НЕЙРОСЕТЕВОЕ МОДЕЛИРОВАНИЕ РАЗВИТИЯ ДЕТСКО-ЮНОШЕСКОГО СПОРТА РОССИЙСКОЙ ФЕДЕРАЦИИ КАК ФАКТОРА ФОРМИРОВАНИЯ ЧЕЛОВЕЧЕСКОГО КАПИТАЛА |
научная статья | 330.354: 796.034+004.032.26 | ||
40-47 | человеческий капитал, детско-юношеский спорт, регионы РФ, кластерный анализ, нейронные сети, самоорганизующиеся карты Кохонена, Deductor, human capital, children's and youth sports, regions of the Russian Federation, cluster analysis, neural networks |
Проведено нейросетевое моделирование современного состояния детско-юношеского спорта в сельской местности регионов России, характеризующего человеческий капитал, который является одной из основ инновационного развития и обеспечения национальной безопасности государства. Рассмотрены и исследованы данные Федеральной службы государственной статистики Российской Федерации о развитии детско-юношеского спорта в сельской местности страны в интересах увеличения ожидаемой продолжительности жизни населения, накопления человеческого капитала и обеспечения социально-экономического роста страны. Выполнен кластерный анализ с использованием материализованных в пакете Deductor нейронных сетей - самоорганизующихся карт Кохонена - по 13 показателям за 2018 г., характеризующим деятельность регионов РФ по развитию детско-юношеского спорта в сельской местности. Определены особенности этой деятельности, которые показали неравномерный характер развития детско-юношеского спорта как одной из составляющих процесса формирования человеческого капитала - одного из доминирующих внутренних факторов социально-экономического потенциала России. Различный уровень этой деятельности позволил получить распределение регионов по пяти кластерам. Представлены состав и характеристики каждого кластера. Определены регионы с наивысшими показателями развития данной сферы деятельности. Проведенное исследование с применением нейросетевых технологий позволило оценить развитие детско-юношеского спорта в сельской местности Российской Федерации. Результаты исследования имеют практическую значимость для сравнительного анализа развития детско-юношеского спорта в регионах России и могут быть учтены при стратегическом планировании развития спортивной отрасли в контексте увеличения качества человеческого капитала и обеспечения экономической безопасности регионов Российской Федерации. |
1 . Митяков С.Н., Митяков Е.С., Романова Н.А. Экономическая безопасность регионов Приволжского федерального округа // Экономика региона. 2013. № 3 (35). С. 81-91. 2 . Лапаев Д.Н. Многокритериальный анализ состояния экономической безопасности в социальной сфере // Экономика и предпринимательство. 2016. № 10-1 (75-1). С. 798-804. 3 . Макаров В.Л., Клейнер Г.Б. Микроэкономика знаний. М.: ЗАО «Издательство «Экономика», 2007. 204 с. 4 . Кузнецов Ю.А. Человеческий капитал, производительность труда и экономический рост // Экономический анализ: теория и практика. 2012. № 43 (298). С. 2-14. 5 . Грачев С.А., Гундорова М.А., Мошнов В.А. Инвестиции в человеческий капитал. Владимир: ВлГУ, 2016. 114 с. 6 . Ионцев В.А. и др. Введение в демографию: Учебное пособие / Под ред. В.А. Ионцева, А.А. Саградова. М.: Изд-во МГУ, ТЭИС, 2003. 636 с. 7 . Соболева И.В. Человеческий потенциал российской экономики: проблемы сохранения и развития. М.: Наука, 2007. 201 с. 8 . Перова В.И., Перова Н.А. Нейросетевое моделирование динамики развития физической культуры и спорта в регионах России как фактора социально-экономического роста страны // Национальные интересы: приоритеты и безопасность. 2018. Т. 14. Вып. 11. С. 2064-2082. 9 . Указ Президента РФ от 7 мая 2018 г. № 204 «О национальных целях и стратегических задачах развития Российской Федерации на период до 2024 года». URL: http://www.garant.ru/hotlaw/federal/11954 67/ (дата обращения: 22.01.2020). 10 . Послание Президента Российской Федерации Федеральному Собранию от 15.01.2020. URL: http:// www.consultant.ru/document/cons_doc_LAW_342959/ (дата обращения: 22.01.2020). 11 . Beutler I. Sport serving development and peace: Achieving the goals of the United Nations through sport // Sport in Society. 2008. Vol. 11m. № 4. P. 359-369. 12 . 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. 13 . Макарьев И.В. Физическая подготовка в системе правоохранительных органов // Физическая культура. Спорт. Туризм. Двигательная рекреация. 2017. Т. 2. № 2. С. 50-53. 14 . Викулов С.Ф., Хрусталёв Е.Ю. Экономические основы военной безопасности России // Национальные интересы: приоритеты и безопасность. 2014. № 7. С. 2-9. 15 . Садков С.А., Ахмеров И.Ф. Роль физической культуры, спорта, медицины и правоохранительных органов в профилактике асоциальных проявлений, наркомании и преступности среди молодежи // Актуальные проблемы физической культуры, спорта и туризма: Материалы X Международной научно-практической конференции (Уфа, 24-26 марта 2016 г.). Уфа: Уфимский государственный авиационный технический университет, 2016. С. 619-622. 16 . Любушин Н.П., Бабичева Н.Э., Королев Д.С. Экономический анализ возможностей технологического развития России (на примере нанотехнологий) // Экономический анализ: теория и практика. 2012. № 9. С. 2-11. 17 . Федеральный закон от 4 декабря 2007 г. № 329-ФЗ «О физической культуре и спорте в Российской Федерации» (с изменениями и дополнениями). URL: http://base.garant.ru/12157560/ (дата обращения: 22.01.2020). 18 . Летягина Е.Н., Орлова Е.А. О состоянии и развитии объектов спорта в России и Нижегородской области // Экономика и предпринимательство. 2018. № 9. С. 372-376. 19 . О Всероссийском физкультурно-спортивном комплексе «Готов к труду и обороне» (ГТО): Указ Президента РФ от 24.03.2014 № 172. URL: http://base. garant.ru/70619520 (дата обращения: 22.01.2020). 20 . Государственная программа Российской Федерации «Развитие физической культуры и спорта» URL: https://www.minsport.gov.ru/2019/doc/Gosydarst vennya-programma.pdf (дата обращения: 22.01.2020). 21 . Дубров А.М., Мхитарян В.С., Трошин Л.И. Многомерные статистические методы: Учебник. М.: Финансы и статистика, 2003. 352 с. 22 . Щетинин Е.Ю. О методах оценивания длинной памяти финансовых временных рядов // Финансовая аналитика: проблемы и решения. 2010. № 13. С. 39-45. 23 . Рыжиков Ю.И. Имитационное моделирование. Теория и технологии. М.: Альтекс-А, 2004. 384 с. 24 . 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. 25 . Chechkin A.V., Pirogov M.V. Intellectualization of a complex system as a means of maintaining its information system safety // Fundam. Prikl. Mat. 2009. Vol. 15. Iss. 3. P. 225-239; J. Math. Sci. 2010. Vol. 168. Iss. 1. P. 147-156. 26 . Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере: Монография. Новосибирск: Наука (Сибирское отделение), 1996. 276 с. 27 . Милов В.Р., Баранов В.Г., Эпштейн А.Ю. и др. Прогнозирование состояния дискретных стохастических систем в условиях неопределенности на основе байесовской методологии // Труды Нижегородского государственного технического университета им. Р.Е. Алексеева. Н. Новгород, 2010. № 2 (81). С. 70-76. 28 . Хайкин С. Нейронные сети: полный курс. М.: Вильямс, 2006. 1104 с. 29 . Технологии анализа данных: Data Mining, Visual Mining, Text Mining, OLAP: Учебное пособие / А.А. Барсегян, М.С. Куприянов, В.В. Степаненко и др. СПб.: БХВ-Петербург, 2007. 384 с. 30 . Балабанов А.С., Стронгина Н.Р. Анализ данных в экономических приложениях: Учебное пособие. Нижний Новгород: Изд-во Нижегородского госуниверситета им. Н.И. Лобачевского, 2004. 135 с. 31 . Kohonen Т. Self-organized formation of topologically correct feature maps // Bio1ogical Cybernetics. 1982.Vol. 43. Iss. 1. P. 59-69. 32 . Martinetz M., Berkovich S., Schulten K. Neural-gas network for vector quantization and its application to time-series prediction // Trans. Neural Networks. 1993. Vol. 4. P. 558-569. 33 . Kohonen T. The self-organizing map // Proceedings of the Institute of Electrical and Electronics Engineers. 1990. Vol. 78. № 9. P. 1464-1480. 34 . 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. 35 . 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. 36 . Растунков В.С., Петров А.К., Панов В.А. Нейронные сети. Statistica Neural Networks: Методология и технология современного анализа данных. М.: Горячая линия - Телеком, 2008. 392 с. 37 . Медведев В.С., Потемкин В.Г. Нейронные сети. MATLAB 6. М.: ДИАЛОГ-МИФИ, 2002. 122 с. 38 . Федеральная служба государственной статистики Российской Федерации [Электронный ресурс]. URL: http://www.gks.ru (дата обращения: 22.01.2020). 39 . Федеральный проект «Спорт - норма жизни». URL: https://norma.sport/about/ (дата обращения: 22.01.2020). 40 . Национальный проект «Демография». URL: https://rosmintrud.ru/ministry/programms/demography (дата обращения: 22.01.2020). 41 . Letiagina E., Perova V., Orlova E. Neural network analysis of the development of physical education and sports in Russia as an economic factor of country security // Proceedings of the 4th International Conference on Innovations in Sports, Tourism and Instructional Science (ICISTIS 2019). Atlantis Press, 2019. № 11. Р. 174-179. |