Кластерный анализ пространственно-временных паттернов в исследовании структуры деловой активности региона
https://doi.org/10.32324/2412-8945-2025-2-60-69
EDN: LNQGLT
Аннотация
Работа посвящена актуальной задаче исследования деловой активности бизнеса на отдельно взятой территории. В ней рассматриваются изменения результативности ведения бизнеса в определенном регионе в зависимости от времени, местоположения и экономических условий ведения хозяйственной деятельности субъектов малого и среднего предпринимательства. Сформулирован методологический подход, который позволяет анализировать и выявлять закономерности в распределении результативности по сферам деятельности субъектов с учетом пространственных и временных аспектов. Для выявления общих закономерностей и факторов, влияющих на экономическое развитие, а также для разработки рекомендаций по оптимизации бизнес-процессов и улучшению условий предпринимательской деятельности на региональном уровне используются методы кластерного анализа. Показана эффективность решения поставленной задачи при анализе сложных высокоразмерных данных с применением нелинейных методов уменьшения размерности. Результаты исследований показали, что деловая активность в регионе зависит не только от экономических факторов, наблюдаемых в динамике, но и от пространственного размещения субъектов хозяйствования, кластеризация которых выполняется с использованием специализированных метрик, что позволяет адаптировать универсальный алгоритм уменьшения размерности пространства признаков UMAP под конкретные задачи и типы данных. Полученные выводы могут быть полезны для предпринимателей, органов власти и бизнес-сообществ, стремящихся оптимизировать меры по поддержке бизнеса и улучшить условия для его ведения
Об авторе
А. Н. Кисляков
Владимирский филиал Российской академии народного хозяйства и государственной службы при Президенте Российской Федерации
Россия
Россия
Кисляков Алексей Николаевич — профессор кафедры информационных технологий, доктор экономических наук, кандидат технических наук, доцент
Владимир
Список литературы
1. Грекусис Д. Методы и практика пространственного анализа. Описание, исследование и объяснение с использованием ГИС / пер. с англ. А. Н. Киселева. М. : ДМК Пресс, 2021. 500 с.
2. Окунев И. Ю. Основы пространственного анализа : моногр. М. : Аспект Пресс, 2020. 255 с.
3. Kuk G., Marijn J. The Business Models and Information Architectures of Smart Cities // Journal of Urban Technology. 2011. Vol. 18 (2). P. 39—52.
4. Павлов Ю. В. Фракталы как инструмент территориального планирования агломерационных систем // Фундаментальные исследования. 2013. № 10. С. 2242—2248.
5. Кисляков А. Н. Графовые методы описания торгового профиля региона // Управленческое консультирование. 2022. № 2. С. 70—80.
6. 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 : Луган. гос. ун-т им. Владимира Даля, 2023. 163 с.
7. Корчагина И. В., Пытченко К. В. Социально-экономическая система регионального предпринимательства как объект стратегирования // Экономика промышленности. 2023. № 16 (4). С. 361—371.
8. Garlaschelli D., Ruzzenenti F., Basosi R. Complex Networks and Symmetry I // A Review. Symmetry. 2010. Nо. 2. P. 1—27.
9. 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—811.
10. 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.
11. Openshaw S., Alvanides S. Designing zoning systems for representation of socio-economic data // In Time and Motion of Socio-Economic Units ; A. Frank, J. Raper and J. Cheylan (Eds). 2001. P. 281—300.
12. Franklin J. The elements of statistical learning: data mining, inference and prediction // The Mathematical Intelligencer. 2003. No. 27. P. 83—85.
13. Giorgino T. Computing and Visualizing Dynamic Time Warping Alignments in R: The Dtw Package // Journal of Statistical Software. 2009. No. 31 (7). Р. 1—24.
14. Renato M. Assuncao and Edna A. Reis. A new proposal to adjust Moran’s I for population density // Statistics in Medicine. 1999. No. 18 (16). Р. 2147—2162.
15. 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.
16. Generalizations of the clustering coefficient to weighted complex networks, / J. Saramaki, M. Kivel, J.-P. Onnela, K. Kaski, J. Kertesz // Physical Review E. 2007. Vol. 75(2). DOI:10.1103/PhysRevE.75.
17. McInnes L., Healy J., Melville J. UMAP: Uniform manifold aProximation and projection for dimension reduction, 2018. arXiv preprint arXiv:1802.03426.
18. Dimensionality reduction for visualizing single-cell data using UMAP / E. Becht et al. // Nature biotechnology. 2019. Vol. 37, nо. 1. P. 38—44.
19. Медведева О. А. Оценка экономического потенциала региона для развития кластеров // Развитие территорий. 2023. № 3. C. 25—31.
Рецензия
Для цитирования:
Кисляков А.Н. Кластерный анализ пространственно-временных паттернов в исследовании структуры деловой активности региона. Развитие территорий. 2025;(2 (40)):60-69. https://doi.org/10.32324/2412-8945-2025-2-60-69. EDN: LNQGLT
For citation:
Kislyakov A.N. Cluster Analysis of Spatio-Temporal Patterns in the Study of the Structure of Business Activity in the Region. Territory Development. 2025;(2 (40)):60-69. (In Russ.) https://doi.org/10.32324/2412-8945-2025-2-60-69. EDN: LNQGLT
Просмотров:
10
Послать статью по эл. почте 