Алгоритм минимального связующего дерева для оценки точек роста в системе стратегического планирования территорий

   В статье рассматриваются современные актуальные подходы к стратегическому планированию экономического развития территорий с использованием концепции точек роста и возможностей анализа графовых моделей.

   Цель исследования заключается в разработке метода пространственной кластеризации социально-экономических единиц на основе анализа графовых моделей для оценки точек роста в системе стратегического планирования территорий.

   Кроме того, представлен подход построения обобщенного вторичного графа муниципальной сети промышленных предприятий на основе положения объектов в многомерном пространстве признаков и связей между ними c использованием алгоритма UMAP, позволяющего выполнить равномерную аппроксимацию многообразия вариантов отображения объектов в многомерном пространстве признаков с поправкой на расстояние до ближайшего соседа. Основная гипотеза работы строится на ограничении сложности графа путем удаления ребер между вершинами с низкой степенью сходства и выполнении дальнейшей кластеризации. Предложен метод выделения минимального связующего дерева (MST) для определения точек роста в обобщенном вторичном графе. Разработанные подходы успешно могут быть применены в целях повышения эффективности стратегического планирования территорий, однако требуют совершенствования путем проработки конкретных ключевых показателей и индикаторов, которые позволяют сформировать вторичный граф на основе алгоритма UMAP для оценки взаимосвязей между объектами, а также устранить шумы, снизить переобучение модели и масштабировать решение за счет включения в модель новых показателей, вносящих полезную информацию о предметной области.

1. Петимко А. М., Козлова Н. В., Дадалова М. В. Региональный АПК как точка роста стратегии развития экономики территории // Направления повышения эффективности управленческой деятельности органов государственной власти и местного самоуправления : сб. материалов V Междунар. науч.-практ. конф., Алчевск, 15 дек. 2022 г. Алчевск: Луганский государственный университет имени Владимира Даля, 2023. 163 с.

2. Openshaw S., Alvanides S. Designing zoning systems for representation of socio-economic data // Time and Motion of Socio-Economic Units / A. Frank, J. Raper and J. Cheylan (eds). 2001. P. 281—300.

3. Kirkpatrick S., Gelatt Jr. C. D., Vecchi M. P. Optimization by Simulated Annealing // Science. 1983. Vol. 220. P. 671—680.

4. Garlaschelli D., Ruzzenenti F., Basosi R. Complex Networks and Symmetry I : A Review // Symmetry. 2010. No. 2. P. 1—27.

5. Кисляков А. Н. Графовые методы описания торгового профиля региона // Управленческое консультирование. 2022. № 2. С. 70—80.

6. Karypis G., Kumar V. Multilevel Algorithms for Multi-Constraint Graph Partitioning // Proceedings of the 1998 ACM/IEEE Conference on Supercomputing. Orlando, USA, 1998. P. 28.

7. Efficient Regionalization Techniques for Socio-Economic Geographical Units Using Minimum Spanning Trees / R. M. Assunção, M. C. Neves, G. Câmara, C. Da Costa Freitas // International Journal of Geographical Information Science. 2006. Vol. 20 (7). P. 797.

8. Benassi F., Deva M., Zindato D. Graph Regionalization with Clustering and Partitioning: An APlication for Daily Commuting Flows in Albania (September 25, 2015) // Regional Statistics. 2015. Vol. 5, no. 1. P. 25—43.

9. McInnes L., Healy J., Melville J. Umap: Uniform Manifold Aproximation and Projection for Dimension Reduction // ArXiv, 2018. URL: https://arxiv.org/abs/1802.03426

10. Dimensionality Reduction for Visualizing Single-Cell Data Using UMAP / E. Becht et al. // Nature Biotechnology. 2019. Vol. 37, no. 1. P. 38—44.

11. Van der Maaten L., Hinton G. Visualizing Data Using t-SNE // Journal of Machine Learning Research. 2008. Vol. 9, no. 11. P. 2579—2605.

12. Franklin J. The Elements of Statistical Learning: Data Mining, Inference and Prediction // The Mathematical Intelligencer. 2003. No. 27. P. 83—85.

13. Martin D. Extending the Automated Zoning Procedure to Reconcile Incompatible Zoning Systems // International Journal of Geographical Information Science. 2003. No. 17. P. 181—196.

14. Haining R., Wise S., Ma J. Designing and Implementing Software for Spatial Statistical Analysis in a GIS Environment // Journal of Geographical Systems. 2000. No 2. P. 257—286.

15. Shaofu H., Fei L. Artificial Neural Network Model in Spatial Analysis of Geographic Information System Hindawi // Mobile Information Systems. 2021. Vol. 9. P. 1—12.

16. Strong Articulation Points and Strong Bridges in Large Scale Graphs / D. Firmani, L. Georgiadis, G.F. Italiano et al. // Algorithmica. 2016. No. 74. P. 1123—1147.

17. Корчагина И. В., Пытченко К. В. Социально-экономическая система регионального предпринимательства как объект стратегирования // Экономика промышленности. 2023. № 16 (4). С. 361—371.

18. Кисляков А. Н. Отбор признаков для использования в моделях предиктивной аналитики внешнеэкономической деятельности регионов // Прикладная математика и вопросы управления. 2022. № 1. С. 176—195.

19. Медведева О. А. Оценка экономического потенциала региона для развития кластеров // Развитие территорий. 2023. № 3. С. 25—31.

20. Prim R. C. Shortest Connection Networks and Some Generalizations // Bell System Technical Journal. 1957. P. 1389—1401.