Scientific journal

Modern high technologies

ISSN 1812-7320

"Перечень" ВАК

ИФ РИНЦ = 0,940

В современных условиях развития экономики РФ одной из наиболее актуальных задач является совершенствование процедур поддержки принятия решений при управлении инвестиционными процессами на региональном уровне. Существующие проблемы регионального экономического развития имеют тенденцию к стремительному воздействию на ход инвестиционных процессов [1–3]. Среди таких проблем можно выделить: замедление темпов экономического роста регионов, сокращение промышленного производства, неполное исполнение бюджетных средств, выделяемых на реализацию национальных проектов, нестабильность инвестиций в основной капитал [4–6].

Решение проблем управления инвестиционными процессами на региональном уровне требует разработки систем поддержки принятия решений, которые основаны на использовании результатов анализа широкой группы показателей, характеризующих различные стороны деятельности регионов и оказывающих влияние на экономический рост и благосостояние населения. Среди этих показателей должны быть выделены не только показатели, которые отражают особенности непосредственно инвестиционной деятельности в регионах, но и такие показатели, на основе которых можно оценить уровень как социального развития, так и экономического развития в целом, которые отражают результативность инвестиционных вложений с учетом инвестиционного лага. Возникает необходимость в разработке алгоритма анализа данных об инвестиционных процессах на региональном уровне, который позволяет интегрировать показатели и строить обобщенные характеристики состояния инвестиционных процессов регионов, а также формировать кластерную структуру регионов.

Цель исследования заключается в разработке алгоритма анализа данных об инвестиционных процессах в регионах и составлении рейтинга инвестиционного развития регионов на основе применения метода главных компонент, что необходимо для поддержки принятия решений при реализации различных сценариев инвестиционной политики.

Материалы и методы исследования

Предлагаемый алгоритм анализа данных об инвестиционных процессах и составления рейтинга инвестиционного развития регионов включает пять шагов.

На первом шаге формируются выборки на основе данных, представленных в статистических сборниках «Регионы России» [7]. Сформированы три выборки А1, А2 и А3, включающие в себя в целом 20 показателей.

В выборку А1 включены признаки, характеризующие инвестиционный процесс в регионе с учетом состояния основных фондов. Это признаки: инвестиции в основной капитал; инвестиции в основной капитал на душу населения; иностранные инвестиции в регион (сальдо); стоимость основных фондов; степень износа основных фондов; валовый региональный продукт (ВРП); ВРП на душу населения; число предприятий и организаций.

В выборке А2 присутствуют признаки, характеризующие структуру инвестиций в основной капитал по видам основных фондов: инвестиции в жилые здания и помещения; инвестиции в здания (кроме жилых), инвестиции на улучшение земель; инвестиции в машины, оборудования, транспортные средства; инвестиции в объекты интеллектуальной собственности, а также сальдированный финансовый результат организаций.

Выборка А3 включает признаки, характеризующие динамику инвестиционного процесса и его результативность в строительстве: индекс физического объема инвестиций, индекс физического объема валового регионального продукта, индекс промышленного производства, индекс производства продукции сельского хозяйства, количество введенных в эксплуатацию жилых и нежилых зданий, объем введенных в эксплуатацию жилых и нежилых зданий, площадь введенных в эксплуатацию жилых и нежилых зданий.

На втором шаге проводится анализ сформированных выборок методом главных компонент. Цель анализа данных на основе выборки А1 состоит в формировании характеристик регионов, различающихся по уровню инвестиционного развития, при этом учитывается текущее состояние основных фондов и уровень достигнутого экономического развития в целом. Построены главные компоненты (ГК), весовые коэффициенты которых представлены в табл. 1, а также сформированы названия главных компонент. Для первой главной компоненты ГК11 сформировано название – «Уровень экономического развития регионов с учетом инвестиций», для второй главной компоненты ГК12 – «Уровень инвестиционного развития с учетом численности населения», для третьей главной компоненты ГК13 – «Степень износа основных фондов».

Таблица 1

Весовые коэффициенты признаков в главных компонентах (выборка А1)

Рис. 1. Распределение регионов в пространстве первых двух ГК (выборка А1)

Таблица 2

Весовые коэффициенты признаков в главных компонентах (выборка А2)

Распределение регионов на диаграмме рассеяния в пространстве двух главных компонент, ГК11 и ГК12, представлено на рис. 1. Показано, что большинство регионов находятся в области довольно малых значений обеих главных компонент, однако это обусловлено значительным отдалением г. Москвы по направлению ГК11 от всех остальных регионов. Необходимо выделить Московскую область и г. Санкт-Петербург, отличающиеся достаточно выраженным преимуществом экономического и инвестиционного развития (по ГК11) относительно других регионов. Нахождение региона в области больших значений главной компоненты ГК12 характеризует высокий уровень инвестиционных вложений на душу населения, а также ВРП – тоже на душу населения. Вследствие учета численности населения лидерами по ГК12 становятся Ямало-Ненецкий автономный округ и Ненецкий автономный округ. Довольно большой уровень инвестиционного и экономического развития с учетом численности населения характерен для Чукотского и Ханты-Мансийского автономных округов. Наибольший износ основных фондов (наибольшее значение ГК13) присутствует в Удмуртской и Чувашской республиках, Республике Марий Эл, Оренбургской и Рязанской областях.

Анализ данных на основе выборки А2 также проводится с помощью метода главных компонент и имеет целью формирование характеристик регионов, различающихся по структуре инвестиционных вложений в основной капитал. Весовые коэффициенты признаков в главных компонентах приведены в табл. 2.

На основе полученных значений весовых коэффициентов признаков в главных компонентах сформированы названия для первых двух главных компонент. Первая главная компонента ГК21 имеет название «Инвестиции в землю с учетом инвестиций в оборудование и жилые здания», название второй главной компоненты ГК22 – «Инвестиции в интеллектуальную собственность с учетом финансового результата организаций», третьей главной компоненты ГК23 – «Инвестиции в жилые здания». На рис. 2 представлена диаграмма рассеяния, полученная при анализе выборки А2.

Рис. 2. Распределение регионов в пространстве первых двух ГК (выборка А2)

Таблица 3

Весовые коэффициенты признаков в главных компонентах (выборка А3)

Анализ расположения регионов на диаграмме позволяет выявить характерные особенности структуры инвестиционных вложений в основной капитал в регионах РФ. Состав ГК21 позволяет выделить, с одной стороны, регионы с преимущественным вложением инвестиций в оборудование и жилые здания, а также малыми земельными инвестициями (это область малых значений ГК21, где расположены Москва и Санкт-Петербург); и, с другой стороны, регионы, характеризующиеся значительными инвестиционными вложениями в землю и небольшими инвестициями в оборудование (это область больших значений ГК21, где расположены, в частности, Республика Ингушетия и Амурская область). Подключение к анализу распределения регионов вдоль ГК22 позволяет выделить регионы с наибольшими вложениями инвестиций в интеллектуальную собственность (г. Москва, г. Санкт-Петербург, Чукотский автономный округ, Ямало-Ненецкий автономный округ, Вологодская область и др.); а также регионы с малыми инвестиционными вложениями в области интеллектуальной собственности (в частности, Республика Калмыкия, Чеченская Республика, Республика Ингушетия).

Компонентный анализ данных на основе выборки А3 позволил построить три главные компоненты, кумулятивная дисперсия которых составила 73,6 %. Исключение признаков, вносящих наименьший вклад в формирование компонент (индекс промышленного производства и индекс производства в сельском хозяйстве), позволило повысить дисперсию до 92,9 %. Цель анализа скорректированной выборки А3 состоит в формировании характеристик регионов, различающихся по результативности инвестиционного процесса в строительстве с учетом динамики инвестиционного обеспечения экономического развития.

Сформированы названия для главных компонент, состав которых определяется степенью влияния признаков (табл. 3). Название первой главной компоненты ГК31 – «Ввод в эксплуатацию жилых и нежилых зданий», второй главной компоненты ГК32– «Динамика инвестиционного и экономического развития (одинаковые знаки)», третьей главной компоненты ГК33 – «Динамика экономического развития (противоположные знаки)».

Диаграмма рассеяния демонстрирует сосредоточение большинства регионов в области невысоких значений ГК31 и средних значений ГК32 (рис. 3). Для этих регионов характерен небольшой объем завершенного строительства и средний темп инвестиционного развития. Лидерами по развитию инвестиций в строительство являются Московская область и Москва. Довольно высокий уровень развития инвестиционных процессов в строительстве в Краснодарском крае, Республике Татарстан и Республике Башкортостан. Высокие темпы сбалансированного инвестиционного и экономического развития имеют экономики Магаданской и Курской областей, очень низкие – в Ненецком автономном округе и Республике Калмыкия.

На третьем шаге составлена интегральная выборка Аgen на основе ранее разработанного метода [8, 9], проведен компонентный анализ. В выборку Аgen вошли 9 признаков, которые соответствуют главным компонентам, полученным в результате анализа выборок А1, А2 и А3. Весовые коэффициенты признаков для первых двух главных компонент ГК1gen и ГК2gen представлены в табл. 4.

Рис. 3. Распределение регионов в пространстве первых двух КГ (выборка А3)

Таблица 4

Весовые коэффициенты признаков в главных компонентах (выборка Аgen)

Анализ состава признаков, определяющих ГК1gen и ГК2gen, а также знаков коэффициентов при них позволяет заключить, что, во-первых, компонента ГК1gen характеризует в целом уровень экономического и инвестиционного развития регионов с учетом инвестиционных вложений в оборудование и интеллектуальную собственность; и, во-вторых, компонента ГК2gen характеризует уровень инвестиционного развития с учетом численности населения, а также инвестиции в строительство (с противоположными знаками). Особенность компоненты ГК2gen позволяет выявить регионы, в которых инвестиционные расходы на душу населения высокие, что присуще регионам с небольшой численностью населения и высокой долей трудовых ресурсов (рис. 4). К ним относятся северные регионы с развитой нефтедобывающей промышленностью, например Ямало-Ненецкий автономный округ (АО), Ханты-Мансийский автономный округ. Перечисленные особенности и определили названия компонент: для ГК1gen – «Уровень экономического и инвестиционного развития регионов с учетом вложений в оборудование и интеллектуальную собственность», для ГК2gen – «Уровень инвестиционного развития с учетом численности населения и вложений в строительство».

На диаграмме присутствует облако с высокой плотностью расположения регионов, структуру которого выявить на этом шаге не удалось. Выделены регионы, которые находятся далеко от этого облака и являются регионами-лидерами по уровню инвестиционного развития: г. Москва, Московская область, г. Санкт-Петербург, Ямало-Ненецкий автономный округ и Ненецкий автономный округ. Именно эти регионы вносят наибольший вклад в поляризацию данных. Требуется исключение их из выборки Аgen для проведения дальнейшего анализа.

На четвертом шаге формируется скорректированная выборка Аgen_cor, проводится компонентный анализ с целью выявления кластерной структуры множества регионов, из которого на третьем шаге исключены регионы-лидеры.

На пятом шаге формируется рейтинг регионов по уровню инвестиционного развития.

Результаты исследования и их обсуждение

Анализ результатов проведения компонентного анализа скорректированной выборки Аgen_cor позволил заключить, что состав признаков, определяющих содержание построенных первых двух главных компонент ГК1gen_cor и ГК2gen_cor, не изменился, поэтому названия компонент сохранены. Изменились только знаки признаков, определяющих ГК2gen_cor, на противоположные. Вследствие этого, изменилось направление оси ординат, определяемой ГК2gen_cor, и произошли соответствующие изменения в расположении регионов вдоль оси ГК2gen_cor (рис. 5).

На итоговой диаграмме рассеяния построены 9 квадрантов, полученных путем выделения интервалов с низкими, средними и высокими значениями ГК1gen_cor и ГК2gen_cor, в рамках которых выделены 10 кластеров. Наиболее высокий уровень экономического и инвестиционного развития (область высоких значений ГК1gen_cor) характерен для первых пяти одиночных кластеров (Краснодарский край, Свердловская область, Республика Татарстан, Красноярский край, Ханты-Мансийский автономный округ – Югра). Они представляют собой самые привлекательные регионы для инвестиционных вложений.

Рис. 4. Распределение регионов в пространстве первых двух ГК (выборка Аgen)

Рис. 5. Распределение регионов в пространстве первых двух ГК (выборка Аgen_cor)

Таблица 5

Состав и характеристики кластеров регионов

При анализе распределения регионов вдоль компоненты ГК2gen_cor необходимо учитывать отрицательный знак коэффициента при признаке «Уровень инвестиционного развития с учетом численности населения». Наиболее высокий уровень инвестиционного развития с учетом численности населения (область малых значений ГК2gen_cor) присущ северо-восточным регионам с малой численностью населения, в частности Ханты-Мансийскому автономному округу (ХМАО), Чукотскому АО, Красноярскому краю; вложения в строительную отрасль здесь малы. И наоборот, большие инвестиции в строительство и недостаточно высокий уровень инвестиционных вложений с учетом высокой численности населения характерен для южных регионов, таких, например, как Краснодарский край, Ростовская область, Воронежская область.

Таблица 6

Рейтинг ТОП-10 регионов по уровню инвестиционного развития

Характеристики всех выделенных кластеров регионов представлены в табл. 5. Построен рейтинг регионов РФ по уровню экономического и инвестиционного развития, для этого используются значения компоненты ГК1gen. Полученный рейтинг регионов соответствует представленным выше диаграммам рассеяния (рис. 4 и 5). ТОП-10 регионов приведен в табл. 6.

Результаты построения рейтинга могут быть использованы для поддержки принятия решений на макро- и мезоуровнях социально-экономических систем.

Заключение

Таким образом, предложен алгоритм анализа данных об инвестиционных процессах и составления рейтингов регионов в области инвестиционного развития. Данный алгоритм основан на применении метода главных компонент и позволяет построить кластеры регионов, различающихся по уровню инвестиционного развития как базы экономического развития регионов в целом. Предложенный алгоритм целесообразно применять при разработке информационных систем поддержки принятия решений в области инвестиционной политики.