Санкт-Петербург, г. Санкт-Петербург и Ленинградская область, Россия
Промышленный сектор является одним из наиболее поддерживаемых целевых направлений реализации экономико-политических мер в условиях Китайской Народной Республики, что свидетельствует об острой необходимости изучения проблемы поиска методов оптимизации пространственных ресурсов и работы с доступными источниками для совершенствования стратегий применения кластерного подхода в стратегировании. Целью данной работы являлось определение потенциала проектирования трансграничного кластера тяжелой промышленности в условиях Китайской Народной Республики на основе определения допустимой удаленности промышленных зон друг от друга и постановки центроида. Объекты исследования – процессы кластеризации пространства Китая в контексте определения границ и центроида потенциального трансграничного кластера тяжелой промышленности. В работе применены: анализ статистических данных; картографический анализ; библиографический анализ; систематизация; конкретизация; формализация; контент-анализ; сравнение. Работа направлена на апробацию одного из доступных методов расчета географической целесообразности проектирования китайского кластера тяжелой промышленности, принимая во внимание его трансграничный характер. Это достигается через определение координат будущих элементов кластерной системы в условиях двумерного пространства и поиск точки расположения центроида на основе ранее выявленных данных. В исследовании приведены обоснования решений, принятых автором в процессе проведения анализа, а также продемонстрирован ряд закономерностей, свойственных фактическому уровню разработанности проблемы пространственного планирования роста промышленных зон в условиях Китайской Народной Республики.
кластерный подход, кластеризация, картографический анализ, промышленный кластер, промышленность, индустриальная политика, Китай, кластер
1. Гринев С. А., Квинт В. Л. Формирование стратегических приоритетов промышленного развития РФ как инновационный фактор преодоления кризисных периодов // Экономика промышленности. 2023. Т. 16. № 3. С. 275–283. https://doi.org/10.17073/2072-1633-2023-3-275-283
2. Еремичева П. Ю., Карпова Г. А. Современные подходы в развитии внутреннего туризма Китая // Научные исследования молодых ученых: новая экономика и тренды в устойчивом развитии: сборник материалов XII международной науч.-практ. конф. молодых ученых, Санкт-Петербург, 2025. Санкт-Петербург: Санкт-Петербургский государственный экономический университет, 2025. С. 60–62. https://elibrary.ru/RRIMWM
3. Квинт В. Л. Концепция стратегирования. Т. 2. СПб.: СЗИУ РАНХиГС, 2022. 164 с. https://elibrary.ru/CDMBHK
4. Квинт В. Л., Трачук А. В., Дзгоев В. Д. Стратегирование национальных и региональных инновационных систем: Дайджест мировых практик для государственного и муниципального управленческого персонала. М.: Бюджет, 2021. 199 с. https://doi.org/10.34829/ KARO.978-5-6046414-0-8
5. Кучумов А. В., Еремичева П. Ю. Особенности формирования индустриальной кластерной политики в развивающихся странах Азии // π-Economy. 2025. Т. 18. № 2. С. 100–120. https://doi.org/10.18721/JE.18206
6. Оценка человеческого потенциала в стратегировании промышленных регионов России / В. Л. Квинт [и др.] // Экономика промышленности. 2025. Т. 18. № 4. 459–471. https://doi.org/10.17073/2072-1633-2025-4-1564
7. Роль географического фактора в проектировании кластеров сферы туристских услуг / Л. В. Хорева [и др.] // Профессорский журнал. Серия: Рекреация и туризм. 2024. № 2. С. 51–60. https://elibrary.ru/QZRPIP
8. Хворостяная А. С., Квинт В. Л. Разработка и реализация региональной стратегии: основные этапы и приоритеты // Север и рынок: формирование экономического порядка. 2025. Т. 28. № 3. С. 25–34. https://elibrary.ru/QRDAZZ
9. A model to analyze industrial clusters to measure land use efficiency in China / Y. Cui [et al.] // Land. 2024. Vol. 13. № 7. P. 1070. https://doi.org/10.3390/land13071070
10. A new particle swarm optimization algorithm for outlier detection: Industrial data clustering in wire arc additive manufacturing / J. Fang [et al.] // IEEE Transactions on Automation Science and Engineering. 2024. Vol. 21. № 2. P. 1244–1257. https://doi.org/10.1109/TASE.2022.3230080
11. An analysis of spatial changes in the manufacturing industry in China’s three major urban clusters from 2015 to 2019 using POI data / C. Jin [et al.] // Scientific Reports. 2025. Vol. 15. № 1. P. 7401. https://doi.org/10.1038/s41598-025-90373-w
12. An identification of industrial functional zones based on NLP: Evidence from online commercial registration data / M. Yuanting [et al.] // Sage Open. 2023. Vol. 13. № 1. https://doi.org/10.1177/21582440231153854
13. Clustering, growth, and inequality in China / D. Guo [et al.] // SSRN Electronic Journal. 2017. P. 1–47. https://doi.org/10.2139/ssrn.3159741
14. Does determination of initial cluster centroids improve the performance of K-means clustering algorithm? Comparison of three hybrid methods by genetic algorithm, minimum spanning tree, and hierarchical clustering in an applied study / S. Pourahmad [et al.] // Computational and Mathematical Methods in Medicine. 2020. Vol. 2020. № 1. P. 636857. https://doi.org/10.1155/2020/7636857
15. Entrepreneurship and industrial clusters / X. Zhu [et al.] // Small Business Economics. 2018. Vol. 52. № 3. P. 595–616. https://doi.org/10.1007/s11187-017-9974-3
16. Frattini F., Prodi G. Industrial clusters in China: Policy tools for further and more balanced development // European Review of Industrial Economics and Policy. 2012. № 5. P. hal-03469549.
17. Geographic clusters, regional productivity and resource reallocation across firms: Evidence from China / D. Guo [et al.] // Research Policy. 2023. Vol. 52. № 2. P. 104691. https://doi.org/10.1016/j.respol.2022.104691
18. Geographic concentration of industries in Jiangsu, China: A spatial point pattern analysis using micro-geographic data / X. Zhang [et al.] // The Annals of Regional Science. 2021. Vol. 66. P. 439–461. https://doi.org/10.1007/s00168-020-01026-x
19. Li G., Branstetter L. G. Does «Made in China 2025» work for China? Evidence from Chinese listed firms // NBER Working Paper Series. 2022. Vol. 53. № 6. P. 105009.
20. Nguyen S. D. Centroid-based clustering validity: Method and application to quantification of optimal cluster-data space // Soft Computing. 2024. Vol. 28. P. 10853–10872. https://doi.org/10.1007/s00500-024-09871-0
21. Pandey K. K., Shukla D. NDPD: An improved initial centroid method of partitional clustering for big data mining // Journal of Advances in Management Research. 2023. Vol. 20. № 1. P. 1–34. https://doi.org/10.1108/jamr-07-2021-0242
22. Spatial agglomeration of China’s forest products manufacturing industry: Measurement, characteristics and determinants / Z. Chen [et al.] // Forests. 2021. Vol. 12. № 8. P. 1006. https://doi.org/10.3390/f12081006
23. Spatial distribution characteristics and driving factors of little giant enterprises in China’s megacity clusters based on random forest and MGWR / J. Duan [et al.] // Land. 2024. Vol. 13. № 7. P. 1105. https://doi.org/10.3390/land13071105
24. Spatial-temporal analysis of industrial heat and productivity in China / J. Lai [et al.] // Applied Geography. 2022. Vol. 138. P. 102618. https://doi.org/10.1016/j.apgeog.2021.102618
25. Wang J., Saxena A., Sintunavarat W. An empirical study on initializing centroid in K-means clustering for feature selection // International Journal of Software Science and Computational Intelligence. 2021. Vol. 13. № 1. P. 1–16. https://doi.org/10.4018/IJSSCI.2021010101
26. Yan M., Li Q., Song Y. Spatial and temporal distribution characteristics and influential mechanisms of China’s industrial landscape based on geodetector // Land. 2024. Vol. 13. № 6. P. 746. https://doi.org/10.3390/land13060746
27. Zeng G., Hu Y., Zhong Y. Industrial agglomeration, spatial structure and economic growth: Evidence from urban cluster in China // Heliyon. 2023. Vol. 9. № 9. P. e19963. https://doi.org/10.1016/j.heliyon.2023.e19963
