Структурирование многомерных данных в исследовании развития информационного общества в регионах России


https://doi.org/10.26794/2220-6469-2019-13-4-115-125

Полный текст:


Аннотация

В статье проведен анализ структуры многомерных данных по факторам использования информационных и коммуникационных технологий (ИКТ) для развития информационного общества в Российской Федерации. В качестве объектов наблюдений были выбраны субъекты РФ, а в качестве факторов каждого объекта наблюдений — среднегодовые величины соответствующих факторов мониторинга развития информационного общества в Российской Федерации за период с 2010 по 2017 г. Исследование выполнено в целях редукции множества факторов использования ИКТ в субъектах РФ и выявления их структуры. Анализ структуры факторов выполнен посредством применения метода главных компонент (Principal Component Analysis, PCA), реализованного авторами в интегрированной среде разработки Rstudio. В результате применения метода РСА выявлена структура исходных факторов использования ИКТ для развития информационного общества в Российской Федерации, произведено их редуцирование. Показано, что выявленные факторные нагрузки имеют определенные смысловые интерпретации, консолидирующие связи отдельных факторов использования ИКТ для развития информационного общества в Российской Федерации. Проведенный факторный анализ обосновывает эффективность применения метода PСА в исследованиях по развитию цифровизации регионов Российской Федерации для структурирования исходных данных и качественной интерпретации результатов. Доказано, что выявляемые посредством применения метода РСА факторные нагрузки имеют детерминированный экономический смысл.


Об авторах

Н. М. Габдуллин
Казанский федеральный университет
Россия

Наиль Маратович Габдуллин — кандидат экономических наук, доцент кафедры управления корпоративными финансами

Казань


И. А. Киршин
Казанский федеральный университет
Россия

Игорь Александрович Киршин — доктор экономических наук, профессор Высшей школы бизнеса

Казань


Список литературы

1. Dossani R., Kenney M. Lift and Shift; Moving the back office to India. Information Technologies and International Development. Massachusetts Institute of Technology, Cambridge, MA. 2003;1(2):21–37.

2. Womack J., Jones D., Roos D. The machine that changed the world. New York: Rawson Associates; 1990.

3. Shlens J. A. Tutorial on principal components analysis. URL: https://datajobs.com/data-science-repo/PCA-Tutorial-[Shlens].pdf (дата обращения: 25.03.2019).

4. Cornillon P. A., Imam W., Matzner-Løber E. Forecasting time series using principal component analysis with respect to instrumental variables. Computational Statistics & Data Analysis. 2008;3(52):1269–1280.

5. Tabachnick B. G., Fidell L. S. Using multivariate statistics. Fourth Edition. Allyn and Bacon, Boston; 2001.

6. Díaz A. Jareño, F., Navarro E. Term structure of volatilities and yield curve estimation methodology. Quantitative Finance. 2010. DOI: 10.1080/14697680903473286

7. Shappell Scott A., Wiegmann Douglas A. The human factors analysis and classification system–HFACS. 2000. Office of Aviation Medicine, Washington, DC 20591 DOT/FAA/AM-00/7.

8. Lekkos I. A Critique of factor analysis of interest rates. Journal of Derivatives. 2000;1(8):72–83.

9. Litterman R., Scheinkman J. Common factors affecting bond returns. Journal of Fixed Income. 1991;1(1):54–61.

10. Халафян А. А. Современные статистические методы медицинских исследований. Изд. 3-е. М.: ЛЕНАНД; 2014. 320 с.

11. Novales A., Benito S. A factor analysis of volatility across the term structure: the Spanish case. Revista de Economía Financiera. 2007;13:8–27.

12. Everitt B. S., Landau S., Leese M., Cluster analysis. 4th ed. London: Arnold; 2001.

13. Шипунов А. Б., Балдин В. М., Волкова П. А., Коробейников А. И., Назарова С. А., Петров С. В., Суфиянов В. Г. Наглядная статистика. Используем R! М.: ДМК Пресс; 2017.

14. Priestley M., Subba Rao T., Tong H. Applications of principal component analysis and factor analysis in the identification of multivariate systems. IEEE: Transactions in Automatic Control. 1974; AC-19:730–734.

15. Scholz M., Fraunholz M., Selbig J. Nonlinear principal component analysis: Neural network models and applications. In: Gorban A. N. et al., eds. LNCSE 58, Springer; 2007. URL: https://pdfs.semanticscholar.org/9d31/23542031a227d2f4c4602066cf8ebceaeb7a.pdf.

16. Урнышев Р. О мониторинге развития информационного общества в субъектах Российской Федерации. URL: http://tomedu.ru/wp-content/uploads/2015/02/Vopros_8_Rejting.pdf.


Дополнительные файлы

Для цитирования: Габдуллин Н.М., Киршин И.А. Структурирование многомерных данных в исследовании развития информационного общества в регионах России. Мир новой экономики. 2019;13(4):115-125. https://doi.org/10.26794/2220-6469-2019-13-4-115-125

For citation: Gabdullin N.M., Kirshin I.A. Structuring Multidimensional Data in the Study of the Development of Information Society in Russian Regions. The world of new economy. 2019;13(4):115-125. (In Russ.) https://doi.org/10.26794/2220-6469-2019-13-4-115-125

Просмотров: 14

Обратные ссылки

  • Обратные ссылки не определены.


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 2220-6469 (Print)
ISSN 2220-7872 (Online)