Сборник статей i всероссийской научнопрактической конференции 21 22 марта 2018 г. Брянск
 Скачать 4.23 Mb.
|
|
инструментальные средства, поддерживающие исследования междисциплинарного характера. С целью более глубокого исследования потенциала новых Wolfram – технологии в преподавании прикладных математических дисциплин необходимо уточнение роли педагогического проектирования и моделирования [10], а также разработка механизмов совершенствования системы оценки качества педагогической деятельности в вузах [11]. В заключение статьи остановимся на уровнях применения WolframAlpha в современных экономических исследованиях. С учетом особенностей целеполагания при проектировании системы обучения прикладной математике целесообразно выделение двух уровней применения по критерию выраженности прикладной направленности. Первый уровень применения WolframAlpha в современных экономических исследованиях и профессиональной подготовке будущего бакалавра в экономическом университете: • «Алгебра»;«Аналитическая геометрия»; • «Аналитическая геометрия в пространстве»; • «Аналитическая геометрия на плоскости»; 21- 22 марта 2018 г. Брянск 202 • «Арифметика»;«Векторная алгебра»; • «Дифференциальная геометрия»;«Дифференциальное исчисление»; • «Дифференциальные уравнения»;«Интегральное исчисление»; • «Комплексный анализ»;«Линейная алгебра»; • «Математический анализ»;«Основы математического анализа»; • «Ряды»;«Степенные ряды»;«Теория функций»; • «Теория чисел»;«Тригонометрические ряды»; • «Функции нескольких переменных». Второй уровень применения WolframAlpha в современных экономических исследованиях и профессиональной подготовке будущего бакалавра в экономическом университете: • «Векторный анализ»;«Гармонический анализ»;«Графики функций»; • «Исследование функций»;«Математическая логика»; • «Математическая статистика»;«Математическое моделирование»; • «Операционное исчисление»;«Оптимизация»;«Теория вероятностей»; • «Фракталы»;«Функциональные уравнения»;«Численные методы». Библиографический список 1) Асланов Р. М., Беляева Е. В., Муханов С. А. Тренажер по дифференциальным уравнениям на основе Wolfram CDF Player // Сибирский педагогический журнал. – 2015. – № 4. – С. 26-30. 2) Быканова О. А. Прогрессивная система контроля знаний студентов / В сборнике: Актуальные проблемы развития образования в России и за рубежом сборник материалов международной научной конференции. Главный редактор: Семенова Александра Дмитриевна, Доктор педагогических наук, профессор - наставник кафедры начального обучения Северо-Восточного федерального университета им. М.К. Аммосова. –2013. –С. 79-82. 3) Быканова О. А., Филиппова Н. В. О подходе интеграции обучения математике и экономическим дисциплинам по летним школьным программам // Инновации и инвестиции. – 2015. – № 5. – С. 159-162. 4) Власов Д. А. Проблемы проектирования содержания прикладной математической подготовки будущего специалиста // Сибирский педагогический журнал. – 2009. – № 8. – С. 33-42. 5) Власов Д. А., Синчуков А. В Новые технологии Wolframalpha при изучении количественных методов студентами бакалавриата // Вестник Российского университета дружбы народов. – Серия: Информатизация образования. – 2013. – № 4. – С. 43-53. 6) Власов Д. А., Синчуков А. В. Потенциал Wolfram-технологий в построении и исследовании эконометрических моделей // Современные информационные технологии и ИТ-образование. – 2017. – Т. 13. – № 4. – С. Вызовы цифровой экономики: условия, ключевые институты, инфраструктура 203 289-295. 7) Власов Д. А., Синчуков А. В. Равновесие Нэша в биматричных играх: технология моделирования и визуализации WolframDemonstrationProject // Современные информационные технологии и ИТ-образование. – 2016. – Т. 12. – № 4. – С. 209-216. 8) Власов Д. А., Синчуков А. В. Технологии Wolframalpha в преподавании учебной дисциплины «Эконометрика: базовый уровень» для студентов экономического бакалавриата // Вестник Российского университета дружбы народов. – Серия: Информатизация образования. – 2016. – № 4. – С. 37-47. 9) Дьякова Е. А. Проблема обобщения знаний: синергетический аспект // Наука и школа. – 2003. № 1. – С. 28. 10) Калинина Е. С. Роль педагогического проектирования и моделирования в управлении инновационными процессами в образовании / В сборнике: Современные проблемы науки, технологий, инновационной деятельности Сборник научных трудов по материалам Международной научно-практической конференции. В 4-х частях. – Под общей редакцией Е.П. Ткачевой. – 2017. – С. 97-100. 11) Медведева Л. В., Калинина Е. С. Совершенствование системы оценки качества педагогической деятельности в вузах МЧС России средствами нечеткого моделирования // Проблемы управления рисками в техносфере. – 2017. – № 2 (42). – С. 154-160. 12) Муханов С. А. Применение информационных технологий при преподавании математики студентам гуманитарных специальностей // Педагогическая информатика. – 2006. – № 1. – С. 60-62. 13) Муханов С. А., Муханова А. А. Технология проектирования дистанционного курса «дифференциальные уравнения» с использованием LMS Moodle // Наука и школа. – 2014. – № 2. – С. 28-32. 14) Синчуков А. В. Развитие вероятностных представлений будущих бакалавров экономики // Гуманитарные исследования Центральной России. –2017. – № 3 (4). – С. 86-93. 15) Тихомиров Н. П., Тихомирова Т. М. Методы теории риска в управлении природоохранной деятельности // Экономика природопользования. – 1997. – № 5. – С. 118-129. 16) Тихомиров Н. П., Тихомирова Т. М. Эколого-экономические риски: методы определения и анализа // Экономика природопользования. – 2001. – № 6. – С. 2-108. 21- 22 марта 2018 г. Брянск 204 УДК 330.4.51-77 ПАКЕТ SPSS КАК ИНСТРУМЕНТ МНОГОМЕРНОГО АНАЛИЗА МЕЗОЭКОНОМИЧЕСКИХ ОБЪЕКТОВ Деликова Т.Г., Манцаева А.А. Институт комплексных исследований аридных территорий Россия, г. Элиста Аннотация Продемонстрированы возможности пакета прикладного программирования SPSS Statsitics для задач принятия решений на примере классификации российских регионов по отраслевой специализации. В целом данный программный продукт позволяет повысить качество, удобство и скорость анализа социально-экономических факторов, тем самым повышая эффективность управления экономическими процессами. Ключевые слова: статистическая обработка данных, пакеты прикладного программирования, кластерный анализ, классификация, государственное управление, отраслевая специализация. SPSS PACKAGE AS A TOOL FOR MULTIDIMENSIONAL ANALYSIS OF MESOECONOMIC OBJECTS Delikova T.G., Mantsaeva A.A Arid Territories Integrated Research Institute, Russia, Elista Abstract We demonstrated the capabilities of the SPSS Statsitics application programming suite for decision-making tasks. As an example, the classification of Russian regions by industry specialization has been carried out. In general, this software product allows to improve the quality, convenience and speed of analysis of social and economic factors. And this, in turn, will improve the efficiency of managing economic processes Key words: statistical data processing, application programming packages, cluster analysis, classification, public administration, industry specialization. В современном мире обработка больших и быстро меняющихся объемов информации, требующих непрерывного автоматизированного обновления и анализа, становится неотъемлемым элементом процесса управления экономикой всех уровней. Прочное место по части сбора, хранения, анализа и прогноза разнородных массивов данных в последние годы заняли пакеты прикладных программ (далее - ППП). В частности, IBM SPSS Statistics , предназначенный для работы в операционной системе MS Windows, – один из лидеров рынка среди коммерческих пакетов для статистической обработки данных. IBM SРSS Statistics является модульной программой [1], ключевым Вызовы цифровой экономики: условия, ключевые институты, инфраструктура 205 элементом которой является базовый модуль (Base), позволяющий осуществлять управление данными и содержащий наиболее распространенные методы статистического анализа данных (описательная статистика, построение линейных и нелинейных моделей, преобразование данных, корреляционный, факторный, кластерный, дисперсионный анализ, построение графиков; создание отчетов и пр.). При необходимости проведения расширенного и углубленного анализа данных могут быть установлены дополнительные модули пакета, например: модуль Advanced Statistics предназначен для проведения анализа сложных взаимосвязей при помощи процедур, учитывающих свойства исследуемых данных; модуль IBM SPSS Bootstrapping ("Самогенерация") позволяет аналитикам проверять устойчивость построенных моделей; модуль Direct Marketing ("Прямой маркетинг") предоставляет возможность маркетологам самостоятельно выполнять основные виды анализа; модуль Data Entry автоматизирует процесс разработки анкеты и ввода результатов опросов. Популярность IBM SPSS Statistics можно объяснить [2]: • во-первых, удобством введения и гибкостью изменения структуры данных; • во-вторых, широким набором современных методов статистической обработки многомерных данных, возможностью менять параметры и последовательность этих методов; • в-третьих, удобной и наглядной формой полученных результатов, а также возможностью создавать нестандартные отчеты, описывающие данные с самых разных сторон; • в-четвертых, совместимостью с большинством форматов данных и возможностью обмена данными с другими приложениями MS Windows. К недостаткам пакета можно отнести высокие требования к операционной системе компьютера (требуется 1GB оперативной памяти, 800MB памяти на жестком диске и процессор с частотой 1GHz и выше) и высокую стоимость покупки (лицензия для индивидуального пользования базового модуля сроком на год составляет около 92 000 рублей [3]). Продемонстрируем возможности ППП SPSS для решения экономических задач мезоуровня, а именно, классификации российских регионов по отраслевой специализации. Цель, метод, система показателей данной классификации, а также результаты и их интерпретация подробно изложены в [4]. В рамках данной статьи мы опишем только техническую сторону проведенной классификации, осуществленной с помощью кластерного анализа - многомерной статистической процедуры, выполняющей сбор данных, содержащих информацию о выборке объектов, и затем упорядочивающей эти объекты в сравнительно однородные группы 21- 22 марта 2018 г. Брянск 206 (кластеры) [5]. Классификация объектов с помощью иерархического кластерного анализа в SPSS Statistics состоит из следующих шагов: 1. Представление исходных признаков-характеристик классифицируемых объектов в виде матрицы. Далее необходимо выбрать процедуру «Анализ – Классификация – Иерархический кластерный анализ» и переменные кластеризации (Рис. 1). Рисунок 1. Матрица признаков-характеристик объектов исследования, выбранных для классификации (всего 972 переменные) 2. Выбор метода объединения объектов в кластеры. В ППП SPSS 17.0 для реализации кластерного анализа доступны три процедуры – иерархическая кластеризация, двухэтапный кластерный анализ и кластеризация k-средними. Каждая из них имеет свои достоинства и недостатки, так, например, кластеризация k-средними автоматически определяет число получаемых кластеров. Мы же воспользуемся иерархической процедурой, поскольку она, во-первых, позволяет более детально исследовать структуру данных, а, во-вторых, не так чувствительна к выбросам (как кластеризация k-средними), что для резко дифференцированных российских регионов вполне актуально. Выбор «меры сходства» объектов – Евклидово расстояние, квадрат Евклидова расстояния, расстояние Хэмминга, расстояние Чебышева, расстояние Минковского и др. Также на данном этапе необходимо определить целесообразность и способ стандартизации значений переменных. (Рис. 2). Многократные испытания с различными методами и мерами сходства позволяют провести анализ чувствительности данных к ним и выбрать наиболее подходящие. Определение оптимального числа кластеров. На сегодняшний день вопрос определения оптимального количества кластеров носит дискуссионный характер. Однако чаще всего данная задача решается с помощью матрицы агломераций - протокола объединения кластеров, которая в SPSS Statistics рассчитывается по умолчанию (Рис. 3). Вызовы цифровой экономики: условия, ключевые институты, инфраструктура 207 Рисунок 2. Выбор метода кластеризации, «меры сходства» и способа стандартизации переменных 3. Процессу группировки объектов в иерархическом кластерном анализе соответствует постепенное возрастание коэффициента, называемого критерием Е. Скачкообразное увеличение критерия Е можно определить как характеристику числа кластеров, которые действительно существуют в исследуемом наборе данных. Таким образом, определения оптимального числа кластеров сводится к выявлению скачкообразного увеличения коэффициента Е, который характеризует переход от сильно связанного к слабосвязанному состоянию объектов [2]. Оптимальному числу кластеров соответствует разность между числом классифицируемых объектов и порядковым номером шага, на котором произошел скачок. В нашем случае относительно резкое увеличение коэффициента Е обнаруживается при переходе от шага 74 к шагу 75. Следовательно, наиболее оптимальное количество кластеров должно быть получено на шаге 74 или 75 и оно равно численности объектов минус номер шага, то есть 81- 74 = 7 или 84 – 75 = 6, то есть 7 или 6 кластеров. Выбор того или иного решения зависит уже от содержательных соображений. 4. Получение точного решения. На данном этапе следует повторить всю процедуру кластерного анализа, однако в разделе «Статистики – Принадлежность к кластеру» необходимо выбрать «Одно решение» и указать количество кластеров. Помимо этого необходимо сохранить принадлежность исследуемых объектов к кластерам, она отразится в виде новой переменной, например, CLU6_1 (Рис. 4) и может быть использована для дальнейших расчетов и описания кластерных профилей. 5. Интерпретация полученных результатов полностью зависит от исследователя и проводится на основе кластерных профилей. Описание кластерных профилей обычно включает в себя расчет средних значений показателей объектов, вошедших в кластер, и средних квадратических отклонений. Расчет этих значений и их анализ позволяет дать условное название кластерам и их характеристику. 21- 22 марта 2018 г. Брянск 208 Рисунок 3. Матрица агломераций Рисунок 4. Получение точного решения Как видим, процедура иерархического кластерного анализа в SPSS Statistics реализуется достаточно просто и доступна широкому кругу исследователей, в том числе не имеющим глубокие знания в области статистического анализа данных. Еще раз подчеркнем, что в нашем исследовании классификация осуществлялась на основе 972 переменных и была многократно повторена с различными методами объединения и мерами сходства. Все это было бы достаточно затруднительно осуществить без мощного и быстродействующего пакета прикладного программирования. Вызовы цифровой экономики: условия, ключевые институты, инфраструктура 209 В целом можно заключить, что ППП SPSS Statistics предлагает широкий набор методов анализа и прогнозирования многомерных социально- экономических факторов. Видение полной картины позволяет принимать более эффективные управленческие решения, вносить своевременные изменения и корректировки во избежание нежелательных результатов. Список использованной литературы 1) Курсы Национального открытого университета ИНТУИТ. Введение в программные системы и их разработку. URL: https://www.intuit.ru/studies/courses/3632/874/lecture/14309%3Fpage%3D4 (дата обращения 02.03.2018). 2) Наследов А. SPSS 19: профессиональный статистический анализ данных. — СПб.: Питер, 2011. — 400 с.: ил. 3) Официальный сайт интернет-магазина программного обеспечения для всех операционных систем eCo Shop. URL: http://ecoshop.biz/?action=748M (дата обращения 02.03.2018). 4) Мантаева Э.И., Манцаева А.А. К вопросу о возможностях кластерного анализа при разработке региональных стратегических документов // Вестник Астраханского государственного технического университета. Серия: Экономика. 2017. №1. С. 23-30. 5) Факторный, дискриминантный и кластерный анализ: Пер. с англ./Дж. Щ. Ким, Ч.У. Мьюллер, У.Р. Клекка и др.; Под ред. И.С. Енюкова. М.: Финансы и статистика, 1989. 215 с. 21- 22 марта 2018 г. Брянск 210 УДК 332.1 РАЗРАБОТКА ИНФОРМАЦИОННО-АНАЛИТИЧЕСКОЙ ПЛАТФОРМЫ ДЛЯ ДИАГНОСТИКИ ПРОБЛЕМ РАЗВИТИЯ ПЕРИФЕРИЙНЫХ ТЕРРИТОРИЙ Казаков М.Ю. Северо-Кавказский федеральный университет, Россия, г. Ставрополь Аннотация. В статье с позиций комбинирования императивов инновационной экономики знаний и приоритетов развития муниципальных образований периферийного типа обоснованы теоретические положения по формированию информационно-аналитической платформы для диагностики проблем территориальных формирований в системе муниципального менеджмента. Показана её функциональная роль и варианты встраивания в механизм управления муниципальными образованиями. Ключевые слова: муниципальный менеджмент, экономика, периферийные территории, информационно-аналитическое обеспечение. DEVELOPMENT OF THE INFORMATION-ANALYTICAL PLATFORM FOR DIAGNOSTICS OF PROBLEMS OF DEVELOPMENT OF |