Графовые методы описания торгового профиля региона

Авторы

  • А.Н. Кисляков Российская академия народного хозяйства и государственной службы при Президенте Российской Федерации (Владимирский филиал) Автор

DOI:

https://doi.org/10.22394/1726-1139-2022-2-70-80

Ключевые слова:

сетевые графы, кластерный анализ, временные ряды, внешнеэкономическая деятельность

Аннотация

Работа посвящена актуальной проблеме построения торгового профиля региона и исследования устойчивости развития региональных внешнеторговых связей путем анализа результатов внешнеэкономической деятельности региона. Целью работы является разработка метода описания торгового профиля региона на основе теории графов, а также оценка возможности интерпретации поведения выявленных групп товаров с позиции анализа динамики объемов импорта и экспорта. В качестве основной гипотезы в работе используется утверждение, что сетевая модель описания внешнеторговых связей региона должна быть сбалансирована относительно ожиданий поставщиков и потребителей продукции, в противном случае возникает дисбаланс, порождающий изменения в структуре внешнеторговых связей. Предложена методика исследования внешнеэкономических связей и разработки на их основе торгового региона с использованием сетевых графов и кластерного подхода, позволяющая выявлять устойчивые группы товаров и на их основе оценить основные тенденции изменения и потенциал развития внешнеэкономической деятельности региона. Рассматриваются особенности вычисления матрицы смежности для построения графа, а также выявления групп вершин, связанных друг с другом с целью выявления полных подграфов - клик, что позволяет выявить основные устойчивые во времени товарные группы, от которых зависит внешнеэкономическая деятельность региона. Описанную методику следует применять для повышения эффективности построения и описания торгового профиля региона в целях управления развитием внешнеэкономической деятельности региона, исследования свойств групп товаров и их признаков.

Скачивания

Данные по скачиваниям пока не доступны.

Библиографические ссылки

Гольцева А. Ю. Исследование рыночного графа российского фондового рынка в контексте структурной динамики // Новые информационные технологии в автоматизированных системах. 2014. № 17. С. 307-313.

Кисляков А. Н. Асимметрия информации в задачах анализа социально-экономических процессов // Вестник НГУЭУ. 2020. № 1. С. 64-75.

Кисляков А. Н. Графовая кластеризация поведенческой активности пользователей продукта с учетом информационной асимметрии // Известия Юго-Западного государственного университета. Сер.: Экономика. Социология. Менеджмент. 2020. № 3. С. 152-163.

Мастицкий С. Э. Анализ временных рядов с помощью R. 2020. URL: https://ranalytics.github.io/tsa-with-r (дата обращения: 29.04.2021).

Моисеев А. К., Бондаренко П. А. Применение индекса экономической сложности в макрофинансовых моделях // Проблемы прогнозирования. 2020. № 3. С 101-112.

Шитиков В. К., Мастицкий С. Э. Классификация, регрессия, алгоритмы Data Mining с использованием R. 2017. URL: https://github.com/ranalytics/data-mining (дата обращения: 29.04.2021).

Franklin J. The elements of statistical learning: data mining, inference and prediction // The Mathematical Intelligencer. 2003. Vol. 27. P. 83-85.

Hausmann R., Hidalgo C., Bustos S., Coscia M. at al. The Atlas of Economic Complexity: Mapping Paths to Prosperity. Cambridge: Center for International Development, Harvard University, MIT, 2011. P. 108-358.

Kislyakov A., Tikhonuyk N. Principles for Development of Predictive Stability Models of Social and Economic Systems on the basis of DTW // First Conference on Sustainable Development: Industrial Future of Territories (IFT 2020), 2020. Vol. 208, N 08001.

Kislyakov A. N., Filimonova N. M., Omarova N.Yu. Development of Predictive Models of SocioEconomic Systems Based on Decision Trees with Multivariate Response // Advances in Economics, Business and Management Research (AEBMR). Proceedings of International Scientific and Practical Conference "Russia 2020 - a new reality: economy and society". 2021. P. 198-203.

Galit Shm. Data Mining for Business Analytics: Concepts, Techniques, and Applications in R. New Jersey: Wiley, 2017.

Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. 2-nd ed. Springer, 2017.

Загрузки

Опубликован

2022-03-15

Выпуск

Раздел

Статьи

Как цитировать

Кисляков А. Графовые методы описания торгового профиля региона // Управленческое консультирование. 2022. № 2. С. 70–80. https://doi.org/10.22394/1726-1139-2022-2-70-80