Людмила Робертовна Борисова — кандидат физико-математических наук, доцент кафедры математики и анализа данных факультета информационных технологий и анализа больших данных
Москва
Lyudmila R. Borisova — Cand. Sci. (Phys. аnd Math.) Assoc. Prof., Department of Mathematics and Data Analysis
Moscow
Мира Нисоновна Фридман — доцент кафедры математики и анализа данных факультета информационных технологий и анализа больших данных
Москва
Mira N. Fridman — Assoc. Prof., Department of Mathematics and Data Analysis, Faculty of Information Technology and Big Data Analysis
Moscow
Цифровая трансформация во всех сферах жизни значительно ускорилась после COVID-19. Во всем мире и в России, в частности, в последние пять лет наблюдается существенный прогресс в области профессиональных навыков в цифровых технологиях. Это одновременно вызов и возможности, когда вопросы интеграции и роста пересекаются. В нашей стране цифровизация в сфере государственных услуг населению развивается опережающими темпами. России необходимы образовательные системы, соответствующие цифровому веку, а также дополнительные программы для обучения и переподготовки той части взрослого населения, которая давно прекратила учебу. Это двусторонняя задача, касающаяся как базовых цифровых навыков, так и современного понимания грамотности. Цель развития цифровых образовательных услуг населению — формирование доступной и эффективной системы обучения для всех категорий граждан. Задача исследования — выявить объективными методами математического анализа данных (без какого-либо использования субъективных оценок) наличие или отсутствие взаимосвязи между социально экономическими параметрами развития региона Российской Федерации и платными образовательными услугами населению. В работе использованы методы кластеризации и классификации однородных объектов по широкому набору социально-экономических и финансовых показателей, важных для исследования развития цифровизации в сфере услуг для населения. Получено четкое разделение регионов на две большие, практически равные группы по этому набору показателей. Представлен сравнительный анализ методов иерархической кластеризации и классической кластеризации с использованием метода K-средних. Отдано предпочтение в пользу иерархической кластеризации. Получены непротиворечивые результаты с использованием обоих методов. Сделан вывод о важности географического фактора и однородности в экономическом развитии регионов, сгруппированных в кластеры. Москва выделяется по уровню развития цифровизации по сравнению с другими регионами, что подтверждают оба метода кластеризации. Использование методов машинного обучения позволило сделать вывод о большей значимости абсолютных показателей по сравнению с относительными для классификации регионов по уровню развития цифровых образовательных услуг населению.
Digital transformation in all areas of life has accelerated significantly since COVID-19. Significant progress in the field of professional skills in digital technologies has been observed throughout the world and in Russia, in particular, in the last five years. It is a challenge and an opportunity when issues of integration and growth coincide with each other. Digitalization in the field of public services is developing rapidly in our country. Russia needs educational systems appropriate to the digital age, as well as additional programs for the education and retraining of that part of the adult population that has long abandoned their studies. This is a two-pronged task, dealing with both basic digital skills and a modern understanding of literacy. The goal of developing digital educational services for the population is to create an accessible and effective learning system for all categories of citizens. The paper uses clustering and classification methods to group homogeneous objects based on a wide range of socio-economic and financial indicators that are important for studying the development of digitalization in the services provided to the population. The objective of the study is to identify, using objective methods of mathematical data analysis (without any use of subjective assessments), the presence or absence of a relationship between the socio-economic parameters of a region’s development in the Russian Federation and paid educational services provided to the population. The regions are clearly divided into two large, almost equal groups based on this set of indicators. A comparative analysis of hierarchical clustering and classical clustering using the K-means method is presented. Hierarchical clustering is preferred over classical clustering. Consistent results were obtained using both methods. The importance of the geographical factor and homogeneity in the economic development of regions grouped into clusters was concluded. Moscow stands out for its digitalization development compared to other regions, as evidenced by both clustering methods.
The authors declare that there are no conflicts of interest present.