Обнаружение пространственных торговых кластеров с использованием геоинформационных технологий

DOI:

Кластерные концепции хорошо разработаны в научной литературе. Начиная с работ Маршалла [Marshall, 1920] было введено определение промышленных районов (кластеров) как концентрации специализированных производств, развиваемых в отдельных областях. Позже в работах М. Портера [Porter, 1998] описывались основные характеристики кластеров и указывалось на тот факт, что самым важным в них является географическая концентрация взаимосвязанных компаний и учреждений в определенной сфере деятельности. Более современные исследователи кластеров ХХI в. М. Фельдман [Feldman, Kogler, 2010], Г. Спенсер [Spencer et al., 2010], Е. Малец-ки [Malecki, 2014] также подчеркивают пространственную концентрацию как ключевую характеристику при идентификации кластера.

На протяжении многих лет ведется непрерывный поиск более эффективных методов измерения географической концентрации экономической деятельности. В новой экономической географии существуют два основных подхода к определению пространственной концентрации [Stek, 2020]:

• 1.    На основе измерения относительной концентрации в предварительно определенных пространственных полигональных границах.

• 2.    Путем вычисления фактической пространственной концентрации конкретных точек на карте.

Данный подход заключается в определении кластеров в рамках заранее установленных границ, например, территорий административнотерриториальных единиц. Использование данного подхода имеет свои преимущества и недостатки. Основным плюсом является возможность использования статистических данных, уже разбитых по данным АТЕ, поэтому использование региональных границ очень удобно для определения концентрации и последующего статистического сопоставления уровней развития региона. Недостаток данного метода в том, что территориальные масштабы границ регионов в России очень различны, из-за этого они не всегда сравнимы по экономическим показателям.

Данный подход позволяет выделить границы отраслевой или кластерной концентрации. Его преимущество заключается в возможностях определения размеров кластеров на основе фактической концентрации тех или иных объектов. Этот метод позволяет избежать потенциального размытия или искажения в данных, которые появляются из-за неправильных границ [Van Egeraat et al., 2018].

Методы оценки по второму из указанных выше подходов разные. Чаще всего для расчета пространственной концентрации применяются несколько индексов [Cheruiyot, 2022]. К ним относятся: индекс локализации, индекс Херфиндаля-Хиршмана, индекс Джини [Krugman, 1991], индекс концентрации Эллисона и Глейзера [Ellison, Glaeser, 1997] и др. В данной работе рассматривается геопространственный подход к определению торговых кластеров.

Цель данной статьи: выявить, имеются ли доказательства существования пространственно-распределенных по территории региона торговых кластеров разного типа, какова их концентрация, экономическая роль и возможные перспективы функционирования.

В них указывается на необходимость подключения к инженерным сетям. Однако с позиции целостного планирования территориального развития вопросы равномерного размещения торговых предприятий не рассматриваются. Выдача разрешений на строительство торговых объектов относится к юрисдикции местных органов власти [Сибирская, Буханцева, Щуров, 2024]. При этом схемы размещения присутствуют только там, где есть утвержденные генеральные планы развития. В результате наблюдаются диспропорции, какие-то части пространства городов и поселков перегружены торговыми объектами, а где-то остро недостает магазинов, аптек, НТО, складских помещений и других форм торговли. Плотность проживающего населения не всегда коррелирует с размещением торгового объекта и его зоной обслуживания. Поэтому комплексное рассмотрение данной проблемы крайне актуально для будущего территориального планирования региона.

Методика исследования

Исходные данные, приведенные в этой статье, включают количество магазинов, полученных из реестра NextGIS. Также использовалась информация о данных по количеству торговых объектов, полученная с официального сайта Крымстат. Данные были обработаны и картографированы в среде ArcGIS. Метафайл векторных карт, выгруженных с NextGIS, содержал массивы показателей о 4 204 торговых объектов, имеющих уникальные географические адреса, что составляет 22 % от генеральной совокупности – 19 079 объектов (зафиксированной Крымстатом), находящихся на территории Республики Крым. Разница объясняется тем, что в среде ГИС каждый объект имеет уникальную географическую привязку – адрес, но на практике несколько торговых объектов может находиться в одном помещении. Также отдельные виды торговых объектов, отражаемых в официальной статистике, например, нестационарные торговые объекты, сезонные ярмарки, не имеют жесткой адресной привязки, с этим связаны ограничения данного исследования. В работу включены только объекты, имеющие соответствующие теги, обозначающие их как объекты торговли и имеющие географически выделенный адрес. Тепловые карты распределения населения по плотности были получены с сервиса ExportBase [ExportBase, 2024]. При работе с данными использовались .shp файлы, в которые были интегрированы показатели по торговым организациям, осуществляющим свою деятельность на территории Республики Крым и г. Севастополя.

Результаты

С точки зрения морфологии кластерных образований нами было показано в работе [Королёв, Ярош, 2024], что торговые объекты можно проклассифицировать в зависимости от типологии. Таковых мы выделяем четыре типа, разграничивая их по функциональным особенностям:

• 1)    маршалловые – к ним относятся торговые объекты с небольшими и средними площадями, которые используют эффект от масштаба за счет близкого расположения к спальным районам, например, супермаркеты, универмаги;

• 2)    узловые – самые крупные магазины, формирующие вокруг себя ядро и привлекающие периферийные небольшие торговые сервисные организации, например, гипермаркеты, торговые центры, рынки;

• 3)    спутниковые – представлены независимыми торговыми объектами, не конкурирующими друг с другом в силу разной специализации, например, нестационарные торговые объекты или складские помещения;

• 4)    отраслевые – торговые предприятия специализированного узкого профиля, привязанные в размещении к определенному району, например, аптеки к больницам или заправки к транспортным артериям (узлам).

Общее количество торговых объектов изучаемого полигона исследования – Республики Крым насчитывает около 19 тысяч. Их авторская классификация, в зависимости от типологии кластерного образования, приведена в таблице 1.

Тепловые картыв пространственном анализе данных

Методология идентификации кластеров в гео-информационных системах обычно использует функцию оценки плотности ядра для выявления «горячих точек», в которых осуществляется торговая деятельность. Для этого можно использовать тепловые карты. Они применяются в таких областях, как биология, нейрофизиология и др. Использование тепловых карт в пространственном анализе данных является эффективным способом обнаружения зон с высокой, низкой и средней плотностью изучаемых объектов или явлений (см. рис. 1).

По данным тепловой карты видна плотность населения в разных районах г. Симферополь. При- этом количество торговых объектов и их плотность далеко не всегда коррелирует. Как правило, высокая плотность населения привязана к старым спальным районам высотной застройки города, которые сформировали его каркас еще в 70–80 годы. Для понимания особенностей морфологии пространственно-распределенных торговых кластеров разных типов необходимо проводить дополнительный анализ – плотности магазинов и их распределения. Это осуществляется на основе функции «плотность ядер», интегрированной в геоинформационную систему ArcGIS.

Оценка плотности ядра в пространственном анализе

Методы оценки плотности ядра [Silverman, 1986] часто используются для визуализации и анализа пространственных данных с целью понимания и потенциального прогнозирования закономерностей событий [Smith, Goodchild, Longley, 2015]. Эти методы имеют достаточно широкий спектр применения в разных областях науки: географии [Дунец и др., 2023], биологии [Кравченко, Блох, Пасечник, 2024], сельском хозяйстве [Киселев и др., 2023], экономике [Черкасов, Махмудов, Сопнев, 2021]. Cама по себе оценка плотности ядра особенно полезна при обнаружении горячих точек благодаря серии экстраполяционных оценок, формируемых на массиве данных – точечных объектов (магазинов). Картирование плотности ядра, созданное с помощью программного инструмента ArcGIS

Таблица 1

Классификация торговых объектов по типологии в Республике Крым, 2023 г.

Типология торгового объекта	Количество торговых предприятий, ед.	Тип кластера	Потенциальный вес кластера,%
Супермаркет	251	Маршалловые	35,3
Специализированный продовольственный магазин	1 356	Маршалловые
Минимаркеты	4 332	Маршалловые
Универмаг	24	Маршалловые
Прочие магазины	788	Маршалловые
Рынки	44	Узловые	0,27
Гипермаркеты	9	Узловые
Склады	122	Спутниковые	7,9
НТО	1 391	Спутниковые
Павильоны	3 181	Отраслевые	56,4
Аптеки	1 007	Отраслевые
Специализированные непродовольственные магазины	5 494	Отраслевые
Ярмарки	1 080	Отраслевые
Всего	19 079		100

Примечание . Составлено по: [База данных Крымстата, 2024].

[ESRI, 2021], помогает сгладить информацию в виде набора точек – торговых объектов и представить их в более понятном виде. Данный инструмент вычисляет количество торговых объектов на единицу площади на основе точечных данных, используя функцию ядра для подгонки плавно су- жающейся поверхности к каждой точке. Когда плотность точек высокая, как в случае с картой магазинов, куда входят в маршалловые кластеры (рис. 2), то подобное представление данных дает возможность оценить скопления данных объектов на карте региона.

Рис. 1. Тепловая карта распределения плотности населения, проживающего в г. Симферополь Примечание . Составлено авторами по данным: [ExportBase, 2024].

Рис. 2. Морфология маршалловых торговых кластеров Примечание . Рассчитано авторами.

Оценка плотности ядра применяется для выявления «горячих точек», то есть частоты встречаемости торговых объектов, которые объединяются в пространственные кластеры, как только они превышают определенный порог. В нашем исследовании он установлен в 1 500 м или 15 минут пешей ходьбы. Это средняя зона обслуживания для магазинов маршаллового типа. Оценка плотности ядер маршалловых кластеров показана ниже, где картографированы 3 030 торговых объектов данного типа, имеющих уникальные географические адреса. Среднее расстояние между магазинами, пересчитанное на площадь полуострова, составляет 6 341 м ± 2 477 м. Алгоритм, лежащий в основе инструмента, подгоняет плавно изогнутую линию к каждой точ- г. Севастополь г. Симферополь

ке растра. Яркость этих линий зависит от уровня концентрации торговых предприятий маршалло-вого типа. Инструмент рассчитывает пропускную способность зоны обслуживания. Единицы радиуса поиска основаны на линейной единичной проекции с своей пространственной привязкой. Итоговый размер ячейки определяет выходной растр, который создается. Как правило, по умолчанию он равен наименьшему из значений ширины или высоты ячейки. Расчетное ее значение с настройками по умолчанию равно 63 м, масштаб карты 1:100 000. Выполнена передискретизация в кубической свертке для сглаживания данных для более четкой картинки, результаты приближения выделенных ранее городов приведены на рисунке 3. ^•/^^^^ г. Евпатория г. Керчь

Большая Ялта

Рис. 3. Морфологические структурные особенности тепловой карты пространственного распределения торговых объектов маршаллового типа в городах Республики Крым

Примечание . Рассчитано авторами.

Торговые кластеры маршаллового типа в основном территориально расположены в спальных районах городов, обычно старой высотной застройки. Для их развития характерны свои сложности, в частности, недостаток мест для парковочных пространств, проблемы с подъездными путями и невозможность внутри городского пространства формировать более крупные торговые кластеры, например, типа узловых.

В результате в этих районах формируются диспропорции: с одной стороны, наблюдается огромное количество торговых объектов с небольшой площадью, активно конкурирующих между собой в «зонах каннибализации» (так называется пересечение зон обслуживания, что неизбежно приводит к банкротству одних магазинов или постоянному перепрофилированию других), а с другой – городская среда в данных районах излишне перегружена как наружной рекламой, вывесками, так и повышенной нагрузкой на транспортные артерии, значительным количеством транспорта, что ведет к ряду экологических проблем.

Отраслевые торговые кластеры привязаны как к крупным городам, так и к туристическим крупным агломерациям. Их почти в три раза меньше, чем маршалловых, поэтому трудно выделить их структуру. Как правило, они пространственно не сильно сгруппированы. У этого типа торговых объектов нет высокой конкуренции, кроме аптек. Плотность расположения последних очень сильно коррелирует на уровне R = 0,89 с возрастом проживающего в регионах населения.

Оценка плотности ядер отраслевых кластеров показана на рисунке, где картографированы 721 торговый объект соответствующего типа. Среднее расстояния между магазинами составляет 8086 м ± 2911 м (рис. 4).

Развитие данного вида кластеров крайне неравномерно. В основном они привязаны к городам. Основная сложность в их развитии в сельской местности – это требования [Постановление Главного государственного ... , 2020] к наличию санитарногигиенических соответствий в части существования централизованных систем водоснабжения, водоотведения, электроснабжения и других инженерных систем и транспортной инфраструктуры.

Рис. 4. Морфология отраслевых торговых кластеров Примечание . Рассчитано авторами.

Оценка плотности ядер узловых кластеров приведена на рисунке 5, где картографированы 38 торговых объектов соответствующего типа. Среднее расстояние между ними составляет 67 234 м ± 3 212 м. Данный вид кластерной структуры является самым инновационным. Это самые крупные торговые объекты. Их функционирование, равно как зоны обслуживания, намного больше, чем у обычных магазинов, а расположены они, как правило, на объездных дорогах городов, поскольку основным требованием к их функционированию является хорошая транспортная и инженерная инфраструктура.

Торговые объекты данного класса представляют собой ядро, в которое входят якорные арендаторы и в качестве периферии подтягиваются торгово-сервисные, обслуживающие предприятия, ресторанный бизнес и т. д.

Оценка плотности ядер спутниковых кластеров приведена на рисунке 6, где картографированы 72 торговых объекта соответствующего типа. Среднее расстояния между ними составляет 39 193 м ± 1 212 м. Они расположены за пределами городов, в большей степени в сельской местности. Представлены нестационарными торговыми объектами (НТО) и складами. Особенностью

Рис. 5. Морфология узловых торговых кластеров Примечание . Рассчитано авторами.

Рис. 6. Морфология спутниковых торговых кластеров Примечание . Рассчитано авторами.

их функционирования является то, что они не используют «эффект от масштаба». Зоны обслуживания НТО весьма размыты. К данному типу объектов можно также отнести складские точки выдачи товаров маркетплейсов. Работа маркет-плейсов как торгового объекта не отражалась в статистической отчетности до 2023 г., ранее информация о них была по форме № 1-ЦП «Сведения о цифровых платформах», но 19.09.2023 г. был выпущен приказ Росстата № 444, где утверждена годовая статистическая форма «Опросный лист обследования деятельности маркетплей-сов». В связи с этим в данном анализе маркетп-лейсы из-за отсутствия актуальной статистики не учитывались. При появлении статистических данных они могут изменить потенциальный вес предприятий данного кластера, по предварительным оценкам до 10–11 %, что соответствует данным Крымстата по объемам интернет-торговли.

Возможности развития разных типов кластерных образований напрямую связаны с перспективами региона. Так, у каждого из проанализированных выше типов кластерных структур есть свои преимущества и определенная роль в развитии региона (табл. 2).

Выполненный анализ позволяет подтвердить существование пространственно-распределенных по территории полуострова торговых кластеров разных типов. Пока же затруднительно определить, возникли ли эти кластеры случайным образом и какие закономерности стоят за этими процессами. Для ответа на этот вопрос необходимо проводить анализ горячих точек, чтобы на статистически значимом уровне подтвердить обнаруженные явления. Анализ горячих точек учитывает группировки признаков, то есть количество магазинов и зоны их обслуживаниям. Он позволяет исключить «выбросы», когда просто высокое значение объектов не указывает на существование тенденции, а чтобы быть статистически значимым, полигональный объект должен иметь высокую плотность ядер и быть окруженным другими объектами со схожими характеристиками.

Заключение

Оценка плотности ядра при анализе кластеров различных типов может дать информацию о пространственных скоплениях (кластерах) торговых предприятий. Для понимания статистически значимых закономерностей в этих явлениях нужно проводить дополнительный анализ «горячих точек» и рассчитывать Z-статистику, также рекомендуется включать в рассмотрение в подобной задаче индексы пространственной корреляции Моррана I. Результаты данного исследования оставляют место для дополнительных вычислений и обсуждений этих задач. Тем не менее проведенный анализ и использование функции плотности ядра для оценки торговых объектов, распределенных по территории региона, дает нужные результаты. Они могут быть полезны при разработке региональных стратегий, способствующих развитию разных форм торговых отношений в регионе, поскольку выделение на статистически значимом уровне кластерных образований позволяет их локализовать в рамках конкретной административно-территориальной единицы и сформировать инструменты их развития в рамках определенной кластерной структуры.

Таблица 2

Роль торговых кластеров разной морфологии в развитии региона

Типология	Высокая плотность пространственного распределения	Базовая роль в развития региона
Маршалловые	Симферополь, Бахчисарай, Евпатория, Севастополь, Ялта, Алушта, Феодосия, Керчь, Джанкой, Армянск	Увеличение занятости населения, развитие транспортной и инженерной инфраструктуры
Отраслевые	Евпатория, Саки, Раздольненский район, Сакский район, Севастополь, Симферополь, Керчь, Ялта	Повышение инвестиционной привлекательности туристических районов
Спутниковые	Джанкой, Джанкойский район, Красногвардейский район, Нижнегорский район, Советский район	Развитие системы сбыта для местных производителей
Узловые	Симферополь, Севастополь, Ялта, Керчь, Судак, Феодосия	Инновации и модернизация, развитие строительства крупных торговых объектов, логистических и складских центров, развитие финансового и банковского секторов

Примечание . Составлено авторами.