Сравнительный анализ регионов Российской Федерации методами машинного обучения по набору показателей электронных услуг и сервисов

Цифровизация важна не только для работы профессионалов на своих рабочих местах, но и для благополучия специалистов и адаптации к изменениям в информационной сфере, а также для предоставления населению качественных образовательных, медицинских и социальных услуг. В работе использованы методы машинного обучения в целях классификации регионов по набору показателей электронных услуг и сервисов. Получено четкое разделение регионов на две большие, практически равные группы по этому набору показателей. Использование известных статистических критериев продемонстрировало статистическую значимость такого разделения. Построены диаграммы рассеяния как пример взаимосвязи подобных показателей. Множественный коэффициент корреляции между показателями электронных услуг и сервисов равен 0,71, что свидетельствует в пользу тесной связи между индикаторами цифровизации услуг. Кроме того, получено разделение регионов на кластеры с помощью иерархической кластеризации, из которой следует, что Москва в предоставлении электронных услуг и сервисов значительно обогнала другие регионы России, а остальные субъекты гетерогенны по этому показателю с учетом рассмотренных индикаторов цифровизации регионов по данным Федеральной службы государственной статистики за май 2024 г.м

1. Ашманов И.С., Касперская Н.И. Цифровая гигиена. СПб.: Питер; 2021. 400 с.

2. Бабинцев В.П., Серкина Я.И. «Цифровизация» и «дигитализация» социальной реальности в предметном поле социологии: проблема адекватности понятий. Знание. Понимание. Умение. 2022;4:80–91. http://dx.doi.org/10.17805/zpu.2022.4.7

3. Бальчиндоржиева О.В., Золхоева М.В. Цифровая культура vs культурная уникальность? (к вопросу о сохранении китайской культурной идентичности). Социологические исследования. 2022;3:90–97. https://doi.org/10.31857/S013216250016858-6

4. Борисова Л.Р., Кузнецова А.В. Анализ многопараметрических датасетов методами машинного обучения для создания рекомендательных систем в HP практике. В кн.: Цифровая трансформация социальных и экономических систем: материалы международной научно-практической конференции, Москва, 26 января 2024 г. М.: Московский университет имени С.Ю. Витте; 2024. С. 195–203.

5. Борисова Л.Р., Кузнецова А.В., Сергеева Н.В., Сенько О.В. Применение методов машинного обучения для сравнения компаний арктической зоны РФ по экономическим критериям в соответствии с рейтингом полярного индекса. Компьютерные исследования и моделирования. 2020;1(12):201–215. https://doi.org/10.20537/2076-7633-2020-12-1-201-215

6. Вакуленко С.А., Жихарева А.А. Практический курс по нейронным сетям: учебное пособие. СПб.: Университет информационных технологий, механики и оптики; 2018. 71 с.

7. Грошев И.В., Красовский Ю.Д. Цифровая трансформация социальных исследований и разработок. Цифровая социология. 2018;1:9–17. https://doi.org/10.26425/2658-347Х-2018-1-9-17

8. Исаенко В.О., Рыбина М.Н. Внедрение системы CardioQVARK для персонализации лечения в условиях формирования экосистемы цифрового здравоохранения. Цифровая социология. 2018;1:35–40. http://dx.doi.org/10.26425/2658-347X-2018-1-35-40

9. Конюхова В.Е., Вафоев Д.А. Роль математического моделирования в цифровой экономике. Международный журнал теоретических и прикладных вопросов цифровых технологий. 2023;1(3):121–126.

10. Кропивецкий Э.Н., Дубоглазова Ю.А., Заборовский Д.А. Цифровизация услуг в социальной сфере: проблемы и перспективы. Экономические науки. 2022;4(209):258–264. https://doi.org/10.14451/1.209.258

11. Крыштановская О.В. Бесконтактная социология: новые формы исследований в цифровую эпоху. Цифровая социология. 2018;1(1):4–8. https://doi.org/10.26425/2658-347X-2018-1-4-8

12. Кузнецова А.В., Сенько О.В. Возможности использования методов Data Mining при медико-лабораторных исследованиях для выявления закономерностей в массивах данных. Врач и информационные технологии. 2005;1:49–56.

13. Кузнецова А.В., Сенько О.В., Кузнецова Ю.О. Преодоление проблемы «черного ящика» при использовании методов машинного обучения в медицине. Врач и информационные технологии. 2018;7:74–80.

14. Кузнецова Ю.О., Борисова Л.Р., Кузнецова А.В., Сенько О.В. Прозрачный интерфейс для прогноза в машинном обучении. В кн.: Аналитика и управление данными в областях с интенсивным использованием данных: сборник научных трудов XIX Международной конференции DAMDID/RCDL’ 2017, Москва, 10–13 октября 2017 г. М.: Федеральный исследовательский центр «Информатика и управление» Российской академии наук; 2017. С. 493–495.

15. Мамченко О.П., Акимочкина Т.А., Половникова Е.С., Шаповалова С.В. Моделирование социально-экономических процессов в условиях цифровизации экономики. Управление экономическими системами. 2019;5(123).

16. Матвиевский С.С., Борисова Л.Р. Кластеризация стран Азиатско-Тихоокеанского региона по значениям инклюзивного экономического роста. Вестник университета. 2023;1:112–121. https://doi.org/10.26425/1816-4277-2024-1-112-121

17. Петровa Н.П., Овечкина А.И. К вопросу о цифровой трансформации российской экономики. Известия Санкт-Петербургского государственного экономического университета. 2021;1:57–62.

18. Романова Н.В. Цифровизация услуг в социальной сфере: проблемы и перспективы. Вестник УГНТУ. Наука, образование, экономика. Серия: Экономика. 2020;1(31):58–65.

19. Саати Т. Принятие решений. Метод анализа иерархий. Пер. с англ. Р.Г. Вачнадзе. М.: Радио и связь; 1993. 278 с.

20. Сенько О.В., Кузнецова А.В., Воронин Е.М., Кравцова О.Д., Добролюбова О.А., Борисова Л.Р. и др. Методы интеллектуального анализа дан ных в исследованиях эпидемии COVID-19. Журнал Белорусского государственного университета. Математика. Информатика. 2022;1:83–96. https://doi.org/10.33581/2520-6508-2022-1-83-96

21. Сухов А.Н. Цифровизация социальной сферы и ее последствия. Социальная политика и социальное партнерство. 2023;8. https://doi.org/10.33920/pol-01-2308-01

22. Щекотин Е.В., Гойко В.Л., Басина П.А., Бакулин В.В. Использование машинного обучения для изучения качества жизни населения: методологические аспекты. Цифровая социология. 2022;1(5):87–97. https://doi.org/10.26425/2658-347X-2022-5-1-87-97

23. Divina T., Petrakova E. Cherskov A. Applying the hierarchy analysis method to evaluate learning outcomes. In: Proceedings Proceedings of the II International Scientific Conference on Advances in Science, Engineering and Digital Education (ASEDU-II), Krasnoyarsk, 28 October 2021. New York: AIP Publishing; 2022. https://doi.org/10.1063/5.0104789

24. Khlystova O., Kaluzhnоva Y. The impact of the creative industries and digitalization on regional resilience and productive entrepreneurship. The Journal of Technology Transfer. 2023;48:1654–1695. https://doi.org/10.1007/s10961-023-10020-2

25. Senko O., Kuznetsova A. A recognition method based on collective decision making using systems of regularities of various types. Pattern Recognition and Image Analysis. 2010;2(20):152-162. http://dx.doi.org/10.1134/S1054661810020069

26. Toth G., Elekes Z., Whittle A., Lee Ch. Technology network structure conditions the economic resilience of regions. Economic Geography. 2022;4(98). http://dx.doi.org/10.1080/00130095.2022.2035715

27. Zhang J, Gorp D. van, Kievit H. Digital technology and national entrepreneurship: an ecosystem perspective. The Journal of Technology Transfer. 2022;48(3):1077–1105. http://dx.doi.org/10.1007/s10961-022-09934-0