vestreaВестник Российского экономического университета имени Г. В. ПлехановаVestnik of the Plekhanov Russian University of Economics2413-28292587-9251Plekhanov Russian University of Economics10.21686/2413-2829-2025-5-49-60vestrea-2531Research ArticleМАТЕМАТИЧЕСКИЕ, СТАТИСТИЧЕСКИЕ И ИНСТРУМЕНТАЛЬНЫЕ МЕТОДЫMATHEMATIC, STATISTICAL AND INSTRUMENTAL METHODSМетоды описания экономического профиля региона на основе кластерного анализаMethods of Describing Region Economic Profile on the Basis of Cluster Analysishttps://orcid.org/0000-0001-8790-6961КисляковА. Н.KislyakovA. N.

Алексей Николаевич Кисляков, доктор экономических наук, кандидат технических наук, доцент, профессор кафедры информационных технологий

600017, Владимирская область, Владимир, ул. Горького, д. 59а

Aleksey N. Kislyakov, Doctor of Economics, PhD, Associate Professor, Professor of the Department of Information Technology 

59a Gorky Str., Vladimir, Vladimir region, 600017

ankislyakov@mail.ruВладимирский филиал Российской академии народного хозяйства и государственной службы при Президенте Российской ФедерацииРоссияVladimir branch of Russian Presidential Academy of National Economy and Public AdministrationRussian Federation202504122025064960Copyright © Кисляков А.Н., 20252025Кисляков А.Н.Kislyakov A.N.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://vest.rea.ru/jour/article/view/2531

Статья посвящена решению актуальной задачи формирования экономического профиля региона в рамках задачи мастер-планирования развития территорий с применением методов пространственно-временной кластеризации данных, характеризующих хозяйственную деятельность бизнес-субъектов. Цель исследования – анализ моделей пространственно-временной кластеризации, применяемых в задачах описания экономического профиля территорий для выявления закономерностей и тенденций в экономических данных, а также разработки рекомендаций по их эффективному использованию для оптимизации управления и стратегического планирования на уровне регионов. Автором приведен пример интеграции нелинейных методов уменьшения размерности и моделей автокодировщиков, позволяющих упростить структуру данных, улучшить визуализацию, сохранить важные характеристики и устранить шум, что в конечном итоге способствует более точному и эффективному выявлению кластеров. Подход может применяться в задачах, где данные имеют сложную структуру и требуют как нелинейного уменьшения размерности, так и сохранения локальных и глобальных свойств. В результате исследования даны рекомендации по расширению инструментария описания экономического профиля региона.

The article deals with the acute objective of drawing-up economic profile of region within the frames of masterplanning of territory development with the help of methods of space-time data clasterization that characterize economic activities of business entities. The goal of the research is to analyze models of space-time clasterization used in descriptions of economic profile of territory in order to identify regularities and trends in economic data, as well as to work out recommendations on their effective use to optimize management and strategic planning on regional level. The author provided an example of integration of non-linear methods of reducing size and models of auto encoders, which help simplify data structure, improve visualization, preserve important characteristics and eliminate noise, which can provide more accurate and effective cluster reveal. The approach can be used in tasks where complicated structures are present and which require both non-linear size reduction and keeping local and global features. As a result recommendations were prepared dealing with extension of tools for describing region profile.

стратегическое планированиемодели пространственно-временной регрессииконкурентоспособность бизнесаstrategic planningmodels of space-time regressionbusiness competitivenessReferencesГрекусис Д. Методы и практика пространственного анализа. Описание, исследование и объяснение с использованием ГИС / пер. с англ. А. Н. Киселева. – М. : ДМК Пресс, 2021.Grekusis D. Metody i praktika prostranstvennogo analiza. Opisanie, issledovanie i obyasnenie s ispolzovaniem GIS [Methods and Practice of Spatial Analysis. Description, Research, and Explanation Using GIS], translated from English by A. N. Kiselev. Moscow, DMK Press, 2021. (In Russ.).Корчагина И. В., Пытченко К. В. Социально-экономическая система регионального предпринимательства как объект стратегирования // Экономика промышленности. – 2023. – № 16 (4). – С. 361–371.Korchagina I. V., Pytchenko K. V. Sotsialno-ekonomicheskaya sistema regionalnogo predprinimatelstva kak obekt strategirovaniya [The Socio-Economic System of Regional Entrepreneurship as an Object of Strategic Planning]. Ekonomika promyshlennosti [Industrial Economics], 2023, No. 16 (4), pp. 361–371. (In Russ.).Кричевский М. Л., Мартынова Ю. А. Использование методов машинного обучения для оценки инвестиционной деятельности различных регионов России // Вопросы инновационной экономики. – 2019. – Т. 9. – № 4. – С. 1557–1572.Krichevskiy M. L., Martynova Yu. A. Ispolzovanie metodov mashinnogo obucheniya dlya otsenki investitsionnoy deyatelnosti razlichnykh regionov Rossii [Using Machine Learning Methods to Assess Investment Activity in Various Regions of Russia]. Voprosy innovatsionnoy ekonomiki [Innovation Economy Issues], 2019, Vol. 9, No. 4, pp. 1557–1572. (In Russ.).Медведева О. А. Оценка экономического потенциала региона для развития кластеров // Развитие территорий. – 2023. – № 3. – С. 25–31.Medvedeva O. A. Otsenka ekonomicheskogo potentsiala regiona dlya razvitiya klasterov [Assessment of the Economic Potential of the Region for Cluster Development]. Razvitie territoriy [Territorial Development], 2023, No. 3, pp. 25–31. (In Russ.).Окунев И. Ю. Основы пространственного анализа : монография. – М. : Аспект Пресс, 2020.Okunev I. Yu. Osnovy prostranstvennogo analiza: monografiya [Fundamentals of Spatial Analysis: monograph]. Moscow, Aspekt Press, 2020. (In Russ.).Яковлев И. В., Яковлева О. А. Факторный анализ и кластеризация данных состояния инженерной инфраструктуры сельских территорий субъектов Российской Федерации // Вестник Академии права и управления. – 2019. – № 4 (57). – C. 86–90.Yakovlev I. V., Yakovleva O. A. Faktorniy analiz i klasterizatsiya dannykh sostoyaniya inzhenernoy infrastruktury selskikh territoriy subektov Rossiyskoy Federatsii [Factor Analysis and Clustering of Data on the Condition of Engineering Infrastructure in Rural Areas of the Subjects of the Russian Federation]. Vestnik Akademii prava i upravleniya [Bulletin of the Academy of Law and Management], 2019, No. 4 (57), pp. 86–90. (In Russ.).Assuncao R. M., Reis E. A. A New Proposal to Adjust Moran’s I for Population Density // Statistics in Medicine. – 1999. – Vol. 18 (16). – P. 2147–2162.Assuncao R. M., Reis E. A. A New Proposal to Adjust Moran’s I for Population Density. Statistics in Medicine, 1999, Vol. 18 (16), pp. 2147–2162.Basaraner M., Cetinkaya S. Performance of Shape Indices and Classification Schemes for Characterising Perceptual Shape Complexity of Building Footprints in GIS // International Journal of Geographical Information Science. – 2017. – Vol. 31 (10). – P. 1952–1977.Basaraner M., Cetinkaya S. Performance of Shape Indices and Classification Schemes for Characterising Perceptual Shape Complexity of Building Footprints in GIS. International Journal of Geographical Information Science, 2017, Vol. 31 (10), pp. 1952–1977.Becht E. et al. Dimensionality Reduction for Visualizing Single-Cell Data Using UMAP // Nature Biotechnology. – 2019. – Vol. 37. – N 1. – P. 38–44.Becht E. et al. Dimensionality Reduction for Visualizing Single-Cell Data Using UMAP. Nature Biotechnology, 2019, Vol. 37, No. 1, pp. 38–44.Church R. L., Murray A. T. Business Site Selection, Location Analysis and GIS. – John Wiley & Sons, Inc., 2009.Church R. L., Murray A. T. Business Site Selection, Location Analysis and GIS. John Wiley & Sons, Inc., 2009.Franklin J. The Elements of Statistical Learning: Data Mining, Inference and Prediction // The Mathematical Intelligencer. – 2003. – Vol. 27. – P. 83–85.Franklin J. The Elements of Statistical Learning: Data Mining, Inference and Prediction. The Mathematical Intelligencer, 2003, Vol. 27, pp. 83–85.Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. – 2nd edition. – Springer, 2017.Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction, 2nd edition. Springer, 2017.Hausmann R., Hidalgo C. A. The Network Structure of Economic Output // Journal of Economic Growth. – 2011. – Vol. 16 (4). – P. 309–342.Hausmann R., Hidalgo C. A. The Network Structure of Economic Output. Journal of Economic Growth, 2011, Vol. 16 (4), pp. 309–342.Kim Yongho, Jan Heiland. Convolutional Autoencoders, Clustering and POD for LowDimensional Parametrization of Navier-Stokes Equations. – DOI: 10.48550/arXiv.2302.01278Kim Yongho, Jan Heiland. Convolutional Autoencoders, Clustering and POD for LowDimensional Parametrization of Navier-Stokes Equations. DOI: 10.48550/arXiv.2302.01278Kuk G., Marijn J. The Business Models and Information Architectures of Smart Cities // Journal of Urban Technology. – 2011. – Vol. 18 (2). – P. 39–52.Kuk G., Marijn J. The Business Models and Information Architectures of Smart Cities. Journal of Urban Technology, 2011, Vol. 18 (2), pp. 39–52.Liu Aofu, Zexuan Ji. Deep Mixture of Adversarial Autoencoders Clustering Network // Pattern Recognition and Computer Vision. – Springer, 2021. – P. 191–202.Liu Aofu, Zexuan Ji. Deep Mixture of Adversarial Autoencoders Clustering Network. Pattern Recognition and Computer Vision. Springer, 2021, pp. 191–202.McInnes L., Healy J., Melville J. Umap: Uniform Manifold aProximation and Projection for Dimension Reduction. – URL: arXiv preprint arXiv:1802.03426McInnes L., Healy J., Melville J. Umap: Uniform Manifold aProximation and Projection for Dimension Reduction. Available at: arXiv preprint arXiv:1802.03426Wolf L. J., Knaap E., Rey S. Geosilhouettes: Geographical Measures of Cluster Fit // Environment and Planning. – 2019. – Vol. 48 (1).Wolf L. J., Knaap E., Rey S. Geosilhouettes: Geographical Measures of Cluster Fit. Environment and Planning, 2019, Vol. 48 (1).Zhu Jia, Baofeng Li, Hong Chen. AQI Multi-Point Spatiotemporal Prediction Based on K-Mean Clustering and RNN-LSTM Model // Journal of Physics Conference Series. – 2021. – Vol. 2006 (1).Zhu Jia, Baofeng Li, Hong Chen. AQI Multi-Point Spatiotemporal Prediction Based on K-Mean Clustering and RNN-LSTM Model. Journal of Physics Conference Series, 2021, Vol. 2006 (1).

The authors declare that there are no conflicts of interest present.