Применение многопараметрических методов машинного обучения для отбора значимых количественных характеристик предприятий в регионах Российской Федерации при анализе дотационности

Авторы

  • Анна Викторовна Кузнецова Институт биохимической физики им. Н. М. Эмануэля РАН, ул. Косыгина, 4, 119334, г. Москва, Россия
  • Людмила Робертовна Борисова Финансовый университет при Правительстве Российской Федерации, пр. Ленинградский, 49, 125167, г. Москва, Россия

Ключевые слова:

методы машинного обучения, статистика, data science, экономические показатели, дотационные регионы, субъекты Российской Федерации

Аннотация

Представлен оригинальный метод поиска связи финансово-экономических показателей с дотационностью регионов Российской Федерации. Как наиболее значимые с точки зрения потребностей регионов в дотациях параметры рассмотрены данные по предприятиям и организациям, а также касающиеся основных фондов показатели. Выделены две группы регионов: регионы, нуждающиеся в дотациях, и регионы, не нуждающиеся в дотациях. Методами машинного обучения в выделенных группах выявлены различия по отчетным данным предприятий и организаций, а также основным фондам. Наиболее важными показателями за 2020 г., по которым группы отличаются друг от друга, стали число и оборот организаций, сальдированный финансовый результат (разность прибыли и убытка), удельный вес убыточных организаций, кредиторская и дебиторская задолженности организаций, просроченная задолженность по заработной плате в расчете на одного работника, число малых предприятий на 10 000 человек населения и др. Такой подход (классификация методами оптимально достоверных разбиений и статистически взвешенных синдромов) только начинает использоваться в данной области. Найденные закономерности позволят более точно обрисовать паттерн («портрет») каждого региона Российской Федерации и дадут возможность прогнозировать их дотационный статус в будущем. Набор значимых характеристик позволит повысить точность прогноза и разработать план по выходу из группы регионов, нуждающихся в дотациях, в группу регионов, не нуждающихся в дотациях.

Биографии авторов

  • Анна Викторовна Кузнецова, Институт биохимической физики им. Н. М. Эмануэля РАН, ул. Косыгина, 4, 119334, г. Москва, Россия

    кандидат биологических наук; старший научный сотрудник лаборатории математической биофизики

  • Людмила Робертовна Борисова, Финансовый университет при Правительстве Российской Федерации, пр. Ленинградский, 49, 125167, г. Москва, Россия

    кандидат физико-математических наук, доцент; доцент кафедры математики и анализа данных факультета информационных технологий и анализа больших данных

Библиографические ссылки

  1. Таштамиров МР, Байсаева МУ, Баташев РВ. Систематизация факторов и условий высокой дотационности региональных бюджетов. Фундаментальные исследования. 2020;11:185–192. DOI: 10.17513/fr.42896.
  2. Энеева МН, Ульбашева АР, Уянаева ХБ. Факторы и причины дотационности региональных экономик СКФО. Terra economicus. 2010;4(3):173 –176.
  3. Алимурадов МК, Мидов АЗ, Одинцов СВ. Стратегический анализ бюджетной обеспеченности высокодотационных регионов. Экономическое возрождение России. 2021;2:114 –129. DOI: 10ю37930/1990-9780-2021-2-68-113-129.
  4. Кричевский МЛ, Мартынова ЮА. Использование методов машинного обучения для оценки инвестиционной деятельности различных регионов России. Вопросы инновационной экономики. 2019;9(4):1557–1572. DOI: 10.18334/vinec.9.4.41432.
  5. Chandrinos SK, Sakkas G, Lagaros ND. AIRMS: a risk management tool using machine learning. Expert Systems with Applications. 2018;105:34 – 48. DOI: 10.1016/j.eswa.2018.03.044.
  6. Stanula P, Ziegenbein А, Metternich J. Мachine learning algorithms in production: a guideline for efficient data source selection. Procedia CIRP. 2018;78:261–266.
  7. Portugal I, Alencar P, Cowan D. The use of machine learning algorithms in recommender systems: a systematic review. Expert Systems with Applications. 2018;97:205 –227. DOI: 10.1016/j.eswa.2017.12.020.
  8. Борисова ЛР, Кузнецова АВ. Использование работающего компьютерного тренажера Data Master Azforus для обучения методам машинного обучения. В: Королькова ИА, редактор. Цифровая трансформация социальных и экономических систем. Материалы Международной научно-практической конференции; 28 января 2022 г.; Москва, Россия. Москва: Московский университет имени С. Ю. Витте; 2022. с. 264 –270.
  9. Кирилюк ИЛ, Кузнецова АВ, Сенько ОВ. Исследование взаимосвязи производственных функций и социально-экономических показателей российских регионов методом оптимальных разбиений. Информационные технологии и вычислительные системы. 2021;1:20 –31. DOI: 10.14357/20718632210103.
  10. Сенько ОВ, Кузнецова АВ, Воронин ЕМ, Кравцова ОА, Борисова ЛР, Кирилюк ИЛ и др. Методы интеллектуального анализа данных в исследованиях Covid-19. Журнал Белорусского государственного университета. Математика. Информатика. 2022;1:83–96. DOI: 10.33581/2520-6508-2022-1-83-96.
  11. Кузнецова АВ, Сенько ОВ. Возможности использования методов Data Mining при медико-лабораторных исследованиях для выявления закономерностей в массивах данных. Врач и информационные технологии. 2005;1:49 –56.
  12. Senko OV, Kuznetsova AV, Malygina NA, Kostomarova IV. Method for evaluating of discrepancy between regularities systems in different groups. Information Technologies & Knowledge. 2011;5(1):46 –54.

Загрузки

Дополнительные файлы

Опубликован

2025-07-02

Выпуск

№ 1 (2025): Журнал Белорусского государственного университета. Экономика

Раздел

O. Экономическое развитие, инновации, технологические изменения и рост

Лицензия

Copyright (c) 2025 Журнал Белорусского государственного университета. Экономика

Лицензия Creative Commons

Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial» («Атрибуция — Некоммерческое использование») 4.0 Всемирная.

Авторы, публикующиеся в данном журнале, соглашаются со следующим:

  1. Авторы сохраняют за собой авторские права на работу и предоставляют журналу право первой публикации работы на условиях лицензии Creative Commons Attribution-NonCommercial. 4.0 International (CC BY-NC 4.0).
  2. Авторы сохраняют право заключать отдельные контрактные договоренности, касающиеся неэксклюзивного распространения версии работы в опубликованном здесь виде (например, размещение ее в институтском хранилище, публикацию в книге) со ссылкой на ее оригинальную публикацию в этом журнале.
  3. Авторы имеют право размещать их работу в интернете (например, в институтском хранилище или на персональном сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению и большему количеству ссылок на данную работу. (См. The Effect of Open Access).

Как цитировать

[1]
Кузнецова, А.В. и Борисова, Л.Р. 2025. Применение многопараметрических методов машинного обучения для отбора значимых количественных характеристик предприятий в регионах Российской Федерации при анализе дотационности. Журнал Белорусского государственного университета. Экономика. 1 (июл. 2025), 88–96.