РАЗРАБОТКА АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ МНОГОМЕРНОЙ РЕЙТИНГОВОЙ ОЦЕНКИ РЕГИОНАЛЬНОГО РИСКА

DEVELOPMENT OF AN AUTOMATED SYSTEM FOR MULTIVARIATE RATING ASSESSMENT OF REGIONAL RISK

Andrey Zuzulya

master’s student, Department of Applied Informatics, Rostov State University of Economics,

Russia, Rostov-on-Don

Tatiana Gennadievna

scientific supervisor, Ph.D. in Economics, Associate Professor of the Department of Statistics, Econometrics and Risk Assessment, Rostov State University of Economics,

Russia, Rostov-on-Don

АННОТАЦИЯ

В статье предложены подходы к автоматизации процесса многомерной рейтинговой оценки регионального риска. Задача решена с помощью разработки BI решения на основе Яндекс DataLens для визуализации одномерной оценки регионального риска, и использования языка программирования Python для получения многомерных рейтинговых оценок. Информационную базу представляют данные статистического сборника «Регионы России». Представлены UML диаграммы для проектирования автоматизированной системы. Работа системы проиллюстрирована на примере оценки демографических рисков региона. Разработанная система может быть использована региональными инвесторами и органами государственной власти для принятия решений в области управления региональными рисками и сглаживания диспропорций.

ABSTRACT

The paper suggests approaches to automating the process of multivariate rating assessment of regional risk. The problem was solved by developing a BI solution based on Yandex Data Lens to visualize a one-variate assessment of regional risk, and using the Python programming language to obtain multivariate rating. The information base is provided by data from the statistical collection "Regions of Russia". UML diagrams for designing an automated system are presented. The work of the system is illustrated by the example of assessing the demographic risks of the region. The developed system can be used by regional investors and government authorities to make decisions in the field of regional risk management and smoothing out imbalances.

Ключевые слова: региональный риск, многомерная оценка, автоматизация, BI система, Python, кластерный анализ.

Keywords: regional risk, multidimensional assessment, automation, BI system, Python, cluster analysis.

Органы государственной и региональной власти, а также организации и центры, выполняющие для них расчеты и осуществляющие поддержку принятия решений, регулярно сталкиваются с необходимостью оценки риска, связанного с тем или иным регионом, а также с необходимостью визуализации официальных статистических показателей.

Единственный официальный рейтинг регионального риска, разрабатывавшийся агентством RAEX, не обновляется с 2020 года. Его методика сложна и непрозрачна. Необходимость гибкой и удобной в использовании автоматизированной системы региональных рисков и отсутствие аналогов делает разработку системы многомерной рейтинговой оценки регионального риска актуальной.

Представляется возможным использовать набор показателей для оценки регионального риска, предложенный в работе [1]. Информационную базу представляют данные статистического сборника «Регионы России. Социально-экономические показатели» [2].

Задача автоматизации оценки регионального риска включает в себя две основные составляющие: задачу визуализации одномерных оценок регионального риска и задачу оценки и визуализации многомерных оценок регионального риска.

Для решения задачи визуализации одномерных оценок разработано BI решение. Задача состоит в разработке BI решения по оценке и мониторингу региональных рисков в России, с целью визуализации для заинтересованных пользователей, включая лиц, принимающих решения, к статистическим данным о показателях регионального риска.

Задача многомерной оценки регионального риска заключается в построении оценки рейтингового типа на основании отобранных показателей.

Для этого необходимо использован адекватный статистический инструментарий. Так как все показатели являются количественными, то после стандартизации данных к ним был применен иерархический кластерный анализ для определения оптимальной кластерной структуры, а также метод k-средних для построения кластерного разбиения и анализа полученной структуры. Автоматизация решения дает возможность ускорить решение данной задачи для каждого последующего года, так как кластерный анализ применяется к данным пространственной структуры.

На рисунке 1 представлена диаграмма последовательности действий по получению многомерной оценки регионального риска. На основании загруженного датасета посредством кластерного анализа реализуется многомерная оценка регионального риска. Результат получается в виде оценки «высокий», «средний», «низкий риск». Пользователь выбирает регион и получает его оценку риска. Справочно выводятся значения показателей риска.

Другой вариант использования – пользователь вводит значения показателей риска и на основании их получает оценку риска.

Необходимо отметить, что данная концептуальная модель включает только часть вариантов использования, представляя собой наиболее высокий уровень агрегирования, тем не менее, в достаточной степени отражает основную логику функционирования автоматизированной системы.

Для разработки автоматизированной системы многомерной оценки регионального риска был использован язык программирования Python.

Рисунок 1. Основная диаграмма последовательности действий автоматизированной системы по многомерной оценке региональных рисков

В соответствии со спроектированным решением, программный код реализует автоматизированную оценку риска на основании кластерного анализа Многомерная оценка риска выполнена для всех показателей риска по всем блокам оценки. Для наглядности и во избежание информационного шума приведем оценку для трех показателей демографического блока.

На рисунке 2 представлена рейтинговая оценка для Московской области, обладающей низким уровнем демографического риска, на рисунке 3 – для Воронежской области с высоким уровнем демографического риска.

Рисунок 2. Рейтинговая оценка регионального риска для Московской области

Рисунок 3. Рейтинговая оценка регионального риска для Воронежской области

Также пользователь имеет возможность самостоятельного ввода значений показателей для оценки риска. Это может потребоваться как для проверки уровня риска конкретного региона, так и для сценарной оценки и прогнозирования, как будет меняться оценка регионального риска в будущем, при изменении значений входящих в нее показателей. Имеется возможность визуализации полученных кластеров для выбранного региона и регионов сравнения. Для пользователя это также делается посредством визуального интерфейса.

Таким образом, разработанная автоматизированная система многомерной оценки регионального риска дает возможность как визуализировать показатели оценки риска, так и получать рейтинговую оценку риска конкретного региона, полученную на основе кластерного анализа. Разработанные решения могут быть использованы региональными инвесторами для оценки риска отдельных регионов, органами государственного управления на разных уровнях для принятия решений, направленных на сглаживание региональных диспропорций и снижения уровня риска отдельных регионов.

Список литературы:

1. Рудяга А.А., Павленко Г.В. Статистическая оценка регионального риска: многомерный подход// Учет и статистика, №4 (64), 2021. – с. 87-96.
2. Приложение к сборнику «Регионы России. Социально-экономические показатели» // Социально-экономические показатели по субъектам Российской Федерации. [Электронный ресурс] Режим доступа: https://rosstat.gov.ru/folder/210/document/47652 Дата обновления: 26.01.2025
3. Прикладная информатика / ред. В.М. Савинков. - М.: Финансы и статистика, 2017. - 204 c.