов Краснодарского края. Для анализа использовались статистические данные с сайта «Федеральная государственная статистика» [13].

Рисунок 9 Таблица коэффициентов



Рисунок 10 Фрагмент таблицы исходных данных

В связи с тем, что городские поселения сильно различаются по первому коэффициенту x1 (численность населения), остальные показатели были приведены на душу населения, исключая x2 «среднемесячная заработная плата работников организаций», х13 «Общая площадь жилых помещений, приходящаяся в среднем на одного жителя - всего», поскольку они являются приведёнными на душу населения. В дальнейшем x1 отбрасывается из анализа.

Для каждого коэффициента x2..x13 была найдена предварительная оценка, опираясь на минимальное, максимальное и среднее значение по каждому столбцу.



Рисунок 11 Гистограмма для х2, x3

Значения были разбиты на 5 интервалов пента-шкалы таким образом, чтобы каждому интервалу принадлежало одинаковое число наблюдений: очень низкий (ОН), низкий (Н), средний (С), высокий (В) и очень высокий (ОВ). В зависимости от попадания в один из интервалов по каждому из столбцов x2..x13 присваивается оценочный балл {0,1; 0,3; 05; 07; 0,9} соответственно (рис. 12).

К примеру, для показателя x2 были определены следующие интервалы:

1. Очень низкий [9000; 14000);

2. Низкий [14000; 17000);

3. Средний [17000; 20100);

4. Высокий [20100; 24100);

5. Очень высокий от 24100 и более.



Рисунок 12 Фрагмент пента-таблицы

Затем, для каждого наблюдения х2-х13, находилось среднее значение: для каждой строки (столбец «среднее значение» согласно рисунку 12) складывались все оценочные баллы, производилось деление на их число в каждой строке. Полученный итог переводился в пента-шкалу и присваивался рейтинг, в зависимости от принадлежности к оценочному интервалу: [0; 0,34) - очень низкий; [0,34; 0,44) - низкий; [0,44;0,6] - средний; [0,6;0,7) - высокий; [0,7;1] - очень высокий. Полученные данные обозначены как y.

Для оценки правильности предварительной оценки рассмотрим матрицы классификаций (рис. 13) - инструмент дискриминантного анализа в среде STATISTICA. На рисунке видно, что процент совпадений предварительной оценки городских округов и дискриминантного анализа достаточно высокий от 75 до 100%. Следовательно, интервалы, определённые при предварительной оценке являются верными.



Рисунок 13 Матрица классификации городских округов

Для проверки предварительной оценки используется дискриминантный анализ (квадратов расстояния Махаланобиса) в среде STATISTICA (рис. 14). Очевидно, что рейтинги: Краснодар 2010, Анапа 2011, Анапа 2017, Геленджик 2009, Геленджик 2017 - были определены не верно.



Рисунок 14 Проверка и корректировка предварительной оценки городских округов Краснодарского края

По наименьшему расстоянию до центра групп, скорректируем оценку. Так, например, минимальное расстояние для Анапа 2011 будет в столбце «высокий», а предварительная оценка показала статус - «среднее». Соответственно меняем оценку на «низкое».

Однако, иногда дискриминантный анализ может давать некорректные результаты. Армавир 2015 - предварительная оценка совпадает с расстоянием до центра группы, хотя дискриминантный анализ и выдает их как неправильно классифицированные (рис 15). Это происходит потому, что при дискриминантном анализе рассматривается только линейные зависимости. Чтобы проследить и изучить нелинейные зависимости лучше использовать нечеткие продукционные методы.

Рисунок 15 Пример ошибочной классификации

Лямбда Уилкса используется в стандартной статистике для обозначения статистической значимости мощности дискриминации в текущей модели. Ее значение меняется от 1.0 (нет никакой дискриминации) до 0.0 (полная дискриминация); чем ближе Лямбда Уилкса к 0, тем меньше вероятность ошибочного разделения. Частная лямбда Уилкса показывает одиночный вклад соответствующей переменной в дискриминацию между совокупностями.

В приведённых ниже итогах анализа дискриминации муниципальных районов Краснодарского края видно, что вероятность ошибочного разделения достаточна мала и особо выражена для переменных х7, x3, x4, x8 и x12 (рис.16). В ходе анализа алгоритмом STATISTICA из модели были исключены переменные x2, x5, x10, x13 из-за наличия значительной линейной зависимости.



Рисунок 16 - Итоги анализа дискриминантных функций муниципальных районов Краснодарского края

На основе дискриминантного анализа получены следующие уравнения:

С помощью корреляционного анализа выяснили, какие из коэффициентов х2 - х13 являются статистически зависимыми (рис. 17). Если коэффициента корреляции между показателями по модулю меньше 0,75, корреляция не является сильной, то коэффициенты являются независимыми.



Рисунок 17 Таблица попарных корреляций

Для наглядности воспользуемся графическими возможностями языка Python. Тепло-карта корреляционных зависимостей показывает, что сильную корреляцию (не менее 0.75) имеют переменные x4 и x5.

Рисунок 18 Тепло-карта корреляций

Показатели x4 «Объем производства продукции сельского хозяйства» и x5 «Объем производства продукции растениеводства» являются стратегически значимым в рамках оценки Краснодарского края и исключить их из оценочной модели невозможно.

В исследовании провели кластерный анализ в STATISTICA, разделив на 5 кластеров. Проанализировав разбиение, и, учтя скорректированную оценку, выявили закономерности в каждом из кластеров (рис. 19). В кластер номер 5 входят элементы всех рейтингов за исключением «очень высокий»: Анапа 2009 рейтинг «высокое», Анапа 2011 рейтинг «среднее», Армавир 2009 рейтинг «очень низкое». Выявили, что кластерный анализ ошибочно группирует наблюдения из-за того, что он не учитывает латентные нелинейные связи между коэффициентами (переменными) модели.

Рисунок 19 Элементы кластера номер 2. Кластерный анализ городских округов Краснодарского края

В исследовании использован метод деревьев классификации для прогнозирования принадлежности наблюдений (объектов) к тому или иному классу значений зависимой категориальной переменной на основании значений одной или нескольких предикторных переменных. Для построения дерева использованы возможности среды STATISTICA.

Построенное дерево классификаций для определения рейтинга городских округов Краснодарского края имеет структуру, представленную на рисунке 20.

Рисунок 20 Граф дерева классификаций

Построенное дерево совершает три ошибочных классификации (рис. 21) на стадии обучения: классифицирует два объекта класса «низкое» как класс «среднее», и один объект из класса «высокое» как объект класса «низкое». Так же оно успешно определило все 5 классов.

Рисунок 21 Ошибки классификаций на обучающей выборке

Однако, на стадии кросс-проверки дерево ошибочно классифицирует 36 объектов из выборки (рис. 22).



Рисунок 22 Матрица ошибок классификации на стадии кросс-проверки

Данное исследование позволило заключить, что линейных методов многомерного статистического анализа данных [12, 14, 29, 30] недостаточно для составления подобных рейтинговых систем. Для адекватной и достоверной оценки данных, имеющих латентные не линейные связи, необходимо использовать системы искусственного интеллекта, нейросетевые технологии и т. д. [15-28].



Заключение

В данной работе при сопоставительном анализе оценок рейтинговых агентств «РАЭКС-Аналитика», «Национальное Рейтинговое Агентство» и «Эксперт РА» было выявлено, что Краснодарский край имеет высокую инвестиционную привлекательность и высокий уровень кредитоспособности.

При анализе методологий рейтинговых агентств «РАЭКС-Аналитика», «Национальное Рейтинговое Агентство» и «Эксперт РА» были обнаружены следующие недостатки: некоторые из рассмотренных агентств не предоставляют ссылки на источники, из которых берутся статические показатели, в том числе агентство «Национальное Рейтинговое Агентство»; только у агентства «РАЭКС-Аналитика» имеется в открытом доступе подробная методология присвоения рейтинговых оценок; не все агентства дают однозначную характеристику рейтинговых оценок.

На основе проведенных в [12] исследований в данной статье была разработана модель дискриминантного анализа в среде STATISTICA для оценки социально-экономического развития городских округов Краснодарского края (1) с достоверностью 85%, включающая показатели, нормированные на душу населения, за исключением уже приведённых показателей «среднемесячная заработная плата работников организаций», «Общая площадь жилых помещений, приходящаяся в среднем на одного жителя - всего»: Текущие (эксплуатационные) затраты на охрану окружающей среды, включая оплату услуг природоохранного назначения; Объем производства продукции сельского хозяйства; Объем производства продукции растениеводства; Объем производства продукции животноводства; Ввод в действие жилых домов на территории муниципального образования; Общий объем всех продовольственных товаров, реализованных в границах муниципального района, в денежном выражении; Профицит (+), дефицит (-) бюджета муниципального образования (местного бюджета); Прибыль (убыток) до налогообложения отчетного года; Дебиторская задолженность; Кредиторская задолженность.

Такие анализы как «кластерный анализ» и «деревья классификации» оказались не применимыми для данного исследования, поскольку они не учитывают латентные нелинейные связи между коэффициентами модели. В данном случае необходимо использовать системы искусственного интеллекта, нейросетевые технологии и т.д.

С использованием данной модели был проведён анализ социально-экономического развития городских округов Краснодарского края за период 2009-2018 гг., который позволил выявить лидеров (Краснодар 2015-2018, Анапа 2018); и аутсайдеров (Сочи 2017, Геленджик 2009, Армавир 2009, Армавир 2012-2014).

Литература

1 Национальное Рейтинговое Агентство. Рейтинг НРА: URL: https://www.banki.ru/wikibank/natsionalnoe_reytingovoe_agentstvo/

2 Пресс-центр НРА: URL: http://www.ra-national.ru/ru/press-center

3 Инвестиционная привлекательность:URL: http://www.ra-national.ru/ru/taxonomy/term/3097?type=rating

4 РАЭКС Аналитика - рейтинги, исследования, обзоры: URL: https://raex-a.ru/about

5 Инвестиционная привлекательность регионов:URL: https://raex-a.ru/ratings/regions/2018/att1

6 Регионы: Краснодарский край: URL: https://www.raexpert.ru/database/regions/krasnodar

7 Коваленко А.В., Кармазин В.Н. Комплексная оценка кредитоспособности предприятий малого и среднего бизнеса на основе нечетких моделей // Обозрение прикладной и промышленной математики. 2007. Т. 14. № 4. С. 722-724.

8 Открытые данные Сбербанка:URL: https://www.sberbank.com/ru/analytics/opendata

9 Методика составления рейтинга инвестиционной привлекательности регионов России компании «РАЭКС-Аналитика:URL:https://raex-a.ru/update_files/3_13_method_region.pdf

10 Рейтинг инвестиционной привлекательности:URL:http://www.ra-national.ru/ru/taxonomy/term/3097?type=rating

11 Методология присвоения рейтингов кредитоспособности региональным и муниципальным органам власти Российской Федерации: URL: https://raexpert.ru/docbank//19f/9a3/334/b6700468ac19d78ea8cd08c.pdf

12 Сюсюра Д.А., Коваленко А.В. Использование методов многомерного статистического анализа данных для оценки социально-экономического развития городских округов, районов и поселений Краснодарского края // Прикладная математика XXI века: современные проблемы математики, информатики и моделирования Материалы всероссийской научно-практической конференции. 2019. С. 164-171.

13 Федеральная служба государственной статистики. URL: www.gks.ru

14 Барановская Т.П., Коваленко А. В., Уртенов М.Х, Кармазин В.Н. Современные математические методы анализа финансово-экономического состояния предприятия - Краснодар: КубГАУ, 2009, с. 96-128

15 Применение нейронных сетей для задач классификации URL - https://basegroup.ru/community/articles/classification

16 Круглов В. В., Борисов В. В. Искусственные нейронные сети. Теория и практика - Москва: Горячая линия - Телеком, 2002, с. 242-292

17 Узденов У.А., Коваленко А.В., Уртенов М.А.Х. Интеллектуальная система оценки кредитоспособности регионов. Часть 2. Нечеткие продукционные и гибридные системы // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета. 2014. № 104. С. 1297-1308.

18 Леоненко А. В. Нечёткое моделирование в среде Matlab и Fuzzy TECH - Санкт-Петербург: БХВ-Петербург, 2005, с.133-216

19 Арутюнян А.С., Коваленко А.В., Уртенов М.Х. Нейросетевые технологии финансово-экономического анализа. Краснодар, 2015. 130 c.

20 Казаковцева Е.В., Коваленко А.В., Уртенов М.А.Х. Нечеткие системы финансово-экономического анализа предприятий и регионов. Краснодар, 2013.

21 Коваленко А.В., Цэдэв А.О. Анализ кризисного состояния предприятия на основе систем нечеткого вывода // Обозрение прикладной и промышленной математики. 2006. Т. 13. № 3. С. 498-499.

22 Коваленко А.В. Математические модели и инструментальные средства комплексной оценки финансово-экономического состояния предприятия// диссертация на соискание ученой степени кандидата экономических наук / Кубанский государственный аграрный университет им. И.Т. Трубилина. Краснодар, 2009, 210 c.

23 Коваленко А.В. Оценка кредитоспособности заёмщика при помощи нейронных сетей и нечётких множеств // Современное состояние и приоритеты развития фундаментальных наук в регионах труды III Всероссийской научной конференции молодых ученых и студентов, 2-5 октября 2006 г.. Краснодар, 2006. С. 190-192.

24 Шевченко И.В., Кармазин В.Н., Коваленко А.В. Комплексная оценка кредитоспособности предприятий малого и среднего бизнеса с помощью нечеткой продукционной системы // Финансовая аналитика: проблемы и решения. 2008. № 2 (2). С. 81-86.

25 Коваленко А.В., Уртенов М.Х., Заикина Л.Н. Кластерный анализ финансово-экономического состояния предприятий строительной отрасли // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета. 2010. № 60. С. 189-200.

26 Коваленко А.В., Кармазин В.Н. Диагностика состояния предприятия на основе нечётких продукционных систем // Труды Кубанского государственного аграрного университета. 2008. № 11. С. 20-27.

27 Коваленко А.В., Кармазин В.Н. Нечеткое моделирование в среде matlab кредитоспособности предприятий малого и среднего бизнеса // Проектирование научных и инженерных приложений в среде MATLAB Труды Всероссийской научной конференции. 2007. С. 1509-1520.

28 Коваленко А.В. Нейронная сеть и нечёткие множества, как инструмент оценки кредитоспособности заёмщика // Прикладная математика XXI века Материалы VI объединённой научной конференции студентов и аспирантов факультета прикладной математики. 2006. С. 56-58. 8

29 Высоцкая Т.В., Коваленко А.В., Уртенов М.Х. Сравнительный анализ методов оценки несостоятельности сельскохозяйственных предприятий // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета. 2012. № 75. С. 494-508.

30 Анализ финансово-экономического состояния предприятий строительной отрасли методами многомерного статистического анализа // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета. 2011. № 70. С. 1-14.

Размещено на Allbest.ru

...