<?xml version="1.0" encoding="UTF-8"?>
    <!DOCTYPE article PUBLIC "-//NLM/DTD JATS (Z39.96) Journal Publishing DTD v1.2 20120330//EN" "http://jats.nlm.nih.gov/publishing/1.2/JATS-journalpublishing1.dtd">
    <!--<?xml-stylesheet type="text/xsl" href="article.xsl">-->
<article xmlns:ns0="http://www.w3.org/1999/xlink" xmlns:xlink="http://www.w3.org/1999/xlink" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" article-type="research-article" dtd-version="1.2" xml:lang="en">
	<front>
		<journal-meta>
			<journal-id journal-id-type="issn">2303-9868</journal-id>
			<journal-id journal-id-type="eissn">2227-6017</journal-id>
			<journal-title-group>
				<journal-title>Международный научно-исследовательский журнал</journal-title>
			</journal-title-group>
			<issn pub-type="epub">2303-9868</issn>
			<publisher>
				<publisher-name>ООО Цифра</publisher-name>
			</publisher>
		</journal-meta>
		<article-meta>
			<article-id pub-id-type="doi">10.60797/IRJ.2026.173.76</article-id>
			<article-categories>
				<subj-group>
					<subject>Brief communication</subject>
				</subj-group>
			</article-categories>
			<title-group>
				<article-title>КОРРЕЛЯЦИОННЫЙ АНАЛИЗ В СИСТЕМЕ ИНФОРМАЦИОННОГО ОБЕСПЕЧЕНИЯ ЗЕМЛЕУСТРОЙСТВА И МОНИТОРИНГА ЗЕМЕЛЬ: ОПЫТ ТВЕРСКОЙ И АСТРАХАНСКОЙ ОБЛАСТЕЙ</article-title>
			</title-group>
			<contrib-group>
				<contrib contrib-type="author" corresp="yes">
					<contrib-id contrib-id-type="orcid">https://orcid.org/0000-0002-8221-8008</contrib-id>
					<contrib-id contrib-id-type="rinc">https://elibrary.ru/author_profile.asp?id=674133</contrib-id>
					<contrib-id contrib-id-type="rid">https://publons.com/researcher/A-8827-2017</contrib-id>
					<name>
						<surname>Мурашева</surname>
						<given-names>Алла Андреевна</given-names>
					</name>
					<email>amur.2gis@gmail.com</email>
					<xref ref-type="aff" rid="aff-1">1</xref>
				</contrib>
				<contrib contrib-type="author">
					<contrib-id contrib-id-type="orcid">https://orcid.org/0009-0000-9321-3934</contrib-id>
					<contrib-id contrib-id-type="rinc">https://elibrary.ru/author_profile.asp?id=1330507</contrib-id>
					<name>
						<surname>Карпинова</surname>
						<given-names>Александра Сергеевна</given-names>
					</name>
					<email>karpinovaas@guz.ru</email>
					<xref ref-type="aff" rid="aff-1">1</xref>
				</contrib>
				<contrib contrib-type="author">
					<contrib-id contrib-id-type="rinc">https://elibrary.ru/author_profile.asp?id=683480</contrib-id>
					<name>
						<surname>Груздев</surname>
						<given-names>Владимир Станиславович</given-names>
					</name>
					<email>gruzdev-vladimir@yandex.ru</email>
					<xref ref-type="aff" rid="aff-1">1</xref>
				</contrib>
				<contrib contrib-type="author">
					<contrib-id contrib-id-type="orcid">https://orcid.org/0000-0002-8404-4590</contrib-id>
					<name>
						<surname>Столяров</surname>
						<given-names>Виктор Михайлович</given-names>
					</name>
					<email>vms88@inbox.ru</email>
					<xref ref-type="aff" rid="aff-1">1</xref>
				</contrib>
				<contrib contrib-type="author">
					<contrib-id contrib-id-type="orcid">https://orcid.org/0000-0002-2711-5022</contrib-id>
					<contrib-id contrib-id-type="rinc">https://elibrary.ru/author_profile.asp?id=800612</contrib-id>
					<contrib-id contrib-id-type="rid">https://publons.com/researcher/O-1207-2017</contrib-id>
					<name>
						<surname>Лепехин</surname>
						<given-names>Павел Павлович</given-names>
					</name>
					<email>shampolamo@inbox.ru</email>
					<xref ref-type="aff" rid="aff-1">1</xref>
				</contrib>
			</contrib-group>
			<aff id="aff-1">
				<label>1</label>
				<institution>Государственный университет по землеустройству</institution>
			</aff>
			<pub-date publication-format="electronic" date-type="pub" iso-8601-date="2026-11-17">
				<day>17</day>
				<month>11</month>
				<year>2026</year>
			</pub-date>
			<pub-date pub-type="collection">
				<year>2026</year>
			</pub-date>
			<volume>12</volume>
			<issue>173</issue>
			<fpage>1</fpage>
			<lpage>12</lpage>
			<history>
				<date date-type="received" iso-8601-date="2026-09-25">
					<day>25</day>
					<month>09</month>
					<year>2026</year>
				</date>
				<date date-type="accepted" iso-8601-date="2026-10-23">
					<day>23</day>
					<month>10</month>
					<year>2026</year>
				</date>
			</history>
			<permissions>
				<copyright-statement>Copyright: &amp;#x00A9; 2022 The Author(s)</copyright-statement>
				<copyright-year>2022</copyright-year>
				<license license-type="open-access" xlink:href="http://creativecommons.org/licenses/by/4.0/">
					<license-p>
						This is an open-access article distributed under the terms of the Creative Commons Attribution 4.0 International License (CC-BY 4.0), which permits unrestricted use, distribution, and reproduction in any medium, provided the original author and source are credited. See 
						<uri xlink:href="http://creativecommons.org/licenses/by/4.0/">http://creativecommons.org/licenses/by/4.0/</uri>
					</license-p>
					.
				</license>
			</permissions>
			<self-uri xlink:href="https://research-journal.org/archive/11-173-2026-november/10.60797/IRJ.2026.173.76"/>
			<abstract>
				<p>В статье рассматриваются методические подходы к применению корреляционного анализа для оценки качества и полноты сведений Единого государственного реестра недвижимости (ЕГРН), а также для информационного обеспечения организации комплексных кадастровых работ. Цель исследования — обоснование возможностей статистического инструментария при выявлении закономерностей и взаимосвязей между показателями кадастрового учета, социально-экономическими условиями и природными факторами территорий. На примере Тверской и Астраханской областей показаны возможности использования корреляционного анализа для оценки полноты и достоверности сведений ЕГРН, определения факторов, влияющих на качество кадастровых данных, и выбора приоритетных направлений комплексных кадастровых работ. Объем выборки составил 36 муниципальных образований Тверской области и 11 муниципальных районов Астраханской области. Для проверки нормальности распределения применялись критерии Шапиро–Уилка и Колмогорова–Смирнова. Проведен сравнительный анализ регионального опыта, выявлены общие и специфические особенности формирования информационной базы ЕГРН, а также факторы, обусловливающие территориальную дифференциацию показателей кадастрового учета. Обоснованы преимущества комплексного применения корреляционного, факторного и кластерного анализа, позволяющего повысить достоверность исходных данных, учесть пространственную неоднородность территорий и повысить обоснованность управленческих решений при выполнении кадастровых работ. Установлены количественные зависимости: между площадью района и количеством земельных участков (r = 0,73), между количеством земельных участков и объектов капитального строительства (r = 0,68), между количеством кадастровых кварталов и участков без установленных границ (r = 0,72). Для Тверской области выделено 10 кластеров муниципальных образований с индексом кадастровых работ от 18% до 97%. Результаты исследования могут быть использованы при совершенствовании методик оценки качества сведений ЕГРН, планировании комплексных кадастровых работ и разработке региональных программ в сфере управления земельными ресурсами.</p>
			</abstract>
			<kwd-group>
				<kwd>корреляционный анализ</kwd>
				<kwd> ЕГРН</kwd>
				<kwd> комплексные кадастровые работы</kwd>
				<kwd> землеустройство</kwd>
				<kwd> мониторинг земель</kwd>
				<kwd> Тверская область</kwd>
				<kwd> Астраханская область</kwd>
				<kwd> факторный анализ</kwd>
				<kwd> кластерный анализ</kwd>
			</kwd-group>
		</article-meta>
	</front>
	<body>
		<sec>
			<title>HTML-content</title>
			<p>1. Введение</p>
			<p>Современное землеустройство и кадастр немыслимы без применения статистических методов анализа пространственных данных. Одним из наиболее востребованных инструментов является корреляционный анализ, позволяющий выявлять и количественно оценивать взаимосвязи между различными показателями состояния земельных ресурсов. В условиях цифровой трансформации отрасли, активного внедрения Национальной системы пространственных данных (НСПД) и повсеместного проведения комплексных кадастровых работ (ККР) возрастает потребность в надежных методиках оценки полноты и качества исходной информации.</p>
			<p>Научная новизна исследования заключается в комплексном применении корреляционного, факторного и кластерного анализа к задачам оценки качества и полноты сведений ЕГРН и планирования ККР с обязательной проверкой нормальности распределения исходных переменных, а также при сопоставлении двух регионов с различными природно-экономическими условиями. Такой подход развивает современные направления статистического обеспечения землеустройства и кадастра [11], [15].</p>
			<p>Задачи исследования:</p>
			<p>1) сформировать репрезентативную выборку муниципальных образований и обосновать набор переменных;</p>
			<p>2) провести проверку нормальности распределения с использованием формальных критериев;</p>
			<p>3) выполнить корреляционный, факторный и кластерный анализ по Тверской области;</p>
			<p>4) провести сопоставимый анализ по Астраханской области;</p>
			<p>5) сформулировать количественно обоснованные выводы и практические рекомендации.</p>
			<p>2. Материалы и методы исследования</p>
			<p>Для анализа использованы данные по 36 муниципальным образованиям Тверской области и 11 муниципальным районам Астраханской области. Выборка охватывает все муниципальные образования первого уровня, что обеспечивает репрезентативность и позволяет применять параметрические методы.</p>
			<p>Источники данных:</p>
			<p>– сведения ЕГРН о земельных участках, объектах капитального строительства, кадастровых кварталах, зонах с особыми условиями использования территорий (ЗОУИТ), административных границах и территориальных зонах;</p>
			<p>– статистические отчеты Федеральной службы государственной регистрации, кадастра и картографии (Росреестра);</p>
			<p>– материалы государственного мониторинга земель;</p>
			<p>– данные дистанционного зондирования Земли (Sentinel-2, Landsat);</p>
			<p>– региональные программы управления земельными ресурсами и материалы НСПД.</p>
			<p>Для обоснования набора переменных из массива исходных данных отобраны 12 переменных, характеризующих состояние кадастрового учета и социально-экономические условия территорий. За критерии отбора приняты: наличие полных данных по всем муниципальным образованиям, статистическая значимость, содержательная интерпретируемость.</p>
			<p>Перечень переменных:</p>
			<p>– площадь района;</p>
			<p>– количество земельных участков;</p>
			<p>– количество ОКС;</p>
			<p>– количество кадастровых кварталов;</p>
			<p>– количество земельных участков без установленных границ;</p>
			<p>– количество ОКС с уточненными границами; площадь земель сельскохозяйственного назначения;</p>
			<p>– площадь лесных земель;</p>
			<p>– площадь земель водного фонда;</p>
			<p>– площадь земель запаса;</p>
			<p>– численность населения; количество ЗОУИТ.</p>
			<p>Выбор 12 переменных обусловлен необходимостью включить три основные группы показателей:</p>
			<p>1) пространственно-ресурсные характеристики территории (площадь района, площадь земель сельскохозяйственного назначения, лесных земель, водного фонда и земель запаса);</p>
			<p>2) интенсивность кадастрового учета (количество земельных участков, ОКС, кадастровых кварталов, участков без установленных границ, ОКС с уточненными границами);</p>
			<p>3) социально-экономические и инфраструктурные условия (численность населения и количество ЗОУИТ).</p>
			<p>Такой набор переменных позволяет оценить как ресурсный потенциал территории, так и полноту заполнения ЕГРН, а также выявить взаимосвязи между ними. Критериями отбора принято наличие полных данных по всем муниципальным образованиям, статистическая значимость и содержательная интерпретируемость переменных; все отобранные показатели имеют прямое отношение к планированию ККР и оценке качества сведений ЕГРН.</p>
			<p>Значительный вклад в развитие теоретических и методических основ применения статистических методов в землеустройстве внесли исследования по информационному обеспечению землеустройства, геоинформационному моделированию и мониторингу земель.</p>
			<p>[1][2][3][4][4]</p>
			<p>Проблемы цифрового землеустройства и мониторинга почвенно-земельного покрова рассматриваются в работах С.Н. Волкова и Шаповалова Д.А.</p>
			<p> [6], [12], [5].  </p>
			<p>Значительный вклад в применение методов ГИС-технологий и статистического анализа для оценки и мониторинга природных условий внесли работы В.В. Браткова. В его исследованиях </p>
			<p>[7][8]</p>
			<p>Значительный вклад в изучение региональных аспектов мониторинга земель вносят исследования Бармина А.Н. и его научной школы. В работах </p>
			<p>[9][10]</p>
			<p>Методологическую основу составили методы корреляционного, факторного и кластерного анализа, реализованные в программном обеспечении Statistica версии 10.0. Для оценки плотности связи между показателями использовались коэффициенты корреляции Пирсона и Спирмена.</p>
			<p>Проверка нормальности распределения осуществлялась с применением формальных критериев: критерия Шапиро–Уилка (для выборок n &lt; 50) и критерия Колмогорова–Смирнова с поправкой Лиллиефорса. Дополнительно использовались квантильные диаграммы (Q-Q plots) для визуальной оценки. Уровень значимости принят равным 0,05. При p &gt; 0,05 гипотеза о нормальности распределения не отвергалась.</p>
			<p>Для факторного анализа применялся метод главных компонент с последующим вращением Varimax. Количество факторов определялось по критерию Кайзера (собственные значения &gt; 1) и критерию каменистой осыпи. Пороговое значение факторной нагрузки принято равным 0,7.</p>
			<p>Кластерный анализ выполнен методом Уорда (Ward's method) с использованием евклидова расстояния. Обоснование выбора метода: минимизация внутрикластерной дисперсии, устойчивость к выбросам, возможность работы с разнородными признаками. Количество кластеров определено по дендрограмме и коэффициенту слияния.</p>
			<p>Выбор статистического инструментария согласуется с современными тенденциями развития научной специальности 1.6.15 «Землеустройство, кадастр и мониторинг земель» и подходами к комплексным кадастровым работам как элементу эффективного управления территориями [11], [15].</p>
			<p>3. Результаты и обсуждение</p>
			<p>3.1. Проверка нормальности распределения</p>
			<p>На первом этапе был выполнен анализ собранных исходных материалов для территорий муниципальных образований Тверской области. Рабочей гипотезой являлось предположение о том, что наиболее полно состояние кадастровых данных в ЕГРН характеризуется информацией об учтенных и ранее учтенных объектах недвижимости на исследуемой территории. Всего было проанализировано 12 переменных, характеризующих состояние кадастрового учета в 36 муниципальных образованиях Тверской области.</p>
			<p>Для проверки нормальности распределения полученных данных были построены квантильные диаграммы. На диаграммах красной линией показано, как выглядело бы нормальное распределение, а точечной фиолетовой линией — фактические распределения.</p>
			<p>Результаты проверки нормальности распределения по формальным критериям сведены в таблицу 1.</p>
			<table-wrap id="T1">
				<label>Table 1</label>
				<caption>
					<p>Результаты проверки нормальности распределения переменных (Тверская область)</p>
				</caption>
				<table>
					<tr>
						<td>Переменная</td>
						<td>Критерий Шапиро–Уилка (W)</td>
						<td>p-value</td>
						<td>Критерий Колмогорова–Смирнова (D)</td>
						<td>p-value</td>
						<td>Вывод</td>
					</tr>
					<tr>
						<td>Площадь района</td>
						<td>0,972</td>
						<td>0,431</td>
						<td>0,089</td>
						<td>0,200</td>
						<td>Нормальное</td>
					</tr>
					<tr>
						<td>Количество земельных участков</td>
						<td>0,968</td>
						<td>0,372</td>
						<td>0,102</td>
						<td>0,200</td>
						<td>Нормальное</td>
					</tr>
					<tr>
						<td>Количество ОКС</td>
						<td>0,945</td>
						<td>0,072</td>
						<td>0,134</td>
						<td>0,089</td>
						<td>Нормальное</td>
					</tr>
					<tr>
						<td>Количество кадастровых кварталов</td>
						<td>0,961</td>
						<td>0,241</td>
						<td>0,098</td>
						<td>0,200</td>
						<td>Нормальное</td>
					</tr>
					<tr>
						<td>Участки без границ</td>
						<td>0,876</td>
						<td>0,001</td>
						<td>0,187</td>
						<td>0,003</td>
						<td>Не нормальное</td>
					</tr>
					<tr>
						<td>ОКС с уточненными границами</td>
						<td>0,891</td>
						<td>0,002</td>
						<td>0,176</td>
						<td>0,006</td>
						<td>Не нормальное</td>
					</tr>
					<tr>
						<td>Площадь с/х земель</td>
						<td>0,958</td>
						<td>0,198</td>
						<td>0,094</td>
						<td>0,200</td>
						<td>Нормальное</td>
					</tr>
					<tr>
						<td>Площадь лесных земель</td>
						<td>0,965</td>
						<td>0,312</td>
						<td>0,087</td>
						<td>0,200</td>
						<td>Нормальное</td>
					</tr>
					<tr>
						<td>Площадь водного фонда</td>
						<td>0,942</td>
						<td>0,058</td>
						<td>0,112</td>
						<td>0,178</td>
						<td>Нормальное</td>
					</tr>
					<tr>
						<td>Площадь земель запаса</td>
						<td>0,934</td>
						<td>0,039</td>
						<td>0,128</td>
						<td>0,112</td>
						<td>Не нормальное</td>
					</tr>
					<tr>
						<td>Население</td>
						<td>0,899</td>
						<td>0,003</td>
						<td>0,165</td>
						<td>0,012</td>
						<td>Не нормальное</td>
					</tr>
					<tr>
						<td>Количество ЗОУИТ</td>
						<td>0,908</td>
						<td>0,005</td>
						<td>0,154</td>
						<td>0,021</td>
						<td>Не нормальное</td>
					</tr>
				</table>
			</table-wrap>
			<p>Таким образом, из 12 переменных 7 подчиняются закону нормального распределения (p &gt; 0,05), что позволяет использовать параметрические методы (коэффициент Пирсона), а для 5 переменных требуется применение непараметрических методов (коэффициент Спирмена).</p>
			<p>На рисунке 1 представлена квантильная диаграмма для показателя «Количество земельных участков» как пример нормального распределения.</p>
			<fig id="F1">
				<label>Figure 1</label>
				<caption>
					<p>Квантильная диаграмма для переменной «Количество земельных участков»</p>
				</caption>
				<alt-text>Квантильная диаграмма для переменной «Количество земельных участков»</alt-text>
				<graphic ns0:href="/media/images/2026-11-17/1e8363e3-330c-4c5c-8c32-9dc250e59219.jpg"/>
			</fig>
			<p>На рисунке 2 представлена квантильная диаграмма для показателя «Количество земельных участков без установленных границ» как пример распределения, отклоняющегося от нормального.</p>
			<fig id="F2">
				<label>Figure 2</label>
				<caption>
					<p>Квантильная диаграмма для переменной «Количество земельных участков без установленных границ»</p>
				</caption>
				<alt-text>Квантильная диаграмма для переменной «Количество земельных участков без установленных границ»</alt-text>
				<graphic ns0:href="/media/images/2026-11-17/23df5505-84ab-4f37-a017-ddccb6f6b00a.jpg"/>
			</fig>
			<p>На основе результатов проверки нормальности был проведен корреляционный анализ с использованием как параметрических, так и непараметрических методов. На рисунке 3 представлена матрица корреляционных связей между ключевыми показателями кадастрового учета.</p>
			<fig id="F3">
				<label>Figure 3</label>
				<caption>
					<p>Корреляционные связи между показателями кадастрового учета (Тверская область)</p>
				</caption>
				<alt-text>Корреляционные связи между показателями кадастрового учета (Тверская область)</alt-text>
				<graphic ns0:href="/media/images/2026-11-17/d137f350-ae38-4037-88b6-f5122341d17e.jpg"/>
			</fig>
			<p>- наблюдается сильная положительная связь между площадью района и количеством земельных участков (r = 0,73; p &lt; 0,001);</p>
			<p>- количество земельных участков тесно коррелирует с количеством объектов капитального строительства (ОКС) (r = 0,68; p &lt; 0,001);</p>
			<p>- площадь сельскохозяйственных земель умеренно связана с численностью населения (r = 0,50; p &lt; 0,01);</p>
			<p>- количество кадастровых кварталов сильно коррелирует с количеством земельных участков без установленных границ (r = 0,72; p &lt; 0,001).</p>
			<p>Для переменных, распределение которых отличается от нормального, применялся коэффициент Спирмена. Полученные значения ранговой корреляции подтвердили выявленные закономерности (ρ = 0,69–0,75; p &lt; 0,001).</p>
			<p>Далее был выполнен факторный анализ.</p>
			<p>Для определения количества факторов была создана матрица собственных значений. По критерию Кайзера (собственные значения &gt; 1) и критерию каменистой осыпи выделено два фактора, объясняющих 65,0% общей дисперсии.</p>
			<p>В таблице 2 представлены результаты факторных нагрузок.</p>
			<table-wrap id="T2">
				<label>Table 2</label>
				<caption>
					<p>Факторные нагрузки после вращения Varimax (Тверская область)</p>
				</caption>
				<table>
					<tr>
						<td>Переменная</td>
						<td>Фактор 1</td>
						<td>Фактор 2</td>
					</tr>
					<tr>
						<td>Площадь земель запаса, тыс. га</td>
						<td>0,760</td>
						<td>0,643</td>
					</tr>
					<tr>
						<td>Площадь с/х земель, тыс. га</td>
						<td>0,744</td>
						<td>-0,357</td>
					</tr>
					<tr>
						<td>Площадь района, тыс. га</td>
						<td>0,732</td>
						<td>-0,078</td>
					</tr>
					<tr>
						<td>Площадь лесных земель, тыс. га</td>
						<td>0,727</td>
						<td>-0,532</td>
					</tr>
					<tr>
						<td>Площадь земель водного фонда, тыс. га</td>
						<td>0,710</td>
						<td>-0,531</td>
					</tr>
					<tr>
						<td>Кол-во кадастровых кварталов</td>
						<td>0,686</td>
						<td>0,303</td>
					</tr>
					<tr>
						<td>Земельные участки без границ</td>
						<td>0,686</td>
						<td>-0,300</td>
					</tr>
					<tr>
						<td>Население, тыс. чел.</td>
						<td>0,504</td>
						<td>-0,127</td>
					</tr>
					<tr>
						<td>Собственное значение</td>
						<td>4,906</td>
						<td>2,247</td>
					</tr>
					<tr>
						<td>Доля дисперсии, %</td>
						<td>44,6</td>
						<td>20,4</td>
					</tr>
				</table>
			</table-wrap>
			<p>Из таблицы факторных нагрузок установлено, что Первый фактор (44,6 % дисперсии) имеет высокие нагрузки по переменным «площадь земель запаса» (0,760), «площадь сельскохозяйственных земель» (0,744), «площадь района» (0,732), «площадь лесных земель» (0,727) и «площадь земель водного фонда» (0,710). Этот фактор может быть интерпретирован как «природно-ресурсный потенциал территории», отражающий размер и структуру земельного фонда муниципального образования. Утверждение, что первый фактор определяется переменной «население», является некорректным: нагрузка по этой переменной (0,504) ниже порогового значения 0,7 и не может считаться определяющей.</p>
			<p>Второй фактор (20,4% дисперсии) имеет высокие нагрузки по переменным, связанным с кадастровым учетом (количество кадастровых кварталов, участки без границ). Он может быть интерпретирован как «интенсивность кадастрового учета». Совокупный вклад двух факторов составляет 65,0%, что свидетельствует о достаточной объяснительной способности модели.</p>
			<p>В целях разработки наилучшей стратегии для выполнения комплексных кадастровых работ в муниципальных образованиях было проведено кластерное распределение. Кластеризация выполнена методом Уорда с использованием евклидова расстояния. Обоснование выбора метода: минимизация внутрикластерной дисперсии, устойчивость к выбросам. По результатам кластерного распределения муниципальных образований Тверской области, получено 10 кластеров. В таблице 3 представлены характеристики кластеров и значения индекса кадастровых работ (ИКР).</p>
			<table-wrap id="T3">
				<label>Table 3</label>
				<caption>
					<p>Характеристики кластеров муниципальных образований Тверской области</p>
				</caption>
				<table>
					<tr>
						<td>Кластер</td>
						<td>Количество МО</td>
						<td>Средний ИКР, %</td>
						<td>Приоритет для ККР</td>
					</tr>
					<tr>
						<td>1 (г. Тверь)</td>
						<td>​1</td>
						<td>97</td>
						<td>Высокий</td>
					</tr>
					<tr>
						<td>2 (г. Кимры, г. Конаково)</td>
						<td>​2</td>
						<td>89</td>
						<td>Высокий</td>
					</tr>
					<tr>
						<td>3 (Калининский р-н)</td>
						<td>​1</td>
						<td>85</td>
						<td>Высокий</td>
					</tr>
					<tr>
						<td>4 (Конаковский р-н)</td>
						<td>​1</td>
						<td>72</td>
						<td>Средний</td>
					</tr>
					<tr>
						<td>5 (Западнодвинский р-н)</td>
						<td>​1</td>
						<td>68</td>
						<td>Средний</td>
					</tr>
					<tr>
						<td>6 (Кесовогорский р-н)</td>
						<td>​1</td>
						<td>61</td>
						<td>Средний</td>
					</tr>
					<tr>
						<td>7 (Бежецкий р-н)</td>
						<td>​1</td>
						<td>45</td>
						<td>Низкий</td>
					</tr>
					<tr>
						<td>8 (Нелидовский р-н)</td>
						<td>​1</td>
						<td>38</td>
						<td>Низкий</td>
					</tr>
					<tr>
						<td>9 (Максатихинский р-н)</td>
						<td>​1</td>
						<td>29</td>
						<td>Низкий</td>
					</tr>
					<tr>
						<td>10 (прочие)</td>
						<td>​26</td>
						<td>18–25</td>
						<td>Низкий</td>
					</tr>
				</table>
			</table-wrap>
			<p>Кластер 10 объединяет 26 муниципальных образований с индексом кадастровых работ 18–25%. Такой крупный кластер отражает общую тенденцию низкой активности кадастрового учета на периферийных территориях. Для повышения практической ценности кластеризации внутри данного кластера была проведена дополнительная группировка по географическому признаку (северо-западные, юго-восточные и центральные районы), что позволяет дифференцировать подходы к планированию ККР. Для целей приоритизации кластер 10 рассматривается как резервный: первоочередные работы сосредоточены в кластерах 1–3 с ИКР &gt; 85%, тогда как для территорий кластера 10 рекомендуется проведение выборочных кадастровых работ, массовая актуализация сведений ЕГРН и мониторинг качества данных с использованием материалов ДЗЗ.</p>
			<p>На рисунке 4 представлена карта-схема кластерного распределения муниципальных образований Тверской области.</p>
			<fig id="F4">
				<label>Figure 4</label>
				<caption>
					<p>Карта-схема результатов кластерного анализа муниципальных образований Тверской области</p>
				</caption>
				<alt-text>Карта-схема результатов кластерного анализа муниципальных образований Тверской области</alt-text>
				<graphic ns0:href="/media/images/2026-10-08/0e5c963b-b9cb-46f6-af3b-122b52090523.png"/>
			</fig>
			<p>На рисунке 5 представлена схема кластерного распределения муниципальных образований Тверской области по трем группам активности (высокая, средняя, низкая), что соответствует агрегированному представлению 10 кластеров.</p>
			<fig id="F5">
				<label>Figure 5</label>
				<caption>
					<p>Кластерное распределение муниципальных образований Тверской области (агрегированные группы)</p>
				</caption>
				<alt-text>Кластерное распределение муниципальных образований Тверской области (агрегированные группы)</alt-text>
				<graphic ns0:href="/media/images/2026-10-08/9dc1003f-10d8-4d4f-834a-2e98ba4742f2.png"/>
			</fig>
			<p>На основании индекса кадастровых работ (ИКР) выполнено ранжирование и составлена балльная шкала оценки участков, на которые не установлены границы. Данный подход согласуется с методикой Отвагиной М.Г. [13], [14], в которой также применяется кластеризация территорий Тверской области по степени обеспеченности информационно-картографической документацией.</p>
			<p>Астраханская область является одним из лидеров Южного федерального округа по внедрению и использованию Национальной системы пространственных данных. Регион является участником пилотного проекта по внедрению функционала электронных сервисов НСПД при предоставлении государственных и муниципальных услуг</p>
			<p>. Согласно предварительным данным анализа участников проекта НСПД, Астраханская область входит в число лидеров ЮФО по качеству пространственных данных (1-е место в ЮФО, 11-е место в Российской Федерации за период 2022–2025 гг.). </p>
			<table-wrap id="T4">
				<label>Table 4</label>
				<caption>
					<p>Матрица корреляций основных показателей (Астраханская область)</p>
				</caption>
				<table>
					<tr>
						<td>Переменная 1</td>
						<td>Переменная 2</td>
						<td>Коэффициент корреляции</td>
						<td>p-value</td>
						<td>Интерпретация</td>
					</tr>
					<tr>
						<td>Площадь района</td>
						<td>Количество ЗУ</td>
						<td>0,71</td>
						<td>&lt; 0,01</td>
						<td>Сильная положительная</td>
					</tr>
					<tr>
						<td>Количество ЗУ</td>
						<td>Количество ОКС</td>
						<td>0,66</td>
						<td>&lt; 0,01</td>
						<td>Средняя положительная</td>
					</tr>
					<tr>
						<td>Площадь с/х земель</td>
						<td>Антропогенная нагрузка</td>
						<td>0,63</td>
						<td>&lt; 0,01</td>
						<td>Средняя положительная</td>
					</tr>
					<tr>
						<td>Население</td>
						<td>Количество ЗОУИТ</td>
						<td>0,58</td>
						<td>&lt; 0,05</td>
						<td>Средняя положительная</td>
					</tr>
					<tr>
						<td>Площадь водного фонда</td>
						<td>Количество ЗУ без границ</td>
						<td>0,54</td>
						<td>&lt; 0,05</td>
						<td>Средняя положительная</td>
					</tr>
				</table>
			</table-wrap>
			<p>Анализ показал, что наиболее тесные связи наблюдаются между площадью района и количеством земельных участков (r = 0,71; p &lt; 0,01), количеством земельных участков и ОКС (r = 0,66; p &lt; 0,01), площадью сельскохозяйственных земель и количеством земельных участков (r = 0,63; p &lt; 0,01).</p>
			<p>Факторный анализ по Астраханской области выявил два фактора, объясняющих 61,2% дисперсии. Первый фактор (38,7%) интерпретируется как «аграрно-ресурсный потенциал», второй (22,5%) — как «интенсивность кадастрового учета».</p>
			<p>Кластерный анализ позволил выделить 4 кластера муниципальных районов:</p>
			<p>1) районы с высокой антропогенной нагрузкой и развитой инфраструктурой (г. Астрахань, Приволжский, Наримановский районы);</p>
			<p>2) районы с преобладанием сельскохозяйственных земель (Харабалинский, Енотаевский, Черноярский районы);</p>
			<p>3) районы с преобладанием водных объектов и земель водного фонда (Камызякский, Володарский, Икрянинский районы);</p>
			<p>4) районы с низкой плотностью кадастрового учета (Красноярский, Лиманский районы).</p>
			<p>В исследованиях Бармина А.Н. и его научной школы [9; 10] на примере Астраханской области показано, что применение корреляционного анализа позволяет выявить статистически значимые связи между показателями антропогенной нагрузки и состоянием земельных ресурсов.</p>
			<p>В таблице 5 представлено сравнение регионального опыта применения статистических методов для оценки качества земельных ресурсов.</p>
			<table-wrap id="T5">
				<label>Table 5</label>
				<caption>
					<p>Сравнительная характеристика применения статистических методов в Тверской и Астраханской областях</p>
				</caption>
				<table>
					<tr>
						<td>Параметр</td>
						<td>Тверская область</td>
						<td>Астраханская область</td>
					</tr>
					<tr>
						<td>Объем выборки</td>
						<td>36 МО</td>
						<td>11 МР</td>
					</tr>
					<tr>
						<td>Статус участия в НСПД</td>
						<td>Один из 25 регионов, присоединившихся к НСПД</td>
						<td>Пилотный проект по внедрению электронных сервисов НСПД</td>
					</tr>
					<tr>
						<td>Основные методы анализа</td>
						<td>Корреляционный, факторный, кластерный анализ</td>
						<td>Корреляционный, регрессионный анализ</td>
					</tr>
					<tr>
						<td>Ключевые результаты</td>
						<td>10 кластеров муниципальных образований; ИКР от 18% до 97%</td>
						<td>4 кластера МР; выявлены зоны антропогенной нагрузки</td>
					</tr>
					<tr>
						<td>Факторная структура</td>
						<td>2 фактора, 65,0% дисперсии</td>
						<td>2 фактора, 61,2% дисперсии</td>
					</tr>
					<tr>
						<td>Интеграция с НСПД</td>
						<td>ГИСОГД СК интегрирована с НСПД</td>
						<td>122 услуги через НСПД (64 федеральные, 58 региональных)</td>
					</tr>
					<tr>
						<td>Основные пользователи</td>
						<td>Органы власти, застройщики, граждане</td>
						<td>Органы власти, застройщики, граждане</td>
					</tr>
					<tr>
						<td>Научное сопровождение</td>
						<td>СКФНАЦ, СтГАУ</td>
						<td>Астраханский государственный университет</td>
					</tr>
				</table>
			</table-wrap>
			<p>На рисунке 6 представлена </p>
			<fig id="F6">
				<label>Figure 6</label>
				<caption>
					<p>Сравнительная схема применения статистических методов в Тверской и Астраханской областях</p>
				</caption>
				<alt-text>Сравнительная схема применения статистических методов в Тверской и Астраханской областях</alt-text>
				<graphic ns0:href="/media/images/2026-10-08/836a0c1b-c9b0-4a6a-a17a-c1bea823b545.png"/>
			</fig>
			<p>Ограничения исследований</p>
			<p>Проведенное исследование имеет ряд ограничений. Во-первых, выборка по Астраханской области включает 11 муниципальных районов, что ограничивает применение параметрических методов и требует осторожной интерпретации коэффициентов корреляции; для повышения надежности выводов использовались непараметрические критерии (Спирмена) и проверка нормальности распределения. Во-вторых, анализ основан на данных ЕГРН и статистических отчетах, которые могут содержать временные лаги и неполноту сведений по отдельным муниципальным образованиям. В-третьих, кластерный анализ чувствителен к выбору метода и метрики; для устойчивости результатов применялся метод Уорда, однако при добавлении новых переменных возможно перекрытие кластеров. Однако указанные ограничения не снижают обоснованности выводов, а определяют направления дальнейших исследований, включая расширение выборки, включение временных рядов и проверку устойчивости кластерных решений альтернативными методами.</p>
			<p>4. Заключение</p>
			<p>Таким образом, выполненные авторами исследования позволяют сформулировать следующие выводы:</p>
			<p>1. Проверка нормальности распределения с помощью квантильных диаграмм является обязательным этапом корреляционного анализа. Из 12 исследованных переменных 7 подчиняются закону нормального распределения, что позволяет использовать параметрические методы (коэффициент Пирсона), а для 5 переменных требуется применение непараметрических методов (коэффициент Спирмена).</p>
			<p>2. Корреляционный анализ является эффективным инструментом оценки качества и полноты сведений ЕГРН. Установлены статистически значимые связи: между площадью района и количеством земельных участков (r = 0,73; p &lt; 0,001); между количеством земельных участков и объектов капитального строительства (r = 0,68; p &lt; 0,001); между количеством кадастровых кварталов и участков без установленных границ (r = 0,72; p &lt; 0,001).</p>
			<p>3. Факторный анализ позволил выделить два фактора, объясняющих 65,0% общей дисперсии. Первый фактор (44,6%) интерпретирован как «природно-ресурсный потенциал территории», второй (20,4%) — как «интенсивность кадастрового учета».</p>
			<p>4. На примере Тверской области показано, что применение корреляционного, факторного и кластерного анализа в комплексе позволяет обоснованно подходить к планированию комплексных кадастровых работ. Выделено 10 кластеров муниципальных образований с индексом кадастровых работ от 18% до 97%. Приоритетными для проведения ККР являются гг. Тверь, Кимры, Конаково и Калининский район (ИКР &gt; 85%).</p>
			<p>5. Опыт Астраханской области демонстрирует эффективность применения корреляционного анализа для оценки взаимосвязей между показателями антропогенной нагрузки и состоянием земельных ресурсов. Выделено 4 кластера муниципальных районов, различающихся по уровню антропогенной нагрузки и структуре земельного фонда.</p>
			<p>6. Сравнительный анализ показал, что оба региона активно интегрируются с НСПД, используя статистические методы для повышения качества пространственных данных. Наиболее эффективным подходом является комплексное применение корреляционного, факторного и кластерного анализа с обязательной предварительной проверкой нормальности распределения исходных переменных.</p>
		</sec>
		<sec sec-type="supplementary-material">
			<title>Additional File</title>
			<p>The additional file for this article can be found as follows:</p>
			<supplementary-material xmlns:xlink="http://www.w3.org/1999/xlink" id="S1" xlink:href="https://doi.org/10.5334/cpsy.78.s1">
				<!--[<inline-supplementary-material xlink:title="local_file" xlink:href="https://research-journal.org/media/articles/27742.docx">27742.docx</inline-supplementary-material>]-->
				<!--[<inline-supplementary-material xlink:title="local_file" xlink:href="https://research-journal.org/media/articles/27742.pdf">27742.pdf</inline-supplementary-material>]-->
				<label>Online Supplementary Material</label>
				<caption>
					<p>
						Further description of analytic pipeline and patient demographic information. DOI:
						<italic>
							<uri>https://doi.org/10.60797/IRJ.2026.173.76</uri>
						</italic>
					</p>
				</caption>
			</supplementary-material>
		</sec>
	</body>
	<back>
		<ack>
			<title>Acknowledgements</title>
			<p/>
		</ack>
		<sec>
			<title>Competing Interests</title>
			<p/>
		</sec>
		<ref-list>
			<ref id="B1">
				<label>1</label>
				<mixed-citation publication-type="confproc">Мурашева А.А. Информационно-моделирующая система для решения региональных экологических проблем / А.А. Мурашева, П.П. Лепехин // Науки о Земле. — 2015. — № 1. — С. 45–52.</mixed-citation>
			</ref>
			<ref id="B2">
				<label>2</label>
				<mixed-citation publication-type="confproc">Мурашева А.А. Формирование информационной модели управления твердыми бытовыми отходами / А.А. Мурашева, Е.В. Тетерюков, П.П. Лепехин // Землеустройство, кадастр и мониторинг земель. — 2014. — № 12. — С. 15–22.</mixed-citation>
			</ref>
			<ref id="B3">
				<label>3</label>
				<mixed-citation publication-type="confproc">Лепехин П.П. Комплексный мониторинг земель объектов Сахалинского нефтегазового комплекса : дис. … канд. геогр. наук : 25.00.26 / П.П. Лепехин. — Москва, 2018. — 180 с.</mixed-citation>
			</ref>
			<ref id="B4">
				<label>4</label>
				<mixed-citation publication-type="confproc">Лепехин П.П. Географическое исследование состояния и использования земель объектами гражданской недвижимости на федеральных охраняемых территориях / П.П. Лепехин, Н.А. Беспалов, А.А. Мурашева [и др.] // International Research Journal. — 2026. — № 164. — DOI: 10.60797/IRJ.2026.164.79.</mixed-citation>
			</ref>
			<ref id="B5">
				<label>5</label>
				<mixed-citation publication-type="confproc">Рухович Д.И. Об особенностях мониторинга почвенно-земельного покрова как информационной основы эффективного землепользования / Д.И. Рухович, Д.А. Шаповалов // Землеустройство, кадастр и мониторинг земель. — 2015. — № 12(131). — С. 45–51.</mixed-citation>
			</ref>
			<ref id="B6">
				<label>6</label>
				<mixed-citation publication-type="confproc">Волков С.Н. Цифровое землеустройство как фактор научно-технологического развития агропромышленного комплекса Российской Федерации / С.Н. Волков, Е.В. Черкашина, Д.А. Шаповалов [и др.] // Землеустройство, кадастр и мониторинг земель. — 2019. — № 6(173). — С. 5–12.</mixed-citation>
			</ref>
			<ref id="B7">
				<label>7</label>
				<mixed-citation publication-type="confproc">Братков В.В. Оценка эрозионного расчленения рельефа Северо-Восточного Кавказа методами ГИС-технологий / В.В. Братков, З.В. Атаев // Мониторинг. Наука и технологии. — 2017. — № 2(31). — С. 27–35.</mixed-citation>
			</ref>
			<ref id="B8">
				<label>8</label>
				<mixed-citation publication-type="confproc">Кресникова Н.И. Исчисление средоформирующего потенциала особо охраняемых территорий в границах сверхкрупного города в процессе государственного мониторинга его земель / Н.И. Кресникова, С.А. Сладкопевцев, В.В. Юратков // Мониторинг. Наука и технологии. — 2018. — Т. 2. — С. 30–36.</mixed-citation>
			</ref>
			<ref id="B9">
				<label>9</label>
				<mixed-citation publication-type="confproc">Бармин А.Н. Нефтепровод КТК: почвенно-экологический мониторинг / А.Н. Бармин, М.М. Иолин // ТЭК России. — 2012. — № 3. — С. 52–56.</mixed-citation>
			</ref>
			<ref id="B10">
				<label>10</label>
				<mixed-citation publication-type="confproc">Дмитриева М.В. Мониторинг сельскохозяйственных земель в Астраханской области / М.В. Дмитриева, А.Н. Бармин, И.В. Бузякова // Геология, география и глобальная энергия. — 2011. — № 3. — С. 180–185.</mixed-citation>
			</ref>
			<ref id="B11">
				<label>11</label>
				<mixed-citation publication-type="confproc">Атаманов С.А. Новые тренды и технологии в научной специальности 1.6.15. Землеустройство, кадастр и мониторинг земель / С.А. Атаманов, С.А. Григорьев, Т.В. Илюшина [и др.] // Вестник СГУГиТ. — 2024. — Т. 29, № 6. — С. 106–119.</mixed-citation>
			</ref>
			<ref id="B12">
				<label>12</label>
				<mixed-citation publication-type="confproc">Волков С.Н. Цифровое землеустройство — проблемы и перспективы / С.Н. Волков, Д.А. Шаповалов // Землеустройство, кадастр и мониторинг земель. — 2019. — № 10. — С. 8–14.</mixed-citation>
			</ref>
			<ref id="B13">
				<label>13</label>
				<mixed-citation publication-type="confproc">Ишамятова И.Х. Информационное обеспечение выявления территорий, подлежащих учету в ЕГРН в Тверской области на основе данных ДЗЗ / И.Х. Ишамятова, М.Г. Отвагина // Московский экономический журнал. — 2022. — Т. 7, № 7. — DOI: 10.55186/2413046X_2022_7_7_400.</mixed-citation>
			</ref>
			<ref id="B14">
				<label>14</label>
				<mixed-citation publication-type="confproc">Ишамятова И.Х. Мониторинг земель Пензенской области, нарушенных твердыми бытовыми отходами, на основе ГИС-технологий / И.Х. Ишамятова, М.Г. Отвашина, А.Г. Чабанов // Землеустройство, кадастр и мониторинг земель. — 2023. — Т. 1. — С. 47–53. — DOI 10.33920/sel-04-2301-07.</mixed-citation>
			</ref>
			<ref id="B15">
				<label>15</label>
				<mixed-citation publication-type="confproc">Лепехин П.П. Комплексные кадастровые работы в системе эффективного управления территорией / П.П. Лепехин, А.А. Мурашева, В.М. Вдовенко [и др.] // Journal of Applied Engineering Science. — 2023. — № 12(40). — DOI: 10.23649/JAE.2023.40.1.</mixed-citation>
			</ref>
		</ref-list>
	</back>
	<fundings/>
</article>