Научный журнал "Пространственная экономика" - Пространственная алгоритмическая предвзятость в социально-экономической кластеризации российских регионов

Раздел	Статьи
Заглавие	Пространственная алгоритмическая предвзятость в социально-экономической кластеризации российских регионов
Страницы	71-92
Автор	Блануца Виктор Иванович доктор географических наук, ведущий научный сотрудник Институт географии им. В.Б. Сочавы СО РАН ул. Улан-Баторская, 1, Иркутск, 664033, Российская Федерация This email address is being protected from spambots. You need JavaScript enabled to view it. ORCID: 0000-0003-3958-216X
Аннотация	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
УДК	332.1+911.3
JEL	C21, O18, R12
DOI	https://dx.doi.org/10.14530/se.2024.2.071-092
Ключевые слова	региональное социально-экономическое развитие, кластерный анализ, дискриминация, пространственная несправедливость, регион, Российская Феде-рация
Скачать	SE.2024.2.071-092.Blanutsa.pdf
Для цитирования	Блануца В.И. Пространственная алгоритмическая предвзятость в социально-экономической кластеризации российских регионов // Пространственная экономика. 2024. Т. 20. № 2. С. 71–92. https://dx.doi.org/10.14530/se.2024.2.071-092
Ссылки	1. 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. https://doi.org/10.15826/vestnik.2023.22.2.013 2. 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. 3. Блануца В.И. Географическая экспертиза стратегий экономического развития России. М.: ИНФРА-М, 2021а. 198 с. 4. Блануца В.И. Дендрограммы в региональном социально-экономическом анализе: интерпретация и верификация // Научная визуализация. 2021б. Т. 13. № 5. С. 1–15. https://doi.org/10.26583/sv.13.5.01 5. Блануца В.И. Кластеризация регионов Сибири и Дальнего Востока по достижению национальных целей развития // Российский экономический журнал. 2022. № 3. С. 63–83. https://doi.org/10.33983/0130-9757-2022-3-63-83 6. 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. https://doi.org/10.21209/2227-9245-2020-26-8-100-111 7. Быкова М.Л. Кластеризация как инструмент управления экономической безопасностью регионов Российской Федерации // Beneficium. 2023. № 4. С. 6–12. https://doi.org/10.34680/BENEFICIUM.2023.4(49).6-12 8. 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. 9. 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. 10. Лимонова Г.Г. Статистический анализ неравномерности распределения национального богатства по территории России // Вестник Оренбургского государственного университета. 2014. № 3. С. 137–141. 11. 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. https://doi.org/10.14529/em230307 12. 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. 13. 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. 14. 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. https://doi.org/10.17059/2018-1-13 15. 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. https://doi.org/10.20323/2658-428X-2021-2-11-87-99 16. 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. 17. Aldenderfer M.S., Blashfield R K. Cluster Analysis. Beverly Hills: Sage Publications, 1984. 88 p. 18. Chabra A., Masalkovaite K., Mohapatra P. An Overview of Fairness in Clustering // IEEE Access. 2021. Vol. 9. Pp. 130698–130720. https://doi.org/10.1109/ACCESS.2021.3114099 19. 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. https://doi.org/10.18637/jss.v061.i06 20. 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. 21. Everitt B., Landau S., Leese M. Cluster Analysis. London: Arnold, 2001. 237 p. 22. 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. https://doi.org/10.1111/insr.12274 23. 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. https://doi.org/10.1177/20539517221089305 24. Giordani P., Ferraro M. B., Martella F. An Introduction to Clustering with R. Singapore: Springer, 2020. 340 p. 25. 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. https://doi.org/10.1007/s10618-023-00928-6 26. Hadi A.S. A New Distance Between Multivariate Clusters of Varying Locations, Elliptical Shapes, and Directions // Pattern Recognition. 2022. Vol. 129. 108780. https://doi.org/10.1016/j.patcog.2022.108780 27. Hartigan J.A. Clustering Algorithms. New York: Wiley, 1975. 351 p. 28. 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. 29. Johnson G.M. Algorithmic Bias: On the Implicit Biases of Social Technology // Synthese. 2021. Vol. 198. Pp. 9941–9961. https://doi.org/10.1007/s11229-020-02696-y 30. 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. https://doi.org/10.1080/0960085X.2021.1927212 31. 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. https://doi.org/10.5194/agile-giss-3-9-2022 32. 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. https://doi.org/10.1016/j.ins.2023.119521 33. 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. https://doi.org/10.1177/01600176221125703 34. Lorimer T., Held J., Stoop R. Clustering: How Much Bias Do We Need? // Philosophical Transactions of the Royal Society A. 2017. Vol. 375. 20160293. https://doi.org/10.1098/rsta.2016.0293 35. 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. 36. 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. https://doi.org/10.1080/13683500.2018.1467883 37. Mirkin B. Mathematical Classification and Clustering. Dordrecht: Kluwer Academic Publisher, 1996. 580 p. 38. Miyamoto S., Ichihashi H., Honda K. Algorithms for Fuzzy Clustering: Methods in c-Means Clustering with Applications. Berlin; Heidelberg: Springer, 2008. 248 p. https://doi.org/10.1007/978-3-540-78737-2 39. Oduntan O.I., Thulasiraman P. Blending Multiple Algorithmic Granular Components: A Recipe for Clustering // Swarm Intelligence. 2022. Vol. 16. Pp. 305–349. https://doi.org/10.1007/s11721-022-00219-8 40. Pan R., Zhong C. Fairness First Clustering: A Multi-Stage Approach for Mitigating Bias // Electronics. 2023. Vol. 12. Issue 13. 2969. https://doi.org/10.3390/electronics12132969 41. 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. https://doi.org/10.1111/tran.12415 42. 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. https://doi.org/10.1111/1468-2427.12833 43. 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. https://doi.org/10.1007/s10618-022-00913-5 44. 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. 45. 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. 46. 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. https://doi.org/10.1016/j.jbusres.2022.01.076 47. 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. https://doi.org/10.24251/HICSS.2021.103 48. Ward J.H. Hierarchical Grouping to Optimize an Objective Function // Journal of the American Statistical Association. 1963. Vol. 58. Issue 301. Pp. 236–244. 49. Xu D., Tian Y.A. Comprehensive Survey of Clustering Algorithms // Annals of Data Science. 2015. Vol. 2. Pp. 165–193. https://doi.org/10.1007/s40745-015-0040-1 50. Xu R., Wunsch D. Survey of Clustering Algorithms // IEEE Transactions on Neural Networks. 2005. Vol. 16. Issue 3. Pp. 645–678. https://doi.org/10.1109/TNN.2005.845141 51. Zou J., Schiebinger L. AI Can be Sexist and Racist – It’s Time to Make It Fair // Nature. 2018. Vol. 559. Pp. 324–326. https://doi.org/10.1038/d41586-018-05707-8
Финансирование	Исследование выполнено за счет средств государственного задания (номер регистрации темы АААА-А21-121012190018-2)
Поступила в редакцию	18.06.2024
Одобрена после рецензирования	20.06.2024
Принята к публикации	20.06.2024
Доступно онлайн	01.07.2024