Методика определения аграрной специализации сельских территорий на региональном уровне

аграрная специализация сельские территории кластерный анализ методика определения k-метод весовые коэффициенты экономический потенциал сельскохозяйственная характеристика муниципальные районы производственная база

Рейтинги наиболее крупных и эффективных предприятий по производству сахарной свеклы в России за 2006-2008 гг., Обеспечение потребительских услуг на оптовых продовольственных рынках с помощью электронной торговли, ...

УДК 338.436 Методика определения аграрной специализации сельских территорий на региональноМ уровне <...> В качестве критерия распределения бюджетных средств целесообразно применять показатель уровня специализации регионов и муниципальных образований. <...> То есть необходимо изменить или дополнить аграрную специализацию ряда территорий с учетом системы сбыта, наличия производственной базы, природно-климатических условий. <...> Предлагаемая методика определения аграрной специализации районов разработана на базе кластерных технологий и включает в себя ряд этапов: сбор и обработка статистической информации, применение кластерного анализа (иерархических и неиерархических методов), использование весовых коэффициентов, характеризующих кластеры и объекты кластеризации, изучение системы сбыта, производственной базы, природно-климатических условий районов и др. (см. рисунок 1). <...> Практическая апробация методики проведена с использованием материалов, отражающих развитие сельских муниципальных районов Пензенской области в 2006 и 2007 годах. <...> При кластеризации получена оптимальная метрика («Евклидово расстояние»), то есть можно воспользоваться методом k-средних (программа Statistica 6.0 в основу метода k-средних закладывает Евклидову метрику <...> [3]) и проверить качество полученного результата разделения районов Пензенской области на однородные группы. <...> Расчет методом k-средних показал достаточно высокие совпадения с результатами, полученными по иерархическим методам кластеризации (Дальний сосед, Евклидово расстояние) – 70% в 2006 году и 94% в 2007 году. <...> Несовпадение иерархического и неиерархического методов кластеризации частично объясняется тем, что метод k-средних не выделяет аномальных объектов, а объединяет их с наиболее схожими. <...> Внутри каждого полученного кластера была проведена вторичная кластеризация, позволившая выделить подклассы с максимально схожими объектами. <...> Результаты первичной и вторичной кластеризации <...>

• Похожие документы из РУАЭСТ
• |
• Похожие документы из Руконт