Оценка количества малых и средних предприятий в границах городов и агломераций: применение методов машинного обучения к данным России
Автор: Радченко Д.М., Пономарев Ю.Ю., Ростислав К.В.
Журнал: Ars Administrandi. Искусство управления @ars-administrandi
Рубрика: Теории управления, пространственной и региональной экономики
Статья в выпуске: 2 т.16, 2024 года.
Бесплатный доступ
Введение: развитие агломераций, которые, как показывают исследования, становятся полюсами роста производительности, обозначено как один из приоритетов пространственной политики России. Несмотря на многочисленные обсуждения, в федеральном законодательстве отсутствует термин «городская агломерация», но при этом он широко используется в нормативно-правовой базе на других уровнях управления. Это приводит к отсутствию согласованной позиции в вопросах о структуре, размерах и параметрах агломераций и актуализирует формирование научно обоснованного подхода к определению экономических и географических границ агломераций.
Делимитация границ, пространственная кластеризация, алгоритм dbscan
Короткий адрес: https://sciup.org/147246784
IDR: 147246784 | DOI: 10.17072/2218-9173-2024-2-198-216
Список литературы Оценка количества малых и средних предприятий в границах городов и агломераций: применение методов машинного обучения к данным России
- Коломак Е. А., Трубехина И. Е. Исследование агломерационных процессов на территории Новосибирской области // Регион: экономика и социология. 2013. № 3. С. 239-259.
- Листенгурт Ф. М. Критерии выделения крупномасштабных агломераций в СССР // Известия Академии наук СССР. Серия географическая. 1975. № 1. С. 41-49.
- Монастырская М. Е, Песляк О. А. Современные методы делимитации границ городских агломераций // Градостроительство и архитектура. 2017. Т. 7, № 3. С. 80-86. https://doi.org/10.17673/Vestnik.2017.03.14.
- Райсих А. Э. К вопросу об определении границ городских агломераций: мировой опыт и формулировка проблемы [Электронный ресурс] // Демографическое обозрение. 2020. Т. 7, № 1. С. 27-53. https://doi.org/10.17323/ demreview.v7i1.10819. URL: https://demreview.hse.ru/article/view/10819/12136 (дата обращения: 04.09.2023).
- Arribas-Bel D., Garcia-LopezM.-A., Viladecans-Marsal E. Building(s and) cities: Delineating urban areas with a machine learning algorithm // Journal of Urban Economics. 2021. Vol. 125. Art. № 103217. https://doi.org/10.1016/j.jue.2019.103217.
- Coombes M. Multiple dimensions of settlement systems: Coping with complexity // New forms of urbanization: Beyond the urban-rural dichotomy / Ed. by T. Champion and G. Hugo. Aldershot: Ashgate Publishing Limited, 2004. P. 307-324.
- De Bellefon M.-P., Combes P.-P., Duranton G. et al. Delineating urban areas using building density // Journal of Urban Economics. 2021. Vol. 125. Art. № 103226. P. 103-226. https://doi.org/10.1016/j.jue.2019.103226.
- Ester M, Kriegel H.-P., Sander J. et al. A density-based algorithm for discovering clusters in large spatial databases with noise // Proceedings of the Second International Conference on Knowledge Discovery and Data Mining (KDD-96). Portland: AAAI Press, 1996. P. 226-231.
- Gajovic V. Comparative analysis of different methods and obtained results for delineation of functional urban areas // Spatium International Review. 2013. № 29. P. 8-15. https://doi.org/10.2298/SPAT1329008G.
- Galdo V., Li Yu., Rama M. Identifying urban areas by combining human judgment and machine learning: An application to India // Journal of Urban Economics. 2021. Vol. 125. Art. № 103229. https://doi.org/10.1016/j.jue.2019.103229.
- Guzik R., Kotos A., Gwosdz K. Interconnections in public transport as a method for delimiting urban functional areas and the settlement hierarchy in Poland // Regional Statistics. 2017. Vol. 7, № 1. P. 63-77. https://doi.org/10.15196/RS07104.
- Hagenauer J., Helbich M. Mining urban land-use patterns from volunteered geographic information by means of genetic algorithms and artificial neural networks // International Journal of Geographical Information Science. 2012. Vol. 26, № 6. P. 963-982. https://doi.org/10.1080/13658816.2011.619501.
- Moreno-Monroy A. I., Schiavina M., Veneri P. Metropolitan areas in the world. Delineation and population trends // Journal of Urban Economics. 2021. Vol. 125. Art. № 103242. https://doi.org/10.1016/j.jue.2020.103242.
- Obaco M., Royuela V., Vítores X. Computing functional urban areas using a hierarchical travel time approach: An Applied Case in Ecuador // 56th Congress of the European Regional Science Association "Cities & Regions: Smart, Sustainable, Inclusive?". Vienna, Louvain-la-Neuve: European Regional Science Association (ERSA), 2016. 21 p.
- Okwuashi O., Ndehedehe Ch. E. Integrating machine learning with Markov chain and cellular automata models for modelling urban land use change // Remote Sensing Applications: Society and Environment. 2021. Vol. 21. Art. № 100461. https:// doi.org/10.1016/j.rsase.2020.100461.
- Rahmah N., Sitanggang I. S. Determination of optimal epsilon (Eps) value on DBSCAN Algorithm to clustering data on peatland hotspots in Sumatra // IOP Conference Series: Earth and Environmental Science. 2016. Vol. 31. Art. № 012012. https://doi.org/10.1088/1755-1315/3m/012012.
- Schug F., Okujeni A., Hauer J. et al. Mapping patterns of urban development in Ouagadougou, Burkina Faso, using machine learning regression modeling with bi-seasonal Landsat time series // Remote Sensing of Environment. 2018. Vol. 210. P. 217-228. https://doi.org/10.1016/jj.rse.2018.03.022.
- Uchida H., Nelson A. Agglomeration index: Towards a new measure of urban concentration // Urbanization and development: Multidisciplinary perspectives / Ed. by J. Beall, B. Guha-Khasnobis, R. Kanbur. Oxford: Oxford University Press, 2010. P. 1-16. https://doi.org/10.1093/acprof:oso/9780199 590148.003.0003.
- Yang J., Gong J., Tang W. et al. Delineation of urban growth boundaries using a patch-based cellular automata model under multiple spatial and socio-economic scenarios // Sustainability. 2019. Vol. 11, № 21. Art. № 6159. https://doi.org/10.3390/ su11216159.
Статья научная
