Кластерный анализ муниципальных образований по социально-экономического показателям

Размещено на http://www.allbest.ru/

Кластерный анализ муниципальных образований по социально-экономического показателям

Юсупов К.Н.

Одним из основных вопросов рассматриваемых учеными в рамках региональной экономики является проблема управления территориями в условиях неравномерности их развития. Неравномерность проявляется на всех уровнях управления: разными темпами изменяется социально-экономическое положение субъектов РФ в рамках страны, муниципальных образований в рамках этих субъектов и отдельных поселений, расположенных в муниципальных образованиях. Существует общее мнение, что в целях повышения благосостояния страны, различие по ряду экономических показателей должно сохраняться в устойчивых пределах [3]. Поэтому важно изучение дифференциации муниципалитетов по достигаемым ими показателям социально-экономического развития и группировка их на относительно однородные группы в целях разработки действенных управленческих решений. управление территория муниципалитет

Отечественными и зарубежными учеными используются различные методы группировки территорий, среди которых методы кластерного анализа выделяются благодаря таким преимуществам как возможность производить группировку по нескольким показателям, отсутствие ограничений на вид и количество рассматриваемых объектов [5]. Они позволяют упорядочить информацию о социально-экономических процессах, происходящих на различных уровнях территориальной организации [1, 2, 3, 4, 7, 8]. С управленческой точки зрения кластерный анализ муниципальных образований позволяет не столько группировать территории по уровню их развития, сколько определять профили этих групп, и соответственно выделять для них общие свойства и закономерности.

В самом общем виде кластеризация - это разбиение элементов некоторого множества на группы на основе их схожести. Многообразие методов проведения кластерного анализа определяется алгоритмом выделения (объединение, разбиение), структурой и типом данных, применяемой мерой расстояния между объектами (евклидовое расстояние, квадрат евклидового расстояния, расстояние Чебышева, степенное расстояние и т.д.), правилами объединения (невзвешенное/взвешенное попарное среднее, невзвешенное/взвешенное центроидное, метод Варда и т.д.) [6].

Кластеризация выполнялась в несколько этапов. В первую очередь, учитывая требование успешного проведения кластерного анализа - однородность объектов, все наблюдения предварительно были приведены к стандартизованному виду. Далее была проведена иерархическая кластеризация по методу Варда, позволившая принять предварительное решение о числе разбиений. После определения количества выделяемых групп была проведена кластеризация с помощью метода k-средних, подразумевающего разбиение совокупности объектов на заранее известное число кластеров с целью минимизации суммы внутриклассовых дисперсий. В качестве меры сходства в анализе использовалось обычное евклидово расстояние между объектами, представляющее собой наиболее общий тип расстояний [9].

Исследование проводилось по данным за 2017 г. в разрезе 316 муниципальных районов и городских округов 7 субъектов Российской Федерации: Республик Татарстан и Башкортостан, Оренбургской, Свердловской и Челябинской областей, Пермского края, Удмуртской республики. В качестве основных показателей, характеризующих социально-экономическое положение, как правило, принимаются показатели, отражающие формирование муниципального продукта (т.е. объем производства), инвестиционной активности, социально-экономического положения населения [4, 8, 9]. Мы дополнительно включили в анализ показатель, показывающий формирование доходов бюджета, в связи с тем, что способность муниципального образования к самообеспечению, на наш взгляд, является важной его характеристикой. Таким образом, исследование опиралось на значения, достигаемые муниципальными образованиями по следующим показателям:

- отгружено товаров собственного производства, выполнено работ и услуг собственными силами (без субъектов малого предпринимательства) в расчете на 1 человека, тысяча рублей (OT_P_17);

- доля налоговых и неналоговых доходов местного бюджета (за исключением поступлений налоговых доходов по дополнительным нормативам отчислений) в общем объеме собственных доходов бюджета муниципального образования (без учета субвенций), процент (DMB_17);

- объём инвестиций в основной капитал (за исключением бюджетных средств) в расчете на 1 человека, тыс. рублей (I_P_17);

- объем социальных выплат населению и налогооблагаемых денежных доходов населения в расчете на 1 человека, тыс. рублей (NDSV_P_17);

- оборот розничной торговли (без субъектов малого предпринимательства) на 1 человека, тыс. рублей (ORT_P).

Источником данных послужила база данных муниципальных образований Федеральной службы государственной статистики (https://www.gks.ru/dbscripts/munst/).

С помощью процедур иерархического кластерного анализа было установлено, что совокупность имеет устойчивое разбиение на 3 кластера (рис. 1), возможно выделение и 6 групп.

Рисунок 1.

Дендрограмма кластеров по 316 муниципальным образованиям

Дендрограмма кластеров по 316 муниципальным образованиям представлена на рис. 1, где на оси ординат показаны условные номера муниципальных образований, а по оси абсцисс отложено расстояние между парами объектов или кластеров в процентах от максимально возможного расстояния в группе наблюдений.

Дальнейший анализ методом k-средних позволил определить межгрупповые различия. Как видно на рис. 2, наилучшие значения показателя отмечаются у 20 муниципальных образований, вошедших в 1 кластер. Ко 2 кластеру были отнесены 71 муниципальное образование, к 3 кластеру - 225 муниципальных образований. Таким образом наибольшая группа характеризуется самыми низкими значениями рассматриваемых показателей.

Рисунок 2.

Результаты группировки на 3 кластера

Не вызывает сомнения, что в 1 группу вошли крупные муниципальные районы и городские округа, представляющие собой административные центры субъектов РФ. С точки зрения формирования дальнейших управленческих решений интерес представляют муниципальные образования, вошедшие во вторую группу. Эти муниципальные образования имеют потенциал роста, и ориентируясь на значения доли налоговых и неналоговых доходов местного бюджета, имеют достаточно высокие возможности самообеспечения.

Несмотря на устойчивое выделение 3 кластеров с ярко выраженными границами такая группировка представляется достаточно общей. Поэтому мы ее расширили до 6 кластеров (рис. 3). Проведенный анализ методом k-средних позволил определить следующие группы:

Кластер 1 - 50 муниципальных образований, характеризующихся невысокими значениями производства, оборота розничной торговли, доходов населения и инвестиций при достаточно высокой доле налоговых и неналоговых доходов местного бюджета;

Кластер 2 - 43 муниципальных образования, характеризующихся невысокими значениями производства, инвестиций, и доли налоговых и неналоговых доходов местного бюджета и средними значениями оборота розничной торговли и доходов населения;

Кластер 3 - 63 муниципальных образования с невысокими значениями производства, инвестиций, доли налоговых и неналоговых доходов местного бюджета при средних значениях доходов населения.

Кластер 4 - 24 муниципальных образования, имеющие самые высокие средние групповые значения по показателям, характеризующим розничную торговлю и доходы местного бюджета при достаточно высоких значениях остальных показателей;

Кластер 5 - 128 муниципальных образований, имеющие схожие характеристики с муниципальными образованиями, вошедшими в кластер 3. В то же время значения оборота розничной торговли и доходов населения здесь ниже. В целом сюда отнесены муниципальные образования с самыми низкими значения по всем пяти показателям;

Кластер 6 - 8 муниципальных образований с преимущественно высокими значениями производства и доходов населения. В целом значения показателей муниципальных образований отнесенных к этой группе средние и выше среднего.

Рисунок 3.

Результаты группировки на 6 кластеров

Интересным является расположение муниципальных образований в разрезе субъектов РФ (рис. 4, табл. 1). Как видно, в двух субъектах РФ - Республике Башкортостан и Пермском крае - наибольшая доля муниципальных образований отнесенных к 5 кластеру, характеризующемуся самыми низкими значениями показателей при отсутствии муниципальных образований, отнесенных к 6 кластеру, и низкой доле в структуре муниципальных образований, отнесенных к 4 кластеру, характеризующихся наилучшими значениями показателей. В то же время выделяются два субъекта РФ - Республика Татарстан и Свердловская область - у которых самая высокая доля муниципальных образований, отнесенных к 6 и 4 кластерам, при относительно низкой доле муниципальных образований, отнесенных к 5 и 3 кластерам. Эти два субъекта РФ часто находятся на вершине рейтингов субъектов РФ по социально-экономическому положению.

Рисунок 4.

Территориальное представление результатов кластеризации

Таблица 1

Распределение муниципальных образований по кластерам в разрезе субъектов РФ,%

Полученные результаты свидетельствуют не только о межмуниципальной вариации, но и о межрегиональных различиях в социально-экономическом положении городов и районов. В Оренбургской области, Пермском крае и Республике Башкортостан более половины всех муниципальных образований относятся к группе самых слабых. Это ставит вопрос об эффективности управления пространственным развитием на региональном уровне. Высокая доля слабых муниципальных образований должна насторожить руководство этих субъектов РФ.

Учитывая особенность кластера 1 - невысокие значения производства, оборота розничной торговли, доходов населения и инвестиций при достаточно высокой доле налоговых и неналоговых доходов местного бюджета - необходимо обратить внимание на организацию взаимодействия муниципальной власти и экономических агентов, т.к. в условиях ресурсного обеспечения бюджета муниципального образования наблюдается слабость его социально-экономического развития, в том числе в перспективе, вследствие низких значений инвестиционной активности.

Представленный методический подход дает возможность анализировать влияние отдельных факторов, обеспечивающих сбалансированное социально-экономическое развитие входящих в регионы муниципальных образований. На основании предложенной методики имеется возможность определения перспективных территориальных программ развития.

Список литературы

1. Kronthaler F. Economic capability of East German regions: Results of a cluster analysis // Regional Studies. 2005. - Vol. 39, N 6. - P. 739-750. doi:10.1080/00343400500213630

2. Munandar T. A., Azhari Mushdholifah A., Arsyad L. Hierarchical Regional Disparities and Potential Sector Identification Using Modified Agglomerative Clustering // IOP Conference Series: Materials Science and Engineering. 2017. doi:10.1088/1757-899x/180/1/012074

3. Rovan J., Sambt J. Socio-economic Differences Among Slovenian Municipalities: A Cluster Analysis Approach // Developments in Applied Statistics / Ed. by A. Ferligoj, A. Mrvar. Metodoloљki zvezki, 19. - Ljubljana: FDV, 2003. - P. 265-278.

4. Боровская М.А., Казанская А.Ю., Компаниец В.С. Применение методов кластерного анализа в тестовых исследованиях крупных муниципальных образований // Известия ТРТУ. 2006. - № 17 (72). - С. 3-17.

5. Доничев О.А., Красюкова Н.Л., Фраймович Д.Ю. Кластерный анализ как инструмент оценки социально-экономического развития регионов // Экономический анализ: теория и практика. 2011. - № 47 (254). - С. 39-45.

6. Миркин Б. Г. Методы кластер-анализа для поддержки принятия решений: обзор: препринт / Национальный исследовательский университет «Высшая школа экономики». - М.: Изд. дом Национального исследовательского университета «Высшая школа экономики», 2011. - 88 с.

7. Орлова И.В., Филонова Е.С. Кластерный анализ регионов Центрального федерального округа по социально-экономическим и демографическим показателям // Экономика, статистика и информатика. Вестник УМО. 2015. - № 5. - С. 111-115.

8. Петрыкина И.Н., Солосина М.И., Щепина И.Н. Применение кластерного анализа для типологизации муниципальных образований // Вестник Воронежского государственного университета. Серия: Экономика и управление. 2017. - № 4. - С. 154-164.

9. Согачева О.В. Кластерный анализ как инструмент управления социально-экономическим развитием региона (на примере Центрального федерального округа) // Теория и практика сервиса: экономика, социальная сфера, технологии. 2016. - № 1 (27). - С. 43-46.

Размещено на Allbest.ru