Север и рынок. 2024, № 1.

СЕВЕР И РЫНОК: формирование экономического порядка. 2024. № 1. С. 170-185. Sever i rynok: formirovanie ekonomicheskogo poryadka [The North and the Market: Forming the Economic Order], 2024, no. 1, pp. 170-185. ПРОБЛЕМЫ СОЦИАЛЬНОЙ, ПРОМЫШЛЕННОЙ И ФИНАНСОВО-БЮДЖЕТНОЙ ПОЛИТИКИ НА СЕВЕРЕ И В АРКТИКЕ РОССИИ состава акторов сети, максимизирующих ее потенциал, и определения дуальных связей между акторами, имеющими наибольший суммарный потенциал, на языке Python с использованием библиотеки Pandas для обработки и анализа данных, а также другими инструментами визуализации и анализа сетей, таких как Gephi 0.10.1. Результаты и обсуждение Данные о предпринимательских потенциалах отраслевых групп в рамках территорий макрорегиона АЗРФ представлены в таблице. Результаты расчетов могут быть удобно представлены для анализа с помощью инструмента сетевой визуализации Gephi 0.10.1 (рис. 2). На графике наглядно представлены информация о вкладах территорий АЗРФ в формирование предпринимательского потенциала макрорегиона в разрезе инфраструктурных отраслей и характеристика территорий по весам инфраструктурных предпринимательству отраслей, показанных графически толщиной дуг и расстояниями между смежными узлами. Например, на графике видно, что наибольшей мощностью обладают процессы формирования предпринимательского потенциала макрорегиона АЗРФ по группе «население» — здесь сосредоточены наиболее мощные потоки территориальных потенциалов — из Ненецкого и Чукотского автономных округов, Архангельской и Мурманской областей, Ямало-Ненецкого АО. Показатель сетевого предпринимательского потенциала (СПП) населения обладает наибольшей центральностью, то есть является наиболее весомым источником формирования СПП макрорегиона. Несколько далее от центра стоит узел СПП корпораций и затем узел СПП гражданского общества. Значительными вкладами корпораций в формирование СПП макрорегиона АЗРФ отличаются Ямало-Ненецкий АО, Мурманская область и Красноярский край. Предпринимательские потенциалы гражданского общества и государственного управления в макрорегионе АЗРФ на порядок меньше, чем потенциалы населения и корпораций. Показатель СПП бизнеса макрорегиона АЗРФ находится довольно далеко от центра сети, вклады территорий в его формирование равностепенны. То есть СПП инфраструктурного бизнеса обладают все территории макрорегиона АЗРФ практически в равной степени, однако уровень данного потенциала ниже, чем потенциала населения и корпораций. Неоднозначная ситуация с СПП госуправления, в формировании которого, как видно, участвуют только территории Республики Карелии, Мурманской области и Чукотского АО. Такая ситуация сложилась в связи с тем, что оценка СПП госуправления на территориях АЗРФ осуществлялась автором на основе данных НР. Однако не все органы региональной государственной власти в 2020 г. предоставили доступ к данной информации на официальных интернет-порталах или озвучили в СМИ. В связи с несоблюдением важного оценочного критерия приверженности органов госуправления принципам предпринимательства — открытости к сотрудничеству и транспарентности деятельности по формированию благоприятного инвестиционного, а равно инновационного климата — показатель СПП госуправления в таких регионах приравнен к 0, что позволило сформировать реалистичную картину, характеризующую условия предпринимательской деятельности на территориях. Для оперативного подбора и замены акторов при проектировании предпринимательских сетей необходим специальный алгоритм, отвечающий требованиям пользователя — брокера сети. Для решения данной задачи предлагается авторская разработка, реализованная на языке программирования Python. Так как входные данные имеют табличную форму, воспользуемся возможностями библиотеки языка Python — Pandas (англ. panel data) — популярного инструмента обработки и анализа структурированных табличных данных. Как отмечалось выше, для решения задачи формирования эффективного состава акторов предпринимательских сетей вполне подходит метод итерационного перебора и расстановки меток. Нашей целью является адаптация данного метода, описанного алгоритмами Форда — Фулкерсона и Дейкстры для графических данных, к массиву панельных данных. Идея автора заключается в том, что в задаче последовательного ранкирования максимальных потенциалов акторов в роли метки о посещении узла алгоритмом устанавливается «0» и продолжается поиск следующего максимального значения. На этапе проектирования отсутствует какой-либо путь из истока в сток, и алгоритм максимизации может включить в сеть все имеющиеся во входном датафрейме потенциалы, поэтому необходимы ограничения по включению акторов- узлов в сетевую архитектуру, что предлагается реализовать по принципу «одна инфраструктурная отрасль — один актор от каждого региона». © Метелева М. А., 2024 175