Граница Ю.В.кандидат экономических наук, доцент института экономики и предпринимательства, Национальный исследовательский Нижегородский государственный университет имени Н.И. Лобачевского (ННГУ), Нижний Новгород, Российская Федерация ygranica@yandex.ru https://orcid.org/0000-0002-0304-9753 SPIN-код: 8872-0434
Предмет. Отбор детерминант, значимых для оценки уровня социально-экономического положения и потенциала развития регионов России. Цели. Исследование алгоритмов машинного обучения для отбора детерминант – предикторов уровня социально-экономического положения и потенциала развития регионов России. Построение моделей классификации регионов по уровню социально-экономического положения с применением различных алгоритмов машинного обучения. Методология. Для построения моделей классификации использованы данные Федеральной службы государственной статистики, Института научных коммуникаций, информационного агентства РИА Новости и интернет-портала TAdviser. Процедуры классификации данных, оценки параметров модели, отбора значимых детерминант и визуализации результатов выполнены с применением основных функций библиотеки PyCaret. В качестве приоритетных метрик оценки продуктивности моделей использованы статистика Каппа Коэна и коэффициент корреляции Мэтьюса. Алгоритмы отбора детерминант реализованы в аналитической среде Google Colab. Результаты. Построены модели многоклассовой классификации, основанные на простых и ансамблевых алгоритмах машинного обучения. Простые алгоритмы классификации, включающие модели логистической и ридж-регрессии, наивный байесовский алгоритм, дерево решений, методы опорных векторов и k-ближайших соседей, характеризуются значениями точности на уровне 77%, однако статистика Каппа Коэна и коэффициент корреляции Мэтьюса свидетельствуют только лишь об удовлетворительной связи между фактическим и прогнозным значением класса региона. Ансамблевые алгоритмы в числе которых случайный лес, градиентный бустинг и экстремальный градиентный бустинг характеризуются тесной связью между фактической и прогнозной оценками классификатора на уровне более 70%. Выводы. Наиболее эффективной моделью классификации признан алгоритм случайного леса. Информативными детерминантами для определения уровня социально-экономического положения являются валовой региональный продукт, инвестиции в основной капитал.
Егоров Н.Е., Ковров Г.С., Тишков С.В., Волков А.Д. Потенциал цифровизации ресурсных регионов российского Севера // МИР (Модернизация. Инновации. Развитие). 2022. Т. 13. № 2. С. 238–251. URL: Link
Курбатова М.В., Левин С.Н., Каган Е.С., Кислицын Д.В. Регионы ресурсного типа в России: определение и классификация // Terra Economicus. 2019. Т. 17. № 3. С. 89–106. URL: Link
Шаклеина М.В., Мидов А.З. Стратегическая типологизация регионов по уровню финансовой самостоятельности // Экономические и социальные перемены: факты, тенденции, прогноз. 2019. Т. 12. № 3. С. 39–54. URL: Link
Губанова Е.С., Москвина О.С. Методологические аспекты оценки инвестиционно-инновационного потенциала региона // Экономические и социальные перемены: факты, тенденции, прогноз. 2020. № 2. С. 21–55. URL: Link
Меркулова Е.Ю., Спиридонов С.П., Меньщикова В.И. Индикаторы оценки качества жизни населения регионов России // Экономический анализ: теория и практика. 2018. Т. 17. Вып. 11. С. 2066–2090. URL: Link
Куркин В.А. Анализ динамики развития цифровой экономики в регионах России // Региональная экономика и управление: электронный научный журнал. 2020. № 4. URL: Link
Турко Т.И., Попиков Д.Н., Кручак Н.А. Рейтинг инновационного развития субъектов Российской Федерации: статистическая оценка // Инноватика и экспертиза. 2022. № 2. С. 31–41. URL: Link
Каурова О.В., Малолетко А.Н., Матраева Л.В., Королькова Н.А. Определение состава показателей оценки уровня развития цифровой экономики в регионе (региональной цифровой среды) // Фундаментальные и прикладные исследования кооперативного сектора экономики. 2020. № 1. С. 138–149. URL: Link 9dbb8b1e2727fc0c8b0de118c28afaaa.pdf
Садыртдинов Р.Р. Уровень цифровизации регионов России // Вестник Челябинского государственного университета. 2020. № 10. С. 230–235. URL: Link
Квасникова M.A. Цифровое неравенство и его влияние на социально-экономическое развитие регионов в России // Социально-политические исследования. 2020. № 1. С. 43–58. URL: Link
Деркаченко О.В. Многомерный анализ регионов России по уровню развития цифровой экономики // Учет и статистика. 2021. № 2. С. 84–91. URL: Link
Батракова Л.Г. Развитие цифровой экономики в регионах России // Социально-политические исследования. 2019. № 1. С. 45–60. URL: Link
Афанасьева Т.В., Казанбиева А.Х. Подход к оценке развития цифровой экономики на основе кластеризации субъектов Российской Федерации // Экономика региона. 2022. Т. 18. Вып. 4. С. 1075–1088. URL: Link
Малкина М.Ю., Захаров В.Я., Граница Ю.В. и др. Устойчивое развитие экономики России. М.: Русайнс, 2022. 172 с.
Митяков С.Н., Митяков Е.С. Машинное обучение в задачах исследования инновационных процессов // Журнал прикладных исследований. 2020. № 4. С. 6–13. URL: Link
Саханевич Д.Ю. Исследование подходов и методов применения искусственного интеллекта и машинного обучения в социально-экономических процессах // Вестник Омского университета. Серия: Экономика. 2020. Т. 18. № 2. С. 65–79. URL: Link
Граница Ю.В. Селекция региональных детерминант экономической безопасности // Финансы и кредит. 2022. Т. 28. Вып. 12. С. 2825–2851. URL: Link
Kononova N.V., Mangalova E.S., Stroev A.V. et al. Applied Classification Problems Using Ridge Regression // Сибирский журнал науки и технологий. 2019. Т. 20. № 2. С. 153–159. URL: Link
Лебедев И.С. Адаптивное применение моделей машинного обучения на отдельных сегментах выборки в задачах регрессии и классификации // Информационно-управляющие системы. 2022. № 3. С. 20–30. URL: Link
Ковальногов В.Н., Шеркунов В.В., Хуссейн Мохамед Хуссейн, Клячкин В.Н. Сравнительный анализ методов построения математических моделей функционирования объекта с применением машинного обучения // Программные продукты и системы. 2023. Т. 36. № 2. С. 189–195. URL: Link
