Кластеризация регионов России на основе данных наличного денежного обращения

В периоды кризисов спрос на наличные деньги возрастает, увеличивая нагрузку на платежную инфраструктуру. Кластеризация регионов РФ позволит разработать дифференцированные сценарии реагирования на шоки и усовершенствовать прогнозный инструментарий с учетом региональной специфики. В статье представлена кластеризация регионов России на основе динамики приходно-расходных операций с наличными деньгами. С использованием корреляционно-кластерного анализа, метода Варда и алгоритма k-средних авторами выявлены группы субъектов РФ со схожими паттернами денежного обращения. На основе «метода локтя» определено, что для большинства номиналов оптимальным является разделение на три кластера, при этом границы групп варьируются в зависимости от волатильности операций. По наиболее часто встречающимся номиналам в обращении — 5000, 1000 и 500 руб. — в большинстве регионов РФ наблюдается схожая динамика приходно-расходных операций. Получен вывод о том, что в условиях значительных экзогенных шоков региональные паттерны использования наличных денег различных номиналов склонны к унификации. Формирование доминирующих кластеров свидетельствует о преобладании общенациональных факторов (изменение потребительского поведения, адаптация к неопределенности, единые меры экономической политики) над региональной спецификой в динамике наличного денежного обращения. Результаты исследования представляют практическую ценность для Банка России и других финансовых институтов, поскольку позволяют перейти к территориально ориентированным моделям прогнозирования спроса на наличность, что открывает возможности для оптимизации логистических процессов и минимизации издержек. Кроме того, предложенная методика может быть адаптирована для анализа других макроэкономических показателей, что расширяет сферу ее потенциального применения.

1. Артемова М., Мамедли М., Синяков А. Кредитование домохозяйств в разрезе федеральных округов по данным опроса финансов домохозяйств: региональные особенности и потенциальные риски. Аналитическая записка. М.: Банк России, 2018. https://cbr.ru/content/document/file/48364/analytic_note_181004_dip.pdf.

2. Белов С. В., Карепов О. В. Вопросы обеспечения наличного денежного оборота на территории Дальневосточного федерального округа // Деньги и кредит. 2017. № 1. С. 53–56.

3. Боголюбова Н. П., Никитин М. В. Региональная специфика взаимосвязей потребления домашних хозяйств и экономического развития в современной России // Вестник Алтайской академии экономики и права. 2019. № 4. С. 19–29.

4. Губарев Р. В., Дзюба Е. И., Куликова О. М., Файзуллин Ф. С. Управление качеством жизни населения в регионах России // Журнал институциональных исследований. 2019. Т. 11. № 2. С. 146–170. DOI: 10.17835/2076-6297.2019.11.2.146-170.

5. Заварухин В. П., Чинаева И., Чурилова Э. Ю. Регионы России: результаты кластеризации на основе экономических и инновационных показателей // Статистика и экономика. 2022. Т. 19. № 5. С. 35–47. DOI: 10.21686/2500-3925-2022-5-35-47.

6. Ильясов Б. Г., Макарова Е. А., Закиева Е. Ш., Гиздатуллина Э. С. Оценка данных о доходах населения в региональном разрезе методом главных компонент // Экономика региона. 2019. Т. 15. № 2. С. 601–617. DOI: 10.17059/2019-2-22.

7. Ионов В. М. О месте и роли наличных денег в мировой экономике (Исчезнут ли наличные деньги?) // Деньги и кредит. 2016. № 10. С. 43–50.

8. Кетова К. В., Касаткина Е. В., Вавилова Д. Д. Кластеризация регионов Российской Федерации по уровню социально-экономического развития с использованием методов машинного обучения // Экономические и социальные перемены: факты, тенденции, прогноз. 2021. Т. 14. № 6. С. 70–85. DOI: 10.15838/esc.2021.6.78.4.

9. Криворучко С. В. Спрос на деньги и обращение банкнот крупных номиналов: современные тенденции // Финансовый журнал. 2019. № 2. С. 96–108. DOI: 10.31107/2075-1990-2019-2-96-108.

10. Отношение населения Российской Федерации к различным средствам платежа: результаты социологического исследования за 2023 год. М.: Банк России, 2023. https://cbr.ru/Collection/Collection/File/49252/results_2023.pdf.

11. Пискун Е. И., Хохлов В. В. Экономическое развитие регионов Российской Федерации. Факторно-кластерный анализ // Экономика региона. 2019. Т. 15. № 2. С. 363–376. DOI: 10.17059/2019-2-5.

12. Протасов Ю. М., Юров В. М. Кластеризация регионов РФ по уровню их социально-экономического развития // Вестник Московского государственного областного университета. Серия: Экономика. 2022. № 2. С. 95–103. DOI: 10.18384/2310-6646-2022-2-95-103.

13. Развитие и регулирование рынка инкассации и перевозки наличных денег: доклад для общественных консультаций. М.: Банк России, 2024. https://cbr.ru/Content/Document/File/165616/Consultation_Paper_30082024.pdf.

14. Структура наличной денежной массы в обращении. М.: Банк России, 2025. http://cbr.ru/statistics/cash_circulation/20250401.

15. Четверикова Е., Гудкова Ю., Воронцова А., Манухина Ю. Гетерогенность сберегательной активности регионов России, ее предикторов и детерминант. Банк Росии. Серия докладов об экономических исследованиях. № 101. 2022. https://cbr.ru/StaticHtml/File/142779/wp_101.pdf.

16. Adolfsson А., Ackerman М., Brownstein N. C. To Cluster, or Not to Cluster: An Analysis of Clusterability Methods // Pattern Recognition. 2018. P. 1–18. DOI: 10.1016/j.patcog.2018.10.026.

17. Community Access to Cash Pilots: Final Report. London: Cash Access UK Limited, 2021. https://www.toynbeehall.org.uk/wp-content/uploads/2021/12/CACP_Report_FINAL-for-sharing.pdf.

18. Consultation on the Bank of England’s Supervisory Approach to Wholesale Cash Distribution. London: Bank of England, 2022. https://www.bankofengland.co.uk/paper/2022/consultation-on-the-bank-of-englands-supervisory-approach-to-wholesalecash-distribution.

19. Bartzsch N., Rösl G., Seitz F. The Circulation of German Euro Banknotes Abroad: Estimates Applying Direct Methods. Deutsche Bundesbank. Discussion Paper. Series 1. No 20. 2011a.

20. Bartzsch N., Rösl G., Seitz F. The Circulation of German Euro Banknotes Abroad: Estimates Applying Indirect Methods. Deutsche Bundesbank. Discussion Paper. Series 1. No 21. 2011b.

21. Brown J. R., Gustafson M. T., Ivanov I. T. Weathering Cash Flow Shocks // The Journal of Finance. 2021. Vol. 76. Iss. 4. P. 1731–1772.

22. Chen H., Engert W., Huynh K. P., Nicholls G., Nicholson M., Zhu J. Cash and COVID-19: The Impact of the Pandemic on the Demand for and Use of Cash. Bank of Canada. Staff Discussion Paper. No 2020-6. 2020. DOI: 10.34989/sdp-2020-6.

23. Cui M. Introduction to the K-Means Clustering Algorithm Based on the Elbow Method // Accounting, Auditing and Finance. 2020. Vol. 1. Iss. 1. P. 5–8.

24. Dias A. Estimating a Country’s Currency Circulation Within a Monetary Union // Ninth IFC Conference on Are Post-Crisis Statistical Initiatives Completed? Basel: Bank of Portugal, 2018.

25. Enright M. J. Survey on the Characterization of Regional Clusters: Initial Results. Hong Kong: Institute of Economic Policy and Business Strategy; The Competitiveness Institute, 2000.

26. Study on the Payment Attitudes of Consumers in the Euro Area. Frankfurt on the Main: European Central Bank, 2022. https://www.ecb.europa.eu/stats/ecb_surveys/space/html/ecb.space2024~19d46f0f17.en.html.

27. Ghosal A., Nandy A., Das A. K., Goswami S., Panday M. A Short Review on Different Clustering Techniques and Their Applications. Emerging Technology in Modelling and Graphics // Advances in Intelligent Systems and Computing. Singapore: Springer, 2022. Vol. 937. P. 69–83. DOI: 10.1007/978-981-13-7403-6_9.

28. Hesananda R., Apriliga P. Customer Segmentation of Cash Management System Using K-Means Clustering // Journal of Applied and Research Computer Science and Information Systems. 2024. Vol. 2. Iss. 2. P. 191–202.

29. Kleinberg J. An Impossibility Theorem for Clustering // Proceedings of the 15th International Conference on Neural Information Processing Systems. Vancouver, 9–14 December 2002. Cambridge, MA: MIT Press, 2002. P. 463–470.

30. Liu F., Deng Y. Determine the Number of Unknown Targets in Open World Based on Elbow Method // IEEE Transactions on Fuzzy Systems. 2021. Vol. 29. Iss. 5. P. 986–995. DOI: 10.1109/tfuzz.2020.2966182.

31. Schubert E. Stop Using the Elbow Criterion for K-Means and How to Choose the Number of Clusters Instead // ACM SIGKDD Exploration Newsletter. 2023. Vol. 25. Iss. 1. P. 36–42. DOI: 10.1145/3606274.3606278.

32. Shahapure K. R., Nicholas C. Cluster Quality Analysis Using Silhouette Score // 2020 IEEE 7th International Conference on Data Science and Advanced Analytics. Sydney, 6–9 October 2020. New York: IEEE, 2020. DOI: 10.1109/dsaa49011.2020.00096.

33. Shirai S., Sugandi E. A. Growing Global Demand for Cash // International Business Research. 2019. Vol. 12. Iss. 12. P. 74. DOI: 10.5539/ibr.v12n12p74.

34. Shutaywi M., Kachouie N. N. Silhouette Analysis for Performance Evaluation in Machine Learning with Applications to Clustering // Entropy. 2021. Vol. 23. Iss. 6. Art. 759. P. 1–17. DOI: 10.3390/e23060759.

35. Simutis R., Dilijonas D., Bastina L. Cash Demand Forecasting for ATM Using Neural Networks and Support Vector Regression Algorithms // Proceedings of the 20th EURO Mini Conference Continuous Optimization and Knowledge-Based Technologies. Neringa, 20–23 May 2008. Vilnius: Institute of Mathematics and Informatics; Vilnius Gediminas Technical University, 2008. P. 416–421.

36. Spaanderman J. The Role and Future of Cash // Occasional Studies. 2023. Vol. 18. Iss. 2. P. 1–52.

37. Syakur M. A., Khotimah B. K., Rochman E. M. S., Satoto B. D. Integration K-Means Clustering Method and Elbow Method for Identification of the Best Customer Profile Cluster // IOP Conference Series: Materials Science and Engineering. Surabaya, 9 November 2017. Bristol: IOP Publishing, 2018. Vol. 336. P. 1–7.

38. Thorndike R. L. Who Belongs in the Family? // Psychometrika. 1953. Vol. 18. Iss. 4. P. 267– 276. DOI: 10.1007/BF02289263.

39. Vidyattama Y. Issues in Applying Spatial Autocorrelation on Indonesia’s Provincial Income Growth Analysis // Australasian Journal of Regional Studies. 2014. Vol. 20. Iss. 2. P. 375–402.

40. Ward J. H. Hierarchical Grouping to Optimize an Objective Function // Journal of the American Statistical Association. 1963. Vol. 58. P. 236–244.