Кластерный анализ как инструмент управления социально-экономическим развитием региона (на примере Центрального федерального округа)

Тип работы:
Реферат
Предмет:
Экономические науки


Узнать стоимость

Детальная информация о работе

Выдержка из работы

Согачева О.В.
КЛАСТЕРНЫЙ АНАЛИЗ КАК ИНСТРУМЕНТ УПРАВЛЕНИЯ СОЦИАЛЬНО-ЭКОНОМИЧЕСКИМ РАЗВИТИЕМ РЕГИОНА (НА ПРИМЕРЕ ЦЕНТРАЛЬНОГО ФЕДЕРАЛЬНОГО ОКРУГА)
Аннотация. Статья посвящена исследованию основных аспектов кластерного анализа, изучению его как самостоятельного метода многомерного анализа. В статье проведена оценка социально-экономического развития региона посредством формирования региональных кластеров. Автором проведен анализ социально-экономических позиций регионов Центрального федерального округа с помощью статистических показателей, которые наиболее полно и информативно отражают соответствующие условия развития регионов.
Ключевые слова. Кластерный анализ, региональное развитие, управление кластером.
Sogacheva O.V.
CLUSTER ANALYSIS AS A MANAGEMENT TOOL OF SOCIO-ECONOMIC DEVELOPMENT OF THE REGION (ON THE EXAMPLE OF THE CENTRAL
FEDERAL DISTRICT)
Abstract. The article investigates the main aspects of cluster analysis, the study of it as an independent method of multivariate analysis. The paper assessed the socio-economic development of the region through the formation of regional clusters. The author analyzes the socio-economic position of the Central Federal District with the help of statistical indicators that best reflect the relevant and informative conditions for the development of regions.
Keywords. Cluster analysis, regional development, cluster management.
В современных условиях управление экономическими процессами с помощью кластерного подхода — необходимое условие для развития экономики любого региона и страны в целом. В связи с этим одной из главных стратегических целей политики в России является создание конкурентоспособных кластеров, которые смогли бы проявить свою активность не только на внутреннем, но и на внешнем рынках [1- 4- 5- 7].
Сама идея повышения конкурентоспособности национальной экономики на основе успешного функционирования кластерной политики не является новой, поскольку данный термин появился еще в XIX веке в трудах английского экономиста А. Маршалла. Однако, необходимо отметить, что в данной статье речь пойдет о формировании кластеров в трактовке М. Портера, который определял кластер как «сконцентрированную по географическому признаку группу взаимосвязанных компаний, специализированных поставщиков, поставщиков услуг, фирм в соответствующих видах экономической деятельности, а также связанных с их деятельностью организаций (например, университетов, агентств по стандартизации, а также торговых объединений) в определенных областях конкурирующих, но вместе с тем ведущих совместную работу» [6- 8- 9].
ГРНТИ 06. 61. 23 © Согачева О. В., 2016
Ольга Валерьевна Согачева — кандидат экономических наук, доцент кафедры региональной экономики и менеджмента Юго-Западного государственного университета (г. Курск).
Контактные данные для связи с автором: 305 040, Курск, 50 лет Октября ул., д. 94 (Russia, Kursk, 50 let Ok-tyabrya str., 94). E-mail: reandm@rambler. ru.
Исследование выполнено на основании государственного задания Министерства образования и науки Российской Федерации № 26. 2671. 2014 & quot-Теоретико-методологические основы разработки и реализации кластерной политики на региональном уровне и научно-методическое обоснование инструментария прогрессивных структурных преобразований региональных социально-экономических систем& quot-.
В статье проведена оценка социально-экономического развития региона посредством формирования региональных кластеров, т. е. с помощью проведения кластерного анализа. Кластерный анализ является в данном случае весьма полезным и эффективным, поскольку необходимо рассмотреть большое количество информации для того, чтобы выделить региональные кластеры, кроме того данный метод, в отличие от других статистических процедур, используется тогда, когда отсутствуют какие-либо априорные гипотезы относительно классов, поэтому кластерный анализ определит наиболее возможное решение [2- 3- 11- 12].
Методы кластеризации существенно различаются между собой. При классификации регионов в данной статье мы будем использовать метод Варда, наиболее часто применяемый в кластерном анализе, в котором для оценки расстояний между кластерами используются методы дисперсионного анализа. Метод минимизирует сумму квадратов для любых двух (гипотетических) кластеров, которые могут сформироваться на любом шаге. Кроме того, необходимо отметить, что в работе использован наиболее общий тип расстояния — Евклидово расстояние, которое является геометрическим расстоянием в многомерном пространстве [6].
Кластерный анализ был проведен по социально-экономическим показателям регионов Центрального федерального округа: Белгородская область (С1), Брянская область (С2), Владимирская область (С3), Воронежская область (С4), Ивановская область (С5), Калужская область (С6), Костромская область (С7), Курская область (С8), Липецкая область (С9), Московская область (С10), Орловская область (С11), Рязанская область (С12), Смоленская область (С13), Тамбовская область (С14), Тверская область (С15), Тульская область (С16), Ярославская область (С17).
Для оценки социально-экономических позиций регионов Центрального федерального округа (ЦФО) были отобраны 15 статистических показателей, которые наиболее полно и информативно смогут отразить соответствующие условия развития регионов [10]: коэффициент естественного прироста населения (на 1000 человек населения), уровень безработицы, %, среднемесячная номинальная начисленная заработная плата, руб., численность студентов вузов, тыс. чел., численность врачей на 10 000 чел. населения, число зарегистрированных преступлений на 100 тыс. чел. населения, оборот малых предприятий, млрд руб., индекс промышленного производства к предыдущему году, %, индекс производства продукции сельского хозяйства в сопоставимых ценах к предыдущему году, %, объем работ, выполненных по виду экономической деятельности «строительство», млн руб., число автобусов общего пользования на 100 тыс. чел. населения, удельный вес организаций, использующих глобальные информационные сети, от общего числа организаций, %, численность персонала, занятого исследованиями и разработками, чел., инвестиции в основной капитал в фактически действовавших ценах, млн руб., ВРП на душу населения, руб.
Статистическое моделирование проводилось в программном комплексе STATISTICA 6.1. Ден-дрограмма кластеров по 17 исследуемым регионам ЦФО представлена на рисунке 1.
С10 С17 С8
С9 С6 С15 С16 С14 С12 С13 С3 С11 С7 С5
80
60
40
20
О
С2 С4
1
Рис. 1. Кластерный анализ развития регионов ЦФО
На оси абсцисс показаны номера регионов, а по оси ординат отложено расстояние между кластерами в процентах от максимально возможного расстояния в группе наблюдений. Полное слияние элементов происходит в точке шкалы, равной 100%. Однако, как видно из дендрограммы, процедура слияния была почти полностью реализована намного раньше и привела к формированию 4 кластеров. Отдельно стоящим регионом является С10 (Московская область), для более полного и подробного анализа полученных кластеров, считаем необходимым, не включать Московскую область ни в один из выделенных кластеров. Согласно полученной дендрограмме составим таблицу 1, содержащую сведения о составе каждого из выделенных кластеров.
Таблица 1
Состав кластеров, выделенных методом Варда_
Номер кластера Количество субъектов, вошедших в кластер Состав кластера
1 4 Ярославская область (С17) Курская область (С8) Липецкая область (С9) Калужская область (С6)
2 6 Тверская область (С15) Тульская область (С16) Тамбовская область (С14) Рязанская область (С12) Смоленская область (С13) Владимирская область (С3)
3 4 Орловская область (С11) Костромская область (С7) Ивановская область (С5) Брянская область (С2)
4 2 Воронежская область (С4) Белгородская область (С1)
Для того, чтобы интерпретировать полученные результаты и выяснить: что же за кластеры были выявлены, определим средние значения переменных в каждом кластере (таблица 2). Анализируя полученные данные, мы можем сказать, что кластер № 1 характеризуется высокими значениями по таким показателям, как число автобусов общего пользования на 100 тыс. чел. населения и численность персонала, занятого исследованиями и разработками. Однако стоит отметить, что данный кластер не является лидером ни по одному из выделенных факторов, но также не является и очевидным аутсайдером.
Кластер № 2 выделяется высоким значением коэффициента естественного прироста населения, однако необходимо отметить, что данный показатель представлен со знаком минус, поэтому высокое значение данного показателя является негативной тенденцией. Кластер № 3 характеризуется особенно низкими значениями показателей: объем работ, выполненных по виду экономической деятельности «строительство», а также численность персонала, занятого исследованиями и разработками. В целом, рассматривая кластер № 3, необходимо отметить, что по 9 из 15 показателей данный кластер имеет самые низкие значения.
Кластер № 4 характеризуется самыми высокими значениями по показателям численности студентов вузов, оборота малых предприятий, объема работ, выполненных по виду экономической деятельности «строительство», инвестиций в основной капитал в фактически действовавших ценах. Таким образом, исследуя полученные кластеры, мы можем сказать, что кластер № 1 и кластер № 2 можно назвать умеренно-стабильными, кластер № 4 является несомненным лидером, а кластер № 3 отличается менее выразительными темпами развития, в результате чего может считаться аутсайдером.
Резюмируя, отметим, что применение кластерного анализа крайне полезно при разработке программ развития регионов на краткосрочный период, поскольку это позволит проанализировать влияние отдельных факторов на сбалансированность социально-экономического развития региона, а также оценить возможные последствия изменения показателей в перспективе.
Таблица 2
Средние значения переменных в кластерах_
Показатель № 1 № 2 № 3 № 4
Коэффициент естественного прироста населения (на 1000 чел. населения) -4,1 -6,3 -4,75 -3,55
Уровень безработицы, % 4,1 4,87 5,38 4,6
Среднемесячная номинальная начисленная заработная плата, руб. 20 553,3 18 769,5 16 827,9 19 770,1
Численность студентов вузов, тыс. чел. 43,9 42,7 37,3 92,95
Численность врачей на 10 000 чел. населения 49,3 43,75 41,525 47,5
Число зарегистрированных преступлений на 100 тыс. чел. населения 1333 1331,2 1492,25 1078
Оборот малых предприятий, млрд руб. 172,1 144,4 115,8 250,6
Индекс промышленного производства к предыдущему году, % 109,2 104,7 107,4 117,2
Индекс производства продукции сельского хозяйства в сопоставимых ценах к предыдущему году, % 106,05 104,22 102,075 106,55
Объем работ, выполненных по виду экономической деятельности «строительство», млн руб. 37 312,7 26 028,7 14 555,3 70 190,7
Число автобусов общего пользования на 100 тыс. чел. населения 46,25 32,83 30,5 25
Удельный вес организаций, использующих глобальные информационные сети, от общего числа организаций, % 83,6 84,38 82,95 86,4
Численность персонала, занятого исследованиями и разработками, чел. 5014,5 2988 684,5 6021,5
Инвестиции в основной капитал в фактически действовавших ценах, млн руб. 79 147,8 71 334,67 32 879,25 158 096
ВРП на душу населения, руб. 227 215,6 180 084,2 149 256,9 262 577,2
ЛИТЕРАТУРА
1. Вертакова Ю. В., Клевцова М. Г., Положенцева Ю. С. Векторный анализ кластерных инициатив региона // Научно-технические ведомости Санкт-Петербургского государственного политехнического университета. Экономические науки. 2015. № 1 (211). С. 43−50.
2. Вертакова Ю. В., Положенцева Ю. С., Щедрин А. В., Хлынин М. Ю. Кластеризация регионального пространства: опыт Курской области // Вестник ОрелГИЭТ. 2012. № 3 (21). С. 98−104.
3. Вертакова Ю. В., Положенцева Ю. С., Хлынин М. Ю. Формирование и развитие промышленных кластеров // Технико-технологические проблемы сервиса. 2014. № 1 (27). С. 92−99.
4. Вертакова Ю. В., Согачева О. В. Исследование социально-экономических и политических процессов. М., 2012.
5. Вопросы региональной экономики: монография / под ред. В. М. Юрьева. Том III. Направления стабилизации функционирования региональных социально-экономических систем. Тамбов, 2009. 446 с.
6. Доничев О. А., Красюкова Н. Л., Фраймович Д. Ю. Кластерный анализ как инструмент оценки социально-экономического развития регионов // Экономический анализ. 2011. № 47. С. 39−45.
7. Положенцева Ю. С. Кластерный подход к анализу инновационного развития субъектов Российской Федерации // Известия Юго-Западного государственного университета. 2012. № 4−3 (43). С. 31−38.
8. Портер М. Конкуренция. М.: Вильямс, 2000.
9. Петрищева И. В. Субконтрактация как форма взаимодействия предприятий крупного и малого бизнеса в России: проблемы и перспективы развития // Молодой ученый. 2009. № 5. С. 69−73.
10. Регионы России. Социально-экономические показатели. 2014: Стат. сб. / Росстат. М., 2014.
11. Согачева О. В., Варфоломеев А. Г. Эффективное управление социальным развитием региона // В мире научных открытий. 2014. № 1.2 (49). С. 980−1000.
12. Согачева О. В., Варфоломеев А. Г. Комплексная оценка уровня социально-экономического развития регионов Центрально-Черноземного экономического района // Современные подходы к трансформации концепций государственного регулирования и управления в социально-экономических системах: Материалы Международной научно-практической конференции. Курск, 2012. С. 100−102.

ПоказатьСвернуть
Заполнить форму текущей работой