Перова В.И.кандидат физико-математических наук, доцент кафедры математического моделирования экономических процессов Института экономики и предпринимательства, Национальный исследовательский Нижегородский государственный университет им. Н.И. Лобачевского, Нижний Новгород, Российская Федерация perova_vi@mail.ru ORCID id: отсутствует SPIN-код: 3871-2450
Перова Н.А.студентка факультета физической культуры и спорта, Национальный исследовательский Нижегородский государственный университет им. Н.И. Лобачевского, Нижний Новгород, Российская Федерация perova_nadja@mail.ru ORCID id: отсутствует SPIN-код: отсутствует
Предмет. Особенности динамики развития физической культуры и спорта в регионах Российской Федерации. Анализ современного состояния физической культуры и спорта, характеризующего человеческий капитал, который является одним из приоритетных внутренних факторов экономического потенциала России, важен для обеспечения национальной безопасности и социально-экономического роста страны. Цели. Анализ особенностей динамики развития физической культуры и спорта в регионах Российской Федерации с помощью нейронных сетей. Рассмотрение и анализ данных Министерства спорта Российской Федерации о состоянии физической культуры и спорта в регионах России в интересах повышения ожидаемой продолжительности жизни населения и социально-экономического развития территорий. Методология. Нейросетевое моделирование с использованием показателей, описывающих динамику развития физической культуры и спорта в регионах РФ за период 2012–2016 гг. Моделирование проведено с применением реализованных в пакете Deductor нейронных сетей – самоорганизующихся карт Кохонена, обучаемых без учителя. Результаты. Определены особенности динамики деятельности регионов России в сфере физической культуры и спорта, показан неравномерный характер их развития. По уровню этой деятельности получено распределение регионов по четырем кластерам, в которых сформировались ядра кластеров с неизменным составом регионов. Наибольшее количество регионов вошло в состав ядра кластера с показателями развития физической культуры и спорта на уровне средних значений показателей по России. При этом ядра кластеров регионов-лидеров, как и сами эти кластеры, оказались малочисленными. Выводы. В регионах Российской Федерации наблюдается неравномерный характер развития физической культуры и спорта как одного из показателей процесса формирования человеческого капитала. Для стратегического планирования социально-экономического развития регионов России необходимо принятие комплексных мер, способствующих стимулированию активности регионов в данной сфере деятельности.
Ключевые слова: экономический рост, человеческий капитал, физическая культура и спорт, кластерный анализ, нейронные сети
Список литературы:
Макаров В.Л. Становление экономики знаний в России и мире. В кн.: Экономика знаний: колл. монография. Гл. 1. М.: ИНФРА-М, 2008. С. 34–44.
Макаров В.Л. Экономика знаний: уроки для России // Вестник Российской академии наук. 2003. Т. 73. № 5. С. 450–456.
Клейнер Г.Б., Мишуров С.С., Ерзнкян Б.А. и др. Инновационное развитие региона: потенциал, институты, механизмы: монография. Иваново: Изд-во Ивановского гос. ун-та, 2011. 198 с.
Филин С.А. Механизм реализации инновационной политики: монография. М.: ИНИЦ Роспатента, 2005. 286 с.
Ендовицкий Д.А., Коменденко С.Н. Организация анализа и контроля инновационной деятельности хозяйствующего субъекта: научное издание. М.: Финансы и статистика, 2004. 272 с.
Трофимов О.В. Формирование эффективных инновационных стратегий: проблемы и решения // Экономические науки. 2010. № 9. С. 71–75.
Горбунова М.Л.,Елизарова Н.К. Анализ результатов функционирования региональной инновационной системы Нижегородской области // Вестник Нижегородского университета им. Н.И. Лобачевского. 2012. № 2-2. С. 42–46. URL: Link
Перова В.И., Зайцева К.В. Исследование динамики инновационной деятельности регионов России с применением нейросетевого моделирования // Экономический анализ: теория и практика. 2017. Т. 16. Вып. 5. С. 887–901. URL: Link
Barro R.J., Sala-i-Martin X. Economic Growth. 2nd ed. Cambridge, MA, London, MIT Press, 2004, 672 p.
Quah D. Empirics for Growth and Distribution: Stratification, Polarization, and Convergence Clubs. Journal of Economic Growth. 1997. Vol. 2. Iss. 1. P. 27–59. URL: Link
Кузнецов Ю.А. Человеческий капитал, производительность труда и экономический рост // Экономический анализ: теория и практика. 2012. № 43. С. 2–14. URL: Link
Лавров Е.И., Лаврова Л.А. Человеческий капитал как фактор экономического роста // Вестник Омского университета. Сер. Экономика. 2006. № 2. С. 63–69. URL: Link
Becker G.S. Human Capital: A Theoretical and Empirical Analysis, with Special Reference to Education. Columbia University Press, 1964. P. 94–144.
Benhabib J., Spiegel M.M. The Role of Human Capital in Economic Development: Evidence from Aggregate Cross-Country Data. Journal of Monetary Economics. 1994. Vol. 34. No. 2. P. 143–173.
Соболева И.В. Человеческий потенциал российской экономики: проблемы сохранения и развития. М.: Наука, 2007. 201 с.
Лесгафт П.Ф. Избранные труды. М.: Физкультура и спорт, 1987. 359 с.
Викулов С.Ф., Хрусталёв Е.Ю. Экономические основы военной безопасности России // Национальные интересы: приоритеты и безопасность. 2014. № 7. С. 2–9. URL: Link
Гранберг А.Г., Шульберт Б.М., Кичеджи В.Н. и др. Стратегии макрорегионов России: методологические подходы, приоритеты, механизмы реализации. М.: Наука, 2004. 720 с.
Перова В.И., Незнакомцева О.Ю. Исследование динамики социально-экономического развития регионов Российской Федерации // Вестник Нижегородского университета им. Н.И. Лобачевского. Сер. Социальные науки. 2016. № 4. С. 44–51. URL: Link
Кендэл М. Временные ряды. М.: Финансы и статистика, 1981. 198 с.
Щетинин Е.Ю. О методах оценивания длинной памяти финансовых временных рядов // Финансовая аналитика: проблемы и решения. 2010. № 13. С. 39–45. URL: Link
Рыжиков Ю.И. Имитационное моделирование. Теория и технологии. М.: Альтекс-А, 2004. 384 с.
Лазарев В.М., Свиридов А.П. Нейросети и нейрокомпьютеры: монография. М.: Академия, 2011. 131 с.
Хрусталёв Е.Ю., Шрамко О.Г. Использование метода нейронных сетей для прогнозирования эффективности инвестиционных вложений // Экономический анализ: теория и практика. 2017. Т. 16. Вып. 8. С. 1438–1454. URL: Link
Осовский С. Нейронные сети для обработки информации. М.: Финансы и статистика, 2002. 344 с.
Хайкин С. Нейронные сети: полный курс. М.: Вильямс, 2006. 1104 с.
Schmidhuber J. Deep Learning in Neural Networks: An Overview. Neural Networks. 2015. Vol. 61. P. 85–117. URL: Link
Дебок Г., Кохонен Т. Анализ финансовых данных с помощью самоорганизующихся карт. М.: Альпина, 2001. 317 с.
Kohonen Т. Self-Organized Formation of Topologically Correct Feature Maps. Bio1ogical Cybernetics. 1982. Vol. 43. Iss. 1. P. 59–69. URL: Link
Kohonen T. The Self-Organizing Map. Proceedings of the Institute of Electrical and Electronics Engineers. 1990. Vol. 78. No. 9. P. 1464–1480. URL: Link
Tavan P., Grubmüller H., Kühnel H. Self-Organization of Associative Memory and Pattern Classification: Recurrent Signal Processing on Topological Feature Maps. Biological Cybernetics. 1990. Vol. 64. Iss. 2. P. 95–105. URL: Link
Hajek P., Henriques R., Hajkova V. Visualising Components of Regional Innovation Systems Using Self-Organizing Maps – Evidence from European Regions. Technological Forecasting and Social Change. 2014. Vol. 84(C). P. 197–214. URL: Link
Carboni O.A., Russu P. Assessing Regional Wellbeing in Italy: An Application of Malmquist–DEA and Self-Organizing Map Neural Clustering. Social Indicators Research. 2015. Vol. 122. Iss. 3. P. 677–700. URL: Link
Горбунов С.А., Дубровский А.В. Роль физической культуры в совершенствовании умственной готовности к обучению и профессиональной деятельности // Теория и практика физической культуры. 2002. № 12. С. 13–15.
