Т С Медведкин - Проблемы развития внешнеэкономических связей и привлечения иностранных инвестиций региональный аспект - страница 27

Страницы:
1  2  3  4  5  6  7  8  9  10  11  12  13  14  15  16  17  18  19  20  21  22  23  24  25  26  27  28  29  30  31  32  33  34  35  36  37  38  39  40  41  42  43  44  45  46  47  48  49  50  51  52  53  54  55  56  57  58  59  60  61  62  63  64  65  66  67  68  69  70  71  72  73  74  75  76  77  78  79  80  81  82  83  84  85  86  87  88  89  90  91  92  93  94  95  96  97  98  99  100  101  102  103  104  105  106  107  108  109  110  111  112  113  114  115 

6. Переверзев М.П., Шайденко Н.А., Басовский Л.Е. Менеджмент: Учебник / Под общ. ред. проф. М.П. Переверзева. - М.: ИНФРА-М, 2004.

- 288 с.

PE3OOME:

Сформульовано   зміст  організаційно-економічного   механізму  управління   підприємством,   представленого   у   вигляді сукупності організаційно-правових та економічних компонент як форм і методів господарювання, які перебувають у системному взаємозв'язку, утворюють єдине ціле і орієнтовані на сталий розвиток підприємства. ключові слова: управління, підприємство, сталий розвиток P3OOME:

Сформулировано содержание организационно-экономического механизма управления предприятием, представленного в виде совокупности организационно-правовых и экономических компонент как форм и методов хозяйствования, которые находятся в системной взаимосвязи, образуют единое целое и ориентированы на устойчивое развитие предприятия. ключевые слова: управление, предприятие, устойчивое развитие

SUMMARY:

There was formulated a meaning of economic-organizing plant management mechanism, represented as a system of legal-organizing and economic-organizing components, as forms and methods of economic management, that were in systemic interconnection, formed a comprehensive whole and orientated the sustained development of the plant. Keywords: management, enterprise, sustainable development

РАЗВИТИЕ ЭКОНОМИЧЕСКОГО КЛАСТЕРНОГО ЗОНИРОВАНИЯ ПО ФАКТОРАМ ЧЕЛОВЕЧЕСКОГО ПОТЕНЦИАЛА В

РЕГИОНАХ БЕЛАРУСИ

Герасенко В.П., профессор кафедры национальной экономики и государственного управления Белорусского государственного экономического университета, г. Минск, Белорусь 1

Постановка задачи. Территориальная дифференциация изучаемых параметров, характеризующих количественную и качественную экономическую природу изучаемых объектов, явлений и т.д., может быть выявлена на основе более глубокого изучения комбинаций факторных признаков. При этом возникает необходимость выделения однородных региональных зон, для каждой из которых значения рассмотренных переменных похожи друг на друга и расположены близко на диаграмме рассеяния. Такой подход позволяет расширить содержание проводимого многомерного анализа. Наиболее существенные методологические черты кластерного анализа, полезные для регионального исследования, могут быть отражены по следующим двум направлениям: образование единой меры, охватывающей ряд характеризующих признаков, и чисто количественное решение вопроса о группировке объектов наблюдения. [2, с. 61-66.].

Идея классификации по сочетанию ряда признаков давно привлекает внимание специалистов по региональной экономике. Например, в одной из наиболее популярных задач кластерного анализа - группировке районов - она давно признана. Еще в 1920 г., анализируя «Связь между элементами крестьянского хозяйства в 1917 и 1919 годах», Б.С. Ястремский рассматривал 34 характеристики уездов, влиявшие на эту связь. Можно привести и другие примеры группировки территориальных единиц по комплексу признаков, неизменно имевших место в задачах районирования. Но в кластерном анализе признаки объединяются с помощью некоторой «метрики» в один количественный показатель сходства (различия) группируемых объектов, [6, с. 64, 65.], [4, с. 72-80], [5, с. 205, 206].

В кластерном региональном анализе группировочные признаки могут подвергаться объединению с помощью различных функций расстояния. В данном исследовании в качестве такой функции принята функция евклидова расстояния, которая является самой распространенной мерой для определения расстояния между двумя точками на плоскости. Такой подход отражает специфику алгоритма решения нашей региональной задачи и, следовательно, требует логического пояснения основных элементов алгоритма.

Задача кластерного анализа заключается в том, чтобы на основании данных, содержащихся в множестве X, разбить множество объектов I на т кластеров (однородных экономических зон) Р1, Р2, Рт так, чтобы каждый объект I принадлежал одному и только одному подмножеству разбиения и чтобы объекты, принадлежащие одному и тому же кластеру, были сходными, в то время как объекты, принадлежащие разным кластерам, были разнородными (несходными).

Приведем постановку региональной задачи кластерного анализа. В качестве региона I рассмотрим п образующие его административно-территориальных образований, каждое из которых характеризуется следующими основными социально-экономическими показателями, исчисляемыми в системе Министерства статистики и анализа Республики Беларусь: среднемесячная заработная плата работников (С1), денежные доходы в расчете на душу населения (С2), объем платных услуг на человека (С3) и т. п. [3, с. 67-122].

Тогда Х1 (вектор измерений) представляет собой набор указанных характеристик для первого административно-территориального района; Х2 - для второго административно-территориального района и т. д. Задача заключается в том, чтобы разбить данные районы по уровню развития человеческого потенциала.

Решением задачи кластерного анализа является разбиение, удовлетворяющее некоторому критерию оптимальности. Этот критерий может представлять собой некоторый функционал, выражающий уровни желательности различных разбиений и группировок. Этот функционал можно назвать целевой функцией. Например, в качестве целевой функции может быть взята внутригрупповая сумма квадратов отклонений. В качестве примера рассмотрим восемь объектов (п = 8), обладающих одной характеристикой (т. е. с = 1); результаты измерения пусть представляют собой множество X = {3, 4, 7, 4, 3, 3, 4, 4}. Сумма квадратов отклонений вычисляется по формуле

© Герасенко B.tt, 2013

ПPOБЛEMЫ PASB^ra BИEШИEЭKOИOMИЧECKИX CBЯЗEЙ И ПPИBЛEЧEИИЯ ИИOCTPAИИЫX ИИBECTИЦИЙ:

PEГИOИAЛЬИЫЙ ACПEKT

1

8 К

= 140 -128 = 12.

1=1 8 V!=1

Если множество X разбить на три группы: 01 = {3, 3, 3}, 02 = {4, 4, 4, 4} и 03 {7}, то все внутригрупповые суммы квадратов отклонений должны быть равны нулю:

Ж1 + Ж2 + Ж3 = 0 + 0 + 0,

где 1, 2, ^3 - внутригрупповые суммы квадратов отклонений в соответствующих изучаемых статистических группах 01, 02, 03.

Оптимальное значение для этого примера равно нулю при условии, что ведется разбиение на три группы. В общем случае следует рассматривать значение целевой функции в сочетании с желаемым числом групп.

Последовательный процесс кластеризации начинается с рассмотрения п районов, затем два наиболее сходных района объединяются в один кластер и число кластеров становится равным п - 1. Процесс повторяется до тех пор, пока все п районов не попадут в один кластер, содержащий все районы.

Для представления результатов решения задачи регионального кластерного анализа будем использовать наиболее известный метод представления матрицы расстояний (разнородности) или сходства, основанный на идее графического изображения результатов последовательной кластеризации, которое обычно называют «дендрограммой».

Дендрограмму следует показывать как графическое изображение результатов процесса последовательной кластеризации, который осуществляется в терминах матрицы расстояний или сходства. В дальнейшем процесс такой кластеризации будем рассматривать как процедуру с матрицей расстояний или сходства. Таким образом, с помощью дендрограммы можно графически или геометрически изображать результат кластеризации при условии, что эта процедура оперирует только с элементами матрицы расстояний или сходства.

Контрольный пример. Рассмотрим случай, когда в регионе имеется шесть районов (п = 6), каждый из которых характеризуется одним и тем же признаком (с = 1). Полученный результат кластеризации показывает, что районы 1 и 3 наиболее схожи по выделенному фактору и поэтому объединяются в один кластер на уровне близости, равном 0,9. Районы 4 и 5 объединяются при уровне близости, равном 0,8. На этом шаге имеются 4 кластера: (1, 3), (6), (5, 4), (2). На третьем и четвертом шаге процесса экономического зонирования образуются кластеры (1, 3, 6) и (5, 4, 2), соответствующие уровню близости, равному 0,7 и 0,6. Окончательно все объекты группируются в один кластер при уровне 0,5. Данная дендрограмма районирования представлена на рис. 1.

1,0

0,9

0,8

0,7

0,6

0,5 Сходство

0,2

Номера районов 1

з

6

5 4

Рис. 1. Дендрограмма районирования в изучаемом регионе

2

2

Обратим внимание на следующие особенности формирования кластеров:

- процедуры кластеризации совершаются ступенчато, это означает, что две наиболее похожие экономические зоны I1 и I2 объединяются и рассматриваются как один кластер (экономическая зона);

- понятия «сходство» и «расстояние» являются противоположными, поэтому вычисленная сумма их значений равна единице (по аналогии с коэффициентом ассоциации);

- при изменении евклидова расстояния будет изменяться и структура выделяемых экономических зон.

Результаты регионального кластерного анализа. Численное решение выделенных задач регионального кластерного анализа по Беларуси и Гомельской области выполнялось на компьютере с использованием пакета SPSS Version 10 (анализ статистических данных и восстановление скрытых закономерностей). [1, с. 385-409]

Структура полученных результатов по каждой экономической зоне характеризуется следующей текстовой информацией:

- графическая информация, отражающая динамику объединения экономических районов по мере увеличения диапазона изменения изучаемого параметра (евклидово расстояние);

- количественная информация, представленная в четырех таблицах:

- условия прекращения решения задачи;

- матрица близости социально-экономических параметров по исследуемым регионам;

- последовательность выделения кластеров (районов);

- возможные варианты объединения кластеров (районов) по близости экономических показателей.

Графическая информация по результатам решения каждой из исследуемых задач по региональному анализу представлена графом взаимосвязей изучаемых районов по близости социально-экономических показателей (дендрограмма минимального дерева). При этом получаемый граф развернут по оси абсцисс, показывающей направление снижения сходства технико-экономических показателей по изучаемым районам. На оси ординат показываются номера изучаемых регионов (областей или административно-экономических районов). Обратим внимание на то, что в решаемых задачах расположение номеров районов по оси абсцисс не является постоянным, что связано с особенностями алгоритма реализации задачи кластерного анализа. Представляет практический интерес и тот факт, что расположениеномеров изучаемых регионов на оси ординат также соответствует направлению снижения схожести социально-экономических показателей, что может быть использовано при построении вариантов прогноза по экономическому зонированию.

Экономическое зонирование в Беларуси по выделенным локальным социально-экономическим задачам выполнено с использованием пакета SPSS Version 10 регионального кластерного анализа [1, с. 385-409.] и находит отражение в монографии [3, с. 123-140, 180-197]. Для регионального исследования по ранжированию областей Беларуси использованы следующие критерии схожести социально-экономических показателей: рентабельность активов предприятий и организаций по областям Беларуси; численность населения, занятого в экономике; распределение численности населения по областям Беларуси; экономически активное население (в том числе занятое население, безработное; уровень экономической активности населения (в процентах к численности населения в трудоспособном возрасте); уровень безработицы (в процентах к численности экономически активного населения)); распределение численности работников по уровню образования; соотношение начисленной номинальной среднемесячной заработной платы работников и минимального потребительского бюджета по областям Беларуси; реальные денежные доходы населения Беларуси; уровень безработицы; структура затрат на производство продукции, работ, услуг предприятий и организаций по областям Беларуси; структура чистой прибыли предприятий и организаций по областям Беларуси; структура формирования прибыли предприятий и организаций по областям Беларуси; ожидаемая продолжительность жизни при рождении по областям Беларуси. Исходные данные по данным показателям находят отражение в монографии. [3, с. 67-122].

Таблица 1. Приоритеты группировки регионов по результатам кластерного анализа в Беларуси за 2001 и 2006 гг.

Номера задач и присвоенные им ранги

Наименовани е

области

Годы

 

А

Б

В

on

 

А

</-)

Б

40

 

00

 

0

 

1.12А

1.12Б

1.12В

Сумма рангов

Приоритеты группировки регионов

1

2

3

4

5

б

7

s

9

10

11

12

13

14

15

17

18

19

20

21

Гомельская

2001

6

1

1

6

1

1

3

4

з

4

3

1

7

3

1

3

4

з4

1

 

2006

 

1

1

6

1

4

1

з

з

6

1

6

-

з

4

2

4

з7

3

Брестская

2001

1

3

4

3

3

3

1

1

4

1

6

4

1

з

6

6

6

з8

2

 

2006

1

3

з

1

3

6

3

3

4

3

6

1

-

1

6

6

6

з8

4

Витебская

2001

2

4

3

4

7

6

4

з

1

2

1

з

6

6

3

1

1

61

3

 

2006

3

6

4

3

4

3

6

1

1

1

3

з

-

4

1

1

1

47

1

Гродненская

2001

4

 

з

1

з

4

6

6

2

3

4

2

2

4

4

4

з

66

з

 

2006

2

4

6

4

6

1

4

2

2

2

4

3

-

2

3

3

з

зз

2

Минская

2001

3

2

2

з

2

2

2

3

6

6

з

7

з

2

з

з

3

4

 

2006

4

2

2

2

2

з

2

6

6

з

з

4

-

3

з

з

3

61

з

Могилевская

2001

 

6

6

2

6

з

з

2

3

з

2

3

3

7

2

2

2

66

з

 

2006

7

 

3

з

7

2

з

4

3

4

2

2

-

7

2

4

2

64

6

г. Минск

2001

7

7

7

7

4

7

7

7

7

7

7

6

4

1

7

7

7

106

6

 

2006

6

7

7

7

з

7

7

7

7

7

7

7

-

6

7

7

7

108

7

Сумма рангов

2001

28

28

28

28

28

28

28

28

28

28

28

28

28

28

28

28

28

476

 

 

2006

28

28

28

28

28

28

28

28

28

28

28

28

0

28

28

28

28

448

 

На основании рассмотрения данных в табл. 1 определяем номера позиций решаемых задач как ранги и соответствующие приоритеты группировки регионов по схожести социально-экономических показателей. Например, в 2001 г. получилось выделение следующих приоритетов: первый - Гомельская область, второй - Брестская область, третий - Витебская область и т. д. В 2006 г. первый номер приоритета имела Витебская область, второй - Гродненская область, третий - Гомельская область, четвертый - Брестская область и т. д.

Количественная информация, характеризующая по каждой задаче динамику снижения схожести социально-экономических показателей по исследуемым регионам с использованием кластерного анализа, определена нами на основе использования прикладного статистического пакета «Анализ статистических данных и восстановление скрытых закономерностей», разработанного региональным отделением фирмы SPSS из Мюнхена, находящимся в городах Марбург и Хайдельберг. [1, с. 38з-409.].

Страницы:
1  2  3  4  5  6  7  8  9  10  11  12  13  14  15  16  17  18  19  20  21  22  23  24  25  26  27  28  29  30  31  32  33  34  35  36  37  38  39  40  41  42  43  44  45  46  47  48  49  50  51  52  53  54  55  56  57  58  59  60  61  62  63  64  65  66  67  68  69  70  71  72  73  74  75  76  77  78  79  80  81  82  83  84  85  86  87  88  89  90  91  92  93  94  95  96  97  98  99  100  101  102  103  104  105  106  107  108  109  110  111  112  113  114  115 


Похожие статьи

Т С Медведкин - Проблемы развития внешнеэкономических связей и привлечения иностранных инвестиций региональный аспект