Кластеризация регионов на основе базовых аграрно-экономических критериев

Abstract

Разнообразие природно-климатических и экономических условий российских регионов предполагает широкий диапазон методологических подходов к их классификации. Одновременно усложняется задача абстрагирования исследования для любой отрасли народного хозяйства. Эффективная кластеризация важна также в процессе формирования и реализации аграрно-экономической политики. В работе изучены возможности базовой аграрно-экономической региональной кластеризации на основе временных рядов основных экономических показателей и показателей развития сельского хозяйства. Новизна предлагаемого подхода заключается в методике динамического сегментирования, которая позволяет наблюдать и прогнозировать направление изменений в мезоэкономических пропорциях. На основе официальных данных государственной статистики сформированы группы показателей по производственному, производственно-институциональному и производственно-структурному критериям. В качестве основного метода исследования выбран метод кластеризации «k-среднее». На основе трех смоделированных региональных сегментов рассчитаны средние значения по исходным признакам. Сегменты классифицированы с позиций полученных характеристик. Отдельно рассмотрены субъекты-выбросы, далеко отстоящие от основных массивов данных. Полученные результаты подтвердили широкое пространственное распределение регионов, входящих в определенные аграрно-экономические сегменты. Данная классификация будет полезна при обосновании направлений и выборе инструментов аграрно-экономической политики, стратегии создания производственных кластеров, а также при планировании работы регионального агробизнеса, устранении существующих диспропорций в его развитии. В качестве дальнейшего совершенствования методологии аграрно-экономической сегментации в динамике предложено расширить анализ с помощью изменения изучаемого временного интервала, роста количества включаемых в модель факторов и их взаимодействий, введения новых алгоритмов кластеризации. Данную модель можно дополнительно применять для получения прогнозов структурных изменений и динамики производства.

The diversity of natural, climatic, and economic conditions of Russian regions implies a wide range of approaches to their classification. Simultaneously, the task of creating an abstract methodology for any branch of the national economy becomes more complicated. Effective clustering plays an important role in the establishment and implementation of agricultural and economic policies. The paper explores the potential of basic agricultural and economic regional clustering based on time series of main economic and agricultural development indicators. The dynamic segmentation technique was applied in order to monitor and predict the direction of meso-economic changes. Official Russian statistics were analysed to identify groups of indicators on production, production and institutional, and production and structural criteria. The к-means clustering algorithm was chosen as the key research method. Based on the three simulated regional segments, baseline average values were calculated. Then, the segments were classified according to the obtained characteristics. The outliers, significantly differing from the main data sets, were considered separately. The findings confirmed a wide spatial distribution of regions included in certain agricultural and economic segments. The presented classification can be applied to justify the directions and choice of instruments of agricultural and economic policy and a strategy for creating production clusters. Moreover, it can be used to plan the activities of regional agri-businesses and reduce their development imbalances. To improve the dynamic segmentation technique in the field of agricultural and economic development, the analysis can be expanded by changing the examined time interval, increasing the number of factors included in the model and their interactions, and introducing new clustering algorithms. Additionally, this model can be used to forecast structural changes and production dynamics.