Модели и методы анализа данных при решении задач взаимодействия бизнес-экосистем

Резюме: Работа посвящена вычислительным аспектам обработки, анализа и визуализации многомерных данных, в которых заключена информация о взаимодействии бизнес-систем ресурсного типа на примере данных региона Красноярского края (Россия). Авторами настоящего исследования подчеркивается, что основой развития бизнес- экосистемы в сырьевом регионе являются кооперационно-сетевые взаимодействия, для анализа которых предлагается комплексный подход обработки соответствующих данных в рамках методологии функционально-средового анализа (авторский метод). Актуальность исследования определяется, как показано в кратком обзоре научной литературы, недостаточной проработанностью методов и моделей для количественных описания и соответствующего представления (визуализации) многомерных данных, которые обуславливают возможность решения задачи взаимодействия. Для численного моделирования многомерных данных с целью построения цифровых индикативных моделей, которые характеризуют различные грани взаимодействия в соответствии с методом функционально- средового анализа, предлагается вычислительный инструментарий – комплексная методика. Основной результат исследований заключается в обосновании и кратком описании предлагаемых реализаций алгоритмов и расчетных схем, встроенных в соответствующие этапы технологии вычислительного эксперимента, как современного под- хода для решения задач взаимодействия и прогнозирования. Исследование выполнено при финансовой поддержке Российского фонда фундаментальных исследований, Правительства Красноярского края и Красноярского краевого фонда науки в рамках научного проекта No 20-410-242916.

Ключевые слова: бизнес-экосистема, кооперационно-сетевое взаимодействие, метод функционально-средового анализа, технология вычислительного эксперимента, нелинейная регрессия, визуализация и кластеризация многомерных данных, гистограммный подход, индикативное моделирование, цифровая модель.

K.V. Simonov, V.V. Kuimov, S.V. Kirillova, A.N. Matsulev

Models and methods of data analysis in solving problems of interaction of business ecosystems

Summary: The work is devoted to the computational aspects of processing, analysis and visualization of multidimensional data, which contain information about the interaction of business systems of a resource type on the example of data from the region of the Krasnoyarsk Territory (Russia). The authors of this study emphasize that the basis for the development of a business ecosystem in a resource-rich region is cooperative network interactions, for the analysis of which an integrated approach to processing relevant data is proposed within the framework of the methodology of functional environmental analysis (the author’s method). The relevance of the study is determined, as shown in a brief review of the scientific literature, by the insufficient elaboration of methods and models for a quantitative description and the corresponding presentation (visualization) of multidimensional data that make it possible to solve the interaction problem. For numerical modeling of multidimensional data in order to build digital indicative models that characterize various facets of interaction in accordance with the method of functional-environmental analysis, a computational toolkit is proposed – a complex methodology. The main result of the research is the substantiation and brief description of the proposed implementations of algorithms and calculation schemes built into the corresponding stages of the computational experiment technology as a modern approach to solving problems of interaction and forecasting. The study was financially supported by the Russian Foundation for Basic Research, the Govern- ment of the Krasnoyarsk Territory and the Krasnoyarsk Regional Science Foundation within the framework of scientific project No. 20-410-242916.

Keywords: business ecosystem, cooperation-network interaction, method of functional-environmental analysis, technology of computational experiment, non-linear regression, visualization and clustering of multidimensional data, histogram approach, indicative modeling, digital model..

DOI:10.34219/2078-8320-2022–13-1-52-60