МЕТОДОЛОГИЯ ВИЗУАЛЬНОГО И КЛАСТЕРНОГО АНАЛИЗА В РЕГИОНАЛЬНЫХ ИССЛЕДОВАНИЯХ: ОБОСНОВАНИЕ ПРИМЕНИМОСТИ, МЕТОДИЧЕСКИЕ ОГРАНИЧЕНИЯ И ПЕРСПЕКТИВЫ ИЗУЧЕНИЯ ШОКОУСТОЙЧИВОСТИ
DOI:
https://doi.org/10.25806/uu-6117Статья поступила в редакцию: 03.03.2026
Статья принята к публикации: 20.04.2026
Статья опубликована: 22.04.2026
Ключевые слова:
визуальный анализ, кластерный анализ, метод k-средних, региональные исследования, шокоустойчивость регионов, динамическая кластеризация.Аннотация
В статье обосновывается целесообразность сочетания визуального и кластерного анализа в региональных исследованиях. Актуальность работы обусловлена необходимостью совершенствования инструментария многомерной классификации регионов в условиях нарастания внешних и внутренних шоков, требующего не только формализации группировок, но и содержательной интерпретации результатов. Определены цель и задачи исследования, включающие систематизацию подходов к визуализации многомерных данных, характеристику методов кластерного анализа, обоснование формальных критериев оценки качества кластеризации (метод «локтя», индекс силуэта, индекс Данна), выявление методологических ограничений и определение перспективных направлений развития комбинированного подхода. Раскрыта роль визуального анализа как этапа предварительной структуризации данных, позволяющего формировать гипотезы о наличии естественных группировок. Показаны возможности метода k-средних для формализации выделенных групп. Особое внимание уделено исследованию шокоустойчивости регионов как перспективному направлению применения метода, предполагающему переход от статической к динамической кластеризации с использованием показателей резистентности и восстанавливаемости. Сделаны выводы о методологической обоснованности комбинированного подхода и направлениях его дальнейшего развития в контексте интеграции с пространственным анализом и методами машинного обучения.
Информация о публикации
Финансирование: Исследование выполнено без привлечения внешнего финансирования, если иное не указано авторами.
Вклад авторов: Все авторы внесли существенный вклад в подготовку статьи, ознакомились с окончательной версией рукописи и одобрили ее к публикации.
Конфликт интересов: Авторы заявляют об отсутствии конфликта интересов, если иное не указано в публикации.
Правообладатель: Издательский дом «Академический».
Лицензия: Статья распространяется на условиях лицензии Creative Commons Attribution 4.0 International (CC BY 4.0).
Машиночитаемый файл метаданных: JATS XML
Список литературы
Hermans F. The contribution of statistical network models to the study of clusters and their evolution // Papers in Regional Science. 2021. No. 100(2). P. 379-403. DOI: 10.1111/pirs.12579 EDN: WZJYXI.
Зубаревич Н.В. Неравенство регионов и крупных городов России: что изменилось в 2010-е годы? // Общественные науки и современность. 2019. № 4. С. 57-70. DOI: 10.31857/S086904990005814-7 EDN: YZPHNX.
Делятицкая А.В., Еременко А.А. Кластерный анализ регионального развития России на примере федеральных округов // Экономика и предпринимательство. 2026. № 1 (186). С. 658-663. DOI: 10.34925/EIP.2026.186.1.109 EDN: KREHBB.
Голубцова П.С., Федотова В.О., Руднев С.Г. Методы кластерного анализа в изучении региональных экономик // Прикладные экономические исследования. 2023. № S1. С. 99-107. DOI: 10.47576/2949-1908_2023_S1_99 EDN: ELHEBO.
Милованович Н.Г., Севрюкова С.В. Анализ экономико-статистических и математических методов оценок демографических изменений народонаселения // Конкурентоспособность в глобальном мире: эконо-мика, наука, технологии. 2025. № 2. С. 232-234. EDN: PLXJSI.
Самарина В.П., Илларионова Е.А. Основные принципы выбора инструментария анализа социально-экономического развития региона // Регион: системы, экономика, управление. 2015. № 1 (28). С. 83-85. EDN: TOVFVJ.
Кириллова С.В., Симонов К.В., Кириллов К.А., Карпов И.А. Методы кластерного анализа в региональных исследованиях // Информатизация и связь. 2024. № 2. С. 66-74. DOI: 10.34219/2078-8320-2024-15-2-66-74 EDN: NSYAXM.
Okunev I.Yu., Lopatina V.R. The neighbourhood effect in Russian regional policies: autocorrelation and cluster analysis // RUDN Journal of Political Science. 2022. Т. 24. № 4. С. 634-650. DOI: 10.22363/2313-1438-2022-24-4-634-650 EDN: GOHMYY.
Baranov S., Skufina T., Samarina V., Shatalova T. Dynamics of interregional differentiation in Russian regions based on the level of development of information and communication technologies // Mediterranean Journal of Social Sciences. 2015. Т. 6. № 6 - S2. С. 384-389. DOI: 10.5901/mjss.2015.v6n6s2p384 EDN: YOPWZV.
Гичиев Н.С., Зоидов К.Х., Омарова З.К., Зоидов Х.К. Оценка пространственного взаимодействия субъектов СКФО: кластерный анализ экономического роста. М.: ИПР РАН, 2023. 118 с. DOI: 10.33051/978-5-6048729-1-8-2023-1-118 ISBN: 978-5-6048729-1-8 EDN: TPDLLW.
Прохоренков П.А., Регер Т.В., Гудкова Н.В. Методы кластерного анализа в региональных исследованиях // Фундаментальные исследования. 2022. № 3. С. 100-106. DOI: 10.17513/fr.43221 EDN: KOVJWZ.
Климанов В., Казакова С., Михайлова А. Региональная резилиентность: теоретические основы постановки вопроса // Экономическая политика. 2018. Т. 13.№ 6. С. 164-187. DOI: 10.18288/1994-5124-2018-6-164-187 EDN: YSWQFV.
Михеева Н.Н. Устойчивость экономики российских регионов к внешним шокам: оценка на основе оперативной информации // Научные труды: Институт народнохозяйственного прогнозирования РАН. 2023. Т. 21. № 1. C. 151-174. DOI: 10.47711/2076-3182-2023-1-151-174 EDN: MOFVRL.