Принятие решений на основе сложных человеко-машинных алгоритмов может привести к дискриминации граждан по полу, расе и другим признакам. Однако в мировой науке отсутствует представление об алгоритм-обусловленной дискриминации граждан по месту их проживания. Это относится и к принятию алгоритмических решений по социально-экономическому развитию регионов. Поэтому целью нашего исследования стало обнаружение алгоритмической предвзятости в результатах социально-экономической кластеризации российских регионов. Для достижения цели потребовалось выявить в кластерном анализе чувствительные операции, способные привести к пространственной несправедливости, сформировать массив статей по социально-экономической кластеризации субъектов РФ (регионов), проанализировать все статьи на возможность существования алгоритмической предвзятости и идентифицировать российские регионы с потенциально предвзятым отношением к ним в результате кластеризации. Предложен термин «пространственная алгоритмическая предвзятость». С помощью авторского алгоритма семантического поиска в библиографических базах данных выявлено 604 статьи с эмпирическими результатами кластерного анализа российских регионов по социально-экономическим показателям. Приведена характеристика выявленных статей. Анализ всех статей показал, что алгоритмическая предвзятость наиболее проявляется в четырех операциях алгоритма кластеризации - развертывании концептуальной модели в оптимальный набор показателей, отборе регионов, выборе способа объединения регионов в кластеры и определении количества кластеров. По каждой операции представлены примеры дискриминируемых российских регионов. Указаны три направления дальнейших исследований: выявление пространственной несправедливости в стратегических документах и национальных целях развития, определение новых видов алгоритмической предвзятости, разработка рекомендаций по справедливой кластеризации регионов.
Идентификаторы и классификаторы
Кластерный анализ предназначен для выявления скоплений объектов (кластеров) в многомерном признаковом пространстве. Возможна также кластеризация признаков в пространстве всех объектов, но она не рассматривалась в нашем исследовании. Термин «кластерный анализ» предложен американским психологом Р. Трайоном (Tryon, 1939), а сам метод постоянно усовершенствовался и применялся в различных научных областях, включая региональные социально-экономические исследования (López-Villuendas, del Campo, 2023; Soares, Coutinho, 2010). В таких работах объектом является регион (в современных отечественных исследованиях это субъект РФ). Другие территориальные объекты – населенные пункты, муниципальные образования, страны – не анализировались.
Список литературы
-
Акбердина В.В., Наумов И.В., Красных С.С. Цифровое пространство регионов Российской Федерации: оценка факторов развития и взаимного влияния на социально-экономический рост // Journal of Applied Economic Research. 2023. Т. 22. Вып. 2. С. 294-322. DOI: 10.15826/vestnik.2023.22.2.013 EDN: KJKFDS
-
Беркович М.И., Боженка С.В., Брут-Бруляко А.А. Оценка социально-экономического развития субъектов Российской Федерации: факторно-кластерный подход // Известия высших учебных заведений. Серия “Экономика, финансы и управление производством”. 2013. № 2. С. 41-49. EDN: QCPGMX
-
Блануца В.И. Географическая экспертиза стратегий экономического развития России. М.: ИНФРА-М, 2021а. 198 с.
-
Блануца В.И. Дендрограммы в региональном социально-экономическом анализе: интерпретация и верификация // Научная визуализация. 2021б. Т. 13. № 5. С. 1-15. DOI: 10.26583/sv.13.5.01 EDN: FSOJWV
-
Блануца В.И. Кластеризация регионов Сибири и Дальнего Востока по достижению национальных целей развития // Российский экономический журнал. 2022. № 3. С. 63-83. DOI: 10.33983/0130-9757-2022-3-63-83 EDN: NQNZAU
-
Блануца В.И. Региональные экономические исследования с использованием алгоритмов искусственного интеллекта: состояние и перспективы // Вестник Забайкальского государственного университета. 2020. Т. 26. № 8. С. 100-111. DOI: 10.21209/2227-9245-2020-26-8-100-111 EDN: TOKQZH
-
Быкова М.Л. Кластеризация как инструмент управления экономической безопасностью регионов Российской Федерации // Beneficium. 2023. № 4. С. 6-12. DOI: 10.34680/BENEFICIUM.2023.4(49).6-12 EDN: NUSNXR
-
Жолудева И.И., Мельниченко Н.Ф., Козлов Г.Е. Применение кластерного анализа для оценки социально-экономического развития регионов на примере ЦФО и Ярославской области // Экономика, статистика и информатика. 2014. № 1. С. 144-148. EDN: RVQXBV
-
Ларченко Ю.Г. Кластеризация регионов на рынке труда по уровню привлекательности для иногородних соискателей // Ученые записки Комсомольского-на-Амуре государственного технического университета. 2023. № 8. С. 108-113. EDN: GNREMO
-
Лимонова Г.Г. Статистический анализ неравномерности распределения национального богатства по территории России // Вестник Оренбургского государственного университета. 2014. № 3. С. 137-141. EDN: SEWKLJ
-
Лясковская Е.А., Просвирина И.И., Кучина Е.В. Экономическое неравенство в России: анализ региональных особенностей // Вестник ЮУрГУ. Серия "Экономика и менеджмент". 2023. Т. 17. № 3. С. 77-87. DOI: 10.14529/em230307 EDN: OCWLGE
-
Ляхова Н.И., Григорян Д.Р. Обоснование выделения Центрально-Черноземного района для разработки общей стратегии развития // Региональная экономика и управление: электронный научный журнал. 2017. № 2. 13 с. EDN: YTTTYJ
-
Сорокина Н.Ю., Гагарина Г.Ю., Губарев Р.В. Диагностика социально-экономического развития регионов Российской Федерации с применением технологии нейросетевого моделирования // Плехановский научный бюллетень. 2017. № 2. С. 205-209. EDN: ZXODYP
-
Тимирьянова В.М., Зимин А.Ф., Жилина Е.В. Пространственная составляющая в изменении розничного рынка товаров // Экономика региона. 2018. Т. 14. Вып. 1. С. 164-175. DOI: 10.17059/2018-1-13 EDN: YWWBRM
-
Трещевский Ю.И., Кособуцкая А.Ю., Гарин Л.К. Экономико-статистический анализ локализации эколого-экономической активности российских регионов // Социально-политические исследования. 2021. № 2. С. 87-99. DOI: 10.20323/2658-428X-2021-2-11-87-99 EDN: CITSIR
-
Шпак А.С., Шаталова А.С., Сальников К.Н. Оценка развития малого предпринимательства в Дальневосточном федеральном округе // Фундаментальные исследования. 2019. № 12-1. С. 211-217. EDN: NTAYNP
-
Aldenderfer M.S., Blashfield R K. Cluster Analysis. Beverly Hills: Sage Publications, 1984. 88 p.
-
Chabra A., Masalkovaite K., Mohapatra P. An Overview of Fairness in Clustering // IEEE Access. 2021. Vol. 9. Pp. 130698-130720. DOI: 10.1109/ACCESS.2021.3114099 EDN: KOOSJW
-
Charrad M., Ghazzali N., Boiteau V., Niknafs A. NbClust: An R Package for Determining the Relevant Number of Clusters in a Data Set // Journal of Statistical Software. 2014. Vol. 61. Issue 6. Pp. 1-36. DOI: 10.18637/jss.v061.i06
-
Ester M., Kriegel H.-P., Sander J., Xu X. A Density-Based Algorithm for Discovering Clusters in Large Spatial Databases with Noise / Proceedings of the Second International Conference on Knowledge Discovery and Data Mining (KDD-96). Portland: AAAI Press, 1996. Pp. 226-231.
-
Everitt B., Landau S., Leese M. Cluster Analysis. London: Arnold, 2001. 237 p.
-
Foss A.H., Markatou M., Ray B. Distance Metrics and Clustering Methods for Mixed-Type Data // International Statistical Review. 2019. Vol. 87. Issue 1. Pp. 80-109. DOI: 10.1111/insr.12274
-
Gerdon F., Bach R.L., Kern C., Kreuter F. Social Impact of Algorithmic Decision-Making: A Research Agenda for the Social Sciences // Big Data & Society. 2022. Vol. 9. Issue 1. Pp. 1-13. DOI: 10.1177/20539517221089305 EDN: VGWNOY
-
Giordani P., Ferraro M. B., Martella F. An Introduction to Clustering with R. Singapore: Springer, 2020. 340 p.
-
Gupta S., Ghalme G., Krishnan N.C., Jain S. Efficient Algorithms for Fair Clustering with a New Notion of Fairness // Data Mining and Knowledge Discovery. 2023. Vol. 37. Pp. 1959-1997. DOI: 10.1007/s10618-023-00928-6 EDN: QUCYNK
-
Hadi A.S. A New Distance Between Multivariate Clusters of Varying Locations, Elliptical Shapes, and Directions // Pattern Recognition. 2022. Vol. 129. 108780. DOI: 10.1016/j.patcog.2022.108780
-
Hartigan J.A. Clustering Algorithms. New York: Wiley, 1975. 351 p.
-
Jackson M.C. Artificial Intelligence & Algorithmic Bias: The Issues with Technology Reflecting History & Humans // Journal of Business and Technology Law. 2021. Vol. 16. Issue 2. Pp. 299-316.
-
Johnson G.M. Algorithmic Bias: On the Implicit Biases of Social Technology // Synthese. 2021. Vol. 198. Pp. 9941-9961. DOI: 10.1007/s11229-020-02696-y EDN: ZHMOSR
-
Kordzadeh N., Ghasemaghaei M. Algorithmic Bias: Review, Synthesis, and Future Research Directions // European Journal of Information Systems. 2022. Vol. 31. Issue 3. Pp. 388-409. DOI: 10.1080/0960085X.2021.1927212 EDN: SIIQWK
-
Liu Z., Janowicz K., Cai L., Zhu R., Mai G., Shi M. Geoparsing: Solved or Biased? An Evaluation of Geographic Biases in Geoparsing / Proceedings of the 25th AGILE Conference on Geographic Information Science. Vilnus: AGILE, 2022. Pp. 1-13. DOI: 10.5194/agile-giss-3-9-2022
-
Liu Z., Zhang X., Jiang B. Active Learning with Fairness-Aware Clustering for Fair Classification Considering Multiple Sensitive Attributes // Information Sciences. 2023. Vol. 647. 119521. DOI: 10.1016/j.ins.2023.119521 EDN: XKIFPQ
-
Lopez-Villuendas A.M., del Campo C. Regional Economic Disparities in Europe: Time-Series Clustering Of NUTS 3 Regions // International Regional Science Review. 2023. Vol. 46. Issue 3. Pp. 265-298. DOI: 10.1177/01600176221125703 EDN: ITYWGY
-
Lorimer T., Held J., Stoop R. Clustering: How Much Bias Do We Need? // Philosophical Transactions of the Royal Society A. 2017. Vol. 375. 20160293. DOI: 10.1098/rsta.2016.0293
-
MacQueen J.B. Some Methods for Classification and Analysis of Multivariate Observations / Proceedings of 5th Berkeley Symposium on Mathematical Statistics and Probability. Berkeley: University of California Press, 1976. Pp. 281-297.
-
Majewska J., Truskolaski S. Cluster-Mapping Procedure for Tourism Regions Based on Geostatistics and Fuzzy Clustering: Example of Polish Districts // Current Issues in Tourism. 2019. Vol. 22. Issue 19. Pp. 2365-2385. DOI: 10.1080/13683500.2018.1467883 EDN: THODEV
-
Mirkin B. Mathematical Classification and Clustering. Dordrecht: Kluwer Academic Publisher, 1996. 580 p.
-
Miyamoto S., Ichihashi H., Honda K. Algorithms for Fuzzy Clustering: Methods in c-Means Clustering with Applications. Berlin; Heidelberg: Springer, 2008. 248 p. DOI: 10.1007/978-3-540-78737-2
-
Oduntan O.I., Thulasiraman P. Blending Multiple Algorithmic Granular Components: A Recipe for Clustering // Swarm Intelligence. 2022. Vol. 16. Pp. 305-349. DOI: 10.1007/s11721-022-00219-8 EDN: PJUUFW
-
Pan R., Zhong C. Fairness First Clustering: A Multi-Stage Approach for Mitigating Bias // Electronics. 2023. Vol. 12. Issue 13. 2969. DOI: 10.3390/electronics12132969
-
Robinson C., Franklin R.S. The Sensor Desert Quandary: What Does It Mean (Not) to Count in the Smart City? // Transactions of the Institute of British Geographers. 2020. Vol. 46. Issue 2. Pp. 238-254. DOI: 10.1111/tran.12415
-
Safransky S. Geographies of Algorithmic Violence: Redlining the Smart City // International Journal of Urban and Regional Research. 2020. Vol. 44. Issue 2. Pp. 200-218. DOI: 10.1111/1468-2427.12833
-
Sanchez P., Bellogin A., Boratto L. Bias Characterization, Assessment, and Mitigation in Location-Based Recommender Systems // Data Mining and Knowledge Discovery. 2023. Vol. 37. Pp. 1885-1929. DOI: 10.1007/s10618-022-00913-5 EDN: OWPTPH
-
Soares J.O., Coutinho C.C. Cluster Analysis in Regional Science // Advances and Applications in Statistical Science. 2010. Vol. 1. Issue 2. Pp. 311-325.
-
Tryon R.C. Cluster Analysis: Correlation Profile and Orthometric (Factor) Analysis for the Isolation of Unities in Mind and Personality. Ann Arbor: Edwards Brothers, 1939. 122 p.
-
Van Giffen B., Herhausen D., Fahse T. Overcoming the Pitfalls and Perils of Algorithms: A Classification of Machine Learning Biases and Mitigation Methods // Journal of Business Research. 2022. Vol. 144. Pp. 93-106. DOI: 10.1016/j.jbusres.2022.01.076 EDN: WDWICZ
-
Wagner B., Winkler T., Human S. Bias in Geographic Information Systems: The Case of Google Maps // Proceedings of the 54th Hawaii International Conference on System Sciences (HICSS54). Honolulu, 2021. Pp. 837-847. DOI: 10.24251/HICSS.2021.103
-
Ward J.H. Hierarchical Grouping to Optimize an Objective Function // Journal of the American Statistical Association. 1963. Vol. 58. Issue 301. Pp. 236-244.
-
Xu D., Tian Y.A.Comprehensive Survey of Clustering Algorithms // Annals of Data Science. 2015. Vol. 2. Pp. 165-193. DOI: 10.1007/s40745-015-0040-1 EDN: MWBLEH
-
Xu R., Wunsch D. Survey of Clustering Algorithms // IEEE Transactions on Neural Networks. 2005. Vol. 16. Issue 3. Pp. 645-678. DOI: 10.1109/TNN.2005.845141
-
Zou J., Schiebinger L. AI Can be Sexist and Racist - It's Time to Make It Fair // Nature. 2018. Vol. 559. Pp. 324-326. DOI: 10.1038/d41586-018-05707-8
Выпуск
Другие статьи выпуска
Морской конгресс Дальний Восток проводился 30–31 мая 2024 г. в г. Владивостоке. Организатором конгресса выступили ООО «НЕВА-Интернэшнл» при поддержке Правительства Приморского края. Общее число участников Конгресса – более 1,2 тыс. человек из 5 стран мира. Деловая программа Конгресса включала пленарное заседание с участием первых лиц отрасли, стратегические сессии и круглые столы – всего более 30 мероприятий. В дискуссии принимали участие ведущие российские и международные эксперты, а также руководители крупнейших предприятий в сфере судостроения, судоремонта, судоходства, портовой деятельности, морской логистики и добычи водных биологических ресурсов, операторов железной дороги и грузоотправителей.
4–7 июня 2024 г. в городе Байкальске Иркутской области состоялась IV Всероссийская конференция с международным участием «Региональная энергетическая политика Прибайкальской территории», организованная Институтом систем энергетики им. Л.А. Мелентьева Сибирского отделения РАН традиционно на базе отдела комплексных и региональных проблем энергетики ИСЭМ СО РАН.
В работе анализируется содержание и особенности монографии «Анализ и оценка процессов создания и развития в Азиатской России транспортной магистральной сети различного назначения». Отмечается, что монография основана на сочетании макроэкономического и отраслевого подходов. Показаны особенности монографии, отличающие ее от научных публикаций по вопросам функционирования транспорта восточных регионов России на современном этапе геополитических шоков. Первая - комплексность подхода, выражающаяся в широком перечне объектов исследования (грузовой и пассажирский сегменты, железнодорожный, автомобильный, воздушный и речной виды транспорта). Вторая особенность монографии заключается в широком представлении теоретических, методических, практических результатов исследований, включая обзор подходов к изучению транспортной инфраструктуры как фактора пространственного развития, анализ тенденций и ключевых проблем грузового и пассажирского сегментов, прогнозные оценки развития экономики и транспорта в долгосрочном периоде (2035 г.), изучение перспективных технологий и возможностей экологизации транспортных процессов. Третья особенность - соседство парадигм «инфраструктура для производства» и «инфраструктура для человека», подчеркивающее социальную значимость принимаемых в транспортном комплексе решений. В целом монография представляет системный взгляд на современную ситуацию и развитие транспортного комплекса восточных регионов России. В то же время привлечение к работе над монографией большого числа экспертов (из четырех учреждений) определяет сложности соблюдения единого подхода при работе с текстом и общей координации работы. Последнее отражается, с одной стороны, в наличии содержательных повторов отдельных проблемных моментов в разделах монографии, с другой стороны - в отсутствии в монографии важных для транспортного комплекса восточных регионов России аспектов (например, динамика тарифной политики, эффективное развитие системы пунктов пропуска через государственную границу, оценка регулирующего воздействия на транспортный комплекс при изменении институциональных условий использования ограниченной инфраструктуры и пр.).
На основе оперативной статистической, аналитической и экспертной информации проводится анализ социально-экономической ситуации ДФО в 2023 г. по основным видам экономической деятельности и территориально-административным регионам. Рассматриваются проблемы функционирования отраслей реального сектора экономики, социальной сферы, внешнеэкономической деятельности в условиях продолжающегося санкционного давления. Отмечается, что сохраняется неустойчивость и противоречивость тенденций развития в отдельных секторах экономики. Индекс выпуска базовых видов экономической деятельности демонстрирует положительную динамику с темпом роста выше уровня 2022 г. Инвестиционная активность оставалась на высоком уровне, несмотря на существующие шоковые ограничения. Большой прирост инвестиций в основной капитал связан с реализацией крупнейших, в том числе и экспортно ориентированных, проектов в области нефте- и газохимии, добычи полезных ископаемых, реконструкции транспортно-логистической инфраструктуры в связи с новой географией торговых взаимодействий. Общий рост выпуска промышленной продукции главным образом был связан с наращиванием объемов производства углеводородов в Сахалинской области и значительным увеличением улова рыбы в Камчатском крае. Наибольшую устойчивость к внешним шокам демонстрирует строительный комплекс, в котором второй год подряд сохраняется положительная динамика, связанная, в том числе, с расширением жилищного строительства. Грузовые перевозки всеми видами транспорта ДФО, за исключением автомобильного, имели положительную динамику. Проблемным элементом остается дефицит провозной способности Восточного полигона железных дорог. Внешняя торговля характеризовалась увеличением физических объемов экспорта и импорта. Одним из факторов экономического роста выступает расширение потребительского спроса в условиях роста реальных доходов населения и снижающегося уровня инфляции. На фоне этого существует ряд негативных факторов, которые впоследствии могут стать серьезной преградой дальнейшего воспроизводства: сохранение опережающего уровня инфляции по сравнению с динамикой экономического роста; сокращение численности кадров, в том числе и высокопрофессиональных; продолжающееся снижение численности населения как за счет естественной убыли, так и за счет миграционного оттока.
Выбор инструментов научного исследования - задача важная и часто нетривиальная, особенно когда в фокусе внимания ученого находятся сложные объекты. Системы расселения, безусловно, являются такими объектами. Простой выбор в пользу широко известной теории в данном случае далеко не всегда будет самым правильным вариантом. В частности, теория центральных мест В. Кристаллера относится к числу тех концепций, мимо которых не прошла, пожалуй, большая часть исследователей, изучавших системы расселения. Однако анализ тех ограничений, которые заложены в эту теорию ее базовыми предположениями, показывает, что область эмпирического применения этой теории является достаточно узкой. Описанная в настоящей работе в самых общих чертах специфика опорного каркаса системы расселения Южной макроэкономической зоны Дальнего Востока («нанизанность» большей части крупнейших городов зоны на полимагистраль) обуславливает предпочтительное использование коридорного подхода. Как представляется, концепция «коридора» (вкупе с подкрепляющими ее концепциями - оси развития, города-врата, полюсы интеграции и т. п.) обладает достаточной объяснительной силой для изучения особенностей развития указанной системы расселения.
Цель исследования - количественная оценка влияния интеграционных и геополитических факторов на торговлю Дальнего Востока России с зарубежными странами. Полученные на основе гравитационного моделирования для 2000-2021 гг. оценки выявили стимулирующее влияние на внешнюю торговлю Дальнего Востока интеграционных факторов (участие России и стран - торговых партнеров в ВТО; участие России в «глубоких» торговых соглашениях) и сдерживающее - в геополитических (острое политическое противостояние России с зарубежными странами; санкции, введенные против российской экономики). Установлено, что участие России и стран - торговых партнеров в ВТО способствовало увеличению внешней торговли Дальнего Востока на 58%. Определено положительное опосредованное влияние «фактора ВТО» и стимулирующее воздействие глобальной экономической конъюнктуры на внешний товарооборот Дальнего Востока, указывая на «чувствительность» открытой экономики макрорегиона к либерализации торговли на глобальном уровне. Выявлено, что создание Россией «глубоких» интеграционных форматов со странами ЕАЭС и Вьетнамом способствовало увеличению товарооборота Дальнего Востока с ними на 141%, однако доля во внешней торговле макрорегиона данных экономик была небольшой. Обнаружено, что наличие острого политического конфликта между Россией и зарубежными странами сокращало торговлю Дальнего Востока с этими государствами на 79%, однако по причине малой доли этих стран в товарообороте макрорегиона данный эффект был практически незаметен. Определено, что введение санкций против России со стороны ряда западных стран в 2014-2021 гг. привело к сокращению товарооборота Дальнего Востока с ними на 43% и могло способствовать ускоренному сооружению инфраструктуры для поставок углеводородного сырья на китайский рынок, ограничивая возможности для географической диверсификации экспорта макрорегиона.
В статье рассматриваются проблемы измерения пространственных мультипликаторов на базе многорегиональных моделей экономических взаимодействий. Выделяются две линии сравнительного анализа многорегиональных постановок: 1) в зависимости от выбора спецификации торговых коэффициентов, 2) в зависимости от выбора формата балансовых уравнений (таблицы «затраты-выпуск» vs матрицы социальных счетов). В качестве базы для сравнения используются межрегиональные балансы Японии, построенные в соответствии с моделью У. Айзарда на основе официально подтвержденной статистики по межрегиональной торговле. В центре внимания - «классические» многорегиональные модели с высокой степенью прозрачности систем допущений: модель Ченери - Мозеса, в которой неизвестными являются секторы назначения ввозимой в регион продукции, и модель Леонтьева - Страута, в которой неизвестными являются также объемы межрегиональных поставок. Расчеты показали, что в многорегиональных системах действуют компенсационные механизмы обратных связей, в результате чего явной пропорциональной зависимости между объемом используемой при построении балансов фактической информации о межрегиональной торговле и точностью оценок пространственных мультипликаторов не обнаруживается. Специфика разных многорегиональных моделей проявляется прежде всего в оценках структурных компонентов пространственных мультипликаторов - системных эффектов, формируемых на рынках разных иерархических уровней. Предположение о большей точности многорегиональных матриц социальных счетов (по сравнению с многорегиональными таблицами «затраты-выпуск» ввиду учета большего количества компенсационных механизмов обратных связей) подтверждается лишь на уровне средних по секторам пространственных мультипликаторов. Проведенные расчеты приводят к выводу о том, что при работе с многорегиональными моделями (особенно в рамках детализированного анализа пространственных мультипликаторов - в разрезе различных секторов или рынков различных иерархических уровней) важно принимать в расчет, с помощью каких дискурсивных приемов они были получены.
Издательство
- Издательство
- ИЭИ ДВО РАН
- Регион
- Россия, Хабаровск
- Почтовый адрес
- 680042, г. Хабаровск, ул. Тихоокеанская, 153.
- Юр. адрес
- 680042, г. Хабаровск, ул. Тихоокеанская, 153.
- ФИО
- Исаев Артём Геннадьевич (Директор)
- E-mail адрес
- st@ecrin.ru
- Контактный телефон
- +7 (421) 2725225
- Сайт
- http:/www.ecrin.ru