Онлайн-конкурс Сбериндекса

Онлайн-конкурс СберИндекса

по анализу данных, машинному обучению и экономике

Подать работу

до 9 октября

Призовой фонд

1 200 000 рублей

Команда

1–4 человека

О конкурсе

Приглашаем исследователей, специалистов по анализу данных, эконометрике, машинному обучению, анализу сложных сетей и временных рядов принять участие в решении прикладных задач на основе муниципальных, региональных и других данных. Участникам предстоит не просто построить модели, а найти в результатах содержательные закономерности, объяснить их и показать, как они могут быть полезны в практическом смысле для анализа территорий и локальной экономики.

На выбор доступна любая из задач

Выявить экономическую структуру территорий на основе атрибутированных сетей
Заняться прогнозированием и обнаружением точек структурных изменений в данных

Особое внимание будет уделяться воспроизводимости решений, ясности методологии, интерпретации результатов и качеству визуального представления. Лучшие проекты должны быть понятны с технической и с исследовательской точки зрения: что именно найдено, почему этому можно доверять и как это можно использовать дальше.

Для кого

Конкурс подойдёт участникам, которым интересно работать с реальными экономическими и территориальными данными, строить модели и превращать результаты анализа в содержательные выводы.

Мы ждем:

Аналитиков данных, специалистов по data science и ML

Исследователей в области экономики, регионального и пространственного анализа, экономической географии, урбанистики

Студентов старших курсов, магистрантов и аспирантов технических, экономических и географических направлений

Участвовать могут граждане РФ от 18 лет индивидуально или в команде до 4 человек

Выбор номинации

Лучшие команды получат денежные призы в одной из двух номинаций

Кластеризация

Прогнозирование

Кластеризация

Задача

Выявление экономической структуры российских муниципалитетов с использованием кластеризации на атрибутированных сетях

Постройте динамическую (привязанную ко времени) атрибутированную экономическую сеть на основе предоставленных данных (описаны ниже), где:

каждый узел — муниципальное образование (МО)
каждый МО описывается собственными экономическими характеристиками (атрибутами)
рёбра отражают степень экономической близости МО
сеть строится для последовательности моментов времени (например, ежемесячно)

Перед вами стоят три основные задачи:

сгруппировать экономически схожие муниципалитеты
проследить, как эти группы изменяются во времени
интерпретировать и наглядно представить полученные результаты

*С экономической точки зрения это задачи о выявлении скрытой структуры экономического пространства страны, то есть необходимо интерпретировать полученные кластеры как реальные типы локальных экономик

Для этого необходимо:

сформировать пространство признаков (атрибутов), выбрав подходящие показатели из предложенных вариантов, и обосновать свой выбор
математически определить правило, по которому между двумя муниципалитетами создаётся связь (ребро)
обосновать выбранный способ построения рёбер и объяснить, какое влияние он оказывает на структуру сети и результаты кластеризации
предложить математический подход для отслеживания изменений кластеров во времени
оценить качество полученных кластеров, дать им содержательную интерпретацию и обосновать их экономическую осмысленность

Данные

Потребительские безналичные расходы на уровне муниципальных образований (МО) по категориям трат (продовольствие, медицина и т.п.)
Покупательская мобильность на уровне МО
Отраслевая структура занятости по данным Росстата
Средние заработные платы по данным Росстата
Другие наборы данных с сайта СберИндекса
Допускается интеграция новостных источников, климатических и погодных данных, других экономических индикаторов или любых надёжных и публично доступных источников информации

Обязательным условием является использование минимум одного датасета СберИндекса

Критерии оценивания

Простое и понятное объяснение разработанной методологии — 15%
Описание того, как строится сетевая и атрибутивная структура, — 15%:
- корреляция между временными рядами или косинусное сходство векторов расходов, когда регионы ведут себя схожим образом
- лаговые корреляции, динамическое выравнивание временных рядов / Dynamic Time Warping, когда один регион опережает другой
- расстояния между регионами
- другие варианты
Сравнение методов — 15%
Применение ICVI: SW, CH, S_Dbw, AVI, AVU, MQ — 15%
Интерпретация результатов, ясность, воспроизводимость и обоснованность выводов — 30%
Предложение инновационной визуализации — 10%

Что необходимо предоставить

Чистый, хорошо документированный код:
- репозиторий GitHub
- конфигурационные файлы (YAML/JSON) для настройки гиперпараметров
- инструкцию по запуску проекта
Краткий методологический отчёт, написанный на русском языке
Презентацию в формате pdf или интерактивного лендинга с экономической интерпретацией результатов и визуализацией итогов

Призы

1 место

250 000 рублей

2 место

200 000 рублей

3 место

150 000 рублей