|
дели кластеризации для выделения однородных групп риска взаимодействия с контрагентами корректно при допущении, что контрагентов сходных по ряду характеристик (компоненты признакового пространства), можно считать сходными, в «узком» смысле, при прочих равных, в части их действий в однотипных ситуациях, как в случае внешнего воздействия, так и принимая во внимание внутренние мотивационные стереотипы (организационные рутины). Данное предположение согласуется с мнением В.Ф.Преснякова [101], согласно которому поведение хозяйствующих субъектов зависит от условий, в которых они функционируют. Пусть для проведения процедуры кластеризации имеется выборка объектов a e A c z А". Рассмотрим к -мерное метрическое пространство Ак совместно с определенной в данном пространстве функцией р (/),/_), удовлетворяющей условиям Ошибка! Источник ссылки не найден. Ошибка! Источник ссылки не найден.. В силу того, что рассматриваемое нами пространство, в общем случае, имеет произвольную природу (пространство признаков сформировано с использованием разнородных данных, в т.ч. и нечисловых), вводимая метрика должна быть подвергнута дополнительной проверке на адекватность. Адекватность метрики состоит в возможности «работы» с разнотипными данными и последующей содержательной интерпретации полученных результатов. Тот факт, что используемое нами пространство объектов является метрическим, позволяет нам использовать в дальнейшем понятие е -окрестности U{ар е) точки а} е А, / = 1,...,«, е> 0 , т.е. U(a,,s) = {at е Л, p{aJ,а,-) < £} (0.6) Таким образом, применяя далее е окрестность (открытый шар), мы можем использовать элементы метода динамических сгущений [2, 79], в части введения в модель пространства представителей (ядер класса). Далее учитывая тот факт, что мы говорим о нечеткой кластеризации, концепция е окрестности точки, если рассматривать ее как нечеткое множество, подлежит 103 |
Условие (3.4) определяет структуру решения в части возможности принадлежности объекта с соответствующей степенью к разным кластерам, т.е. полученное разбиеЛ ние на кластеры является нечетким. Обоснованность использования элементов теории нечетких множеств состоит в следующем: экономические данные изначально содержат в себе элемент нечеткости [124]; представление решения в нечетком виде позволяет осуществить дальнейшее углубление анализа [99]; в условиях имеющейся ограниченной и нечеткой информации некорректно представлять решение в «четком» виде, т.к. нечеткость изначально присуща предметной области. Л Например, согласно мнению И.И.Блисеевой, В.О.Рукавишникова, «при анализе социально-экономических систем целесообразно использовать представление о классе как о размытом множестве» [56, с.45]. Условия (3.5) связаны с тем, что в случае не выполнения условия к » 2 поставленная задача сводится к тривиальной (двумерный вариант), а в случае невыполнения условие т « п , задача не требует формализованного решения в предлагаемой нами постановке, а сводится к практически абсолютной индивидуализации взаимодействия, т.е. осуществляется совершенная ценовая дискриминация. В этом случае отсутствует необходимость в выделении среди контрагентов однородных групп, позволяющее формализовать взаимодействие с ними путем введения стандартных процеКак указывает в своей работе Ю.А.Воронин [33], сходство объектов можно рассматривать в двух смыслах: «широком», когда имеют в виду сходство по всем существенным свойствам, и в «узком» сопоставление по заранее зафиксированным существенным свойствам. Использование данной модели кластеризации для выделения однородных групп риска взаимодействия с контрагентами корректно при допущении, что контрагентов сходных по ряду характеристик (компоненты признакового пространства), можно считать сходными, в «узком» смысле, при прочих рав83 ных, в части их действий в однотипных ситуациях, как в случае внешнего воздействия, так и принимая во внимание внутренние мотивационные стереотипы (организационные рутины). Данное предположение согласуется с мнением В.Ф.Преснякова [135], согласно которому поведение хозяйствующих субъектов зависит от условий; в которых они функционируют. Пусть для проведения процедуры кластеризации имеется выборка объектов а е Л с А'. Рассмотрим к -мерное метрическое пространство Ак совместно с определенной в данном пространстве функцией p(A,L), удовлетворяющей условиям (2.7) (2.10). В силу того, что рассматриваемое нами пространство, в общем случае, имеет произвольную природу (пространство признаков сформировано с использованием разнородных данных, в т.ч. и нечисловых), вводимая метрика должна быть подвергнута дополнительной проверке на адекватность. Адекватность метрики состоит в возможности «работы» с разнотипными данными и последующей содержательной интерпретации полученных результатов. Тот факт, что используемое нами пространство объектов является метрическим, позволяет H aiti использовать в дальнейшем понятие е -окрестности \J{aj,c) точки е A ,j = 1,...,и, £ > 0, т.е. и(а]г£) = {а, :а, е Л, p{ap at) < е} (3.6) Таким образом, применяя далее еокрестность (открытый шар), мы можем использовать элементы метода динамических сгущений [5, 99], в части введения в модель пространства представителей (ядер класса). Далее учитывая тот факт, что мы говорим о нечеткой кластеризации, концепция еокрестности точки, если рассматривать ее как нечеткое множество, подлежит следующему дополнению, в целях учета «размытости» /Aj(a/^)(ai)(Далее р^) принадлежности к гиперсфере: 1 Ц ,/^ ,е ) = {аг,:(в,/^)еЛ, p(cti,aJ) |