Economic security

Экономическая безопасность

2658-7548

BIBLIO-GLOBUS Publishing House

121609

10.18334/ecsec.7.8.121609

FYDWWB

Articles

Статьи

Research Article

Clusterization of Russian depressed regions: Python data analysis

Кластеризация депрессивных регионов Российской Федерации: анализ данных с применением Python

Dolganova

Yana Alekseevna

Долганова

Яна Алексеевна

старший научный сотрудник научно-исследовательской лаборатории «Центр комплексного изучения проблем региональной безопасности», кандидат экономических наук, доцент

dolganova.y.a@mail.ru

Pskov State University Псковский государственный университет

31 08 2024

7 8

VOL 7, NO8 (2024)

ТОМ 7, №8 (2024)

2049 2066 20 08 2024 20 08 2024

2024

Dolganova Ya.A.

Долганова Я.А.

https://1economic.ru/lib/121609

A study of indicators and indices of economic security of ten selected depressed regions was conducted. The data analysis was conducted using the Python programming language. The normal distribution was verified, and the selection of Spearman's method for correlation analysis was substantiated. A hypothesis was formulated regarding the possibility of dividing regions into clusters based on the values of regional economic security indicators and indices for the period between 2017 and 2022. Based on the application of four clustering algorithms, the hypothesis was not confirmed.

Проведено исследование показателей и индикатора экономической безопасности десяти выбранных депрессивных регионов. Анализ данных осуществлен с применением языка программирования Python. Осуществлена проверка на нормальное распределения, обоснован выбор метода Спирмена для проведения корреляционного анализа. Выдвинута гипотеза о возможности разделения регионов по кластерам в зависимости от значений показателей экономической безопасности регионов и индикаторов за период с 2017 года по 2022 год. На основе применения четырех алгоритмов кластеризации гипотеза не подтверждена

depressed region regional economic security indicator Python data analysis descriptive statistics clusterization correlation matrix heat map diagram principal components method k-means method DBSCAN algorithm

депрессивные регионы Российской Федерации показатели экономической безопасности региона анализ данных в Python описательные статистики кластеризация матрица корреляции диаграмма «тепловая карта» метод главных компонент метод k-means алгоритм DBSCAN

статья подготовлена при финансовой поддержке РНФ, проект 23-28-01226 «Формирование интеллектуального кибер-физического технополиса депрессивного района на основе системообразующего инновационно-активного кластера для повышения экономической безопасности региона»

1. Указ Президента РФ от 13.05.2017 N 208 «О Стратегии экономической безопасности Российской Федерации на период до 2030 года». [Электронный ресурс]. URL: https://www.consultant.ru/document/cons_doc_LAW_216629/?ysclid=m00b5 (дата обращения: 14.06.2024).

2. Гарафутдинов Р.В. Python для анализа данных. / учебное пособие // Перм. гос. нац. исслед. ун-т. - Пермь, 2024. – 276 c.

3. Генеральная прокуратура Российской Федерации. [Электронный ресурс]. URL: http://genproc.gov.ru/ (дата обращения: 14.06.2024).

4. Городецкий А. Е., Караваева И. В. Экономическая безопасность России: теоретическое обоснование и методы регулирования. / Монография. - М.: Институт экономики РАН, 2023. – 361 c.

5. Долганова Я.А., Руденко М.Н. Совершенствование способов оценки и прогнозирования экономической безопасности региона. / монография. - Москва: Первое экономическое издательство, 2021. – 168 c.

6. Долганова Я.А., Бабкин А.В. Факторы обеспечения экономической безопасности депрессивных регионов в условиях цифровой трансформации // МИР (Модернизация. Инновации. Развитие). – 2023. – № 3. – c. 361-379.

7. ЕМИСС Государственная статистика (официальные статистические показатели). [Электронный ресурс]. URL: https://www.fedstat.ru/ (дата обращения: 14.06.2024).

8. Караваева И.В., Лев М.Ю. Экономическая безопасность: технологический суверенитет в системе экономической безопасности в современной России // Экономическая безопасность. – 2023. – № 3. – c. 905-924.

9. Кощеев Д.А., Гарафутдинов Р.В. Разработка программы-индикатора негативных эффектов интеракции социально-экономической среды региона и промышленного кластера на языке Python // Математическое и компьютерное моделирование в экономике, страховании и управлении рисками. – 2023. – № 8. – c. 78-82.

10.

10. Лев М.Ю. Оценка тенденций мониторинга состояния национальной, социально-экономической безопасности в контексте стратегического планирования // Экономическая безопасность. – 2024. – № 1. – c. 27-48.

11.

11. Лещенко Ю. Г. Кластеризация экономики как фактор региональной экономической безопасности // Микроэкономика. – 2017. – № 4. – c. 29-40.

12.

12. Оборин М.С. Механизмы обеспечения экономической безопасности депрессивных регионов // Вестник Волгоградского государственного университета. Экономика. – 2021. – № 2. – c. 29–41.

13.

13. Федеральная служба государственной статистики. [Электронный ресурс]. URL: http://www.gks.ru (дата обращения: 14.06.2024).

14.

14. Цветков В.А., Дудин М.Н., Лясников Н.В. Аналитические подходы к оценке экономической безопасности региона // Экономика региона. – 2019. – № 1. – c. 1–12.

15.

15. Шкарупета Е.В., Долганова Я.А., Пёрышкин М.О. Интеллектуальный цифровой технополис в контексте повышения экономической безопасности депрессивных регионов // Π-Economy. – 2023. – № 5. – c. 66-77.

16.

16. Шкарупета Е.В., Бабкин А.В., Долганова Я.А. Методика анализа экономической безопасности цифровых экосистем регионов со слабой экономикой // Интеллектуальная инженерная экономика и Индустрия 5.0 (ИНПРОМ-2024): Сборник трудов X Международной научно-практической конференции. В 2-х томах. Санкт-Петербург, 2024. – c. 419-423.

17.

17. Фролова Н.В., Радионова М.В. Методы статистических исследований в экономике. / Учебное пособие/ Перм. гос. нац. исслед. ун-т. - Пермь, 2015. – 260 c.