Методы описания экономического профиля региона на основе кластерного анализа
https://doi.org/10.21686/2413-2829-2025-5-49-60
Аннотация
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.
Об авторе
А. Н. Кисляков
Владимирский филиал Российской академии народного хозяйства и государственной службы при Президенте Российской Федерации
Россия
Россия
Алексей Николаевич Кисляков, доктор экономических наук, кандидат технических наук, доцент, профессор кафедры информационных технологий
600017, Владимирская область, Владимир, ул. Горького, д. 59а
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.
2. Корчагина И. В., Пытченко К. В. Социально-экономическая система регионального предпринимательства как объект стратегирования // Экономика промышленности. – 2023. – № 16 (4). – С. 361–371.
3. 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.
4. Медведева О. А. Оценка экономического потенциала региона для развития кластеров // Развитие территорий. – 2023. – № 3. – С. 25–31.
5. Окунев И. Ю. Основы пространственного анализа : монография. – М. : Аспект Пресс, 2020.
6. 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.
7. 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.
8. 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.
9. Becht E. et al. Dimensionality Reduction for Visualizing Single-Cell Data Using UMAP // Nature Biotechnology. – 2019. – Vol. 37. – N 1. – P. 38–44.
10. Church R. L., Murray A. T. Business Site Selection, Location Analysis and GIS. – John Wiley & Sons, Inc., 2009.
11. Franklin J. The Elements of Statistical Learning: Data Mining, Inference and Prediction // The Mathematical Intelligencer. – 2003. – Vol. 27. – P. 83–85.
12. Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. – 2nd edition. – Springer, 2017.
13. Hausmann R., Hidalgo C. A. The Network Structure of Economic Output // Journal of Economic Growth. – 2011. – Vol. 16 (4). – P. 309–342.
14. Kim Yongho, Jan Heiland. Convolutional Autoencoders, Clustering and POD for LowDimensional Parametrization of Navier-Stokes Equations. – DOI: 10.48550/arXiv.2302.01278
15. Kuk G., Marijn J. The Business Models and Information Architectures of Smart Cities // Journal of Urban Technology. – 2011. – Vol. 18 (2). – P. 39–52.
16. Liu Aofu, Zexuan Ji. Deep Mixture of Adversarial Autoencoders Clustering Network // Pattern Recognition and Computer Vision. – Springer, 2021. – P. 191–202.
17. McInnes L., Healy J., Melville J. Umap: Uniform Manifold aProximation and Projection for Dimension Reduction. – URL: arXiv preprint arXiv:1802.03426
18. Wolf L. J., Knaap E., Rey S. Geosilhouettes: Geographical Measures of Cluster Fit // Environment and Planning. – 2019. – Vol. 48 (1).
19. 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).
Рецензия
Для цитирования:
Кисляков А.Н. Методы описания экономического профиля региона на основе кластерного анализа. Вестник Российского экономического университета имени Г. В. Плеханова. 2025;(6):49-60. https://doi.org/10.21686/2413-2829-2025-5-49-60
For citation:
Kislyakov A.N. Methods of Describing Region Economic Profile on the Basis of Cluster Analysis. Vestnik of the Plekhanov Russian University of Economics. 2025;(6):49-60. (In Russ.) https://doi.org/10.21686/2413-2829-2025-5-49-60
Просмотров:
98
JATS XML
Послать статью по эл. почте 