Московкин В.М.доктор географических наук, профессор кафедры мировой экономики, Белгородский государственный национальный исследовательский университет, Белгород, Российская Федерация moskovkin@bsu.edu.ru ORCID id: отсутствует SPIN-код: 2719-8360
Казимиру Э.аспирант кафедры экономики и моделирования производственных процессов, Белгородский государственный национальный исследовательский университет, Белгород, Российская Федерация 618915@bsu.edu.ru ORCID id: отсутствует SPIN-код: отсутствует
Предмет. Бинаризация и кластеризация матриц состояний произвольных объектов на примере показателей экспортной конкурентоспособности сектора «свежие продукты» стран Субсахарской Африки. Цели. Разработка методологии матричной кластеризации и ее апробация на примере решения задачи пространственного экономического анализа. Методология. Предложена методология матричной кластеризации объектов, состоящая в построении матрицы их состояний, многокритериальной пороговой бинаризации матрицы состояний и кластеризации полученной бинарной матрицы на субматрицы с разной плотностью нулевых или единичных элементов. Результаты. Разработанная методология матричной кластеризации апробирована на основе индикаторов экспортной конкурентоспособности стран Субсахарской Африки для сектора «свежие продукты» (Fresh food). Выводы. На основе разработанной методологии матричной кластеризации, которая апробирована для показателей экспортной конкурентоспособности сектора «свежие продукты» стран Субсахарской Африки, показано, что большинство из этих стран сосредоточено во втором (количество нулевых элементов бинарной матрицы изменяется от 25 до 50%) и третьем (количество нулевых элементов бинарной матрицы изменяется от 50 до 75%) кластерах. Здесь конкурентоспособность экспортного сектора «свежие продукты» возрастала в направлении от четвертого кластера к первому. Показано, что кластеризация бинарной матрицы является достаточно устойчивой к изменению пороговых критериев исходной матрицы состояний.
Oyanagi S., Kubota K., Nakase A. Matrix Clustering: A New Data Mining Method for CRM. Trans. IPSJ, 2001, vol. 42(8), pp. 2156–2166.
Oyanagi S., Kubota K., Nakase A. Application of Matrix Clustering to Web Log Analysis and Access Prediction. In: WEBKDD 2001 – Mining Web Log Data Across All Customers Touch Points, Third International Workshop, 2001, pp. 13–21.
Oyanagi S., Kubota K., Nakase A. Mining WWW Access Sequence by Matrix Clustering. In: WEBKDD 2002 – Mining Web Data for Discovering Usage Patterns and Profiles, LNAI 2703, 2003, pp. 119–136.
Sudhamathy G., Venkateswaran C.J. Matrix Based Fuzzy Clustering for Categorizatioin on Web Users and Web Pages. International Journal of Computer Applications, 2012, vol. 43, no. 14, pp. 43–47. URL: Link
Kuo J.J., Zhang Y.J. A Library Recommender System Using Interest Change over Time and Matrix Clustering. Taipei, Taiwan, 2012, pp. 259–268.
Nagaraj G., Sheik Syed Abuthahir S., Manimaran A., Paramasamy S. Comparison of Matrix Clustering Methods to Design Cell Formation. International Journal of Applied Engineering Research, 2015, vol. 10, iss. 28, pp. 21900–21904.
Zhang Z.Y., Li T., Ding C., Ren X.W., Zhang S. Binary Matrix Factorization for Analyzing Gene Expression Data. Data Mining and Knowledge Discovery, 2010, vol. 20, iss. 1, pp. 28–52. URL: Link
Oyelade J., Isewon I., Oladipupo F. et al. Clustering Algorithms: Their Application to Gene Expression Data. Bioinformatics and Biology Insights, 2016, vol. 10, pp. 237–253.
Московкин В.М., Казимиру Э. Кластеризация многомерных объектов различной природы: постановка исследовательской задачи // Современные проблемы социально-экономических систем в условиях глобализации. Белгород: НИУ БелГУ, 2017. C. 27–30.
Московкин В.М., Казимиру Э. Матричная кластеризация как кластеризация матриц одинаковой размерности // Научные ведомости Белгородского государственного университета. Сер.: Экономика. Информатика. 2017. Nº 23. Вып. 44. С. 123–127.
