кластерный анализ

Статистический анализ дифференциации постсоветских стран в ходе трансформации экономики

Введение. Процесс перехода 15 стран экс-членов СССР от плановой экономики к рыночной сопровождался коренными изменениями в политической, экономической и социальной жизни общества. Различные подходы к проводимым реформам и диаметрально противоположные стратегические цели обусловливают наблюдаемые в настоящее время различия экономик постсоветских стран. Теоретический анализ. Проблеме анализа результатов периода перехода постсоветских стран к рыночной экономике посвящены работы многих отечественных ученых, которые разделяют совокупность постсоветских стран на основе различных группировочных признаков, но наряду с достоинствами этих исследований необходимо указать на один существенный недостаток, вносящий долю субъективизма в полученные результаты, – качественный подход к формированию групп. Это обусловливает необходимость применения количественного подхода, и прежде всего многомерной группировки. Эмпирический анализ. В результате применения к 15 постсоветским странам многомерного группирования и кластерного анализа было выделено 3 группы, при этом в последних трех периодах соотношение и наполненность групп одинакова, что указывает на стабилизацию совокупности. В первую группу вошли страны с внушительными природными и человеческими ресурсами, во вторую – республики, сменившие полярность с России на Евросоюз, США и Китай. Третья группа образована странами Балтии, которые вошли в состав Евросоюза и за счет этого значительно увеличили отрыв от остальных постсоветских стран, что в значительной степени проявляется в таком показателе, как ВВП на душу населения. Выводы. Четверть века развития постсоветских стран вне Советского Союза привели к значительной их деформации по уровню политического и социально-экономического развития. Значительных успехов добились республики, имевшие в начале перехода хорошие позиции по природному и человеческому капиталу, что позволило им интегрироваться в глобальную экономику. Также явно выделяются страны Балтии, которые вошли в состав Европейского союза и в значительной степени улучшили свои макроэкономические показатели.

ЭКОНОМЕТРИЧЕСКОЕ МОДЕЛИРОВАНИЕ ЦЕНЫ ОДНОКОМНАТНОЙ КВАРТИРЫ МЕТОДОМ ГЕОГРАФИЧЕСКИ ВЗВЕШЕННОЙ РЕГРЕССИИ

Выявление и измерение взаимозависимостей на рынке жилья является одним из ключевых вопросов, исследуемых эконометрическими методами. По сравнению с традиционными методами, географически взвешенная регрессия расширяет понимание того, как принадлежность единицы совокупности к конкретным географическим координатам влияет на зависимость между регрессорами и ценой на недвижимость. В связи с этим целью данного исследования явился анализ пространственных различий на цену однокомнатных квартир, представленных на вторичном рынке жилья г. Оренбурга. Методы. В работе были использованы метод кластерного анализа, графический метод, дисперсионный анализ, классическая регрессионная модель и географически взвешенная регрессия. Результаты. Оценка параметров глобальной (общей) модели методом наименьших квадратов (МНК) и географически взвешенной регрессией (ГВР), показало, что ГВР имеет лучшую подгонку и служит доказательством пространственной дифференциации коэффициентов регрессии. Выводы. При моделировании цены однокомнатной квартиры следует отдать предпочтение географически взве-
шенной регрессии, поскольку в ней оцениваются коэффициенты регрессии для каждого объекта совокупности и, следовательно, отражаются географические различия в зависимостях, что трудно отобразить уравнением общей регрессии.

ПРИМЕНЕНИЕ МЕТОДОВ КЛАСТЕРНОГО АНАЛИЗА ДЛЯ ОЦЕНКИ СХОЖЕСТИ СЛЕДОВ БОЙКОВ

Введение. Одной из важнейших задач судебно-баллистической экспертизы является идентификация оружия по следам бойка. Данная задача обычно связана с поиском совпадающих (парных) следов по большим базам данных. Для этого широко используются баллистические идентификационные системы, такие как ПОИСК, ТАИС, Арсенал и другие, в которых исполь- зуются автоматические алгоритмы поиска парных следов, основанные на подсчете функции взаимной кросс-корреляции. В данной работе предложен иной подход, разработанный для изображений следов бойков, содержащих признаки в виде крупных областей неопределенной формы. К ним применялись методы кластерного анализа для формирования приоритетного списка. Теоретическая часть. В теоретической части дается алгоритм выделения и сравнения дескрипторов – характеристик, описывающих изображения следа бойка. После чего предложен способ формирования приоритетного списка, анализируя который, эксперт сможет сделать вывод о парности следов. Экспериментальная часть. Разработанный алгоритм был применен к базе данных, состоящей из более чем 100 изображений следов бойков 24 экземпляров оружия. Заключение. Разработанный алгоритм позволяет формировать приоритетный список из 20 изображений, в который входят парные следы (если такие имеются в электронной базе данных) с вероятностью 100%. Таким образом, предложенная методика позволяет существенно сократить время поиска следов. Данный алгоритм осуществляет предварительную фильтрацию и позволяет выделить список следов, к которым имеет смысл применять более сложные критерии, такие как сравнение контуров, особых точек изображений и т.п.